Les chercheurs proposent l'Alignement Neurosymbolique, un cadre d'entraînement qui couple un LLM clinique de 7B avec un Modèle du Monde Physiologique basé sur HGNN pour améliorer la sécurité dans le raisonnement clinique génératif. La méthode utilise des connaissances physiologiques structurées issues d'un graphe de connaissances biomédiques à 847K nœuds pour noter les réponses candidates et piloter des mises à jour ORPO on-policy itératives.

  • Améliore le Benchmark de Sécurité Clinique (CSS) de 69,5 % à 90,8 %, soit une progression de 21,3 points de pourcentage par rapport à l'ORPO standard.
  • Réduit le taux de recommandations nocives évaluées par les médecins (HR) de 14,1 % à 5,1 % sur le sous-ensemble en aveugle.
  • Augmente le score de Détection des Interactions Médicamenteuses (DID) de 72,8 % à 91,6 %.
  • Dépasse GPT-4 (5-shot) sur toutes les métriques de sécurité malgré un nombre de paramètres 10 fois inférieur.
  • Surpasse un pipeline d'auto-correction au moment de l'inférence (SFT+SelfCorrect) de 11,4 points de pourcentage en CSS.

Les auteurs concluent que l'ancrage physiologique au moment de l'entraînement produit des améliorations de sécurité mesurables et indépendamment vérifiables dans les LLM cliniques à poids ouverts, bien qu'une validation externe sur des données cliniques réelles soit nécessaire pour confirmer la transférabilité aux environnements de déploiement.