Naukowcy opracowali GraphDx, framework łączący duże modele języka z grafami wiedzy medycznej do zdecydowanie bardziej efektywnej diagnostyki sekwencyjnej. Problem istniejących podejść polega na tym, że mimo załadowania obszernej wiedzy medycznej, LLM-y nie radzą sobie dobrze z ograniczeniami budżetowymi i częściej uciekają się do przesadnego testowania. GraphDx wprowadza dwa główne udoskonalenia: automatyczną procedurę budowania Grafów Wiedzy Medycznej (MDKG) z informacjami o typowości, topologią zorientowaną na działania, oraz atrybutami wspierającymi zarówno trafność diagnostyczną jak i świadomość kosztów.
System opiera się na trzech współpracujących agentach. Agent Percepcji zajmuje się rozumieniem języka naturalnego, Agent Rozumowania wykonuje deterministyczne punktowanie dowodów na grafie wiedzy i planowanie z uwzględnieniem kosztów, a Agent Decyzji generuje wnioski. Ta separacja ról pozwala na bardziej systematyczne i przedsiębiorcze podejmowanie decyzji diagnostycznych bez nadmiernego polegania na proceduralnym myśleniu modelu.
Wyniki eksperymentów przeprowadzonych na zbiorach danych MedQA i MIMIC-IV z trzema modelami LLM-ów (DeepSeek-V3, Kimi-k2, Llama-3.3) pokazują znaczne poprawy: od 79% do 93% wskaźnika sukcesu diagnostycznego przy jednoczesnym zmniejszeniu kosztów testów o 20-54 procent. To oznacza, że system nie tylko lepiej diagnozuje, ale robi to bardziej ekonomicznie, co ma ogromne znaczenie dla praktycznego wdrażania w szpitalach i klinikach gdzie zasoby są ograniczone.