Badacze opracowali KG-TRACE, framework neuro-symboliczny integrujący graf wiedzy WHO z modelem opartym na sieciach neuronowych, aby wyjaśniać predykcje oporności na antybiotyki w tuberkulozie. System łączy cechy genomowe z embedingami KG wykorzystując mechanizm epistemic trust gate, dynamicznie ważąc dowody neuronowe przeciwko ustalonej wiedzy biologicznej. To podejście rozwiązuje kluczowy problem obecnych modeli uczenia maszynowego - mogą one osiągać wysoką dokładność, ale ich decyzje pozostają "czarną skrzynką" dla klinicystów, co utrudnia zaufanie do systemów wspierających diagnostykę.
Ewaluacja na kohortcie M. tuberculosis z bazy CRyPTIC wykazała AUROC 0,9760 dla izonaazdu, porównywalne z istniejącymi metodami. Jednak głównym osiągnięciem jest wprowadzenie metryki Biological Grounding Ratio (BGR), która kwantyfikuje wyrównanie między atrybucjami modelu neuronowego a ustaloną biologią. KG-TRACE uzyskał pokrycie symboliczne na poziomie 92,5% dla predykcji oporności na izonazyd, a także skutecznie identyfikuje artefakty wspólistnienia MDR poprzez flagowanie wątpliwych przypadków do weryfikacji laboratoryjnej.
Ramework zapewnia klinicznych audit trail dla każdej predykcji, zmieniając podejście od czystej dokładności do wiarygodności wyjaśnialnej dla praktyków medycznych. To ma potencjał zmienić sposób wdrażania sztucznej inteligencji w diagnostyce zakaźnej, gdzie uzasadnienie decyzji jest niemal równie ważne co sama predykcja.