计算机应用研究

作者：秦乐,勾智楠,王培伍,张高飞,刘思雨,高凯,

单位：1.河北经贸大学管理科学与信息工程学院,石家庄050061；2.清华大学计算机科学与技术系,北京100084；3.河北科技大学信息科学与工程学院,石家庄050018；

关键词：动态检索增强生成,多跳思维链,医学提示学习,量化重写机制,医学诊断,

基金：河北省自然科学基金资助项目(F2023207003)；河北省高等教育教学改革研究与实践项目(2023GJJG187)；河北经贸大学教学研究项目(2024JYQ09)；；

医疗诊断任务的复杂性在症状表现和疾病关联上尤为突出。医疗诊断任务因“同病异症”与“异病同症”的复杂性，对模型推理能力提出了更高要求。传统检索增强生成（retrieval-augmented generation，RAG）技术的静态检索和单步推理难以捕捉多层级逻辑关系（如症状→科室→疾病→鉴别诊断）。为有效突破这一局限，提出一种面向医疗领域的新型框架——基于提示引导多跳推理的医学诊断检索增强生成模型（prompt-guided multi-hop reasoning for retrieval-augmented generation，PGM-RAG）。该框架结合医学领域基础知识，通过设计每个推理步骤的提示信息，为模型提供清晰的推理指引。同时，设计量化重写机制，严格控制大语言模型生成内容的准确性，从而提升推理过程的可靠性和诊断结果的精确性。在Huatuo-26M和WebMedQA两个公开医学数据集上的实验表明，该模型在EM和F1指标上分别优于现有最佳方法12.6%和8.9%，且消融实验证明多跳推理链与量化重写机制对模型性能有显著提升作用。

来源：2025年第10期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第10期