证据可接受性是可审核临床变异分类中的负载承重人门

临床人工智能中的人工监督通常集中于输出发布。然而，在临床变异分类中，自主组件可以通过塑造分类器所用的参考数据和证据快照早期影响决策。本文提出了一个去确定论的、模型输出无关的分类核心，生成冻结的ACMG/AMP类别和标准追踪，语言模型代理仅限于下游解释层。在五个关卡框架中，证据可接受性（G1）是负载承重的人类过渡：授权人员在证据快照进入实时分类器之前，促进经过验证、版本锁定的证据快照，而合格的签署（G4）在发布时仍然是必要的。所提框架通过前瞻性指标进行操作：未经授权的证据基础接纳率、纵向变化归因率、模型与核心边界违规、精确重建率、叙述矛盾率和优先级遗漏率。在匹配的分类器、案例输入、观察窗口和签署条件下，人类授权的证据接纳应减少未经授权的变化和未归因的漂移，并改善对分类变化原因的重建。该框架解决了可审核性和治理问题。它并未确立准确性、临床验证、比较有效性或适用性，且完整的运行时分离增加了人类文献策划的工作量。版本说明：该记录是原始发布的预印本的实质性修订版本2.0，链接为https://doi.org/10.5281/zenodo.21189571。修订保留了原始架构和核心论点，重新组织了手稿为聚焦的观点，添加了前瞻性评估指标，整合了图形，并校准了科学主张。未报告任何新数据集或完成的验证结果。