通过结合医学知识图谱和新颖的图模型Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

Aug, 2023

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

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

大型语言模型（LLMs）在医疗应用中具有重要潜力，而检索增强生成（RAG）被认为是一种有前景的方法来定制LLMs中的领域知识。该研究通过开发和评估一个专门针对医疗保健领域、特别关注术前医学的LLM-RAG流程，验证了其可行性。

Jan, 2024

提出了一种名为REALM的框架，通过整合多模态电子健康记录（EHR）数据和知识图谱 (KG)，利用大型语言模型 (LLM) 编码临床笔记，并使用 GRU 模型编码时间序列 EHR 数据，提取任务相关的医疗实体，并将这些实体与专业标记的外部知识图谱 (PrimeKG) 进行匹配，通过适应性多模态融合网络将提取的知识与多模态 EHR 数据进行整合，最后通过对MIMIC-III的死亡率和再入院任务的大量实验，证明了REALM框架相比基线模型具有更优异的性能，强调了每个模块的有效性，从而改进了在医疗保健中利用多模态 EHR 数据并弥合了为明智临床预测所必需的细致医疗背景的差距。

Feb, 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

通过在医学问答数据集上的大规模实验，我们提出了一种基于检索增强生成的评估框架MIRAGE，以改善大型语言模型在医学领域中的表现，并通过引入MedRAG工具包提高了六个不同语言模型的准确性，最高可达到18%，将GPT-3.5和Mixtral的性能提升至GPT-4级别。

Feb, 2024

基于检索增强生成（RAG）的大规模语言模型（LLMs）在医学领域的知识密集型任务中表现出显著的性能提升，着重研究了利用LLMs和RAG框架回答基于医药数据库的查询问题，并提出了Distill-Retrieve-Read框架用于关键字搜索，实验结果证明了该框架在证据检索准确性方面的优势。

Apr, 2024

本研究解决了大型语言模型在复杂医学问题中检索增强生成（RAG）能力不足的问题。我们提出了医学迭代RAG（i-MedRAG），能够基于先前的信息获取逐步提出后续问题，从而改善医学问答性能。实验结果表明，i-MedRAG在回答复杂医学问题上优于传统RAG，尤其在零-shot设置下在MedQA数据集上实现了69.68%的准确率。

Aug, 2024

本研究解决了在临床领域应用大语言模型进行信息检索面临的挑战，通过对不同嵌入模型和汇聚方法的影响进行探讨，提出了一种新的比较方法。研究发现，嵌入模型的选择对检索性能有显著影响，其中BGE模型在多数据集和查询文本中表现优于其他模型，结果为未来检索系统的设计提供了重要指导。

Sep, 2024