面向多轮医学推理的三元组结构知识集成
计算与语言
2025-10-15 v2 人工智能
摘要
大型语言模型（LLMs）在静态医学问答（QA）任务中表现出强大的性能，但在患者信息跨轮分散的多轮临床对话中，其推理往往恶化。本文引入 TriMediQ，一种基于三元组结构的方法，通过显式知识集成来增强 LLMs 的推理可靠性。TriMediQ 首先使用冻结的三元组提取 LLM 将患者回复转换为临床上依据的三元组，通过受约束的提示确保事实准确性。将这些三元组整合到患者特定的知识图谱（KG）中，随后使用由图编码器和投影器组成的可训练投影模块捕获关系依赖，同时保持所有 LLM 参数冻结。在推理期间，投影模块引导对 KG 的多跳推理，从而实现连贯的临床对话理解。在两个交互式医学 QA 基准测试上进行的实验表明，TriMediQ 在 iMedQA 数据集上比五个现有基线方法实现了最高可达 10.4% 的准确率提升。这些结果表明，将患者信息结构化为三元组可有效提高 LLMs 在多轮医学 QA 中的推理能力。
引用
@article{arxiv.2510.03536,
title = {Triplet-Structured Knowledge Integration for Multi-Turn Medical Reasoning},
author = {Zhaohan Meng and Zaiqiao Meng and Siwei Liu and Iadh Ounis},
journal= {arXiv preprint arXiv:2510.03536},
year = {2025}
}
备注
Preprint