MedKGI：基于医学知识图谱与信息引导问询的迭代式鉴别诊断
计算与语言
2026-01-06 v2
摘要
大语言模型（LLMs）的最新进展在临床诊断中展现出巨大潜力。然而，当前模型难以模拟真实临床场景中迭代式、以诊断假设为驱动的推理过程。具体而言，当前的LLMs存在三个关键局限：（1）由于缺乏对已验证知识的扎实依托，会产生幻觉性的医学内容；（2）会提出冗余或低效的问题，而非有助于推进诊断进程的判别性问题；（3）在多轮对话中丧失连贯性，导致矛盾或不一致的结论。为应对这些挑战，我们提出了MedKGI，一个立足于临床实践的诊断框架。MedKGI整合了医学知识图谱（KG）以将推理约束于经过验证的医学本体，基于信息增益选择问题以最大化诊断效率，并采用OSCE格式的结构化状态来在多轮对话中保持一致性的证据追踪。在临床基准上的实验表明，MedKGI在诊断准确率和问询效率上均优于强大的LLM基线，在保持当前最优准确率的同时，平均将对话效率提升了30%。
引用
@article{arxiv.2512.24181,
title = {MedKGI: Iterative Differential Diagnosis with Medical Knowledge Graphs and Information-Guided Inquiring},
author = {Qipeng Wang and Rui Sheng and Yafei Li and Huamin Qu and Yushi Sun and Min Zhu},
journal= {arXiv preprint arXiv:2512.24181},
year = {2026}
}