VERGE框架：验证增强AI从临床病历中精准提取症状

早发性结直肠癌：被临床数据忽视的年轻群体

结直肠癌正在越来越多地侵袭年轻成年人群体，这一趋势引起了医学界的高度关注。早发性结直肠癌（Early-Onset Colorectal Cancer, EOCRC）通常指50岁以下人群确诊的结直肠癌。过去数十年来，全球多项流行病学研究一致显示，尽管50岁以上人群的结直肠癌发病率因筛查普及而稳步下降，50岁以下人群的发病率却呈显著上升趋势。美国癌症协会的数据表明，自1990年代中期以来，20-49岁年龄段的结直肠癌发病率每年增长约1-2%，这一趋势促使美国预防服务工作组（USPSTF）在2021年将推荐筛查起始年龄从50岁下调至45岁。然而，许多早发性病例发生在45岁以下，仍处于常规筛查覆盖范围之外，患者往往在出现症状后才被确诊，且确诊时多已处于较晚期。

然而，针对这一年龄段患者的"危险信号"症状（red-flag symptoms），目前尚缺乏基于循证的随访检测指南。结直肠癌的"危险信号"症状包括直肠出血、排便习惯改变（如持续腹泻或便秘）、腹痛、不明原因体重下降、贫血以及腹部肿块等。这些症状在年轻患者中常被误诊为肠易激综合征（IBS）或痔疮等良性疾病，导致诊断延迟。更棘手的是，医院系统中的结构化就诊数据往往无法捕捉支持早期检测所需的关键细节。

这些关键细节包括：症状的持续时间、发生的具体情境，以及家族病史——后者是已被确证的结直肠癌风险因素。临床病历系统中的数据通常分为两类：结构化数据（如诊断编码ICD-10、实验室检查数值、用药记录等，以标准化字段存储）和非结构化数据（如医生书写的门诊记录、入院记录、手术记录等自由文本）。据估计，电子健康档案（EHR）中约80%的临床信息以非结构化文本形式存在。传统的数据分析和临床决策支持系统主要依赖结构化数据，因此大量蕴含在自由文本中的临床细节——如患者描述症状的具体措辞、症状持续天数、家族成员确切的患癌年龄——难以被系统性地利用。正是在这一背景下，一项发表于 arXiv 的最新研究提出了名为 VERGE 的自动化提取方法，旨在从非结构化的病历文本中精准提取六种危险信号症状及家族史风险状态。

VERGE的核心机制：验证增强的智能体工作流

从单次提取到"提议-验证-修正"循环

VERGE 的全称为 Verification-Enhanced Refinement for Grounded Extraction，即"面向有据提取的验证增强精炼"。它本质上是一个智能体工作流（agentic workflow），而非单一的一次性大模型调用。这一设计思路代表了当前 AI 在高风险专业领域应用的一个重要方向。

智能体工作流是近年来大语言模型应用中兴起的一种架构范式。与传统的"单次输入-单次输出"调用不同，智能体工作流将复杂任务分解为多个步骤，每个步骤由一个或多个AI智能体执行，智能体之间可以协作、审查彼此的输出，并根据中间结果动态调整后续行为。这种方式借鉴了软件工程中的多阶段管道思想，赋予AI系统更强的自主规划和自我纠错能力。

其工作流程可以拆解为几个关键环节：首先，系统利用检索增强生成（RAG）技术，为每个症状提出初始标签和支持证据。RAG是将信息检索与文本生成相结合的技术框架：系统在生成回答之前，先从外部知识库或文档集合中检索与查询最相关的片段，然后将这些检索到的内容作为上下文提供给大语言模型，使其生成更加有据可循、减少"凭空捏造"的输出。在VERGE中，RAG的作用是确保模型在标注每个症状时，都能指向病历文本中的具体段落作为依据，而非仅凭参数化知识推断。随后，这些初步结论被送入一个有界的验证-精炼循环（bounded verification-refinement cycle）。

验证循环如何保证临床提取的可靠性

这个验证循环是 VERGE 区别于普通提取工具的核心所在。循环采用"有界"（bounded）设计，这意味着循环次数存在预设上限，防止系统陷入无限自我检查的死循环，体现了工程实践中对鲁棒性和效率的双重考量。

在每一轮循环中，它会检查两件事：一是文本依据（textual grounding），即模型给出的结论是否真的能在原文中找到支撑，这类似于要求学生在考试中"标注出处"，有效遏制大语言模型的幻觉倾向；二是临床有效性（clinical validity），即结论是否符合医学逻辑，例如某个症状的时间线是否合理、某种症状组合是否在临床上可能共存。这种双重验证机制使得系统不仅在语言层面，更在专业知识层面把关输出质量。

当发现某个论断存在问题时，精炼器（Refiner）会自动生成修正方案并重新提交验证，如此反复，直到问题得到解决或达到预设的循环次数上限。对于那些循环结束后仍无法自主解决的争议性论断，系统会将其升级至人工审查。这种"AI 自主处理为主、人工兜底为辅"的机制，既保证了效率，又守住了医疗场景所必需的安全底线。

实验结果：精确率与效率的双重提升

与多个基线方法的严格对比

研究团队在 4,033 组由临床医生标注的"病历-发现"配对数据上对 VERGE 进行了评估。为了全面验证其有效性，实验设置了三个对照组：单智能体基线（single-agent baseline）、基于规则的临床语言处理基线（rule-based baseline），以及采用不同底层语言模型的替代方案。

这种多维度的对比设计，使得结果更具说服力——它不仅证明了 VERGE 相对于简单 AI 方法的优势，也验证了其相对于传统规则系统的进步。

关键性能指标的显著改善

实验数据显示出令人信服的效果。与单智能体基线相比，VERGE 有效减少了假阳性发现（false positive findings）：

• 精确率（Precision）从 0.764 提升至 0.849
• 马修斯相关系数（MCC）从 0.681 提升至 0.730

马修斯相关系数（Matthews Correlation Coefficient, MCC）是一种特别适合评估二分类或多分类任务的综合性指标，其取值范围为-1到+1。MCC=+1表示完美预测，MCC=0表示预测效果等同于随机猜测，MCC=-1表示完全反向预测。相比精确率、召回率和F1分数，MCC的一个关键优势在于它同时考虑了真阳性、真阴性、假阳性和假阴性四个混淆矩阵元素，因此在类别不平衡的数据集上（临床场景中很常见，因为大多数患者并不携带某一特定危险信号）表现出更好的评价稳定性。VERGE的MCC从0.681提升至0.730，表明系统在所有分类维度上的综合判断能力都得到了实质性改善，而非仅在某一方面有所偏移。这意味着 VERGE 并非以牺牲"查全"为代价换取"查准"，而是实现了两者的协同优化。

更值得关注的是效率指标：VERGE 自主解决了绝大多数被标记的错误，仅有 1.5% 的论断需要人工审查。对于医疗机构而言，这一比例意味着临床工作者可以将精力集中在真正棘手的少数案例上，而非疲于处理海量的自动化输出。

深度解读：验证机制为何对医疗AI至关重要

高风险场景下的大语言模型可信度挑战

VERGE 的意义远不止于结直肠癌这一具体应用。它实际上回应了一个当前 AI 落地的核心痛点：在医疗、法律等高风险领域，大语言模型的"幻觉"和不可靠输出是难以接受的。

大语言模型的"幻觉"（Hallucination）是指模型生成看似流畅、逻辑自洽但事实上不正确或缺乏依据的内容。在通用对话场景中，幻觉可能只是一个小麻烦；但在医疗领域，一个虚构的症状记录或编造的家族史可能直接影响临床决策，导致误诊或漏诊。目前学界应对幻觉的主要策略包括：提示工程（要求模型"只基于给定文本回答"）、RAG（提供外部证据约束生成）、事后验证（用独立模块检查输出的事实性）以及不确定性量化（让模型表达对自身输出的置信度）。

传统的做法要么依赖脆弱的规则系统（难以处理自然语言的复杂性），要么直接信任大模型的单次输出（可靠性无保障）。VERGE 提供的"有界验证"范式给出了第三条路径：通过让 AI 检查自己的工作、要求每个结论都有明确文本依据，从而系统性地降低错误率。VERGE将RAG与多轮验证相结合，并设置人工升级机制，实际上整合了多种抗幻觉策略，形成了一个分层防御体系。这种设计理念正在成为医疗AI领域的最佳实践方向，因为没有任何单一技术能完全消除幻觉，唯有系统性的多层防护才能将风险降至临床可接受水平。

减少假阳性对癌症筛查的临床价值

在癌症风险评估中，假阳性并非小事。在癌症筛查和风险评估语境下，假阳性（False Positive）指的是将实际不存在风险或症状的情况错误标记为存在。假阳性的临床后果是多层面的：首先，它可能触发不必要的侵入性检查，如结肠镜检查，该检查虽然安全性高但仍存在穿孔等罕见但严重的并发症风险；其次，误报会给患者带来显著的心理负担，包括焦虑、失眠和生活质量下降；第三，从卫生经济学角度看，大量假阳性会消耗有限的医疗资源（内镜室时间、专科医生诊次等），挤占真正需要检查的患者的机会。在人群水平的筛查项目中，假阳性率哪怕只降低几个百分点，累积的社会效益也极为可观。VERGE 在不损害真阳性检出能力的前提下将精确率从0.764提升至0.849，正是切中了临床实践的实际需求。

结语：迈向可信赖的临床NLP工具

VERGE 的研究表明，一个有界的、基于验证的智能体工作流能够在减少不必要阳性发现的同时，保持对真实病例的检测能力。这为构建更可靠、更值得信赖的临床自然语言处理工具提供了一条切实可行的路径，尤其是在支持年轻患者结直肠癌风险评估这一亟待改善的领域。

随着早发性结直肠癌发病率的持续上升，能够从海量病历中自动、准确地识别风险信号的工具，将在早期筛查和干预中发挥越来越重要的作用。VERGE 所展示的"验证增强"思路，或许也将成为 AI 应用于更广泛医疗场景的重要参考范式。