MedCoT-RAG：用于医学问答的因果链-of-thought检索增强生成
计算与语言
2025-08-25 v1 信息检索
摘要
大语言模型(LLM)在医学问答方面显示出前景，但在需要细致临床理解的任务中常出现幻觉和浅层推理问题。检索增强生成(RAG)为增强LLM外部医学知识提供了实用且隐私保护的方式。然而，大多数现有方法依赖表层语义检索，缺乏临床决策支持所需的结构化推理。我们提出MedCoT-RAG，一种特定于医疗领域的框架，将因果感知文档检索与针对医学工作流程优化的结构化链-of-thought提示相结合。该设计使模型能够检索与诊断逻辑相匹配的证据，并生成反映实际临床实践的逐步因果推理。三项多样化医学QA基准的实验表明，MedCoT-RAG相对于基础RAG提升了最高达10.3%，相对于先进的领域适应方法提升了6.4%，在复杂医学任务中提高了准确率、可解释性和一致性。
关键词
引用
@article{arxiv.2508.15849,
title = {MedCoT-RAG: Causal Chain-of-Thought RAG for Medical Question Answering},
author = {Ziyu Wang and Elahe Khatibi and Amir M. Rahmani},
journal= {arXiv preprint arXiv:2508.15849},
year = {2025}
}