医学图谱RAG：面向医学大语言模型的图检索增强生成框架
计算机视觉与模式识别
2024-10-17 v2
摘要
我们提出了一种专为医学领域设计的基于图的检索增强生成（RAG）框架，称为 MedGraphRAG，旨在增强大语言模型（LLM）生成基于证据的医学回答的能力，从而提高处理私人医疗数据时的安全性和可靠性。图基RAG（GraphRAG）利用LLM将RAG数据组织成图结构，显示出从长文档中获取整体性见解的强大潜力。然而，其标准实现过于复杂且缺乏生成基于证据的回答的能力，限制了其在医学领域的有效性。为将GraphRAG的能力扩展到医学领域，我们提出了独特的三元组图构建和U-检索技术。在图构建中，我们创建了一个三元链结构，将用户文档与可信医学来源和受控词表相连。在检索过程中，我们提出了U-检索，将自上而下的精确检索与自下而上的响应细化相结合，以平衡全局上下文 awareness 与精确索引。这一方法实现了源信息检索和综合响应生成。我们的方法在9个医学问答基准、2个健康事实核查基准以及一个测试长形式生成的数据集上得到验证。结果表明，MedGraphRAG在所有基准测试中均优于当前最先进的模型，同时确保响应包含可信来源文档和定义。我们的代码已发布于：https://github.com/MedicineToken/Medical-Graph-RAG。
引用
@article{arxiv.2408.04187,
title = {Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation},
author = {Junde Wu and Jiayuan Zhu and Yunli Qi and Jingkun Chen and Min Xu and Filippo Menolascina and Vicente Grau},
journal= {arXiv preprint arXiv:2408.04187},
year = {2024}
}