BoneGraph: A Domain-Specialised, Self-Correcting Reasoning System for Bone Science Retrieval, Grounded Inference, and Image Mechanics

Resumen Técnico de BoneGraph

Planteamiento del Problema
La literatura científica sobre la ciencia ósea, que abarca la biología, la mecánica, la ciencia de materiales y la medicina clínica, es voluminosa y fragmentada, lo que dificulta la síntesis fiable del conocimiento para los investigadores. Los Modelos de Lenguaje de Gran Escala (LLM) de propósito general presentan dificultades en este dominio debido a tres limitaciones primarias: (1) la dependencia de una memoria paramétrica que no puede actualizarse sin reentrenamiento y carece de fundamentación en evidencia revisada por pares específica; (2) la subrepresentación de nichos como la biomecánica ósea en los corpus de entrenamiento general, lo que deriva en un conocimiento escaso o propenso a errores; y (3) la falta de mecanismos duraderos para que los usuarios expertos corrijan errores, lo que causa la recurrencia de las equivocaciones. Aunque la Generación Aumentada por Recuperación (RAG) aborda el primer problema, los sistemas existentes suelen fallar al verificar las respuestas frente a leyes físicas o consistencia lógica, y los grafos de conocimiento estructurados en este campo siguen estando incompletos. Además, los modelos de visión-lenguaje y los sustitutos de aprendizaje profundo para la biomecánica existentes operan de forma aislada, careciendo de integración con capacidades de recuperación o razonamiento.

Metodología
BoneGraph se presenta como un sistema de razonamiento especializado en el dominio y autocorrectivo, desplegado como una aplicación web de cinco pestañas construida sobre un sustrato compartido y curado. El sistema está diseñado para ejecutarse íntegramente de forma local en hardware comercial (específicamente un NVIDIA Jetson AGX Orin) sin llamadas a APIs de terceros.

1. Sustrato Compartido:

   • Corpus: Construido mediante la API de OpenAlex, comprende metadatos de 54,634 artículos y 16 libros de texto de acceso abierto. Una canalización de resolución de PDF de tres niveles recuperó 7,674 PDFs de texto completo validados.
   • Embeddings: La extracción de texto completo y la fragmentación consciente de las oraciones produjeron 248,629 pasajes. Estos fueron embebidos utilizando SPECTER2, un modelo de embeddings para artículos científicos, utilizando adaptadores asimétricos para documentos y consultas.
   • Grafo de Conocimiento: Un grafo curado de 1,597 conceptos y 1,699 relaciones causales, destilado de triples extraídos por máquina y depurado hacia un núcleo de alta señal.

2. Cinco Canalizaciones Específicas de Tarea:

   • Chat: Una interfaz de respuesta a preguntas aumentada por recuperación que utiliza HuatuoGPT-o1-8B. Genera respuestas con citas reconstruidas en el servidor para asegurar que las referencias se resuelvan exactamente con los pasajes recuperados.
   • Búsqueda: Una herramienta de recuperación semántica bruta sin un LLM en el bucle, permitiendo a los usuarios inspeccionar directamente los pasajes clasificados por similitud de coseno.
   • Razonamiento: Un bucle de autocorrección que involucra un agente, una verificación física determinista y un crítico. El agente redacta respuestas basadas en las reglas del usuario y la pregunta (sin recuperación). Una verificación determinista basada en código examina la plausibilidad física (por ejemplo, la ley de Wolff, la escala densidad-resistencia). Un crítico, armado con literatura recuperada y aristas de un grafo de conocimiento de un salto, disputa o acepta la respuesta. El feedback del usuario se compila en reglas duraderas por usuario que se aplican de forma determinista en interacciones futuras.
   • Visión: Una canalización híbrida que utiliza un clasificador de regiones óseas entrenado con características congeladas de BiomedCLIP (del conjunto de datos MURA) para fundamentar un modelo de visión-lenguaje estándar (LLaVA-13B). Incluye una guardia de fuera de distribución para retener predicciones sobre modalidades no vistas y una memoria de corrección de embeddings de imagen que recuerda las correcciones del usuario para imágenes similares.
   • Mecánica: Integra el modelo de Mecánica de Imágenes de Aprendizaje Profundo (D2IM) para predecir campos de desplazamiento y deformación a partir de una única imagen de micro-CT no deformada, evitando la necesidad de modelado de elementos finitos o correlación de volumen digital durante la inferencia.

Contribuciones Clave

• Arquitectura Unificada: El primer sistema que unifica la recuperación de ciencia ósea curada, la autocorrección fundamentada en física determinista y el aprendizaje duradero por usuario en un único paquete desplegable localmente.
• Auditabilidad y Transparencia: El sistema separa la generación probabilística de la verificación determinista. Las correcciones del usuario se aplican como reglas inspectables y reversibles en lugar de actualizaciones de pesos opacas.
• Desplegabilidad Local: Todo el stack, incluyendo SPECTER2, HuatuoGPT-o1-8B, LLaVA y D2IM, se ejecuta en un solo dispositivo de borde, garantizando la privacidad de los datos y costos operativos casi nulos.
• Transferibilidad de Dominio: La arquitectura está diseñada para ser agnóstica al dominio; reorientarla a un nuevo campo requiere únicamente sustituir la taxonomía de palabras clave y los modelos especializados, dejando la canalización central (recuperación, fundamentación, bucle agente-crítico) sin cambios.

Resultados

• Recuperación: En un benchmark de 30 preguntas y siete dominios, el sistema alcanzó un Rango Recíproco Medio (MRR) de 0.928. Los puntajes más bajos en simulación y biomateriales se atribuyeron a la superposición de terminología con campos de ingeniería adyacentes.
• Razonamiento Fundamentado: En un benchmark de 50 preguntas, la precisión de las respuestas del modelo HuatuoGPT-o1-8B aumentó del 42% (libro cerrado) al 78% cuando se le proporcionaba el pasaje correcto bajo un prompt estructurado. Sin embargo, la recuperación por palabras clave estándar no mejoró significamente la precisión respecto a las condiciones de libro cerrado, sugiriendo que recuperar la "aguja" específica (decidir la cantidad) es más crítico que la relevancia temática de alto nivel.
• Visión: El clasificador de regiones óseas alcanzó una precisión del 92.6% en el conjunto de datos MURA reservado. La guardia de fuera de distribución separó con éxito radiografías dentro del alcance de entradas fuera del alcance (ej. ruido, micro-CT) utilizando la similitud de coseno de los vecinos más cercanos.
• Autocorrección: Los ejemplos de trabajo demostraron que una sola corrección de usuario, compilada en una regla, forzó con éxito al sistema a corregir una premisa errónea previa sobre la falla ósea en la osteoporosis sin reentrenar el modelo.

Significancia y Reivindicaciones
El artículo afirma que BoneGraph representa una contribución importante a la informática de la ciencia ósea al abordar la naturaleza de "caja negra" de los LLM generales en dominios especializados. Su significancia radica en su verificabilidad mediante la transparencia: las afirmaciones están fundamentadas en evidencia citada, verificadas contra la física determinista y refinadas mediante el feedback del usuario que permanece totalmente inspectable. Los autores posicionan el sistema no como una herramienta de diagnóstico clínico, sino como un apoyo de investigación y educación diseñado para traducir el conocimiento científico a la práctica ortopédica. El trabajo enfatiza que el valor del sistema es arquitectónico —componiendo componentes estándar dentro de un andamiaje determinista— en lugar de depender del desarrollo de modelos novedosos. Los autores reconocen limitaciones, incluyendo la restricción a PDFs de acceso abierto, la naturaleza preliminar de la cabeza de detección de anomalías y el tamaño pequeño de los benchmarks de evaluación, presentando los resultados como indicativos más que definitivos.