演示：Guide-RAG：面向长期新冠症状的证据驱动语料库精选，用于检索增强生成
人工智能
2025-10-20 v1
摘要
随着 AI 聊天机器人在临床医学中的应用增长，为复杂新兴疾病开发有效框架 presents significant 挑战。我们开发并评估了六种检索增强生成 (RAG) 语料库配置，用于长期新冠症状 (LC) 临床问答，涵盖从专家精选来源到大规模文献数据库。我们的评估采用 LLM-as-judge 框架，通过 LongCOVID-CQ 数据集（由专家生成的临床问题）进行忠实性、相关性和完整性指标评估。我们的 RAG 语料库配置将临床指南与高质量系统综述相结合，持续优于狭窄单一指南方法和大规模文献数据库。我们的发现表明，对于新兴疾病，基于精选二级综述的检索提供了在狭窄共识文件和未过滤原始文献之间的最佳平衡，支持临床决策，同时避免信息过载和过度简化指导。我们提出 Guide-RAG，一个聊天机器人系统和随附的评估框架，将精选专家知识和全面文献数据库相结合，以有效回答 LC 临床问题。
引用
@article{arxiv.2510.15782,
title = {Demo: Guide-RAG: Evidence-Driven Corpus Curation for Retrieval-Augmented Generation in Long COVID},
author = {Philip DiGiacomo and Haoyang Wang and Jinrui Fang and Yan Leng and W Michael Brode and Ying Ding},
journal= {arXiv preprint arXiv:2510.15782},
year = {2025}
}
备注
Accepted to 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: The Second Workshop on GenAI for Health: Potential, Trust, and Policy Compliance