一种检索增强的知识挖掘方法,具有深入思考的LLM,用于生物医学研究和临床支持.
Yichun Feng1,2,3, Jiawei Wang4, Ruikun He5
1School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences, 100049 Beijing, China.
GigaScience
|September 19, 2025
概括
本研究引入了一种使用大型语言模型 (LLM) 构建生物医学知识图表并改善问题答案的新方法. 综合和渐进的检索-增强推理 (IP-RAR) 方法提高了信息检索和推理准确度.
科学领域:
- 生物医学信息学 生物医学信息学
- 人工智能的人工智能
- 知识表示 知识表示
背景情况:
- 生物医学知识整合和推理对于科学发现至关重要.
- 当前的知识图和法学士在处理复杂的术语,数据异质性和快速知识演变方面面临挑战.
- 在LLM检索和推理中存在限制,以发现跨文档关联.
研究的目的:
- 开发一个管道构建一个生物医学分层知识图 (BioStrataKG) 使用LLMs.
- 创建生物医学跨文档问答数据集 (BioCDQA) 以评估知识检索和推理.
- 引入综合和渐进的检索增强推理 (IP-RAR),以提高检索准确性和推理.
主要方法:
- 利用LLM从大型生物医疗产品中构建BioStrataKG.
- 开发了BioCDQA数据集,用于评估潜在知识检索和多节点推理.
- 实现了IP-RAR,具有集成的基于推理的检索和逐步基于推理的生成与自我反思.
主要成果:
- IP-RAR显著提高了20%的文件检索F1得分.
- 与现有方法相比,答案生成准确度提高了25%.
- 这种方法表现出更好的深度思维和精确的上下文理解.
结论:
- IP-RAR帮助临床医生将治疗证据整合到个性化药物计划中.
- 帮助研究人员分析进展并识别研究缺口.
- 加速科学发现和决策中的假设生成.
更多相关视频
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
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
2.1K
