FIND: Fine-grained Information Density Guided Adaptive Retrieval-Augmented Generation for Disease Diagnosis

要約

外部知識をLLMに統合する検索大規模な言語モデル（LLM）は、臨床診断を含むさまざまな医療ドメインで顕著なパフォーマンスを示しています。
ただし、既存のRAGメソッドは、タスクの難易度を効果的に検索の決定を下すのに苦労しており、それにより、効率と精度のバランスをとるための臨床要件を満たすことができません。
したがって、この論文では、疾患診断シナリオにおけるRAGの信頼性を向上させる新しいフレームワークであるfind（\ textbf {f} ine-greain \ textbf {in} formation \ textbf {d} guided adaptive Rag）を提案します。
FINDには、入力の情報密度に基づいて検索が必要かどうかを判断するために、きめ細かい適応制御モジュールが組み込まれています。
検索プロセスを最適化し、知識フィルタリングモジュールを実装することにより、検索が臨床シナリオにより適していることを確認します。
3つの中国の電子医療記録データセットでの実験は、さまざまなベースライン方法を大幅に上回ることを発見し、臨床診断タスクにおけるその有効性を強調していることを示しています。

要約(オリジナル)

Retrieval-Augmented Large Language Models (LLMs), which integrate external knowledge into LLMs, have shown remarkable performance in various medical domains, including clinical diagnosis. However, existing RAG methods struggle to effectively assess task difficulty to make retrieval decisions, thereby failing to meet the clinical requirements for balancing efficiency and accuracy. So in this paper, we propose FIND (\textbf{F}ine-grained \textbf{In}formation \textbf{D}ensity Guided Adaptive RAG), a novel framework that improves the reliability of RAG in disease diagnosis scenarios. FIND incorporates a fine-grained adaptive control module to determine whether retrieval is necessary based on the information density of the input. By optimizing the retrieval process and implementing a knowledge filtering module, FIND ensures that the retrieval is better suited to clinical scenarios. Experiments on three Chinese electronic medical record datasets demonstrate that FIND significantly outperforms various baseline methods, highlighting its effectiveness in clinical diagnosis tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google