大規模言語モデルと知識グラフによる知識拡張因果発見：慢性腰痛への応用

科学分野:

• 因果推論と人工知能、特に生物医学研究への応用。

背景:

• データ駆動型の因果発見は、データセットの制約と外部知識の欠如によって制限される。
• 大規模言語モデル（LLM）と検索拡張生成（RAG）は、因果発見を拡張する可能性を提供する。

研究 の 目的:

• 慢性腰痛の因果発見を拡張するための知識グラフベースのRAG（GraphRAG）を評価する。
• GraphRAGの性能を、LLM拡張、RAG拡張、およびデータ単独の因果発見と比較する。

主な方法:

• 慢性腰痛の因果関係に関する専門家定義の因果グラフを正解データとして利用した。
• 因果発見のためにGraphRAG、RAG、およびLLM拡張を実装し、ベンチマークを行った。
• 因果関係評価のための様々なプロンプト戦略を検討した。

主要な成果:

• GraphRAGは、因果発見の拡張において最も高いF1スコア（0.745）を達成した。
• GraphRAGは、RAG（0.714）、LLM拡張（0.636）、データ単独での発見（0.396）を上回った。

結論:

• GraphRAGは、因果発見の拡張において重要な進歩を表す。
• グラフベースのRAGを介してドメイン知識を統合することで、慢性腰痛のような複雑な状態の因果モデリングを加速できる可能性がある。