GraphDx — system AI poprawia diagnozę medyczną o 43% i obniża koszty testów o połowę

Zespół badaczy z chińskich uniwersytetów opracował GraphDx — zaawansowany system wykorzystujący sztuczną inteligencję do automatycznej diagnozy medycznej. Innowacyjne rozwiązanie łączy wiedzę medyczną z algorytmami optymalizacji kosztów, oferując bardziej efektywne i ekonomiczne podejście do diagnozowania pacjentów. Szczegóły badania zostały opublikowane w preprincie na arXiv.

Kluczowe wnioski

• GraphDx wykorzystuje trzy współpracujące ze sobą agenty AI (Percepcja, Rozumowanie i Decyzja) do sekwencyjnej diagnozy medycznej z uwzględnieniem kosztów badań.
• System znacząco poprawia skuteczność diagnostyczną — z 50–68% do 79–93% — jednocześnie redukując koszty testów o 20–54%.
• Framework konstruuje automatycznie Medyczne Grafy Wiedzy Diagnostycznej (MDKG) z wykorzystaniem dużych modeli językowych.
• Testy przeprowadzono na trzech różnych modelach AI: DeepSeek-V3, Kimi-k2 i Llama-3.3, używając zbiorów danych MedQA i MIMIC-IV.
• Rozwiązanie adresuje kluczowy problem istniejących systemów AI — nadmierne zlecanie testów medycznych bez uwzględnienia kosztów.

Architektura systemu GraphDx

GraphDx składa się z dwóch głównych innowacji technologicznych. Pierwszą jest zautomatyzowany pipeline konstruujący Medyczne Grafy Wiedzy Diagnostycznej wykorzystujący duże modele językowe. Grafy te zawierają skwantyfikowaną typowość objawów, topologię zorientowaną na działania oraz dwucelowe atrybuty uwzględniające zarówno trafność diagnostyczną, jak i wrażliwość na koszty.

Druga innowacja to system trzech współpracujących agentów. Agent Percepcji odpowiada za rozumienie języka naturalnego i przetwarzanie informacji o pacjencie. Agent Rozumowania wykonuje deterministyczne ocenianie dowodów i planowanie z uwzględnieniem kosztów, operując bezpośrednio na grafie wiedzy medycznej. Agent Decyzji zajmuje się generowaniem odpowiedzi i komunikacją z użytkownikiem.

Wyniki eksperymentów i zastosowania

Badacze przetestowali GraphDx na dwóch standardowych zbiorach danych medycznych — MedQA oraz MIMIC-IV. Eksperymenty przeprowadzono z wykorzystaniem trzech różnych modeli językowych: DeepSeek-V3, Kimi-k2 i Llama-3.3. We wszystkich przypadkach system osiągnął znaczące poprawy w porównaniu z tradycyjnymi podejściami opartymi wyłącznie na dużych modelach językowych.

Kluczowym problemem, który GraphDx rozwiązuje, jest luka między wiedzą medyczną a systematycznym rozumowaniem w warunkach ograniczeń kosztowych. Istniejące systemy AI, mimo posiadania rozległej wiedzy medycznej, często uciekają się do nadmiernego zlecania testów, nie uwzględniając ekonomicznych aspektów opieki zdrowotnej.

GraphDx oferuje solidne, ekonomiczne i interpretowalnej rozwiązanie dla automatycznej diagnozy klinicznej, łącząc zaawansowane możliwości AI z praktycznymi wymaganiami systemu opieki zdrowotnej. System może znaleźć zastosowanie w telemedycynie, wspomaganiu decyzji diagnostycznych oraz optymalizacji kosztów w placówkach medycznych.