逐次診断は、情報収集を繰り返しながら診断精度とリソースコストのバランスを取ることが求められる臨床現場での重要な課題です。既存の大規模言語モデル（LLM）を用いたアプローチは、広範な医学知識を符号化しているものの、コスト制約下での体系的な推論が難しく、過剰な検査に陥りがちです。この問題に対処するため、研究者らはGraphDxという知識強化型フレームワークを提案しました。
GraphDxには二つの中核的な革新があります。第一に、LLMを活用して医療診断知識グラフ（MDKG）を自動構築するパイプラインを設計しました。このMDKGは、定量化された典型性（症状と疾患の関連性を数値化）、行動中心のトポロジー（診断行動の関係を重視）、および二目的属性（診断関連性とコスト感度の両方を最適化）を備えています。これにより、知識グラフが推論プロセスを効果的に導くことが可能になります。
第二に、三つの協調エージェント（知覚エージェント、推論エージェント、決定エージェント）を導入しました。知覚エージェントは患者の言語記述を理解し、推論エージェントはMDKG上で確定的な証拠スコアリングとコスト認識計画を実行し、決定エージェントは最終診断を生成します。この役割分担により、システムは精度を維持しながら検査コストを大幅に削減できます。
実験はMedQAとMIMIC-IVのデータセットを用いて、DeepSeek-V3、Kimi-k2、Llama-3.3の三つのLLMバックボーンで行われました。結果は、GraphDxが診断成功率を50-68%から79-93%に向上させ、テストコストを20-54%削減することを示しています。これは、自動化された臨床診断のための堅牢で経済的かつ解釈可能なソリューションを提供し、医療AI分野での幅広い応用が期待されます。