Самокорректирующийся агентный Graph RAG для поддержки принятия клинических решений в гепатологии
A self-correcting Agentic Graph RAG for clinical decision support in hepatology
2025-12-16
SCID: 54.1/nq8frmrf
Discuss with AI
агентный Graph RAGгаллюцинации больших языковых моделейподдержка принятия клинических решенийграф знаний по гепатологиисамокорректирующийся цикл «извлечение–оценка–уточнение»
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Агентная система Graph RAG для поддержки принятия клинических решений в гепатологии
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai8
Обзор методов оценки больших языковых моделей2024
Большие языковые модели кодируют клинические знания2023
Интеллект, компилируемый через аффордансы: наблюдаемое сопоставление когнитивных импедансов для LLM-интегрированных систем без мета-доступа2020
Переосмысление радиологии: обзор интеграции искусственного интеллекта в медицинскую визуализацию2023
Бенчмаркинг генерации с дополнением извлечённой информацией в медицине2024
RAGAs: автоматизированная оценка генерации с дополненной выборкой2024
Большие языковые модели (LLM): обзор, технические основы и будущие проблемы2024
От рассуждений больших языковых моделей к автономным ИИ-агентам: всесторонний обзор2026