整合知识图与古老的中国医学经典:挑战和未来的前景的多代理系统的融合

科学领域:

• 数字人文学科 数字人文学科
• 人工智能在医学中的应用
• 传统中国医学 信息学 信息学

背景情况:

• 古代中国医学经典 (ACMC) 面临知识继承方面的挑战,原因是文献碎片化和术语多样性.
• 知识图 (KG) 对于标准化和结构化ACMC数据至关重要,但目前的构建方法有限.
• 传统中医 (TCM) 中大型语言模型 (LLM) 的现有应用尚未完全解决自动化KG集成问题.

研究的目的:

• 提出一种结合多代理系统 (MAS) 和KG的创新方法,用于ACMC的智能数字化和应用.
• 增强ACMC知识表示的三重提取技术.
• 推进ACMC的智能应用,包括上下文意识的问答,草药配方创新和个性化的教育.

主要方法:

• 利用KG作为ACMC的基础知识库.
• 在MAS框架内使用基于LLM的语义理解和协作任务分配.
• 集成检索-增强生成 (RAG) 用于动态知识合成和模两可的解决方案.

主要成果:

• 从复杂的ACMC文本中实现自动化三重提取的突破.
• 启用了先进的智能应用程序,如上下文意识的问答和草药配方创新.
• 通过动态的多源知识集成,优化MAS决策.

结论:

• 拟议的MAS-KG方法为ACMC的智能继承和创新提供了一个强大的解决方案.
• 这种方法为ACMC.MC提供了一个高可靠性,适应性和感知驱动的自主系统.
• 这些发现为TCM数字化和个性化医疗保健中更复杂的应用铺平了道路.