在检索中利用长文本增强语言模型来回答医疗问题

科学领域:

• 人工智能在医学中的应用
• 自然语言处理自然语言处理.
• 医疗信息学 医疗信息学

背景情况:

• 大型语言模型 (LLM) 对医疗保健应用,如医学文献总结,显示出前景.
• 法律学士面临着过时的知识和幻觉的挑战,限制了他们在不断发展的医学主题中的使用.
• 检索增强生成 (RAG) 通过整合外部知识来提高LLM的准确性,但可以遭受信息检索问题,如"中途丢失"问题.

研究的目的:

• 提高RAG工作流程的稳定性和可靠性,特别是在医疗领域.
• 在不改变LLM模型权重的情况下解决RAG中的"迷失在中间"问题.
• 提高在关键医疗保健任务中LLM应用程序的安全性和可靠性.

主要方法:

• 提出了一个名为BriefContext.的新型地图减少策略.
• 实施了简要背景,以减轻RAG.中"迷失在中间"的问题.
• 评估了各种LLM骨干和医学问题答案数据集的工作流程.

主要成果:

• 简要背景策略有效地打击了RAG中的"迷失在中间"问题.
• 展示了不同LLM架构的拟议工作流的优势.
• 在多个医学问题答案数据集上验证了方法,显示了性能改善.

结论:

• 简要背景方法提高了RAG在医疗领域的可靠性.
• 这种方法减少了错误信息的风险,并确保保留关键的临床信息.
• 为医学问题解答,临床决策支持和面向患者的应用程序提供更可靠的LLM部署.