简体中文
关闭
AI照护资讯

糖尿病问答系统融合知识图谱与大模型:可展示证据路径,临床验证仍待完成

#AI照护与医疗科技 时间2026-10-27 05:33:33

文/IAICA.NGO®

研究团队构建了一套糖尿病问答系统,将结构化医学知识图谱与检索增强大语言模型连接,使软件能够展示生成回答时使用的关系路径和指南段落。测试主要集中于问题解析组件,而非完整回答的临床正确性,因此结果说明技术路线可行,却不能证明系统已可为患者提供诊疗建议。

可追溯架构

生成式医疗AI的难题是模型能输出流畅解释,却未必让证据易于核查。该原型保留两条独立证据流:一条来自DiaKG糖尿病知识图谱,内容基于中文专家共识和权威指南;另一条来自国家基层糖尿病指南的检索段落。最终模型GLM-4-Flash通过结构化提示接收两类证据,界面展示识别实体、预测意图、图谱查询、关系路径和检索段落。可追溯不自动等于答案正确,它只是把证据暴露出来供审核。

图谱与解析管线

DiaKG使用瑞金医院MMC数据集,并在阿里云天池完成AI辅助构建,包含近19万个标注中文医学实体,覆盖药物、症状和疾病,另有6890条标注关系,来源包括近十年中国专家共识和权威指南。导入Neo4j后,图谱形成超过4900个实体节点、18种实体类型和15种关系类型,关系集中于疾病与药物,涉及治疗、不良事件、剂量、疗程和频率。这种结构化网络把指南知识转化为可查询、可审计的关系,而非仅依赖参数中的隐式记忆。

用户提问后,系统分两步解析。Qwen2.5-1.5B经低秩适配微调识别医学实体,混合BERT-CNN分类器预测问题意图。意图通过预定义规则映射为图谱关系,进而构造Cypher查询。图引擎支持单实体扩展和多实体关系发现,包括直接连接及最多三跳的间接路径。团队选择广度优先搜索,因为初步测试显示更长路径医学相关性较低且检索更慢。

组件指标与边界

实体识别加权F1为71.34%,最佳动态学习率比固定学习率高出2.4个百分点。该方案在前10%训练步骤线性预热,随后余弦衰减,并用L2正则化限制过拟合。严格实体边界评估中,疾病F1为81.02%,药物为85.27%。研究仅训练约138万个低秩参数,约为基座Qwen参数量的0.092%,体现了面向较小专科数据集的参数高效适配。

药物名称较易识别,部分因为命名模式可辨;疾病提及可能与症状或更具体诊断重叠。作者指出药物实体标注更多,模型有更多样本学习稳定边界。但这些是数据集层面观察,不能说明解析器面对陌生名称、非正式描述或非中文语言的表现。交叉验证结果属于组件测量,不是端到端问答准确率。意图分类结果被转换为图关系,但完整系统临床效用仍需验证。

从技术可行到临床可用

知识图谱与语言模型结合的混合架构,优势是证据链可展示、知识更新更可控、错误更易定位;局限包括图谱覆盖不足、指南版本更新、检索召回失败、实体边界误差和意图误判。检索增强可降低部分幻觉风险,却不能消除风险。对慢病照护而言,较现实的方向是辅助医护人员检索指南、生成可审核的患者教育材料、支持质控与证据审计,而非直接替代临床判断。iaica.com.cn 认为,此类可追溯问答系统的价值首先在于把证据链变成可审核的工作流,而不是替代临床判断;落地前需把组件指标转化为端到端临床与安全评估。

下一步需在真实临床问题上评估完整回答的正确性、安全性和沟通质量,并明确责任边界、数据更新机制和多语言泛化能力。当前原型证明相关组件可以协同工作,但距离可向患者提供建议的医疗产品仍有明显距离。

相关标签:

分享本文
糖尿病问答系统融合知识图谱与大模型:可展示证据路径,临床验证仍待完成

糖尿病问答系统融合知识图谱与大模型:可展示证据路径,临床验证仍待完成

研究团队构建了一套糖尿病问答系统,将结构化医学知识图谱与检索增强大语言模型连接,使软件能够展示生成回答时使用的关系路径和指南段落。测试主要集中于问题解析组件,而非完整回答的临床正确性,因此结果说明技术路线可行,却不能证明系统已可为患者提供诊疗建议。 可追溯架构 生成式医疗AI的难题是模型能输出流畅...

评论

0 条
暂无评论,快来抢沙发。

Copyright © 2026 IAICA 版权所有  隐私政策 用户协议 Cookie说明 备案号:沪ICP备11018632号-8

18351659883