LLMs能否支持医学知识填补？基于评估的视角
计算与语言
2025-04-01 v1 人工智能
定量方法
摘要
医学知识图谱（KGs）对于临床决策支持和生物医学研究至关重要，但由于医学编码系统中的知识空白和结构限制，它们常常表现出不完整性。这一问题在治疗映射中尤为明显，ICD、Mondo和ATC等编码系统缺乏全面覆盖，导致疾病与其潜在治疗之间的关联缺失或不一致。为解决此问题，我们探索了使用大型语言模型（LLMs）来填补缺失的治疗关系。尽管LLMs在知识增强方面展现出有前景的能力，但它们在医学知识填补中的应用带来了显著风险，包括事实不准确、幻觉关联以及LLMs内部和之间的不稳定性。在本研究中，我们系统评估了LLM驱动的治疗映射，通过基准比较评估其可靠性。我们的发现突出了关键局限性，包括与既定临床指南的不一致性以及对患者安全的潜在风险。本研究为研究人员和从业者提供了警示性指南，强调了在利用LLMs增强医学知识图谱上的治疗映射时，进行批判性评估和采用混合方法的重要性。
引用
@article{arxiv.2503.22954,
title = {Can LLMs Support Medical Knowledge Imputation? An Evaluation-Based Perspective},
author = {Xinyu Yao and Aditya Sannabhadti and Holly Wiberg and Karmel S. Shehadeh and Rema Padman},
journal= {arXiv preprint arXiv:2503.22954},
year = {2025}
}
备注
10 pages, 3 figures, AMIA