כתבה
arXiv cs.AI ·
RareDx: תגבור ידע מומר ואופטימיזציה של מדיניות על-גרפים לאבחון מחלות נדירות
RareDx: Controlled Knowledge Integration and Graph-Grounded Policy Optimization for Rare-Disease Diagnosis
RareDx היא שיטה חדשנית לאבחון מחלות נדירות, המשלבת תגבור ידע מומר ואופטימיזציה של מדיניות על-גרפים. השיטה נבחנה ב-8 מבחנים והציגה תוצאות משיפרות מאלה של GPT-5.5.
תקציר מקורי באנגליתarXiv:2609.35549v2 Announce Type: replace Abstract: Rare-disease diagnosis is a long-tail reasoning problem: phenotypes are incomplete, individual disorders are sparsely documented, and relevant evidence is distributed across ontologies, gene annotations, and biomedical text. Language models consequently favor common conditions, miss rare candidates, or produce plausible but invalid names. We introduce RareDx, which couples controlled evidence use with knowledge-graph-grounded policy optimization. RareDx-Harness normalizes heterogeneous records into one ranked-diagnosis task and compares direct inference, static retrieval, adaptive tools, and structured phenotype-gene-disease reasoning over a shared knowledge layer. The training pipeline combines Top-10 post-training with RareDx-KGPO, our
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית