基于临床路径感知的大语言模型：构建可靠透明的医疗对话系统新范式

本文提出MedKP模型，通过整合外部医学知识图谱（Knowledge Enhancement）与临床路径编码（Clinical Pathway Encoding），有效解决大语言模型（LLMs）在医疗对话中的幻觉（hallucination）问题。该6B参数模型在MedDG和KaMed数据集上超越GPT-4o等基线模型，临床相关性F1值提升超25%，为数字医疗（digital healthcare）提供了兼具可靠性（reliability）与可解释性（interpretability）的AI解决方案。

亮点

• MedKP创新性地融合外部知识增强与内部临床路径编码，通过模拟医生推理模式显著提升医疗对话的可靠性和可解释性

• 提出多维评估框架，综合临床相关性、文本相似度（ROUGE/BLEU）、语义对齐（BERTScore）和基于LLM的幻觉评估

• 在真实世界数据集（MedDG/KaMed）上实现最先进性能，临床相关性的宏观F1值提升达25.62%-30.41%

• 轻量化设计（基于ChatGLM3-6B）支持临床系统本地部署，助力资源匮乏地区远程医疗发展

性能分析

表1和附录表S3分别展示了不同模型在MedDG和KaMed数据集上的性能对比。图2直观对比了各类别代表性模型在关键评估维度的表现，图3(A)则重点呈现了知识增强变体在KaMed数据集上的性能提升。总体而言，MedKP在保持响应连贯性的同时，在临床相关性和幻觉控制方面展现出显著优势。

讨论

开发临床可用的对话系统仍面临精准医学知识、临床推理能力和响应连贯性的三重挑战。本研究通过结构化医学知识融合与临床路径编码，证明了将临床推理模式嵌入LLMs的有效性。特别是临床路径编码模块，通过预测后续诊疗动作（如检查建议、用药推荐）显著增强了诊断逻辑的透明度，为构建可信赖的医疗AI奠定了重要基础。

结论

MedKP框架通过外部知识图谱锚定事实准确性，结合临床路径编码强化临床逻辑，为LLMs在在线问诊场景的应用提供了新范式。该研究不仅推动了可信医疗AI的发展，其轻量化设计更对改善医疗资源不平等具有重要实践价值。