Исследователи предлагают Neurosymbolic Alignment, фреймворк на этапе обучения, который связывает 7B-параметрическую клиническую LLM с физиологической моделью мира на основе HGNN для повышения безопасности в генеративном клиническом рассуждении. Метод использует структурированные физиологические знания из биомедицинского графа знаний из 847K узлов для оценки кандидатов и управления итеративными on-policy обновлениями ORPO.

  • Улучшает показатель Clinical Safety Benchmark (CSS) с 69,5% до 90,8%, что на 21,3 процентных пункта выше стандартного ORPO.
  • Снижает частоту вредных рекомендаций, оценённых врачами (HR), с 14,1% до 5,1% на слепой подвыборке.
  • Повышает показатель Drug Interaction Detection (DID) с 72,8% до 91,6%.
  • Превосходит GPT-4 (5-shot) по всем метрикам безопасности, имея в 10 раз меньше параметров.
  • Превосходит конвейер самовосстановления на этапе инференса (SFT+SelfCorrect) на 11,4 процентных пункта в CSS.

Авторы приходят к выводу, что физиологическое обоснование на этапе обучения обеспечивает измеримые и независимо проверяемые улучшения безопасности в клинических LLM с открытым весом, хотя для подтверждения переносимости в условия развёртывания необходима внешняя валидация на реальных клинических данных.