Self-MedRAG：面向可靠医学问答的自反思混合检索增强生成框架
信息检索
2026-01-09 v1 人工智能
摘要
大型语言模型（LLM）在医学问答（QA）中展现了巨大潜力，但仍易产生幻觉与无依据的推理，限制了其在高风险临床场景中的可靠性。虽然检索增强生成（RAG）通过引入外部知识缓解了这些问题，但传统的单次检索往往无法解决需要多步推理的复杂生物医学查询。为解决此问题，我们提出了 Self-MedRAG，一个旨在模拟临床推理中迭代假设-验证过程的自反思混合框架。Self-MedRAG 集成了混合检索策略，通过倒数排名融合（RRF）结合稀疏（BM25）与稠密（Contriever）检索器，以最大化证据覆盖率。它采用生成器生成带有支持性理由的答案，随后由一个轻量级自反思模块使用自然语言推理（NLI）或基于 LLM 的验证进行评估。若理由缺乏充分的证据支持，系统将自主重构查询并迭代以优化上下文。我们在 MedQA 和 PubMedQA 基准上对 Self-MedRAG 进行了评估。结果表明，我们的混合检索方法显著优于单一检索器基线。此外，自反思循环的引入带来了显著收益，将 MedQA 上的准确率从 80.00% 提升至 83.33%，在 PubMedQA 上从 69.10% 提升至 79.82%。这些发现证实，将混合检索与基于证据的迭代自反思相结合，能有效减少无依据的声明并提升基于 LLM 的系统的临床可靠性。
引用
@article{arxiv.2601.04531,
title = {Self-MedRAG: a Self-Reflective Hybrid Retrieval-Augmented Generation Framework for Reliable Medical Question Answering},
author = {Jessica Ryan and Alexander I. Gumilang and Robert Wiliam and Derwin Suhartono},
journal= {arXiv preprint arXiv:2601.04531},
year = {2026}
}