GAP: Graph-Assisted Prompts for Dialogue-based Medication Recommendation

药物推荐已成为医疗健康领域的重要任务，尤其是在衡量医疗对话系统（MDS）的准确性和安全性时尤为重要。与基于电子健康记录（EHRs）的推荐任务不同，对话式的药物推荐需要研究患者与医生之间的交互细节，这些细节至关重要，但在电子健康记录中可能并不存在。近期，大型语言模型（LLM）的发展拓展了医疗对话领域的应用。这些模型能够解读患者的意图，并提供包括药物推荐在内的医疗建议，但其中仍存在一些值得重视的挑战。在多轮对话中，大型语言模型可能会忽略细粒度的医学信息或对话轮次之间的关联，而这些对于提供准确的建议至关重要。此外，当缺乏领域特定知识时，大型语言模型可能会生成不符合事实的响应，而在医疗领域这种行为更具风险。为了解决这些问题，我们提出了一种基于**图辅助提示**（**GAP**）的框架，用于对话式药物推荐。该框架从对话中提取医学概念及其对应的状态，构建以患者为中心的显式图结构，从而捕捉那些被忽略但重要的信息。进一步地，结合外部医学知识图谱，GAP可以生成丰富的查询和提示，从而从多个来源检索信息，减少不符合事实的响应。我们在一个对话式药物推荐数据集上评估了GAP框架，并进一步探索了其在更复杂场景——动态诊断访谈中的潜力。大量实验表明，与强大的基线方法相比，GAP框架展现了具有竞争力的性能。

论文试图解决对话系统在医疗场景中进行药物推荐时面临的两个主要问题：1) 多轮对话中容易忽略细粒度的医学信息和跨轮次的关联；2) 缺乏领域特定知识可能导致生成非事实性响应。这些问题在医疗领域尤为关键，因为错误建议可能危及患者安全。这是一个需要进一步研究的重要问题，尤其是在对话系统与医疗知识结合的应用中。

论文提出了一种名为Graph-Assisted Prompts (GAP) 的框架，通过从对话中提取医学概念及其状态来构建以患者为中心的显式图结构，捕捉被忽视的关键信息。此外，GAP 结合外部医学知识图谱生成丰富的查询和提示，从而从多源信息中检索数据，减少非事实性响应。相比现有方法，GAP 更注重对话中的细粒度信息建模和外部知识的整合，增强了药物推荐的准确性和安全性。

1) 提出了 GAP 框架，能够有效处理多轮对话中的细粒度医学信息；2) 利用外部医学知识图谱减少非事实性响应，提升模型可靠性；3) 在对话型药物推荐数据集上进行了评估，并探索了其在动态诊断访谈中的潜力；4) 实验设计全面，包括与强基线模型的对比分析，展示了其竞争力。论文未提及代码是否开源，但提出了未来可深入研究的方向，如更复杂的对话场景和个性化推荐。

近期相关研究包括基于电子健康记录 (EHRs) 的药物推荐系统、对话系统的医学应用以及大型语言模型在医疗领域的改进。例如，《MedDialog: A Large-Scale Medical Dialogue Dataset for Medication Recommendation》探讨了药物推荐的数据集构建；《Medical Knowledge Graph Enhanced Dialogue Systems》研究了如何利用医学知识图谱改进对话系统；《Fine-Tuning LLMs for Medical Applications》则关注了大语言模型在医疗任务中的微调策略。这些研究为 GAP 框架提供了背景支持，同时 GAP 在对话建模和知识整合方面做出了新的尝试。