大语言模型在医疗领域常因幻觉而影响可信度。一项新研究通过引入领域知识图谱（KG）优化RAG技术，显著提升了模型在阿尔茨海默病等复杂医疗问答中的准确性与事实可靠性，为构建更值得信赖的医疗AI提供了有效路径。
智能速览
传统RAG在复杂医疗推理中仍会引入干扰信息。
使用领域特定知识图谱（KG）能显著提升LLM的准确性。
研究构建了AD和T2DM领域的精准知识图谱进行验证。
实验证明，知识图谱范围的精准匹配比广度检索更有效。
该方案对七种主流LLM在不同解码温度下均有提升。
精华内容
面对医疗AI的‘幻觉’难题，传统RAG方案仍有局限。一项新研究探索了知识图谱（KG）如何为LLM提供精准、可靠的知识支持，从而在阿尔茨海默病等复杂疾病的推理任务中实现突破。
医疗AI的幻觉困境
大语言模型在处理阿尔茨海默病（AD）与2型糖尿病（T2DM）等复杂医疗问题时，常出现幻觉和事实错误，这限制了其在关键医疗场景中的应用。传统的检索增强生成（RAG）技术虽然能引入外部知识来缓解这一问题，但基于自由文本的检索方式，往往难以过滤掉干扰信息，尤其是在需要多步推理的复杂任务中，不相关的检索结果会误导模型，降低最终答案的可靠性。
知识图谱的精准干预
为提升医疗LLM的精准度，研究团队提出了一个基于领域特定知识图谱（KG）的RAG方案。其核心思想是利用结构化、高精度的知识图谱取代或补充自由文本检索。研究采用改进版的CoDe-KG管道，从权威的PubMed数据库中构建了三个知识图谱：G1专注于T2DM知识，G2专注于AD知识，G3则融合了AD与T2DM的关联知识，确保了知识源的准确性与专业性。
实验设计与验证
为验证方案的有效性，研究设计了一套严谨的实验。实验对象涵盖七种不同的LLM。实验设置了三种检索配置：不使用RAG（NoRAG）、使用单一领域KG（如仅用G1回答T2DM问题）、使用联合KG（G3）。同时，实验在三种不同的解码温度（0, 0.2, 0.5）下进行，以模拟模型的确定性与创造性。评估指标采用F1分数和准确率，并通过t检验来分析结果的显著性。
精准优于广度的结论
实验结果明确显示，引入KG的RAG方案在各项指标上均显著优于不使用RAG的基线模型。一个关键发现是，知识图谱的精准范围至关重要。例如，在回答T2DM相关问题时，使用T2DM专用KG（G1）的效果通常优于使用更广泛的AD+T2DM联合KG（G3）。这证明了在专业领域，“精准匹配”知识的检索策略，其效果优于“广度覆盖”。t检验结果也证实了模型规模与KG范围之间存在显著的交互作用，为后续模型与知识库的协同优化提供了方向。
这项研究为构建更可靠的医疗AI提供了新思路。通过知识图谱实现知识的精准注入，有效抑制了模型幻觉。未来，这一方案或将在更多专业领域展现潜力，推动AI在关键决策场景中的应用。
