KERAP: Un enfoque de razonamiento mejorado con conocimiento para la predicción precisa de diagnósticos de cero disparos utilizando LLM multiagente | JoVE Visualize

Área de la Ciencia:

Inteligencia artificial en medicina
Informática biomédica
Aprendizaje automático para la atención médica

Sus antecedentes:

Los modelos de aprendizaje automático (ML) para la predicción de diagnósticos médicos luchan con la generalización debido al costo de los datos etiquetados.
Los modelos de lenguaje grandes (LLM) muestran potencial pero sufren de alucinaciones y carecen de razonamiento estructurado.
Los métodos actuales enfrentan limitaciones en la predicción de diagnósticos médicos de cero disparos fiables y escalables.

Objetivo del estudio:

Desarrollar un enfoque de razonamiento mejorado con grafos de conocimiento (KG) (KERAP) para mejorar la predicción de diagnósticos médicos basada en LLM.
Abordar los desafíos de las alucinaciones y la falta de razonamiento estructurado en los LLM para la atención médica.
Proporcionar una solución escalable e interpretable para la predicción de diagnósticos de cero disparos.

Principales métodos:

Se propuso KERAP, una arquitectura multiagente que integra grafos de conocimiento con LLM.
Se implementó un agente de enlace para el mapeo de atributos y un agente de recuperación para la extracción de conocimiento estructurado.
Se utilizó un agente de predicción para el refinamiento iterativo de las predicciones de diagnóstico.

Principales resultados:

KERAP demostró una mayor fiabilidad diagnóstica en la predicción de diagnósticos médicos de cero disparos.
El enfoque mejora eficientemente el rendimiento de las herramientas de diagnóstico basadas en LLM.
Los resultados experimentales validan la escalabilidad y la interpretabilidad del marco propuesto.

Conclusiones:

KERAP ofrece una solución robusta para mejorar la predicción de diagnósticos médicos basada en LLM.
La integración del grafo de conocimiento mitiga las limitaciones de los LLM, como las alucinaciones y el razonamiento no estructurado.
Este marco avanza la atención médica personalizada a través de diagnósticos más fiables e interpretables impulsados por IA.