Los investigadores proponen el Alineamiento Neurosimbólico, un marco de entrenamiento que acopla un LLM clínico de 7B con un Modelo del Mundo Fisiológico basado en HGNN para mejorar la seguridad en el razonamiento clínico generativo. El método utiliza conocimiento fisiológico estructurado de un grafo de conocimiento biomédico de 847K nodos para puntuar las respuestas candidatas y impulsar actualizaciones ORPO on-policy iterativas.

  • Mejora el Benchmark de Seguridad Clínica (CSS) del 69,5% al 90,8%, una ganancia de 21,3 puntos porcentuales sobre el ORPO estándar.
  • Reduce la tasa de recomendaciones dañinas evaluadas por médicos (HR) del 14,1% al 5,1% en el subconjunto ciego.
  • Aumenta la puntuación de Detección de Interacción de Fármacos (DID) del 72,8% al 91,6%.
  • Supera a GPT-4 (5-shot) en todas las métricas de seguridad a pesar de tener 10 veces menos parámetros.
  • Supera una tubería de autocorrección en tiempo de inferencia (SFT+SelfCorrect) por 11,4 puntos porcentuales en CSS.

Los autores concluyen que la fundamentación fisiológica en el entrenamiento produce mejoras de seguridad medibles e independientes verificables en LLM clínicos de peso abierto, aunque se necesita validación externa con datos clínicos reales para confirmar la transferibilidad a entornos de despliegue.