Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation

我们介绍了一种新的基于图的检索增强生成（RAG）框架，专门为医学领域设计，称为\textbf{MedGraphRAG}，旨在增强大型语言模型（LLM）的能力并生成基于证据的结果，从而在处理私人医疗数据时提高安全性和可靠性。我们的综合流程始于一种混合静态语义方法来进行文档分块，显著提高了对传统方法的上下文捕捉。提取的实体用于创建三层分层图结构，将实体链接到来自医学论文和字典的基础医学知识。然后将这些实体相互连接以形成元图，基于语义相似性合并这些元图以开发全面的全局图。这种结构支持精确的信息检索和响应生成。检索过程采用U-retrieve方法来平衡LLM的全局感知和索引效率。我们的方法通过全面的消融研究进行验证，比较了各种文档分块、图构建和信息检索方法。结果不仅证明了我们的分层图构建方法在多个医学问答基准测试中始终优于现有的模型，而且证实了生成的响应包括源文档，显著提高了医学LLM在实际应用中的可靠性。代码将在https://github.com/MedicineToken/Medical-Graph-RAG/tree/main。

本论文旨在提出一种针对医学领域的基于图的检索增强生成（RAG）框架，名为MedGraphRAG，旨在提高大型语言模型（LLM）的能力，并生成基于证据的结果，从而在处理私人医疗数据时提高安全性和可靠性。

论文提出了一种三层分层图结构的方法，将实体与医学知识链接起来，支持精确的信息检索和响应生成。检索过程采用U-retrieve方法来平衡LLM的全局感知和索引效率。

论文使用综合的消歧方法和实体链接技术，显著提高了文本上下文的捕获能力。实验结果表明，MedGraphRAG框架在多个医学问答基准测试中始终优于现有的最先进模型，并且生成的响应包括源文档，显著提高了医学LLMs的可靠性。开源代码可在Github上获取。

在医学领域中，还有一些相关的研究，如BERT-Med、BioBERT等。