MedRAG：南洋理工大学等推出的医疗诊断辅助模型

MedRAG简介

MedRAG是由南洋理工大学LILY研究中心联合新加坡武吉巴督医院共同开发的医疗诊断辅助模型。它通过结合检索增强型生成（RAG）技术和知识图谱（KG）推理能力，为医疗领域提供精准的诊断支持。开发团队构建了一个四层层次化的诊断知识图谱，能够识别关键诊断差异，并将其与电子健康记录（EHR）动态结合，从而在大型语言模型中激发精准推理，生成具体的诊断建议、治疗方案以及后续问题，以增强个性化医疗决策。MedRAG在公共数据集DDXPlus和真实世界的慢性疼痛诊断数据集上表现出色，显著优于现有方法，尤其在区分相似疾病方面表现出色。

MedRAG主要功能

1. 精准诊断支持：MedRAG能够根据患者的症状和临床表现，提供精确的疾病诊断建议。它通过识别关键诊断差异，有效区分具有相似表现的疾病，从而减少误诊率。
2. 个性化治疗推荐：基于诊断结果，MedRAG为患者提供个性化的治疗方案，包括药物治疗、物理治疗等建议，帮助医生制定更符合患者需求的治疗计划。
3. 主动提问机制：当患者信息不完整或诊断存在模糊性时，MedRAG能够主动生成后续问题，引导医生进一步询问患者，从而获取更多关键信息，增强诊断的准确性和全面性。
4. 知识图谱辅助决策：MedRAG通过构建和利用四层层次化的诊断知识图谱，整合疾病的关键诊断差异和临床表现，为医生提供决策支持，帮助其快速识别疾病特征并做出判断。

MedRAG技术原理

1. 知识图谱构建：MedRAG通过疾病聚类和层次化聚合技术，从电子健康记录（EHR）数据库中提取疾病信息，构建一个包含关键诊断差异的四层层次化知识图谱。该图谱不仅涵盖疾病分类，还包含疾病的具体表现和特征，为诊断提供结构化支持。
2. 检索增强型生成（RAG）：MedRAG采用RAG技术，结合外部知识源（如EHR数据库）检索与患者症状相关的病例，并将这些信息整合到大型语言模型（LLM）中，生成更准确的诊断建议和治疗方案。
3. 知识图谱引导的推理：MedRAG将知识图谱中的关键诊断差异与检索到的病例信息相结合，在LLM中激发推理能力。通过这种方式，模型能够识别疾病之间的细微差异，并生成具体的诊断和治疗建议。
4. 临床表现匹配与动态检索：MedRAG通过分解患者的临床表现，将其与知识图谱中的特征节点进行匹配，并通过多级匹配和向上遍历技术，动态检索与患者症状最相关的疾病亚类，从而提供精准的诊断支持。
5. 主动诊断提问机制：基于知识图谱中的特征节点，MedRAG能够识别出最具区分性的临床表现，并主动生成后续问题，帮助医生进一步澄清患者信息，提高诊断的准确性和效率。

MedRAG应用场景

1. 临床诊断辅助：帮助医生快速分析患者症状，提供精准诊断建议，尤其在处理复杂或罕见疾病时，能有效减少误诊率。
2. 个性化治疗方案制定：根据患者的具体病情和诊断结果，生成个性化的治疗计划，包括药物、物理治疗等，提升治疗效果。
3. 远程医疗咨询：在远程医疗场景中，为患者提供初步诊断和建议，辅助医生进行远程问诊，提高医疗资源的利用效率。
4. 医学教育与培训：作为教学工具，为医学生和年轻医生提供诊断推理的示例和练习，帮助他们更好地理解和掌握临床诊断技能。
5. 基层医疗支持：在基层医疗机构中，为全科医生提供专业支持，帮助他们处理复杂病例，提升基层医疗服务水平。
6. 多学科会诊：在多学科会诊中，整合不同科室的诊断信息，提供综合性的诊断建议，促进各科室之间的协作和沟通。

MedRAG项目入口

• Github代码库：https://github.com/SNOWTEAM2023/MedRAG
• arXiv技术论文：https://arxiv.org/pdf/2502.04413