改进医疗和护理领域的大型语言模型应用程序,采用检索增强生成:范围审查
Yiqun Miao1, Yuhan Zhao1, Yuan Luo1
1School of Nursing, Capital Medical University, Bejing, China.
Journal of medical Internet research
|October 21, 2025
概括
检索增强生成 (RAG) 正在医疗保健领域取得进展,但大多数系统缺乏推理能力. 未来的RAG开发需要整合因果机制,以获得更有效的医疗和护理应用.
科学领域:
- 医疗保健中的人工智能
- 用于医疗应用的自然语言处理.
- 临床决策支持系统 临床决策支持系统
背景情况:
- 检索增强生成 (RAG) 越来越多地被用来增强医疗和护理领域的大型语言模型.
- 目前对RAG的架构和在医学和护理推理中的应用的全面理解是有限的.
- 本次审查解决了对RAG在医疗保健AI中的作用清晰度的需求.
研究的目的:
- 总结RAG在医学和护理领域的现状.
- 确定RAG在医疗保健中的应用现有的局限性和挑战.
- 概述RAG在医学和护理推理中的未来发展方向.
主要方法:
- 在PubMed,科学网络,IEEE Xplore和arXiv数据库中进行系统的文献搜索 (2022年11月 - 2025年5月).
- 查询了RAG,医学和护理领域的综合术语.
- 根据PRISMA-ScR指南进行的审查.
主要成果:
- 67项研究符合纳入标准,94%专注于医学领域,6%专注于护理领域.
- 确定了5种RAG框架类型:基于文本的 (54%),以知识图增强的 (25%),代理性的 (9%),多式联网的 (3%) 和插即用 (9%).
- 只有26项研究包含了明确的推理支持,很少与临床工作流程保持一致,只有12项研究涉及道德考虑.
结论:
- 关键的RAG开发转变包括增强的意图识别,逻辑驱动的检索,主动的知识检索和连贯的上下文构建.
- 医疗保健中的大多数当前RAG系统缺乏推理方法或依赖于数据驱动的关联,没有因果建模.
- 整合因果机制对于医疗保健RAG系统中有效的,与领域相关的推理至关重要.
