DKG-LLM：通过动态知识图谱与大语言模型集成实现医疗诊断与个性化治疗推荐的框架
计算与语言
2025-08-11 v1
摘要
自ChatGPT发布以来，大语言模型（Large Language Models, LLMs）呈指数级增长。这些模型因其在包括语言处理任务在内的各种任务上的稳健性能而备受关注。这些模型通过训练数十亿个参数来实现对任务的理解和领悟。这些模型的发展是增强自然语言理解的一股变革性力量，并向通用人工智能（artificial general intelligence, AGI）迈出了重要一步。在本研究中，我们旨在提出DKG-LLM框架。DKG-LLM框架通过将动态知识图谱（dynamic knowledge graph, DKG）与Grok 3大语言模型集成，引入了一种开创性的医疗诊断和个性化治疗推荐方法。利用自适应语义融合算法（Adaptive Semantic Fusion Algorithm, ASFA），异构医疗数据（包括临床报告和PubMed文章）和患者记录动态生成一个知识图谱，该图谱包含13种不同类型（如疾病、症状、治疗、患者档案）的15,964个节点和26种关系类型（如因果、治疗、关联）的127,392条边。ASFA利用先进的概率模型、贝叶斯推理和图优化来提取语义信息，动态更新图谱，在每个数据类别中增加约150个新节点和边，同时保持可扩展性，最多可容纳987,654条边。利用包括MIMIC-III和PubMed在内的真实世界数据集对所提出的架构进行了评估。评估结果显示，DKG-LLM的诊断准确率达到84.19%。该模型的治疗推荐准确率为89.63%，语义覆盖率为93.48%。DKG-LLM是一个可靠且具有变革性的工具，能够处理噪声数据和复杂的多症状疾病，并基于医生输入的反馈进行学习。
引用
@article{arxiv.2508.06186,
title = {DKG-LLM : A Framework for Medical Diagnosis and Personalized Treatment Recommendations via Dynamic Knowledge Graph and Large Language Model Integration},
author = {Ali Sarabadani and Maryam Abdollahi Shamami and Hamidreza Sadeghsalehi and Borhan Asadi and Saba Hesaraki},
journal= {arXiv preprint arXiv:2508.06186},
year = {2025}
}