Новости

Гибридный подход с LLM и логической проверкой улучшает сопоставление пациентов с клиническими испытаниями

Обновлено: 27 июня 2026 г.

Фото: arXiv cs.AI (Artificial Intelligence)

Почему это важно

Работа указывает на ограниченность как чисто LLM‑подходов, так и полностью символических методов при сопоставлении пациентов с клиническими испытаниями, и предлагает гибридную архитектуру как возможный путь решения. Такой результат может сигнализировать о более широком тренде на нейросимволические системы, где языковые модели используются для интерпретации неструктурированных данных, а логическая проверка, для формальной валидации решений в задачах с жесткими критериями.

Исследователи предложили гибридный фреймворк для автоматизации Clinical Trial Matching (CTM). Он объединяет возможности Large Language Models (LLMs) и формальные методы логической проверки. Идея возникла из типичной проблемы: языковые модели хорошо разбираются в тексте и могут работать с неполными данными, но часто спотыкаются, когда требуется строгая детерминированная проверка сложных критериев включения. Символические методы, наоборот, дают формальную точность, однако плохо справляются с неполными медицинскими записями и шумными клиническими данными.

Новая система получила название abductive neurosymbolic CTM framework (αNeSy-CTM). В ней знания, которыми обладают LLM, в том числе языковые и так называемые «мировые», используются для абдуктивного вывода при анализе неоднозначных или неполно описанных клинических текстов. Затем полученные гипотезы проходят логическую верификацию. Как сообщает arXiv cs.AI (Artificial Intelligence), такое сочетание позволяет совместить гибкость языковых моделей со строгой проверкой, характерной для символических методов.

Во время обширной оценки αNeSy-CTM заметно опередил отдельные LLM подходы. Система показала до 30% относительного улучшения по сравнению с zero-shot baselines. Дополнительный анализ показал и другой эффект: абдуктивное рассуждение повышает точность, специфичность и устойчивость по сравнению с нейросимволической версией без абдукции. Результаты также указывают на комплементарность αNeSy-CTM и Chain-of-Thought (CoT) reasoning при решении задач CTM.

Ключевые факты

В работе представлен нейросимволический фреймворк для Clinical Trial Matching под названием αNeSy-CTM, объединяющий LLM и логическую верификацию критериев отбора.
В экспериментах αNeSy-CTM показывает до 30% относительного улучшения по сравнению с zero-shot базовыми моделями LLM.
Авторы используют абдуктивное рассуждение в LLM для работы с неполными и шумными клиническими текстами пациентов.
Анализ показывает, что αNeSy-CTM повышает accuracy, specificity и robustness по сравнению с нейросимволическим вариантом без абдуктивного рассуждения, а также дополняет подход Chain-of-Thought (CoT).