文章摘要

本文提出NRAG框架，創(chuàng)新性地融合大語言模型與醫(yī)學(xué)知識圖譜，專注于門急診神經(jīng)外科疾病診斷。該框架通過知識圖譜檢索補(bǔ)充缺失癥狀信息，實(shí)現(xiàn)可解釋的智能診斷，F(xiàn)1分?jǐn)?shù)達(dá)0.8150，為臨床輔助決策提供可靠依據(jù)。

原文pdf：https://t.zsxq.com/5kL64

引言：智能醫(yī)療診斷的新突破

精準(zhǔn)醫(yī)療代表著現(xiàn)代臨床研究的發(fā)展趨勢，是未來智能醫(yī)療研究的指引方向。疾病的精準(zhǔn)診斷是精準(zhǔn)醫(yī)療的關(guān)鍵組成部分，也是人工智能與臨床實(shí)踐結(jié)合的核心任務(wù)。

在門急診場景下，醫(yī)生需要在短時(shí)間內(nèi)僅憑患者的部分表型信息做出診斷決策。這種時(shí)間緊迫、數(shù)據(jù)碎片化、合并癥復(fù)雜的臨床環(huán)境，給傳統(tǒng)的基于自由文本的建模方法帶來了巨大挑戰(zhàn)。

當(dāng)前診斷模型面臨的挑戰(zhàn)

疾病診斷模型的發(fā)展經(jīng)歷了三個(gè)階段：

1. 機(jī)器學(xué)習(xí)階段：以隨機(jī)森林為基礎(chǔ)的DeepPatient、支持向量機(jī)模型、邏輯回歸模型eNRBM等為代表，但這些方法通常局限于處理簡單的診斷任務(wù)。?
2. 深度學(xué)習(xí)階段：LSTM模型用于重癥監(jiān)護(hù)患者的診斷分類，雙曲空間和共現(xiàn)圖卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)ICD自動編碼，自注意力BERT模型結(jié)合自然語言處理技術(shù)實(shí)現(xiàn)疾病診斷。盡管這些方法表現(xiàn)優(yōu)異，但仍存在明顯不足——它們往往依賴更大的數(shù)據(jù)集和大量的計(jì)算資源。?
3. 大語言模型時(shí)代：隨著ChatGPT等大型語言模型的出現(xiàn)，通過在大規(guī)模語料庫上進(jìn)行預(yù)訓(xùn)練，再用特定領(lǐng)域數(shù)據(jù)進(jìn)行微調(diào)，使模型能夠在各種下游任務(wù)中表現(xiàn)出色。?

研究動機(jī)：解決臨床診斷的兩大核心問題

本研究針對現(xiàn)有醫(yī)療大語言模型在輔助診斷中的局限性，特別是在可解釋性和預(yù)測性能方面，提出了兩個(gè)關(guān)鍵研究問題：

Q1: 信息不完整問題

臨床記錄往往記錄的癥狀少于患者實(shí)際表現(xiàn)的癥狀。例如，雖然神經(jīng)外科醫(yī)生會例行詢問高血壓等常見合并癥，但這類表型信息經(jīng)常從醫(yī)療記錄中被省略。這就提出了一個(gè)關(guān)鍵挑戰(zhàn)：如何在信息稀缺的情況下做出準(zhǔn)確預(yù)測？

Q2: 可解釋性需求

鑒于醫(yī)療診斷的高度專業(yè)性，模型迫切需要為其預(yù)測提供基于證據(jù)的理論依據(jù)。換句話說，這需要提高復(fù)雜場景下的推理能力，并增強(qiáng)大語言模型輸出的可解釋性。此外，當(dāng)前的醫(yī)療大語言模型主要針對一般臨床應(yīng)用場景，未能解決門急診場景特有的文檔記錄不足和時(shí)間關(guān)鍵決策要求。

NRAG框架：知識圖譜增強(qiáng)的智能診斷系統(tǒng)

為了解決這些限制，本研究利用知識圖譜來增強(qiáng)大語言模型的可靠性和可解釋性，提出了神經(jīng)外科知識圖譜檢索增強(qiáng)框架（NRAG）——一個(gè)基于知識圖譜引導(dǎo)推理的門急診可解釋疾病診斷框架。

核心創(chuàng)新點(diǎn)

1. LLM-KG融合框架

這是首次將ChatGLM3應(yīng)用于神經(jīng)外科疾病智能診斷任務(wù)，通過問答形式整合醫(yī)學(xué)知識圖譜和大語言模型，實(shí)現(xiàn)可解釋的診斷推理。為了解決患者表征信息缺失的問題，NRAG結(jié)合醫(yī)學(xué)知識圖譜的可靠知識來豐富患者表征信息。

2. 神經(jīng)外科問答數(shù)據(jù)集

為了緩解高質(zhì)量醫(yī)療指令微調(diào)數(shù)據(jù)集的稀缺性，本研究構(gòu)建了專門為神經(jīng)外科疾病診斷設(shè)計(jì)的新型問答數(shù)據(jù)集。與傳統(tǒng)問答數(shù)據(jù)集不同，它包含強(qiáng)調(diào)可解釋性的注釋，使其更適合醫(yī)學(xué)知識推理和臨床決策場景。

3. 卓越的實(shí)驗(yàn)性能

實(shí)證評估表明，NRAG在門診部數(shù)據(jù)集上取得了優(yōu)異性能（F1分?jǐn)?shù)=0.8112），超越了通用開源大語言模型（如ChatGPT、DeepSeek）和專業(yè)醫(yī)療大語言模型。專家評估和案例分析進(jìn)一步證實(shí)，NRAG的診斷建議為神經(jīng)外科實(shí)踐提供了有臨床意義的指導(dǎo)。

NRAG技術(shù)架構(gòu)：三步走戰(zhàn)略

NRAG框架通過規(guī)劃-檢索-推理流程運(yùn)作，主要分為三個(gè)步驟：

第一步：關(guān)鍵信息識別

利用信息提取和實(shí)體鏈接技術(shù)，從輸入數(shù)據(jù)中快速識別患者的癥狀表現(xiàn)。該階段從電子病歷（EMR）數(shù)據(jù)中提取關(guān)鍵信息并進(jìn)行標(biāo)準(zhǔn)化處理。

技術(shù)細(xì)節(jié)：

• 對所有文本內(nèi)容進(jìn)行嚴(yán)格篩查，移除任何可識別的個(gè)人信息
• 通過預(yù)處理步驟構(gòu)建高質(zhì)量結(jié)構(gòu)化數(shù)據(jù)集
• 整個(gè)工作流程遵守倫理指南（倫理批準(zhǔn)號：KY2023-226-02）?

第二步：知識檢索與論證

采用開源醫(yī)學(xué)知識圖譜，根據(jù)患者信息檢索相關(guān)領(lǐng)域知識。檢索到的知識被組織成潛在的疾病相關(guān)關(guān)聯(lián)路徑，隨后反饋到系統(tǒng)中。

核心機(jī)制：

• 以患者癥狀信息為源頭，檢索知識圖譜的可靠知識
• 特別關(guān)注"癥狀-疾病"多跳路徑
• 將檢索到的核心路徑作為輸入的一部分，豐富模型的提示信息?

這種方式使NRAG不僅能從知識圖譜中檢索可靠知識進(jìn)行知識增強(qiáng)，還能優(yōu)化大語言模型推理的準(zhǔn)確性和依據(jù)。

第三步：診斷預(yù)測

使用在神經(jīng)外科問答數(shù)據(jù)集上微調(diào)的大語言模型進(jìn)行疾病預(yù)測，同時(shí)為推理過程提供可解釋的知識圖譜路徑。該框架實(shí)現(xiàn)了結(jié)構(gòu)化醫(yī)學(xué)知識與神經(jīng)推理能力的系統(tǒng)整合，確保診斷的準(zhǔn)確性和可解釋性。

數(shù)據(jù)資源：構(gòu)建神經(jīng)外科專用數(shù)據(jù)集

數(shù)據(jù)收集與預(yù)處理

本研究構(gòu)建了一個(gè)包含3億條神經(jīng)外科門診記錄的高質(zhì)量結(jié)構(gòu)化數(shù)據(jù)集。數(shù)據(jù)收集過程嚴(yán)格遵守醫(yī)療數(shù)據(jù)隱私保護(hù)規(guī)定：

• 系統(tǒng)性移除所有可識別的個(gè)人信息
• 嚴(yán)格的文本內(nèi)容篩查
• 完整的倫理審查流程
• 為后續(xù)研究和數(shù)據(jù)分析奠定堅(jiān)實(shí)基礎(chǔ)?

問答數(shù)據(jù)集的特色

與傳統(tǒng)醫(yī)療問答數(shù)據(jù)集相比，本研究構(gòu)建的神經(jīng)外科問答數(shù)據(jù)集具有以下特點(diǎn)：

1. 專業(yè)性：專門針對神經(jīng)外科疾病診斷場景設(shè)計(jì)
2. 可解釋性：包含強(qiáng)調(diào)推理過程的注釋
3. 實(shí)用性：更適合醫(yī)學(xué)知識推理和臨床決策
4. 高質(zhì)量：經(jīng)過專業(yè)醫(yī)生審核和標(biāo)注?

醫(yī)學(xué)大語言模型的發(fā)展與應(yīng)用

國際前沿進(jìn)展

在醫(yī)學(xué)領(lǐng)域，眾多研究已經(jīng)驗(yàn)證了醫(yī)學(xué)大語言模型的實(shí)用性，并展示了使用生物醫(yī)學(xué)數(shù)據(jù)進(jìn)行微調(diào)的有效性：

Med-PaLM2：由Google和DeepMind研究人員聯(lián)合開發(fā)，不僅通過了美國醫(yī)學(xué)執(zhí)照考試（USMLE），還在MultiMedQA基準(zhǔn)測試中達(dá)到了與執(zhí)業(yè)臨床醫(yī)生相當(dāng)?shù)男阅堋?/p>

BioMedLM（PubMedGPT）：由斯坦福大學(xué)基礎(chǔ)模型研究中心（CRFM）和MosaicML創(chuàng)建，代表了另一個(gè)里程碑。

中文醫(yī)學(xué)大模型

在中文領(lǐng)域，顯著進(jìn)展包括MedGPT、百川（Baichuan）和TCMLLM-PR等模型。此外，有研究者提出了基于指令微調(diào)技術(shù)的專門疾病診斷任務(wù)，也取得了良好的性能，但未結(jié)合知識圖譜。

提示工程的探索

在大語言模型提示設(shè)計(jì)的探索中，醫(yī)學(xué)專用大語言模型如MedGPT和華佗（HuaTuo）表明，為大語言模型設(shè)置專業(yè)角色并補(bǔ)充輔助信息可以顯著提高準(zhǔn)確性。

幻覺問題與知識圖譜解決方案

大語言模型的幻覺挑戰(zhàn)

研究者注意到，大語言模型存在幻覺問題，容易產(chǎn)生錯(cuò)誤推理并導(dǎo)致不正確的答案。這在醫(yī)療診斷等高風(fēng)險(xiǎn)場景中尤為危險(xiǎn)。

知識圖譜的優(yōu)勢

針對這一問題，一些學(xué)者提出了基于知識圖譜的規(guī)劃檢索推理框架：

• 以知識集為基礎(chǔ)：使用結(jié)構(gòu)化的醫(yī)學(xué)知識作為推理依據(jù)
• 檢索可靠推理路徑：從知識圖譜中提取經(jīng)過驗(yàn)證的知識關(guān)聯(lián)
• 引導(dǎo)推理方向：為模型提供可信的推理軌跡? ?

知識圖譜的核心優(yōu)勢在于其圖形化的知識表示，能夠更清晰地表達(dá)知識的結(jié)構(gòu)和關(guān)系，使算法更容易理解和使用。

NRAG的獨(dú)特價(jià)值：補(bǔ)充缺失信息與提供診斷依據(jù)

解決信息不完整問題

NRAG通過以下機(jī)制解決臨床記錄中的信息缺失問題：

1. 癥狀補(bǔ)充：從知識圖譜中檢索可能缺失但與疾病相關(guān)的癥狀信息
2. 知識增強(qiáng)：利用"癥狀-疾病"關(guān)聯(lián)路徑豐富患者表征
3. 個(gè)性化檢索：根據(jù)每個(gè)患者的具體情況進(jìn)行定制化知識檢索? ?

提升可解釋性

NRAG為診斷結(jié)果提供基于知識路徑的證據(jù)：

• 透明的推理過程：展示從癥狀到疾病診斷的完整知識路徑
• 可驗(yàn)證的依據(jù)：所有推理步驟都基于醫(yī)學(xué)知識圖譜的可靠知識
• 專家可理解：提供符合臨床思維邏輯的診斷解釋? ?

實(shí)驗(yàn)結(jié)果：全面超越現(xiàn)有模型

定量評估結(jié)果

NRAG在實(shí)驗(yàn)中取得了令人矚目的性能表現(xiàn)：

核心指標(biāo)：

• F1分?jǐn)?shù)達(dá)到0.8150：顯著提升診斷準(zhǔn)確性?
• 門診數(shù)據(jù)集F1分?jǐn)?shù)0.8112：優(yōu)于所有對比模型?

對比實(shí)驗(yàn)

通用領(lǐng)域大語言模型對比：

• 超越ChatGPT、DeepSeek等主流通用模型
• 在醫(yī)學(xué)專業(yè)場景中展現(xiàn)更強(qiáng)的適應(yīng)性?

醫(yī)學(xué)領(lǐng)域大語言模型對比：

• 性能優(yōu)于現(xiàn)有醫(yī)學(xué)專用大語言模型
• 在可解釋性方面具有明顯優(yōu)勢?

專家評估

臨床專家評估進(jìn)一步確認(rèn)：

• NRAG的診斷建議為神經(jīng)外科實(shí)踐提供有臨床意義的指導(dǎo)
• 推理過程符合臨床思維邏輯
• 可解釋性得到顯著提升?

消融實(shí)驗(yàn)

消融研究證實(shí)了各個(gè)組件的重要性：

• 知識圖譜整合顯著改善診斷準(zhǔn)確性
• 問答形式的訓(xùn)練增強(qiáng)了模型的推理能力
• 多跳路徑檢索對補(bǔ)充缺失信息至關(guān)重要?

臨床應(yīng)用價(jià)值：門急診場景的智能助手

門急診場景的特殊需求

門急診場景具有以下特點(diǎn)：

• 時(shí)間緊迫：需要快速做出診斷決策
• 信息碎片化：患者信息往往不完整
• 復(fù)雜合并癥：需要綜合考慮多種癥狀和疾病?

NRAG的適配優(yōu)勢

NRAG專門針對門急診場景設(shè)計(jì)：

1. 快速診斷：通過知識圖譜快速檢索相關(guān)醫(yī)學(xué)知識
2. 信息補(bǔ)全：自動補(bǔ)充可能缺失的癥狀信息
3. 輔助決策：提供可解釋的診斷建議和依據(jù)? ?

實(shí)際應(yīng)用場景

神經(jīng)外科門診：

• 輔助醫(yī)生快速篩查常見神經(jīng)外科疾病
• 提醒可能被忽略的重要癥狀
• 提供診斷依據(jù)供醫(yī)生參考?

急診場景：

• 在時(shí)間緊迫情況下提供快速診斷建議
• 幫助識別危急重癥
• 支持多學(xué)科協(xié)作診療?

技術(shù)創(chuàng)新：ChatGLM3的首次醫(yī)學(xué)應(yīng)用

模型選擇的創(chuàng)新性

本研究首次將ChatGLM3應(yīng)用于神經(jīng)外科疾病智能診斷任務(wù)，這是一個(gè)重要的技術(shù)突破。

ChatGLM3的優(yōu)勢

1. 強(qiáng)大的中文理解能力：更適合處理中文醫(yī)療記錄
2. 良好的指令跟隨能力：能夠準(zhǔn)確理解診斷任務(wù)需求
3. 高效的推理性能：在保證準(zhǔn)確性的同時(shí)提供快速響應(yīng)?

與知識圖譜的深度融合

NRAG創(chuàng)新性地實(shí)現(xiàn)了ChatGLM3與醫(yī)學(xué)知識圖譜的無縫整合：

• 通過問答形式建立有效的交互機(jī)制
• 利用知識圖譜增強(qiáng)模型的醫(yī)學(xué)知識基礎(chǔ)
• 實(shí)現(xiàn)可解釋的端到端診斷流程?

方法論貢獻(xiàn)：深度臨床數(shù)據(jù)挖掘與醫(yī)學(xué)知識庫整合

理論框架

NRAG不僅是一個(gè)技術(shù)工具，更為深度臨床數(shù)據(jù)挖掘與醫(yī)學(xué)知識庫資源整合提供了方法論框架：

數(shù)據(jù)驅(qū)動與知識驅(qū)動的結(jié)合：

• 從大量臨床數(shù)據(jù)中學(xué)習(xí)疾病診斷模式
• 利用結(jié)構(gòu)化醫(yī)學(xué)知識圖譜提供可靠的知識基礎(chǔ)
• 將數(shù)據(jù)洞察與專家知識有機(jī)融合,實(shí)現(xiàn)優(yōu)勢互補(bǔ)

可擴(kuò)展的整合范式:

• 提供標(biāo)準(zhǔn)化的知識圖譜接入接口
• 支持多源異構(gòu)醫(yī)學(xué)知識庫的動態(tài)整合
• 建立可復(fù)用的臨床數(shù)據(jù)挖掘流程

跨領(lǐng)域應(yīng)用潛力

該方法論框架具有廣泛的推廣價(jià)值:

1. 其他醫(yī)學(xué)專科: 可擴(kuò)展至心內(nèi)科、呼吸科等其他專科疾病診斷
2. 多模態(tài)數(shù)據(jù)融合: 支持整合影像、實(shí)驗(yàn)室檢查等多維度數(shù)據(jù)
3. 知識更新機(jī)制: 建立動態(tài)知識圖譜更新流程,保持診斷系統(tǒng)的時(shí)效性

臨床決策支持系統(tǒng)構(gòu)建

NRAG為構(gòu)建新一代臨床決策支持系統(tǒng)(CDSS)提供了技術(shù)路線:

• 智能化: 利用大語言模型的推理能力
• 可信化: 基于知識圖譜的可靠醫(yī)學(xué)知識
• 實(shí)用化: 針對真實(shí)臨床場景優(yōu)化設(shè)計(jì)

詳細(xì)方法論:NRAG的技術(shù)實(shí)現(xiàn)

知識圖譜構(gòu)建

數(shù)據(jù)來源:本研究采用開源醫(yī)學(xué)知識圖譜作為基礎(chǔ),并結(jié)合神經(jīng)外科專業(yè)知識進(jìn)行擴(kuò)展和優(yōu)化。

圖譜結(jié)構(gòu):

• 實(shí)體類型: 疾病、癥狀、檢查、治療等
• 關(guān)系類型: 癥狀-疾病、疾病-檢查、疾病-治療等
• 屬性信息: 發(fā)病率、嚴(yán)重程度、時(shí)間特征等

質(zhì)量控制:

• 由資深神經(jīng)外科專家審核知識圖譜內(nèi)容
• 定期更新以反映最新醫(yī)學(xué)進(jìn)展
• 建立知識溯源機(jī)制,確保每條知識的來源可追溯

信息提取與實(shí)體鏈接

命名實(shí)體識別(NER):采用基于深度學(xué)習(xí)的NER模型,從電子病歷文本中識別醫(yī)學(xué)實(shí)體:

輸入文本 → 分詞 → 實(shí)體識別 → 實(shí)體分類 → 標(biāo)準(zhǔn)化

實(shí)體鏈接策略:

1. 精確匹配: 優(yōu)先使用標(biāo)準(zhǔn)醫(yī)學(xué)術(shù)語詞典進(jìn)行精確匹配
2. 模糊匹配: 對于口語化表達(dá),使用語義相似度計(jì)算
3. 上下文消歧: 利用臨床上下文信息解決歧義

技術(shù)細(xì)節(jié):

• 采用BERT類模型進(jìn)行實(shí)體表示學(xué)習(xí)
• 使用余弦相似度計(jì)算實(shí)體與知識圖譜節(jié)點(diǎn)的匹配度
• 設(shè)置置信度閾值,過濾低質(zhì)量匹配結(jié)果

知識檢索算法

多跳路徑搜索:NRAG采用改進(jìn)的廣度優(yōu)先搜索(BFS)算法,在知識圖譜中檢索相關(guān)路徑:

算法流程:

1. 以患者癥狀實(shí)體作為起始節(jié)點(diǎn)
2. 向外擴(kuò)展,搜索連接到疾病節(jié)點(diǎn)的路徑
3. 限制最大跳數(shù)(通常設(shè)置為2-3跳)
4. 根據(jù)路徑評分篩選最相關(guān)的路徑

路徑評分機(jī)制:路徑得分綜合考慮多個(gè)因素:

• 關(guān)聯(lián)強(qiáng)度: 邊的權(quán)重,反映癥狀與疾病的關(guān)聯(lián)程度
• 路徑長度: 較短路徑通常表示更直接的關(guān)聯(lián)
• 節(jié)點(diǎn)重要性: 考慮節(jié)點(diǎn)在圖譜中的中心性
• 臨床頻率: 基于歷史診斷數(shù)據(jù)的統(tǒng)計(jì)頻率

優(yōu)化策略:

• 使用圖嵌入技術(shù)預(yù)計(jì)算節(jié)點(diǎn)表示,加速檢索
• 實(shí)施路徑剪枝,避免檢索不相關(guān)的長路徑
• 緩存常見癥狀組合的檢索結(jié)果

提示工程與模型微調(diào)

提示模板設(shè)計(jì):NRAG精心設(shè)計(jì)了結(jié)構(gòu)化的提示模板,包含以下關(guān)鍵要素:

【角色設(shè)定】你是一位經(jīng)驗(yàn)豐富的神經(jīng)外科醫(yī)生...

【患者信息】
- 主訴癥狀:[癥狀列表]
- 病史信息:[相關(guān)病史]

【知識參考】
根據(jù)醫(yī)學(xué)知識圖譜,以下信息可能相關(guān):
[檢索到的知識路徑]

【診斷任務(wù)】
請基于以上信息:
1. 分析可能的疾病診斷
2. 解釋診斷依據(jù)
3. 說明推理過程

微調(diào)數(shù)據(jù)構(gòu)建:基于3億條門診記錄,構(gòu)建高質(zhì)量問答對:

1. 數(shù)據(jù)篩選: 選擇記錄完整、診斷明確的病例
2. 問題生成: 將患者癥狀轉(zhuǎn)化為診斷問題
3. 答案標(biāo)注: 包含診斷結(jié)果、推理過程和知識依據(jù)
4. 專家審核: 由神經(jīng)外科醫(yī)生驗(yàn)證數(shù)據(jù)質(zhì)量

微調(diào)策略:

• 采用LoRA(Low-Rank Adaptation)技術(shù),高效微調(diào)大模型
• 使用混合精度訓(xùn)練,提高訓(xùn)練效率
• 實(shí)施課程學(xué)習(xí),從簡單到復(fù)雜逐步訓(xùn)練
• 設(shè)置早停機(jī)制,防止過擬合

推理與生成

兩階段推理流程:

第一階段 - 知識整合:

• 將檢索到的知識路徑轉(zhuǎn)換為自然語言描述
• 與患者癥狀信息整合,形成完整的輸入上下文
• 識別關(guān)鍵診斷線索和潛在風(fēng)險(xiǎn)因素

第二階段 - 診斷生成:

• ChatGLM3基于整合后的信息進(jìn)行推理
• 生成結(jié)構(gòu)化的診斷建議
• 輸出包含診斷結(jié)果、置信度、推理依據(jù)和建議檢查

輸出格式控制:通過精心設(shè)計(jì)的解碼策略,確保輸出格式規(guī)范:

• 使用約束解碼,強(qiáng)制輸出符合預(yù)定義結(jié)構(gòu)
• 設(shè)置溫度參數(shù),平衡創(chuàng)造性和準(zhǔn)確性
• 實(shí)施后處理,標(biāo)準(zhǔn)化醫(yī)學(xué)術(shù)語

總結(jié)：開啟智能醫(yī)療診斷新紀(jì)元

NRAG框架代表了人工智能輔助醫(yī)療診斷領(lǐng)域的重大突破，成功解決了傳統(tǒng)診斷系統(tǒng)長期面臨的核心挑戰(zhàn)。通過創(chuàng)新性地融合大語言模型與醫(yī)學(xué)知識圖譜，NRAG在門急診神經(jīng)外科這一時(shí)間敏感、信息碎片化的復(fù)雜場景中，實(shí)現(xiàn)了準(zhǔn)確性、可解釋性與實(shí)用性的完美平衡 。

核心成果與突破

卓越的診斷性能：NRAG在3億條門診記錄的大規(guī)模數(shù)據(jù)集上取得了F1分?jǐn)?shù)0.8150的優(yōu)異表現(xiàn)，全面超越了包括ChatGPT-4、MedGPT等在內(nèi)的通用和醫(yī)學(xué)專用大語言模型 。這一成果不僅驗(yàn)證了知識圖譜增強(qiáng)策略的有效性，更證明了LLM-KG融合范式在醫(yī)療領(lǐng)域的巨大潛力。

解決信息不完整難題：針對臨床記錄中癥狀信息經(jīng)常缺失的普遍問題，NRAG通過知識圖譜的多跳路徑檢索機(jī)制，智能補(bǔ)充潛在的相關(guān)癥狀信息，使模型即使在信息稀缺的情況下也能做出準(zhǔn)確診斷 。這一創(chuàng)新顯著提升了系統(tǒng)在真實(shí)臨床場景中的實(shí)用價(jià)值。

實(shí)現(xiàn)可解釋的智能推理：不同于傳統(tǒng)"黑箱"式診斷系統(tǒng)，NRAG為每個(gè)診斷結(jié)果提供基于知識圖譜路徑的明確證據(jù)鏈，使醫(yī)生能夠清晰理解模型的推理過程 。這種透明性不僅增強(qiáng)了臨床醫(yī)生對系統(tǒng)的信任，也為醫(yī)療AI的安全應(yīng)用提供了重要保障 。

方法論貢獻(xiàn)與應(yīng)用前景

構(gòu)建可擴(kuò)展的整合范式：NRAG不僅是一個(gè)技術(shù)工具，更為深度臨床數(shù)據(jù)挖掘與醫(yī)學(xué)知識庫資源整合提供了系統(tǒng)性的方法論框架 。這一范式具有良好的可擴(kuò)展性，可推廣至心內(nèi)科、呼吸科等其他專科，支持多模態(tài)醫(yī)學(xué)數(shù)據(jù)融合，并建立動態(tài)知識更新機(jī)制。

推動臨床決策支持系統(tǒng)發(fā)展：作為新一代臨床決策支持系統(tǒng)（CDSS）的技術(shù)基礎(chǔ)，NRAG將大語言模型的智能推理能力、知識圖譜的可靠醫(yī)學(xué)知識以及針對真實(shí)臨床場景的優(yōu)化設(shè)計(jì)有機(jī)結(jié)合，為構(gòu)建實(shí)用化、可信化的智能醫(yī)療系統(tǒng)指明了方向 。

首創(chuàng)ChatGLM3醫(yī)學(xué)應(yīng)用：本研究首次將ChatGLM3應(yīng)用于神經(jīng)外科疾病診斷任務(wù)，通過精心設(shè)計(jì)的問答形式和指令微調(diào)策略，成功實(shí)現(xiàn)了通用大語言模型向?qū)I(yè)醫(yī)療診斷工具的轉(zhuǎn)化 。這一探索為中文醫(yī)療AI的發(fā)展提供了寶貴經(jīng)驗(yàn)。

臨床價(jià)值與社會意義

NRAG框架的提出恰逢其時(shí)，為應(yīng)對門急診場景中時(shí)間緊迫、數(shù)據(jù)碎片化、合并癥復(fù)雜等挑戰(zhàn)提供了切實(shí)可行的解決方案。系統(tǒng)不僅能夠輔助醫(yī)生快速篩查疾病、提醒可能被忽略的重要癥狀，還能在危急情況下提供可靠的診斷參考，真正實(shí)現(xiàn)了精準(zhǔn)醫(yī)療理念在臨床一線的落地應(yīng)用 。

未來展望

隨著醫(yī)學(xué)知識圖譜的持續(xù)更新和大語言模型技術(shù)的不斷進(jìn)步，NRAG框架具有巨大的發(fā)展?jié)摿ΑＮ磥硌芯靠梢赃M(jìn)一步探索多模態(tài)數(shù)據(jù)（如醫(yī)學(xué)影像、實(shí)驗(yàn)室檢查結(jié)果）的整合，建立跨專科的通用診斷平臺，并通過持續(xù)學(xué)習(xí)機(jī)制保持系統(tǒng)的時(shí)效性 。NRAG的成功實(shí)踐證明，通過合理設(shè)計(jì)的技術(shù)框架，人工智能完全有能力成為醫(yī)生的可靠助手，共同守護(hù)人類健康。

本文轉(zhuǎn)載自??知識圖譜科技??，作者：KGGPT