Este artículo propone el modelo Reinforced Inference Augmentation Generation (ReinRAG), cuyo objetivo es generar instrucciones de alta extensas a partir de información limitada del paciente. ReinRAG proporciona una guía semántica explícita al LLM mediante la búsqueda de rutas de inferencia en el grafo de conocimiento médico. Para abordar las lagunas de información, proponemos la optimización de recuperación basada en grupos (GRO) para mejorar la calidad de la recuperación con recompensas normalizadas por grupo y fomentar saltos de inferencia para una inferencia profunda en el LLM. Los resultados experimentales en conjuntos de datos del mundo real demuestran que ReinRAG supera a los métodos existentes tanto en efectividad clínica como en métricas de generación de lenguaje natural. Un análisis posterior demuestra que ReinRAG cierra las brechas semánticas en caso de entrada insuficiente y garantiza que las rutas de inferencia recuperadas se centren en la evidencia clave y sigan inferencias consistentes, evitando así la interpretación clínica errónea en el LLM.
