تعاني أدوات التشخيص المعتمدة على الذكاء الاصطناعي في الطب الصيني التقليدي من مشكلات عدم الشفافية في العمليات المتعلقة بالتشخيص، والتفاعل السلبي مع المرضى، وعرض خطط العلاج بشكل محدود. لذلك، اقترح الباحثون نظاماً تشخيصياً بصرياً مدعومًا بالمعرفة لتجاوز هذه التحديات.

تحتوي هذه المنظومة الجديدة على رسم بياني للمعرفة (Knowledge Graph) مكون من 241 متلازمة و1,263 عرضًا و2,485 علاقة، مما يسهم في تحسين دقة ونزاهة التشخيص.

يتبنى هذا النظام استراتيجية متقدمة لمطابقة الأعراض تتضمن أربع مراحل: المطابقة الدقيقة، والمعاني، والهيئة الضبابية، والتحقق باستخدام نماذج اللغات الضخمة (Large Language Models). كما يعتمد النظام على استراتيجيات استفسارات استباقية مدفوعة بتحقيق مكاسب معلوماتية، تم تحسينها باستخدام الخوارزميات الوراثية.

واحدة من السمات البارزة في هذا النظام هي تقديم خطط العلاج بشكل متعدد الوسائط، حيث يدمج هذا النظام بين الرسوم التوضيحية التي يعتمدها الذكاء الاصطناعي، ونماذج الخطوط الثلاثية الأبعاد لنقاط الإبر، والأدبيات المستندة إلى الأدلة.

أظهرت الدراسات الحالة فعالية سير العمل التفاعلي بما في ذلك تقييم المرضى الذاتي، وتشخيص الأطباء، وتعليم الطب الصيني التقليدي. كما أسفرت تقييمات مقارنة آلية عبر 30 حالة عن تحسن كبير في موثوقية التشخيص (Cohen's d = 1.82، p < 0.001) وتقليل الحمل المعرفي، وتعزيز مصداقية المراجع المستندة إلى الأدلة (4.21 مقابل 2.95).

باختصار، يقدم هذا النظام حلاً عملياً يعزز شفافية عمليات التشخيص في الطب الصيني التقليدي وفهم خطط العلاج من خلال التصوير المعتمد على الرسم البياني للمعرفة والتفاعل المتعدد الوسائط، مما يعزز من موثوقية تطبيقات الذكاء الاصطناعي في هذا المجال.