在医疗数据分析中，专家经验往往比数据更稀缺。一项名为AutoElicit的技术通过“提问”大语言模型，将海量文本知识转化为可计算的医学先验知识，让机器学习模型用更少的标签数据获得更准确的预测能力。
想象一位医生需要开发一个预测老年痴呆患者尿路感染（UTI）的算法。虽然智能传感器能持续收集体温、活动量等指标，但确认是否真的发生感染（即“打标签”）需要抽血化验或临床诊断，这个过程既昂贵又耗时。更棘手的是，当这类标签数据不足时，常规机器学习模型往往表现不佳。
传统解决方案是邀请医学专家提供“先验知识”（prior）——比如“发烧和排尿频率增加更可能与感染相关”。这种知识能以数学形式融入模型，降低对数据量的依赖。但现实中，专家时间有限，用标准化方式提取他们的经验本身就是一项专业工作。
研究团队开发的AutoElicit方法另辟蹊径：既然大语言模型（如ChatGPT背后的技术）通过阅读海量文献积累了近似专家的知识，能否让它代替人类专家生成先验？
具体操作分为三步：
知识提取：用自然语言提问模型（例如“哪些生理指标可能预示尿路感染？”），将其回答转化为概率形式的参数分布；
知识校准：通过少量真实数据调整这些参数，避免模型“纸上谈兵”的偏差；
模型构建：将优化后的参数作为贝叶斯线性模型的起点，这种模型虽简单但易于解释，符合医疗场景需求。
团队在尿路感染预测任务中进行了严格测试：
无先验模型：需要约2000个标签才能达到可靠性能；
人工专家先验：约需500个标签；
AutoElicit先验：仅用300个标签即达到同等准确率，相当于节省了6个月的数据收集时间。
更值得注意的是，与直接让大语言模型做预测（即“上下文学习”）相比，AutoElicit的误差率降低了15%-20%。这是因为前者可能受无关信息干扰，而后者通过结构化提取核心知识，更像是一个严谨的“专家顾问”而非“自由发挥的实习生”。
AutoElicit展现出三个实用价值：
成本效益：在标签数据昂贵的领域（如罕见病研究）优势显著；
可解释性：所有先验参数都可追溯至模型最初生成的文本描述；
灵活性：支持用自然语言修正（如“请降低体温参数的权重”）。
但研究者也划清了适用边界：
非万能替代：当领域知识更新迅速（如新兴病毒研究）或存在争议时，仍需人类专家介入；
隐私保护：所有操作在本地进行，避免将患者数据输入公开模型。
这项技术的设计哲学颇具启发性：不追求用大语言模型取代传统方法，而是将其定位为“知识转换器”。在金融风险评估、生态保护等领域，同样存在“专家经验难以量化”的痛点。未来或可看到更多“AI辅助知识工程”的混合模式——既保留专业模型的透明度，又吸收大模型的广度。