面向紧急医疗服务问答的专家引导式提示与检索增强生成
计算与语言
2025-11-20 v2 人工智能
摘要
大型语言模型（LLMs）在医学问答方面显示出潜力，但常常忽视专业人员依赖的领域特定知识，如临床学科领域（如创伤、气道）和认证等级（如 EMT、Paramedic）。现有方法通常仅应用通用提示或检索策略，而未利用这种结构化上下文，限制了在高风险场景中的性能。为解决这一问题，我们提出 EMSQA，一个包含 24,300 个多选问答的 数据集，涵盖 10 个临床学科领域和 4 个认证等级，并配套精选的、领域对齐的知识库（40,000 篇文档和 200 万 token）。基于 EMSQA，我们引入（i）Expert-CoT，即一种将链式思考（CoT）推理条件化于特定临床学科领域和认证等级的提示策略；以及（ii）ExpertRAG，即一种基于领域对齐文档和真实患者数据的检索增强生成管线。实验表明，Expert-CoT 在基础 CoT 提示上提升最高 2.05%。此外，将 Expert-CoT 与 ExpertRAG 组合可相对于标准 RAG 基线提升最高 4.59% 的准确率。值得注意的是，32B 规模的专家增强型 LLM 能通过所有计算机自适应 EMS 认证模拟考试。
引用
@article{arxiv.2511.10900,
title = {Expert-Guided Prompting and Retrieval-Augmented Generation for Emergency Medical Service Question Answering},
author = {Xueren Ge and Sahil Murtaza and Anthony Cortez and Homa Alemzadeh},
journal= {arXiv preprint arXiv:2511.10900},
year = {2025}
}
备注
Accepted by AAAI 2026