本研究采用知识综合、段落检索、三元组检索和复杂问答等方法，构建一个可扩展的解决方案，以有效地从大规模研究文档中提取和探索复杂信息，以解决医疗保健行业面临的大量非结构化数据的问题，并在 COVID-19 数据集上进行了定性评估以证明其有效性。

Feb, 2023

KG-based search engine architecture for finding doctors and locations in healthcare domain, with significantly higher coverage for complex queries without degrading quality.

Oct, 2023

通过基于图形的医疗概念转换探索用户查询目的，引入多任务学习的深度模型提取用户查询中的语义转换关键词和句子。使用自定义函数进一步探索称为医疗概念词的影响。通过比较最佳基线模型，观察到 8％的相对改进和 23％的相对覆盖误差降低率。

Oct, 2017

利用 PubMed 作为可靠的医学研究文档集合，针对开放领域的问答设置，研究通过修改检索设置来提高问答系统性能的方法。结果显示，减少检索到的文档数量，偏爱近期和被引用次数较多的文献可以提高最终的宏观 F1 得分达到 10%。

Apr, 2024

本文介绍了 MedFusionRank，一种新颖的零样本医学信息检索（MIR）方法，它结合了预训练语言模型和统计方法的优势，并解决了它们的局限性。该方法利用预训练的 BERT 风格模型提取简洁但信息丰富的关键词，然后通过将这些关键词与医学知识图中的概念实体链接，进一步丰富其领域知识。针对医学数据集的实验评估表明 MedFusionRank 相比现有方法表现优越，在多种评估指标上具有有希望的结果。MedFusionRank 在检索相关信息方面表现出有效性，即使是来自于短查询或单个术语。

Oct, 2023

我们提出了一个新颖的系统，从生物医学语料库中自动提取和生成信息丰富、描述性的句子，促进相关知识的高效检索。与以往的搜索引擎或探索系统不同，我们的系统将描述性句子组织为关系图，使研究人员能够探索密切相关的生物医学实体（例如，化学品治疗的疾病）或间接相连的实体（例如，治疗疾病的潜在药物）。我们的系统还使用 ChatGPT 和经过微调的关系综合模型从检索到的信息中生成简明可靠的描述性句子，减少了对大量人工阅读的需求。通过我们的系统，研究人员可以轻松获得高层次知识和详细参考资料，并交互式地定位所需的信息。我们重点介绍了我们的系统在 COVID-19 研究中的应用，说明了它在药物再利用和文献整理等领域的实用性。

Oct, 2023

借助知识图谱增强的假设知识图谱增强框架（HyKGE）整合 LLMs 和知识图谱，在解决精度和可解释性挑战方面表现卓越，特别适用于医学领域中的复杂和困难场景。

Dec, 2023

通过多模态、多任务的医学领域识别和临床对话摘要生成 (MM-CliConSummation) 框架，本文提出了一种知识注入的、多模态的、多任务的临床对话摘要生成任务，旨在通过适配器融合知识和视觉特征，并使用门机制统一融合特征向量，将医生 - 患者交互 (包括文本和视觉信息) 生成简明扼要的摘要。在大量的定量和定性实验中，得出了以下结果：(a) 视觉信息的重要性；(b) 更精确且保留医学实体的摘要；(c) 医学部门识别与临床摘要生成之间的相关性。

Sep, 2023

在现代医疗时代，迅速生成医疗问题摘要对知情和及时的患者护理至关重要。本文介绍了多模态医疗问题摘要（MMQS）数据集，该数据集将医疗查询与图像辅助相结合，便于更丰富、更细致地理解患者需求。我们提出了一个基于 Contrastive Language Image Pretraining (CLIP) 和 Large Language Models (LLMs) 的框架，包括四个模块，用于识别医疗障碍、生成相关上下文、过滤医疗概念和制作具有视觉感知的摘要。通过利用我们的 MMQS 数据集，展示了图像视觉线索如何增强医学细致摘要的生成。这种多模态方法不仅提升了医疗决策过程，还促进了对患者查询的更细致理解，为个性化和响应式医疗护理的未来研究奠定了基础。

Dec, 2023

通过利用加权概念知识分支和多模态检索知识分支提取不同类型的知识，将其与当前图像整合，以达到更准确的报告生成，并通过在两个公共基准上进行的广泛实验验证了方法的高性能和两种提取知识源的有效性。

Nov, 2023