智能医学知识图谱增强医学问答：弥合 LLM 与演进医学知识之间的鸿沟
计算与语言
2025-07-01 v3 多智能体系统
摘要
大型语言模型（LLM）通过利用广泛的临床数据和医学文献显著推进了医学问答。然而，医学知识的快速演进以及手动更新特定领域资源的耗散过程，构成了这些系统可靠性的挑战。为此，我们引入 Agentic Medical Graph-RAG（AMG-RAG），一个综合框架，自动构建和持续更新医学知识图谱，集成推理，并检索当前外部证据，如 PubMed 和 WikiSearch。通过动态链接新的发现和复杂医学概念，AMG-RAG 不仅提高了准确性，也增强了医学查询的可解释性。在 MEDQA 和 MEDMCQA 基准测试上的评估表明，AMG-RAG 的效果突出，在 MEDQA 上实现 74.1% 的 F1 分数，在 MEDMCQA 上实现 66.34% 的准确率，超越了可比模型和那些 10 到 100 倍更大的模型。值得注意的是，这些改进是在不增加计算开销的情况下实现的，这凸显了自动化知识图谱生成和外部证据检索在交付最新可靠医学见解方面的关键作用。
引用
@article{arxiv.2502.13010,
title = {Agentic Medical Knowledge Graphs Enhance Medical Question Answering: Bridging the Gap Between LLMs and Evolving Medical Knowledge},
author = {Mohammad Reza Rezaei and Reza Saadati Fard and Jayson L. Parker and Rahul G. Krishnan and Milad Lankarany},
journal= {arXiv preprint arXiv:2502.13010},
year = {2025}
}