Automated Construction of Medical Indicator Knowledge Graphs Using Retrieval Augmented Large Lang...

一、文章主要内容总结

该研究聚焦于医疗指标知识图谱的自动化构建，旨在解决传统临床知识图谱依赖人工整理和规则提取、效率低且难以适配复杂医疗指南的问题。核心内容如下：

1. 研究背景：人工智能（尤其是大语言模型LLMs）在医疗文本处理中作用显著，但医疗知识的有效应用需结构化表示；现有知识图谱构建方式受限于医疗指南的复杂性和语境模糊性，自动化程度低。
2. 核心框架：提出融合检索增强生成（RAG）与LLMs的自动化构建框架，包含五大模块：
   • 数据获取与整合：从权威机构收集临床指南，经标准化预处理（过滤、术语归一化等）；
   • 本体设计：结合LLM提示工程与专家反馈，定义疾病、诊断流程、治疗方案等核心实体及关系，对齐SNOMED CT、UMLS等生物医学标准；
   • 信息提取：通过语义检索定位相关指南片段，再利用LLM完成实体识别、关系提取和属性识别；
   • 知识融合与图谱生成：处理同义词、冲突数据，形成语义一致的知识图谱；
   • 人机协同验证：嵌入专家反馈机制，迭代优化提取规则和提示模板。
3. 研究成果：已标准化8大生理系统（肌肉骨骼、呼吸、泌尿等）的120+临床指标，基于38份权威指南构建图谱，提取三元组准确率达88%；
4. 应用场景：支持智能问答系统（多跳推理、因果推断）、临床决策支持系统（标准化诊疗路径）、医学研究（假设生成、跨研究指标对比）。