医学检索增强生成综述：技术实现、临床应用与伦理考量
计算与语言
2025-11-14 v2 人工智能
摘要
医学知识的快速增长和临床实践的日益复杂构成了挑战。就此情境而言，大语言模型(LLM)已显示出价值；然而仍存在固有的局限性。检索增强生成(RAG)技术显示出潜在的提高其临床可应用性的可能性。本研究综述了医学领域的RAG应用。我们发现研究主要依赖公开数据，私有数据的应用有限。对于检索，常见方法依赖以英语为中心的嵌入模型，而LLM主要为通用型，医学专用LLM的使用有限。在评估方面，自动化指标用于评估生成质量和任务性能，而人类评估则关注准确性、完整性、相关性和流畅性，对偏见和安全性的关注不足。RAG应用集中在问答、报告生成、文本摘要和信息提取等方面。总体而言，医学RAG仍处于早期阶段，需要在临床验证、跨语言适应和支持低资源环境方面取得进展，以实现可信赖和负责任的全球使用。
引用
@article{arxiv.2511.05901,
title = {Retrieval-Augmented Generation in Medicine: A Scoping Review of Technical Implementations, Clinical Applications, and Ethical Considerations},
author = {Rui Yang and Matthew Yu Heng Wong and Huitao Li and Xin Li and Wentao Zhu and Jingchi Liao and Kunyu Yu and Jonathan Chong Kai Liew and Weihao Xuan and Yingjian Chen and Yuhe Ke and Jasmine Chiat Ling Ong and Douglas Teodoro and Chuan Hong and Daniel Shi Wei Ting and Nan Liu},
journal= {arXiv preprint arXiv:2511.05901},
year = {2025}
}