医療診断において、正確性とコスト効率のバランスを取ることは重要な課題です。大規模言語モデル（LLM）を用いた従来のアプローチでは、医学知識は豊富に組み込まれているものの、コスト制約下での体系的な推論が困難であり、しばしば過剰な検査に陥るという知識と推論のギャップが存在していました。 この問題を解決するため、研究者らはGraphDxという知識強化フレームワークを提案しました。GraphDxの核となる革新は二つあります。まず、LLMを活用した自動化パイプラインにより、定量化された典型性、アクション中心のトポロジー、診断関連性とコスト感度の両方を考慮した双目的属性を備えた医学診断知識グラフ（MDKG）を構築します。次に、三つの協調エージェント（知覚エージェント、推論エージェント、決定エージェント）を導入します。知覚エージェントと決定エージェントが言語理解と生成を担当する一方で、推論エージェントはMDKG上で決定論的な証拠スコアリングとコスト認識計画を実行します。 MedQAおよびMIMIC-IVデータセットに対して、DeepSeek-V3、Kimi-K2、Llama-3.3の三つのLLMバックボーンで実験を行った結果、GraphDxは診断成功率を50～68%から79～93%に向上させながら、検査コストを20～54%削減することに成功しました。このアプローチは、自動臨床診断に対してロバストで経済的かつ解釈可能なソリューションを提供するものであり、医療AI分野における重要な前進といえます。