Les auteurs de l’article **GraphDx** s’attaquent à un problème central du diagnostic séquentiel : trouver le bon équilibre entre précision clinique et coût des examens, au fil d’une collecte d’informations progressive. Selon le papier, les approches fondées uniquement sur de grands modèles de langage disposent d’un vaste socle de connaissances médicales, mais peinent encore à raisonner de manière structurée lorsqu’il faut arbitrer entre utilité diagnostique et ressources mobilisées.
Pour répondre à cette limite, les chercheurs proposent un cadre **knowledge-enhanced** articulé autour de deux briques principales. La première est un pipeline automatisé qui utilise des LLM pour construire des **graphes de connaissances de diagnostic médical**. Ces graphes intègrent notamment une notion de typicalité quantifiée, une organisation centrée sur les actions, ainsi que des attributs visant à capturer à la fois la pertinence diagnostique et la sensibilité au coût.
La seconde brique repose sur une architecture à **trois agents collaboratifs** : un agent de perception, un agent de raisonnement et un agent de décision. Dans cette répartition, les agents de perception et de décision gèrent l’entrée et la génération en langage naturel, tandis que l’agent de raisonnement exécute un scoring déterministe des preuves et une planification tenant compte des coûts directement sur le graphe de connaissances. L’objectif est d’améliorer l’interprétabilité et d’éviter la multiplication d’examens jugés peu efficients.
D’après les résultats rapportés sur **MedQA** et **MIMIC-IV**, avec trois backbones LLM — **DeepSeek-V3, Kimi-k2 et Llama-3.3** — GraphDx ferait progresser les taux de succès diagnostique de **50–68 % à 79–93 %**, tout en réduisant les coûts de tests de **20–54 %**. Ces chiffres restent à apprécier dans le cadre académique présenté par arXiv, mais ils suggèrent une piste intéressante pour des systèmes d’aide au diagnostic plus robustes, plus économes et potentiellement plus explicables.