MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway Encoding

通过适当的数据选择和训练技术，大型语言模型（LLMs）在各种医学检查和多项选择题中取得了非凡的成功。然而，LLMs在医学对话生成方面的应用——这是与实际医学实践更密切相关的任务——尚未得到充分探索。这种差距归因于LLMs的医学知识不足，导致生成的医学回应存在不准确和虚幻信息。在这项工作中，我们介绍了医学对话增强和临床路径编码（MedKP）框架，该框架通过医学知识图谱集成了外部知识增强模块，并通过医学实体和医生行为进行内部临床路径编码。通过全面的指标评估，我们在两个大规模的实际在线医学咨询数据集（MedDG和KaMed）上进行的实验表明，MedKP超过了多个基线，并减少了幻觉发生率，实现了新的最新技术。进一步的消融研究进一步揭示了MedKP的每个组件的有效性。这种增强推进了使用LLMs的可靠自动化医学咨询响应的发展，从而扩大了精确实时医疗援助的潜在可访问性。

本文旨在解决LLMs在医疗对话生成中存在的知识不足问题，导致生成的回复不准确和产生幻觉的问题。

该论文提出了一种MedKP框架，通过医学知识图谱和内部临床路径编码来增强LLMs的医学知识，从而生成更准确的医疗对话。

该论文在两个大型实际医学咨询数据集上进行了实验，证明了MedKP优于多个基线模型，并减少了幻觉的发生率，取得了新的最优结果。该论文还进行了深入的消融研究，揭示了MedKP每个组件的有效性。

最近的相关研究包括：1.《A Survey of Dialogue Systems: Recent Advances and Future Directions》；2.《A Transformer-based Knowledge Injection Framework for Medical Dialogue Generation》；3.《Medical Dialogue Generation: A Literature Review》。