RareDx：用于罕见疾病诊断的受控知识集成和基于图的策略优化

罕见疾病的诊断是一个长尾推理问题：表型不完整，个别疾病的记录很少，相关证据分布在本体论、基因注释和生物医学文本中。因此，语言模型偏向常见疾病，错过罕见的候选者，或者产生看似合理但无效的名称。我们引入 RareDx，它将受控证据使用与基于知识图的策略优化结合起来。 RareDx-Harness 将异构记录标准化为一个排序诊断任务，并在共享知识层上比较直接推理、静态检索、自适应工具和结构化表型-基因-疾病推理。训练流程将 Top-10 后训练与 RareDx-KGPO（我们基于知识图的策略优化方法）相结合。其奖励将预测投射到典型的疾病图中，并整合了策划的分级相关性、本体接近性、生物医学相似性和表型一致性。词汇和产出预算的限制阻止密集的部分信用奖励捏造的或过长的鉴别诊断列表。在八个基准测试中，以 Qwen3.5-9B 为中心的完整 RareDx 系统在存档协议下达到了 38.34 宏 Hit@10，比 GPT-5.5 高出 1.60 点；不相交的验证选择审计在保留案例上相较Direct方案仍有6.80个百分点的路由增益。 27B系统在Hit@1/5/10时达到23.53/36.56/40.76。受控消融表明，检索并不总是有帮助，而受控路由对于增益至关重要。这些结果表明，结构化的医学知识可以将紧凑的模型转变为跨临床实践中异构长尾设置的有竞争力的诊断排名器。