整合知识图谱和大型语言模型的 medIKAL 框架能够通过对实体的加权重要性和路径重新排序等策略提升电子病历的诊断能力，为临床推理和诊断带来了新的突破。

Jun, 2024

使用深度学习的语言模型在医疗领域的应用取代了以往使用知识图谱的方法。

Jan, 2023

本研究开发了一个增强的 LLM 框架 KG-Rank，利用医学知识图谱和排名技术，旨在改善医学领域中的自由文本问答。评估结果显示，KG-Rank 在 ROUGE-L 得分上取得了超过 18% 的改进，证明了 KG-Rank 的有效性和潜力。

Mar, 2024

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

该研究论文介绍了一种名为 E-KELL 的系统，通过构建结构化的紧急情况知识图谱，并引导大型语言模型在此基础上进行推理，提供基于证据的紧急情况决策，取得了显著的改进和可靠的应急决策支持。

Nov, 2023

利用大型语言模型 (LLMs) 对临床记录进行动态问答的自然语言接口引入了一种新的方法。我们的聊天机器人通过 Langchain 和基于变压器的 LLMs 实现，允许用户用自然语言查询并从临床记录中获得相关答案。经过利用各种嵌入模型和先进的 LLMs 的实验表明，Wizard Vicuna 具有更高的准确性，尽管计算需求较高。模型优化，包括重量量化，使延迟时间提高了约 48 倍。有希望的结果表明，充分利用临床记录的价值和推进基于 AI 的临床决策的发展还面临一些挑战，如模型幻觉和有限的多样化医疗案例评估。解决这些差距对于释放临床记录的价值和推进基于 AI 的临床决策具有重要意义。

Jan, 2024

通过结合大型语言模型（LLMs）和知识图谱（KGs），本研究论文提出了一种自动构建知识图谱的方法，并讨论了在数字教育环境中，LLMs 与 KGs 结合在问答任务中的初步应用。

Apr, 2024

通过使用零射击的基于大型语言模型的方法，结合检索增强生成和 MapReduce 技术，我们在肺动脉高压领域展示了一种有效识别疾病的方法，该方法在诊断中明显优于医生逻辑规则（F1 分数为 0.62 比 0.75），从而有望增强罕见疾病群体的识别和推动临床研究以及关注空缺的发现。

Dec, 2023

本文提出一种利用 EMR 病历笔记来实现因果关系分析的机器学习方法，通过应用大型语言模型（LLMs）来解决医学研究中因果图构建的难题。

Jan, 2023

通过结合医学知识图谱和内部临床路径编码，本研究提出了医学对话增强与临床路径编码（MedKP）框架，通过综合评估指标在两个大规模实际在线医学咨询数据集上的实验证明，MedKP 超过了多个基准系统，减少了产生幻觉的情况，达到了新的最先进水平，进一步的剔除研究揭示了 MedKP 每个组件的有效性，促进了可靠自动化的医学咨询响应的发展，从而拓宽了精确实时医学辅助的潜在可及性。

Mar, 2024