GraphDx: новая ИИ-система повышает точность диагностики до 93% и снижает затраты на анализы
Научная группа опубликовала в архиве препринтов arXiv описание новой системы последовательной диагностики под названием GraphDx. Система использует большие языковые модели (LLM) и графы знаний для повышения точности и снижения затрат на медицинские тесты.
Ключевая проблема последовательной диагностики — баланс между точностью и стоимостью исследований. Существующие подходы на основе LLM, несмотря на обширные медицинские знания, часто назначают избыточные тесты. GraphDx решает эту задачу с помощью двух нововведений.
Во-первых, разработан автоматический конвейер для построения графов знаний медицинской диагностики (MDKG). Графы содержат квантованную типичность, акцент на действиях и двойные атрибуты, учитывающие как диагностическую ценность, так и стоимость. Во-вторых, введены три агента: восприятия, рассуждения и принятия решений. Первый и последний работают с естественным языком, а агент рассуждения выполняет детерминированную оценку и планирование с учётом затрат на основе графа.
Эксперименты проводились на наборах данных MedQA и MIMIC-IV с тремя LLM: DeepSeek-V3, Kimi-k2 и Llama-3.3. Результаты показали, что GraphDx повышает успешность диагностики с 50–68% до 79–93%, одновременно снижая стоимость тестов на 20–54%.
Разработка представляет собой робастное, экономичное и интерпретируемое решение для автоматизированной клинической диагностики. Полный текст статьи доступен на arXiv по идентификатору 2607.15280.
