2025_NIPS_From Indicators to Insights: Diversity-Optimized for Medical Series-Text Decoding via LLMs

一、文章主要内容总结

该研究聚焦医疗时间序列分析的核心挑战，提出了一种名为InDiGO（Indicator-informed Diversity-Guided Optimization） 的知识感知进化学习框架，旨在通过大语言模型（LLMs）实现医疗时间序列与文本的精准联合解码。

核心背景与问题

医疗时间序列分析需结合专业领域知识解读复杂信号，但现有LLM辅助方法存在两大关键缺陷：

1. 提示词设计缺乏针对性：现有方法依赖数据集描述、时间戳等泛化信息，未充分利用睡眠纺锤波、QRS波群等临床决策关键指标；
2. 模态融合鲁棒性不足：当文本提示质量不佳时，现有融合策略（如直接拼接、模态对齐约束）无法解决时序与文本的错位问题，导致LLM推理能力未被充分利用。

框架核心组件

1. 指标引导的提示词原型构建：通过半自动化工具提取任务相关临床指标（如睡眠分析中的慢波、心电分析中的RR间期），构建包含任务指令、信号统计信息和指标特征的针对性提示词；
2. 掩码蒙特卡洛重要性采样（MCIS）：对初始提示词进行随机掩码操作，生成多样化候选提示词集，避免单一提示词带来的偏差；
3. 匹配对齐（MA