medIKAL-知识图谱增强大模型以提升电子病历临床诊断能力

文章预览

摘要 电子病历（EMR）在现代医疗中虽然不可或缺，但由于其复杂性和信息冗余性，给临床推理和诊断带来了挑战。为解决这一问题，我们提出了medIKAL（整合知识图谱作为大型语言模型的辅助工具）框架，该框架结合了大型语言模型（LLMs）与知识图谱（KGs），以提升诊断能力。medIKAL根据医疗记录中实体的类型赋予其加权重要性，使得能够在知识图谱中精确定位候选疾病。它创新性地采用类似残差网络的方法，允许大型语言模型的初步诊断结果融入知识图谱搜索结果中。通过基于路径的重排序算法和填空式提示模板，进一步精炼了诊断过程。我们通过对新引入的开源中文电子病历数据集进行广泛实验，验证了medIKAL的有效性，展示了其在真实世界环境中改善临床诊断的潜力。 https://arxiv.org/abs/2406.14326 核心速览 研究背景 研究问题 ：这篇文章要解决的 ………………………………