MedRAG：医学AI革命！知识图谱+四层诊断，临床准确率飙升11.32%MedRAG是南洋理工大学推出的医学诊断模型，

❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦

🩺 「三甲主任慌了？这个AI问诊比老专家多挖出3层病因」

大家好，我是蚝油菜花。你是否见过这些医疗困局：

今天要解剖的 南洋理工MedRAG ，简直是医学界的"福尔摩斯AI"！这个用四层知识图谱武装的诊断系统，刚在真实临床测试中创下三大奇迹：

最疯狂的是它的「病因拆解术」——当患者主诉头晕时，能自动关联耳石症、贫血、脑肿瘤等17种可能，用知识图谱逐层筛出关键鉴别特征！

🚀 快速阅读

MedRAG是南洋理工大学推出的医学诊断模型，结合知识图谱与大语言模型，显著提升诊断准确率。

MedRAG-cover

MedRAG是南洋理工大学研究团队提出的医学诊断模型，通过结合知识图谱推理增强大语言模型（LLM）的诊断能力。模型构建了四层细粒度诊断知识图谱，可精准分类不同病症表现，通过主动补问机制填补患者信息空白。

MedRAG在真实临床数据集上诊断准确率提升了11.32%，具备良好的泛化能力，可应用于不同LLM基模型。MedRAG支持多模态输入，能实时解析症状并生成精准诊断建议。

精准诊断支持：MedRAG构建了四层细粒度诊断知识图谱，能根据疾病表征间的关键差异性进行精准诊断。通过诊断差异知识图谱搜索模块，将患者的症状与知识图谱中的诊断特征进行匹配，精准定位最相似的症状节点，识别对疾病鉴别最重要的表征，为精准诊断和个性化治疗方案提供有力支持。
智能补充提问：MedRAG具备主动诊断提问机制，能自动生成高效、精准的补充问题，帮助医生快速弥补信息缺失，提升诊断的准确性与可靠性。当患者提供的信息不足以区分某些疾病时，会提示模型生成有针对性的追问，完善症状描述。
高效的患者信息解析：在UI交互设计上，MedRAG支持多模态输入，包括无打扰问诊语音监控、文本输入以及电子健康记录上传，确保医生能快速录入患者信息。系统会实时解析症状，在本地病例库检索相似病例，结合知识图谱推理生成精准诊断建议。

MedRAG-method

四层细粒度诊断知识图谱构建：解决了现有医学知识库粒度不够细、缺乏特定疾病症状对比信息的问题。研究人员通过疾病聚类、层次聚合、语义嵌入、医学专家知识和大语言模型增强等技术，构建了包含疾病类别、亚类别、具体疾病名称以及疾病特征的四层知识图谱。
诊断差异知识图谱搜索：用于匹配患者的症状与知识图谱中的诊断特征。核心流程包括临床特征分解，将患者描述拆解为独立症状表征；临床症状匹配，计算患者症状与知识图谱特征的相似度，定位最相似的症状节点；向上遍历，在知识图谱中找到最相关的疾病类别；诊断关键特征提取，识别对疾病鉴别最重要的表征。
知识图谱引导的LLM推理：传统RAG仅依赖检索到的病例进行诊断生成，MedRAG通过知识图谱增强LLM的推理能力。首先基于FAISS构建高效索引，精准定位临床相似性病例；随后匹配关键诊断特征，提取患者最具鉴别力的表征信息；接着通过LLM融合检索到的病例信息、诊断差异知识图和患者信息进行联合推理，生成精准诊断建议。

克隆仓库到本地并安装依赖：

git clone https://github.com/SNOWTEAM2023/MedRAG.git
cd MedRAG
pip install -r requirements.txt

在authentication.py中替换OpenAI和Hugging Face的API令牌：

# 替换为你的OpenAI API令牌
api_key = "your_openai_api_token"   

# 替换为你的Hugging Face API令牌
hf_token = "your_huggingface_api_token"

更新路径和令牌后，运行main.py启动程序：

python main.py

🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦