MedTutor：用于基于病例的医学教育的检索增强型LLM系统
计算与语言
2026-02-03 v2
摘要
医师住院医师的学习过程面临诸多挑战，既需要能够解读复杂病例报告，又需要快速从可靠来源获取准确的医学知识。住院医师通常学习病例报告并与同事和导师讨论，但从这些病例中找到相关教育材料和证据以支持学习往往既耗时又具挑战性。为此，我们引入了MedTutor，这是一个新型系统，旨在通过自动从临床病例报告中生成基于证据的教育内容和多项选择题来增强住院医师培训。MedTutor利用检索增强生成(RAG)管道，将临床病例报告作为输入，并生成针对性的教育材料。该系统的体系结构采用混合检索机制，综合查询本地医学教科书和学术文献库(使用PubMed、Semantic Scholar API)，以获取最新相关研究，确保生成内容在基础上稳健且具有时效性。检索到的证据经基于最新技术的重排序模型筛选和排序后，LLM生成最终的长篇输出，描述关于该病例报告的主要教育内容。我们对该系统进行了严格的评估。首先，三位放射科医生评估了输出质量，发现其在临床和教育价值方面都很高。其次，我们使用LLM作为评判器进行大规模评估，以了解LLM是否可用来评估该系统的输出。我们分析了LLM输出与人类专家判断之间的相关性，发现 moderately 对齐，并突显了继续需要专家监督的必要性。
引用
@article{arxiv.2601.06979,
title = {MedTutor: A Retrieval-Augmented LLM System for Case-Based Medical Education},
author = {Dongsuk Jang and Ziyao Shangguan and Kyle Tegtmeyer and Anurag Gupta and Jan Czerminski and Sophie Chheang and Arman Cohan},
journal= {arXiv preprint arXiv:2601.06979},
year = {2026}
}
备注
Accepted to EMNLP 2025 (System Demonstrations)