DoctorRAG：通过文本梯度融合知识与患者类比的医学 RAG
计算与语言
2025-05-27 v1 人工智能
计算工程、金融与科学
信息检索
多智能体系统
摘要
现有的医学 RAG 系统主要利用来自医学知识库的知识，忽略了源自相似患者病例的经验知识的关键作用——而这是人类临床推理的关键组成部分。为了弥合这一差距，我们提出了 DoctorRAG，这是一个通过整合显性临床知识和隐性基于病例的经验来模拟医生推理的 RAG 框架。DoctorRAG 首先为查询和知识源分配概念标签，并结合从相关知识和患者中进行检索的混合检索机制，从而提高了检索精度。此外，集成了一个使用多智能体文本梯度的 Med-TextGrad 模块，以确保最终输出遵循检索到的知识和患者查询。在多语言、多任务数据集上的综合实验表明，DoctorRAG 显著优于强大的基线 RAG 模型，并从迭代优化中获得提升。我们的方法生成了更准确、相关和全面的回复，向更像医生的医学推理系统迈出了一步。
引用
@article{arxiv.2505.19538,
title = {DoctorRAG: Medical RAG Fusing Knowledge with Patient Analogy through Textual Gradients},
author = {Yuxing Lu and Gecheng Fu and Wei Wu and Xukai Zhao and Sin Yee Goi and Jinzhuo Wang},
journal= {arXiv preprint arXiv:2505.19538},
year = {2025}
}
备注
32 pages, 5 figures, 5 tables