CLARITY：通过建模潜在空间中的上下文感知疾病轨迹来指导治疗决策的医学世界模型

arXiv 25.12 2025 43.2 method, application

TLDR

CLARITY是一种医学世界模型，在潜在空间中预测疾病轨迹，整合时间与临床上下文以辅助治疗决策。

评分理由

The paper introduces a novel approach to medical world modeling by explicitly incorporating temporal and clinical contexts, and linking predictions to treatment decisions, which addresses key limitations of prior work. Its strength lies in the structured latent space and prediction-to-decision framework, but the evaluation is limited to a single dataset (MU-Glioma-Post) and the abstract does not provide details on broader generalization or ablation studies.

Read-first 评分解释

综合优先阅读分 43.2，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 41。

近期性 6%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、数据集、评估

主题相关性 29%

58.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：383。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

interactive world model

model-based reinforcement learning world model

video world model

深度分析

创新点

直接在结构化潜在空间中预测疾病演变，而非依赖随机扩散模型进行视觉重建
明确整合时间间隔（时间上下文）和患者特定数据（临床上下文），将治疗条件下的进展建模为平滑、可解释的轨迹
新颖的预测到决策框架，将潜在推演转化为透明、可操作的治疗建议

方法

CLARITY是一种在结构化潜在空间中运行的医学世界模型，用于预测疾病演变。它整合了时间上下文（时间间隔）和临床上下文（患者特定数据）来建模治疗条件下的轨迹。该模型使用预测到决策框架将潜在推演转化为可操作的治疗方案，并在MU-Glioma-Post数据集上针对包括MeWM和医学专用大语言模型在内的基线进行了评估。

关键结果

在MU-Glioma-Post数据集上，CLARITY在治疗规划性能上比最近的MeWM提升了12%，并显著超越了所有其他医学专用大语言模型。

局限性

评估仅限于单个数据集（MU-Glioma-Post），因此未建立对其他癌症类型或临床场景的泛化能力
潜在空间建模可能无法完全捕捉所有因果生理转变，可能限制生理逼真度
该方法需要详细的患者特定时间与临床数据，这在所有临床场景中可能不可用

资源

论文