Aprovechando los modelos de lenguaje ampliado de recuperación para recomendaciones dietéticas con la medicina...

Área de la Ciencia:

• La medicina integrada
• Inteligencia artificial en el cuidado de la salud
• Representación y razonamiento del conocimiento

Sus antecedentes:

• La medicina tradicional china (MTC) utiliza la homología de alimentos medicinales (MFH) para la terapia dietética, pero la automatización está limitada por la confianza en el conocimiento experto.
• Los grandes modelos de lenguaje (LLM) son prometedores en el cuidado de la salud, pero luchan con dominios especializados como la MTC debido a alucinaciones y brechas de conocimiento.
• La integración de gráficos de conocimiento incierto (UKG) con LLM a través de la generación aumentada de recuperación (RAG) puede abordar estas limitaciones para las aplicaciones de MFH.

Objetivo del estudio:

• Introducir Yaoshi-RAG, un nuevo marco diseñado para mejorar los LLM para generar recomendaciones dietéticas precisas y personalizadas basadas en MFH.
• Aprovechar los UKG para proporcionar conocimientos estructurados, confiables y específicos de dominio para el asesoramiento dietético TCM impulsado por LLM.

Principales métodos:

• Construyó un gráfico de conocimiento integral de MFH (KG) utilizando la extracción de información abierta impulsada por LLM.
• Utilizó el razonamiento del UKG para medir la confianza y completar la información que faltaba en el MFH KG.
• Desarrolló un proceso de recuperación que vincula las consultas de los usuarios con el MFH KG, clasificando las trayectorias de razonamiento por confianza e importancia para la ingeniería rápida.

Principales resultados:

• El MFH KG contenía 24.984 entidades y 29.292 triples; Yaoshi-RAG mejoró significativamente el rendimiento de LLM.
• La integración del MFH KG condujo a un aumento promedio del 14,5% en el puntaje Hits@1 y del 8,7% en el puntaje F1 para los LLM.
• DeepSeek-R1 con Yaoshi-RAG logró un 84,2% de Hits@1 y un 71,5% de puntuación F1; las evaluaciones humanas confirmaron un rendimiento superior.

Conclusiones:

• Yaoshi-RAG mejora efectivamente los LLM para las recomendaciones dietéticas basadas en MFH al integrar el conocimiento recuperado por UKG.
• El marco sintetiza con éxito la sabiduría tradicional de la medicina tradicional china con inteligencia artificial avanzada, proporcionando consejos dietéticos personalizados y basados en evidencia.
• Yaoshi-RAG demuestra un enfoque prometedor para recomendaciones dietéticas de MTC confiables y precisas, que abordan las necesidades de salud individuales.