问诊逻辑

flowchart TD
    A([输入: 患者主诉]) --> B[症状提取与语义理解<br>识别关键临床实体]
    B --> C[生成初始鉴别诊断清单<br>Differential Diagnosis]
    C --> D[主动追问<br>计算信息增益]
    D --> E[患者反馈<br>新增临床信息]
    E --> F[概率更新<br>Bayes/排序调整]
    F --> G{是否达到<br>诊断收敛条件?}

    G -- 否 --> D
    G -- 是 --> H([输出诊断<br>置信度 + 建议])

    %% 样式优化
    class A,H specialNode
    class B,C,D,E,F processNode
    class G decisionNode

    classDef specialNode fill:#6aa84f,stroke:#333,stroke-width:2px,color:#fff,radius:10px
    classDef processNode fill:#cfe2f3,stroke:#0b5394,stroke-width:1.5px,color:#000
    classDef decisionNode fill:#f9cb9c,stroke:#e69138,stroke-width:2px,color:#000,shape:diamond

逻辑步骤详解

1. 信息输入与理解 (Input & NLP)

   • 输入：患者自由叙述的主诉和症状（文本或语音转文本）。
   • NLP解析：识别关键临床实体（如“胸痛”、“发热38.5°C”、“向右肩放射”）、症状属性（持续时间、严重程度、加重/缓解因素）、患者背景（年龄、性别、病史）。

   👉 开发难点：每新增一种症状或描述方式，代码就需要额外适配数据清洗、分词、实体抽取规则。

2. 初始假设生成 (Hypothesis Generation)

   • 模型将当前症状集与疾病-症状概率图谱匹配。
   • 输出鉴别诊断清单，并为每个候选疾病分配初始概率。

   👉 开发难点：随着症状维度增加，概率图谱急剧膨胀，需要更复杂的数据结构和高效检索算法。

3. 主动信息获取 (Proactive Inquiry)

   • 模型计算“信息增益”，选择最能缩小诊断空间的问题。

   👉 开发难点：每增加一种新症状，推理树会新增大量分支，问答逻辑代码呈指数级增长。

4. 概率更新与排序 (Probability Update & Ranking)

   • 通过患者反馈，动态更新候选疾病概率。
   • 新信息可能引入全新的诊断假设。

   👉 开发难点：新增症状 → 更新公式和概率分布计算更复杂，测试与验证成本同步上升。

5. 循环迭代直至收敛

   • 直到概率分布稳定或某诊断概率超过阈值。

   👉 开发难点：更多症状意味着更长的收敛路径，循环逻辑更复杂，代码需防止死循环或冗余提问。

6. 输出与决策支持 (Output & Decision Support)

   • 输出诊断+置信度+建议。

   👉 开发难点：诊断报告解释需要覆盖新增的临床证据，否则会出现“黑箱”风险。

   我来帮您优化这些 Mermaid 流程图代码，使其语法正确且更加规范。

优化后的完整流程图

信息输入

初始假设生成

主动信息获取

概率更新与循环

输出与支持

例如以下六种示例病症的逻辑差异

六种病症结合到 AI 辅助诊断系统的研发场景：