CMedRAGBot:一个基于图形RAG和大型语言模型的中国医疗聊天机器人
Dongfang Zhang1, Haoze Du2, Xiaolei Wang3
1School of Computer Science and Technology, Henan Institute of Technology, Xinxiang, 453003, China. dongfang@hait.edu.cn.
概括
这项研究介绍了CMedRAGBot,这是一种新的中国临床医学问答 (QA) 系统,它将检索增强生成 (RAG) 与医学知识图相结合,以克服大型语言模型 (LLM) 的局限性,如幻觉和知识更新,显著提高准确性.
科学领域:
- 人工智能的人工智能
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
背景情况:
- 传统的大型语言模型 (LLM) 面临临临床医学问答 (QA) 的挑战,包括幻觉和知识更新困难.
- 知识密集型医疗质量保证任务需要强大的系统,能够提供准确和最新的信息.
- 现有的系统在中国医疗术语的细微差别和查询复杂性方面扎.
研究的目的:
- 开发一个中国临床医疗质量保证系统,CMedRAGBot,解决传统LLMs的局限性.
- 整合医疗知识图和检索增强生成 (RAG) 以提高质量保证性能.
- 为了提高答案的准确性和可靠性,在中国临床医学问答.
主要方法:
- 构建一个全面的中国医学知识图,涵盖疾病,药物和症状.
- 开发一个命名实体识别 (NER) 模型,使用中文-RoBERTa和BiGRU与数据增强.
- 实施快速工程,以识别用户查询意图,并将所有模块集成到CMedRAGBot系统.
主要成果:
- CMedRAGBot集成显著提高了五个最先进的LLM的测试准确度,达到约10%.
- 数据增强使NER模型的F1得分从95.27%提高到97.55%.
- 意图识别模块改善了对复杂查询的理解,进一步提高了答案准确性.
结论:
- 通过减轻LLM的局限性,CMedRAGBot有效地增强了中国临床医疗质量保证系统.
- 整合RAG和医学知识图表对于准确可靠的医疗信息检索至关重要.
- 开发的系统为知识密集的临床医学问答任务提供了有前途的解决方案.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
1.0K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
1.3K
