في عالم الرعاية الصحية، يعد تشخيص أمراض الرئة مهمة معقدة تتطلب دمج أدلة متنوعة وسط تباين السلوكيات والاختلافات بين الأمراض. رغم أن النماذج اللغوية الضخمة (Large Language Models) قد أظهرت تقدمًا في مهام الإجابة على الأسئلة المتعلقة بالمعرفة الرئوية، إلا أن التشخيص الدقيق يحتاج إلى استدلال حذر ومخصص يعتمد على السجلات الطبية الإلكترونية (EMR) بدلاً من استرجاع معلومات منعزلة.

لهذا السبب تم تعريف الفجوة بين المعرفة الرئوية والاستدلال التشخيصي على مستوى الحالة بمصطلح "فجوة المعرفة إلى التشخيص الخاصة بالرئة". ولتجسير هذه الفجوة، تم تقديم نموذج LungKG، أول رسم بياني هيكلي للمعرفة الرئوية لتنظيم المعرفة التشخيصية وتحفيز الاستدلال المرتكز على السجلات.

يحتوي نموذج LungKG على 59,038 عقدة و164,308 حواف عبر 15 نوعًا من الكيانات و112 نوعًا من العلاقات، مما يجعله مصدرًا معرفيًا قيمًا ومؤسسة لتكييف نماذج LungKG.

بناءً على LungKG، تم اقتراح نموذج Lung-R1، وهو نموذج رئوي مدعوم برسم بياني ويستند إلى Chain Reasoning المحكوم برسم البيانات وتقنيات التعلم المعزز الموجهة. وقد حقق النموذج أداءً متميزًا في تقييم مكون من 20 نظامًا، حيث حصل على نقطة إجمالية في التشخيص الإلكتروني بلغت 4.3583، متجاوزًا أقوى نموذج آخر غير Lung-R1 بفارق 0.1476 نقطة.

تظهر هذه النتائج القيمة الفائقة لتدريب LungKG المدعوم في استخدام السجلات الطبية للتشخيص الرئوي. إن اعتمادنا على المعرفة المنظمة يفتح آفاقًا جديدة نحو تحسين دقة تشخيص أمراض الرئة ويعزز قدرة الأطباء على اتخاذ قرارات مستنيرة، مما يعكس التقدم الكبير في استخدام تقنيات الذكاء الاصطناعي في مجال الصحة.