Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Triplet-Structured Knowledge Integration for Multi-Turn Medical Reasoning

Created by
  • Haebom

作者

Zhaohan Meng, Zaiqiao Meng, Siwei Liu, Iadh Ounis

概要

大規模言語モデル（LLM）は静的医療質問応答（QA）作業で強力なパフォーマンスを示していますが、患者情報がターンごとに分散されるマルチターン臨床会話では推論能力が低下します。本論文は、明示的な知識統合を通じてLLMの推論信頼性を向上させる三重構造アプローチであるTriMediQを提示する。 TriMediQは、最初に患者の応答を臨床的に根拠のある三重項に変換するために固定された三重項抽出LLMを使用し、限られたプロンプトによってリアルな精度を保証します。これらの三重項は患者固有の知識グラフ（KG）に組み込まれ、グラフエンコーダとプロジェクタからなる学習可能な投影モジュールは、すべてのLLMパラメータを固定状態に保ちながら関係の依存関係をキャプチャします。推論の過程で、投影モジュールはKGに対するマルチホップ推論を導き、一貫した臨床会話の理解を可能にする。 2つの対話型医療QAベンチマーク実験の結果、TriMediQはiMedQAデータセットで5つの既存のベースラインよりも最大10.4％の精度向上を達成しました。これらの結果は、患者情報を三重項に構造化することが、マルチターン医療QAにおけるLLMの推論能力を効果的に改善できることを示している。

Takeaways、Limitations

•
Takeaways：
◦
患者情報を三重項構造で表現し,LLMのマルチターン医療QA性能を改善した。
◦
固定LLMと学習可能な投影モジュールを組み合わせて、効率的な知識統合を実現しました。
◦
IMedQAデータセットでは、従来の方法論と比較して高い精度が向上しました。
•
Limitations：
◦
他の医療QAベンチマークでの一般化性能評価がさらに必要です。
◦
三重項抽出ステップの誤差はシステム全体の性能に影響を与える可能性があります。
◦
複雑な臨床シナリオでのパフォーマンス検証が必要です。
👍
Made with Slashpage