Самокорректирующийся агентный Graph RAG для поддержки принятия клинических решений в гепатологии

A self-correcting Agentic Graph RAG for clinical decision support in hepatology
Qingqing Zhou, Jili Hu, Zhi Li, Fang Fang, Ya Li, Yalan Hu, Wenjie Xuan
2025-12-16

агентный Graph RAGгаллюцинации больших языковых моделейподдержка принятия клинических решенийграф знаний по гепатологиисамокорректирующийся цикл «извлечение–оценка–уточнение»
Принятие клинических решений в гепатологии в настоящее время осложняется быстрым расширением объёма медицинских знаний и ограничениями больших языковых моделей (LLM), в частности их ненадёжностью и склонностью к галлюцинациям. Кроме того, стандартные парадигмы генерации с дополненной выборкой (RAG) часто не позволяют эффективно использовать сложные структуры медицинских знаний. Для решения этих проблем мы предлагаем агентную архитектуру Graph RAG, построенную на клинически верифицированном графе знаний по гепатологии. Наш подход использует агентную систему с управлением по состояниям и самокорректирующимся циклом «извлечение–оценка–уточнение». В рамках этого рабочего процесса агенты динамически формируют, семантически проверяют, оценивают и итеративно оптимизируют стратегии поиска по графу, чтобы создать полный и точный контекст, который затем используется большой языковой моделью для генерации надёжных ответов. Архитектура была оценена на специально сформированном наборе клинических вопросов. По всем метрикам оценки она значительно превзошла базовые модели, включая GPT-4, стандартный RAG и Graph RAG. В частности, наша модель продемонстрировала более высокие показатели достоверности (0,94), полноты контекста (0,92) и релевантности ответа (0,91). Этот агентный подход эффективно снижает количество галлюцинаций LLM и обеспечивает точные, интерпретируемые ответы. Полученные результаты демонстрируют потенциал данной архитектуры как надёжного интеллектуального инструмента нового поколения для поддержки принятия клинических решений в гепатологии.
1
Достигнуты значения faithfulness 0,94, полноты контекста 0,92 и релевантности ответа 0,91.
2
Предложен агентный Graph RAG-фреймворк на основе клинически верифицированного графа знаний по гепатологии для поддержки принятия клинических решений.
3
Подход снижает количество галлюцинаций LLM и обеспечивает точные, интерпретируемые ответы по гепатологии, демонстрируя потенциал надёжного инструмента клинической поддержки принятия решений.
4
На пользовательском наборе клинических вопросов фреймворк значительно превзошёл GPT-4, стандартный RAG и Graph RAG по всем метрикам оценки.
5
Фреймворк использует самокорректирующийся цикл «извлечение—оценка—уточнение» для генерации, проверки, оценки и оптимизации стратегий поиска по графу.

Агентная система Graph RAG для поддержки принятия клинических решений в гепатологии

Эффективность самокорректирующегося извлечения, оценивания и уточнения при формировании достоверных, релевантных и точных клинических ответов

Publication Details
Publication Date
2025-12-16
Journal
Publisher
ISSN
Cited by
9
Access Type
Author Information
Authors
Qingqing Zhou
Jili Hu
Zhi Li
Fang Fang
Ya Li
Yalan Hu
Wenjie Xuan
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%