Проблема: разрыв между знанием и рассуждением
Современные большие языковые модели (LLM), такие как DeepSeek-V3, Kimi-k2 и Llama-3.3, обладают обширной медицинской базой знаний, но страдают от критического недостатка: они не умеют систематически рассуждать в условиях ограниченных ресурсов. На практике это приводит к избыточному назначению тестов, что увеличивает стоимость лечения и нагрузку на пациентов. Традиционные подходы часто не способны сбалансировать точность диагноза и экономическую эффективность.
Решение: GraphDx и графы знаний
Команда авторов во главе с Шаотингом Таном разработала GraphDx — framework, aware к затратам (cost-aware), который решает эту проблему через два ключевых механизма. Во-первых, создается автоматизированный конвейер для построения Медицинских Диагностических Графов Знаний (MDKG). Эти графы обладают квантованной типичностью, топологией, ориентированной на действия, и атрибутами, учитывающими как диагностическую релевантность, так и чувствительность к стоимости.
Во-вторых, внедрена архитектура из трех сотрудничающих агентов:
- Perception Agent: отвечает за понимание естественного языка и вводных данных.
- Reasoning Agent: выполняет детерминированную оценку доказательств и планирование с учетом затрат непосредственно на графе MDKG.
- Decision Agent: генерирует финальные выводы и рекомендации.
Результаты: рост точности и экономия
Эксперименты проводились на наборах данных MedQA и MIMIC-IV. Внедрение GraphDx позволило существенно улучшить показатели по сравнению с базовыми LLM-подходами. Система не только повысила вероятность правильного диагноза, но и сделала процесс более экономичным за счет отказа от ненужных тестов.
| Метрика | Базовый уровень (LLM) | GraphDx | Улучшение |
|---|---|---|---|
| Успешность диагностики | 50–68% | 79–93% | +25–40 п.п. |
| Снижение стоимости тестов | — | — | 20–54% |
Значение для индустрии
GraphDx демонстрирует, что интеграция структурированных знаний (графов) с мощью LLM позволяет преодолеть ограничения «черного ящика». Решение является интерпретируемым, так как каждый шаг рассуждения можно отследить через узлы графа, что критически важно для внедрения ИИ в клиническую практику, где цена ошибки и стоимость ресурсов высоки.
Источник: arXiv cs.AI ↗