基于本体学的知识图,用于缓解临床问题答案的大型语言模型中的幻觉
Mohamed Ali1, Zaki Taha1, Mohamed Mabrouk Morsey1
1Computer Science Department, Computer and Information Science, Ain Shams University, El-Khalyfa El-Mamoun Street, Abbasya, 11566, Cairo, Egypt.
一个新的GraphRAG框架使用了基于本体学的知识图,显著减少了临床问题的幻觉,达到98%的准确性. 这种人工智能方法提高了生物医学信息学的可信度,从而使医疗保健决策更安全.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的人工智能
- 知识表示 知识表示
背景情况:
- 大型语言模型 (LLM) 在生物医学信息学中表现有希望,但通常会产生不准确或幻觉反应,限制临床使用.
- 确保事实准确性和可靠性对于医疗保健决策支持中的AI系统至关重要.
研究的目的:
- 开发和评估一个GraphRAG框架,利用基于本体学的知识图来缓解临床问题答案中的幻觉.
- 提高LLM在医疗保健应用中的临床实用性和可靠性.
主要方法:
- 使用来自埃及机构的临床数据构建了一个特定领域的资源描述框架 (RDF) /网络本体语言 (OWL) 本体和知识图.
- 本体学与LLM集成,为问答提供结构化的语义基础.
- 通过将基线ChatGPT-4和DeepSeek-R1与基于本体学的框架进行比较,使用来自埃及医院研究的临床问题和参考答案来评估性能.
主要成果:
- 基于本体学的GraphRAG框架实现了98%的准确性,明显超过了ChatGPT-4 (37%) 和DeepSeek-R1 (52%).
- 幻觉率从基线模型中的约63%和48%大幅降低到拟议框架中的1.7%.
- 该框架通过提供与临床知识一致的,可重复的答案来证明其稳健性.
结论:
- 基于本体学的知识图提供了一种可靠的方法来减少临床问题答案中的LLM幻觉.
- 整合结构化临床语义可以提高人工智能驱动的医疗保健中的事实准确性,可重复性和安全性.
- 这种方法对于开发可靠的AI系统来支持临床决策至关重要.
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
05:15The Spatial Memory Game: Testing the Relationship Between Spatial Language, Object Knowledge, and Spatial Cognition
Published on: February 19, 2018
相关概念视频
Language
Corballis and Suddendorf (2007) and Tomasello and Rakoczy (2003) highlight the role of language in...
Ogive Graph
Graphing Antiderivatives
Positive Symptoms Schizophrenia: Hallucinations and Delusions
Hallucinations
Hallucinations in...
Bar Graph
Components of Language
