Lung-R1：知识图谱引导的肺部诊断推理LLM

诊断肺部疾病需要整合表型变异和跨疾病重叠中的异质证据。尽管大语言模型 (LLM) 在肺部知识问答 (QA) 和信息处理任务方面取得了进展，但可靠的肺部诊断需要对电子病历 (EMR) 证据进行特定于患者的关系感知推理，而不是孤立的知识回忆。我们将肺部知识与病例级诊断推理之间的差距定义为肺部知识与诊断差距。为了解决这个问题，我们引入了 LungKG，这是第一个用于诊断知识组织和基于记录的推理的结构化肺部知识图。 LungKG 包含 15 个实体类型和 112 个关系类型的 59,038 个节点和 164,308 个边，既可作为可重用的肺部知识资源，又可作为 LungKG 引导的模型适应的基础。基于 LungKG，我们提出了 Lung-R1，这是一种 LungKG 引导的肺部大语言模型，通过 KG 约束推理链构建和 KG 引导的强化学习进行训练。在 20 个系统评估中，Lung-R1-14B 在选择、肺 QA 和 EMR 诊断方面实现了最先进的性能，EMR 诊断得分达到 4.3583，比最强的非 Lung-R1 基线高出 0.1476 分。这些结果证明了 LungKG 引导训练对于基于 EMR 的肺部诊断的价值。