В статье представлена новая методология создания интерпретируемых векторных представлений (эмбеддингов) медицинских концепций, которая интегрирует экспертные знания в процесс обучения с помощью больших языковых моделей (LLM). Авторы подчеркивают критическую важность интерпретируемости в медицинских ИИ-системах, так как «черный ящик» недопустим в клинической практике, где каждое решение должно быть обосновано. Исследование фокусируется на том, как LLM могут не только генерировать семантические векторы, но и обеспечивать прозрачность связей между медицинскими терминами, опираясь на структурированные базы знаний и экспертные правила. Методология предполагает использование LLM для извлечения контекстуальных зависимостей и их согласования с онтологиями, что позволяет создавать эмбеддинги, сохраняющие как семантическую глубину, так и логическую строгость. Ключевые результаты демонстрируют значительное улучшение качества классификации медицинских текстов и извлечения сущностей по сравнению с традиционными методами, такими как Word2Vec или стандартные BERT-модели, обученные только на общих корпусах. Значимость работы заключается в создании инструмента, который снижает риск галлюцинаций ИИ и повышает доверие врачей к автоматизированным системам поддержки принятия решений. Это исследование закладывает фундамент для более надежного внедрения NLP-технологий в электронные медицинские карты и клинические протоколы.