提出了一种融合知识图谱和大型语言模型的框架，通过优化方式，增强了通用型语言模型适应处理领域特定问题的能力。

Nov, 2023

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

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

自主生物文档检索增强式生成（Self-BioRAG）是一种可靠的生物医学文本生成解释、检索特定领域文档，并进行自我反思的框架。通过使用84k个过滤后的生物医学指令集训练Self-BioRAG，它可以使用定制的反思标记评估其生成的解释。实验结果表明，Self-BioRAG在三个主要的医学问答基准数据集上实现了显著的性能增益，平均绝对改进率为7.2％，超过了参数大小为7B或更少的最先进的开放式基础模型。我们将数据和模型权重（7B和13B）发布出来，以增强生物医学和临床领域的能力。

Jan, 2024

通过利用知识图谱缓解信息过载问题，本研究提出了一种新的信息检索方法，其检索性能在精确度和召回率两方面约为嵌入相似性方法的两倍，并且证明了嵌入相似性和知识图谱检索方法可以有益地结合成一个混合模型，优于两者，从而能够对生物医学问答模型进行潜在改进。

Feb, 2024

利用检索增强的生成模型在生物医学领域中实现大型语言模型的知识更新和性能提升，并证明了BiomedRAG在5个生物医学自然语言处理任务中的卓越表现。

May, 2024

通过引入图增强型LLM框架，本文试图显著提高个性化和清晰度的健康洞察力，利用层次图结构捕捉病人间和病人内部关系，并丰富LLM提示信息，通过一个睡眠分析案例研究在COVID-19封锁期间涉及20名大学生，展示了我们的模型在有效生成可行和个性化健康洞察力方面的潜力，并利用另一个LLM评估了这些洞察力的相关性、完整性、可操作性和个性化程度，从而满足有效处理和解释复杂健康数据的模型的重要需求。我们的研究结果表明，使用我们的框架增强提示信息在所有4个标准下都取得了显著改进，通过我们的框架，我们可以产生量身定制、更慎重的回应，以适应特定的病人。

Jun, 2024

通过使用生物医学检索增强生成 (RAG) 系统，将具有参考文献的问题答案引入经过微调的大型语言模型 (LLM)，并使用 PubMed 文摘验证答案，本研究在提供准确可靠答案方面取得了显著进展。

Jul, 2024

生物医学知识、大型语言模型、假设生成、不确定性与生物医学发现是本研究的关键词和主题，在综合评估了大型语言模型作为生物医学假设生成器的能力后，研究发现大型语言模型可以生成新颖且经过验证的假设，而多智体交互和工具使用可以提高零样本假设生成的性能，并针对外部知识的类型和范围提出了需谨慎考虑的观点，为进一步研究提供了有价值的洞见。

Jul, 2024

本研究针对医学领域的特定问题，提出了一种新的图形检索增强生成框架MedGraphRAG，以提升大型语言模型的能力和生成基于证据的结果，从而提高处理私人医疗数据时的安全性和可靠性。通过构建三层次层次化图结构，该方法在信息检索和响应生成方面取得显著进展，有效验证了其在医学问答基准上优于现有模型的性能。

Aug, 2024