Гораздо более острой и часто озвучиваемой проблемой является гетерогенность, неполнота и слабая структурированность клинических данных, а также отсутствие интерпретируемости результатов нейросетевых моделей («Black Box»), что вызывает критическое недоверие со стороны практикующих врачей и препятствует внедрению систем в клиническую практику. По этой причине исследователи всё чаще обращаются к методам инженерии знаний:
построению предметных онтологий и медицинских графов знаний для формализации связей «симптом — биомаркер — заболевание»;
нечеткой логике и байесовским сетям доверия для моделирования субъективных жалоб и пограничных диагностических показателей;
семантическому извлечению продукционных правил из клинических протоколов Минздрава и связке LLM с графовым контекстом (Graph-RAG / Evidence Attribution) для устранения галлюцинаций.
Данное наблюдение позволяет сделать вывод, что и в нашем исследовании по дифференциальной диагностике заболеваний органа зрения проблема подготовки, нормализации мультимодальных данных (текстовый анамнез + числовые биомаркеры + снимки) и их интеграции с формализованной экспертной базой знаний будет являться ключевой.
