基于.meta分析启发的证据重排方法：面向证据医学的检索增强生成
计算与语言
2025-11-07 v2
摘要
证据医学 (Evidence-based Medicine, EBM) 在临床应用中占据重要位置。给定合适的医学文献后，医生能够有效降低误诊风险。研究人员发现，使用大型语言模型 (Large Language Models, LLMs)技术如检索增强生成 (Retrieval-Augmented Generation, RAG)用于EBM任务具有较高效率。然而，EBM对证据的要求极为严格，RAG在EBM中的应用难以有效区分高质量证据。因此，灵感来自EBM中的.meta分析，我们提供一种新的方法来重新排序和筛选医学证据。该方法提出了多项原则，以筛选出LLMs诊断所需的最佳证据。我们采用若干EBM方法的组合来模拟.meta分析，包括可靠性分析、异质性分析和外推分析。这些过程允许用户检索出LLMs所需的最佳医学证据。最终，我们对这些高质量文章进行评估，实验结果显示准确率可提升最高11.4%。本方法成功地使RAG能够从PubMed数据集中提取更高质量和更可靠的证据。本工作可减少错误知识进入回复的可能性，帮助用户获得更有效的回答。
引用
@article{arxiv.2510.24003,
title = {META-RAG: Meta-Analysis-Inspired Evidence-Re-Ranking Method for Retrieval-Augmented Generation in Evidence-Based Medicine},
author = {Mengzhou Sun and Sendong Zhao and Jianyu Chen and Haochun Wang and Bing Qin},
journal= {arXiv preprint arXiv:2510.24003},
year = {2025}
}