RAG-BioQA：用于长形式生物医学问答的检索增强生成框架
计算与语言
2026-01-05 v3 人工智能
摘要
生物医学文献的快速增长给获取特定医学信息带来了挑战。当前的生物医学问答系统主要关注短形式答案，无法为临床决策提供全面的解释。我们提出了 RAG-BioQA，一个用于长形式生物医学问答的检索增强生成框架。我们的系统将 BioBERT 嵌入与 FAISS 索引集成进行检索，并使用 LoRA 微调的 FLAN-T5 模型进行答案生成。我们在来自 PubMedQA、MedDialog 和 MedQuAD 的 18 万对 QA 对上进行训练，并在保留的 PubMedQA 测试集上进行评估。我们比较了四种检索策略：稠密检索 (FAISS)、BM25、ColBERT 和 MonoT5。我们的实验结果表明，领域适应的稠密检索优于零样本神经重排序器，最佳配置实现 BLEU-1 为 0.24，ROUGE-1 为 0.29。微调相较于基础模型将 BERTScore 提升 81\%。我们发布了该框架以支持可重复的生物医学 QA 研究。
引用
@article{arxiv.2510.01612,
title = {RAG-BioQA: A Retrieval-Augmented Generation Framework for Long-Form Biomedical Question Answering},
author = {Lovely Yeswanth Panchumarthi and Sumalatha Saleti and Sai Prasad Gudari and Atharva Negi and Praveen Raj Budime and Harsit Upadhya},
journal= {arXiv preprint arXiv:2510.01612},
year = {2026}
}
备注
Submitted to ICAEI