YpathRAG：病理学检索增强生成框架与基准
计算与语言
2025-10-13 v1
摘要
大语言模型（LLM）在通用任务上表现出色，但在高门槛领域（如病理学）仍会产生幻觉。先前工作常依赖领域微调，这种做既不扩展知识边界，也不强制执行证据约束。因此，我们构建覆盖 28 个子领域和 153 万段文字的病理学向量数据库，提出 YpathRAG，一种面向病理学的检索增强生成框架，采用双通道混合检索（BGE-M3 密集检索搭配词汇引导的稀疏检索），并引入基于 LLM 的证据判断模块，将检索-判断-生成闭环。我们还发布了两个评估基准 YpathR 和 YpathQA-M。在 YpathR 上，YpathRAG 实现 Recall@5 为 98.64%，显著超越基线提升 23 个百分点；在 YpathQA-M 上，这组最具挑战性的 300 个问题中，YpathRAG 对通用和医学 LLM 的准确率提升平均 9.0%，最高可达 15.6%。这些结果表明 YpathRAG 在提升检索质量和事实可靠性方面取得显著成效，为病理学领域的可扩展构建范式和可解释评估提供了可能。
引用
@article{arxiv.2510.08603,
title = {YpathRAG:A Retrieval-Augmented Generation Framework and Benchmark for Pathology},
author = {Deshui Yu and Yizhi Wang and Saihui Jin and Taojie Zhu and Fanyi Zeng and Wen Qian and Zirui Huang and Jingli Ouyang and Jiameng Li and Zhen Song and Tian Guan and Yonghong He},
journal= {arXiv preprint arXiv:2510.08603},
year = {2025}
}