Lung-R1：知識圖譜引導的肺部診斷推理 LLM

診斷肺部疾病需要整合異質證據，同時應對表型變異與跨疾病重疊的挑戰。雖然大型語言模型（LLM）在肺部知識問答（QA）和資訊處理任務上已取得進展，但可靠的肺部診斷需要基於電子病歷（EMR）證據進行患者特定且關係感知的推理，而非孤立的知識回憶。研究團隊將這種肺部知識與病例層級診斷推理之間的差距定義為「肺部知識到診斷差距」（Pulmonary Knowledge-to-Diagnosis Gap）。

為解決此問題，研究團隊推出了 LungKG，這是首個用於診斷知識組織與記錄 grounded 推理的結構化肺部知識圖譜。LungKG 包含 59,038 個節點和 164,308 條邊，涵蓋 15 種實體類型和 112 種關係類型，既作為可重用的肺部知識資源，也作為 LungKG 引導的模型適應基礎。

基於 LungKG 開發的 Lung-R1 模型，透過 KG 約束的推理鏈構建與 KG 引導的強化學習進行訓練。在包含 20 個系統的評估中，Lung-R1-14B 在 Choice、Pulmonary-QA 和 EMR Diagnosis 三個指標上均達到最優性能，其 EMR Diagnosis 得分為 4.3583，比最強的非 Lung-R1 基線高出 0.1476 分。這些結果證明了 LungKG 引導的訓練對於基於 EMR 的肺部診斷具有價值。