MedRAG

MedRAG是南洋理工大学研究团队提出的医学诊断模型，通过结合知识图谱推理增强大语言模型（LLM）的诊断能力。模型构建了四层细粒度诊断知识图谱，可精准分类不同病症表现，通过主动补问机制填补患者信息空白。MedRAG在真实临床数据集上诊断准确率提升了11.32%，具备良好的泛化能力，可应用于不同LLM基模型。MedRAG支持多模态输入，能实时解析症状并生成精准诊断建议。

MedRAG的主要功能

MedRAG旨在通过集成知识图谱 (KG) 引发的推理来增强检索增强生成(RAG) 模型，尤其适用于医疗领域。该模型可帮助医疗专业人员根据患者表现生成诊断和治疗建议，从而提高诊断准确性并降低误诊风险，尤其适用于表现相似的疾病。

MedRAG 的主要功能包括：
- 知识图谱增强推理：集成诊断知识图谱，提升RAG模型的推理能力。
- 准确的诊断支持：即使对于复杂或类似的疾病，也能提供具体的诊断见解和个性化的治疗建议。
- 后续问题生成：主动生成相关的后续问题，以澄清模糊的患者信息并增强决策能力。
- 在真实世界和公共数据集上进行评估：与现有的 RAG 模型相比，在公共 DDXPlus 数据集和私人慢性疼痛诊断数据集 (CPDD) 上表现出卓越的性能
MedRAG 的核心设计：知识图谱引发的推理

MedRAG 方法解决了以下关键挑战：
1. 知识图谱构建：采用分层聚合的方式构建疾病知识图谱，捕捉疾病、类别及其表现之间的复杂关系。
2. 基于 RAG 的推理：将 EHR 检索与诊断知识图推理相结合，以提高诊断准确性。
3. 个性化诊断建议：整合多层次信息，为医生提供个性化的治疗和随访问题。

MedRAG的技术原理

四层细粒度诊断知识图谱构建：解决了现有医学知识库粒度不够细、缺乏特定疾病症状对比信息的问题。研究人员通过疾病聚类、层次聚合、语义嵌入、医学专家知识和大语言模型增强等技术，构建了包含疾病类别、亚类别、具体疾病名称以及疾病特征的四层知识图谱。
诊断差异知识图谱搜索：用于匹配患者的症状与知识图谱中的诊断特征。核心流程包括临床特征分解，将患者描述拆解为独立症状表征；临床症状匹配，计算患者症状与知识图谱特征的相似度，定位最相似的症状节点；向上遍历，在知识图谱中找到最相关的疾病类别；诊断关键特征提取，识别对疾病鉴别最重要的表征。
知识图谱引导的LLM推理：传统RAG仅依赖检索到的病例进行诊断生成，MedRAG通过知识图谱增强LLM的推理能力。首先基于FAISS构建高效索引，精准定位临床相似性病例；随后匹配关键诊断特征，提取患者最具鉴别力的表征信息；接着通过LLM融合检索到的病例信息、诊断差异知识图和患者信息进行联合推理，生成精准诊断建议。