医学图谱RAG：通过图谱检索增强生成实现安全的医学大型语言模型

发布于2024年8月8日

By Junde Wu, Jiayuan Zhu, Yunli Qi, Jingkun Chen, Min Xu, Filippo Menolascina, Vicente Grau

arXiv:2408.04187 [ cs.CV ] github:MedicineToken/Medical-Graph-RAG

摘要

我们介绍了一种新颖的基于图的检索增强生成（RAG）框架，专门为医疗领域设计，称为\textbf{MedGraphRAG}，旨在增强大型语言模型（LLM）生成基于证据的医疗响应的能力，从而提高处理私人医疗数据时的安全性和可靠性。基于图的RAG（GraphRAG）利用LLM将RAG数据组织成图，显示出从长文档中获得整体洞察的强大潜力。然而，其标准实现对于一般用途过于复杂，并且缺乏生成基于证据的响应的能力，限制了其在医疗领域的有效性。为了将GraphRAG的能力扩展到医疗领域，我们提出了独特的三重图构建和U-Retrieval技术。在我们的图构建中，我们创建了一个三重链接结构，将用户文档连接到可信的医疗来源和受控词汇表。在检索过程中，我们提出了U-Retrieval，它结合了自上而下的精确检索和自下而上的响应细化，以平衡全局上下文意识与精确索引。这些努力使得源信息检索和全面响应生成成为可能。我们的方法在9个医疗问答基准、2个健康事实核查基准和一个测试长文档生成的数据集上得到了验证。结果表明，MedGraphRAG在所有基准测试中始终优于最先进的模型，同时确保响应包括可信的源文档和定义。我们的代码发布于： https://github.com/MedicineToken/Medical-Graph-RAG。