MedRAG

MedRAG是由南洋理工大学研究团队开发的一种医学诊断模型，旨在通过结合知识图谱推理来增强大语言模型（LLM）的诊断能力。该模型构建了一个四层细粒度诊断知识图谱，能够精准分类不同病症表现，并通过主动补问机制补充患者信息，从而提升诊断准确性。在真实临床数据集上的测试表明，MedRAG的诊断准确率提升了11.32%，展现出良好的泛化能力，适用于多种LLM基础模型。此外，MedRAG支持多模态输入，可实时解析症状并生成精准的诊断建议。

MedRAG的核心功能包括精准诊断支持、智能补充提问和高效的患者信息解析。其四层知识图谱设计解决了现有医学知识库粒度不足的问题，通过疾病聚类、语义嵌入等技术实现对症状的深度分析。系统还能自动生成针对性问题，帮助医生完善信息，提高诊断效率。同时，MedRAG支持语音、文本和电子健康记录等多种输入方式，确保信息录入的便捷性与准确性。

技术上，MedRAG采用知识图谱引导的LLM推理方法，通过FAISS构建高效索引，精准匹配相似病例，并结合关键诊断特征进行综合推理，生成科学合理的诊断建议。该模型已在多个应用场景中展示出广泛的应用潜力，包括智能健康助手、急诊医学、慢性病管理、医学研究和教育等领域。

项目相关资源包括GitHub仓库和arXiv技术论文，供研究人员进一步了解和使用。