融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法与流程

摘要: 本发明涉及自然语言处理与医学信息人工智能,具体为融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法。背景技术:1、随着大语言模型技术的发展,检索增强生成(r...
融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法与流程

本发明涉及自然语言处理与医学信息人工智能,具体为融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法。

背景技术:

1、随着大语言模型技术的发展,检索增强生成(rag)技术被逐步应用于健康问答领域,部分方案尝试引入医学知识图谱以结构化形式补充知识,旨在降低大模型输出错误信息的概率;然而,在面向肺部健康咨询等复杂场景时,现有方案仍存在诸多不足。

2、当前,基于大语言模型的健康问答系统虽具备优秀的自然语言交互能力,但普遍存在“幻觉”问题,即输出内容表面通顺但缺乏医学事实支撑;传统rag技术多依赖非结构化文本的向量相似度匹配,难以刻画医学实体间复杂的逻辑关联及多跳推理关系,导致在复杂肺部健康咨询中,回答的准确性与推理深度受限。

3、此外,现有的医学知识图谱应用大多仅实现数据存储或简单规则查询,缺乏与大模型的深度融合机制;一方面,结构化图谱数据与非结构化文献证据之间存在语义鸿沟,难以在生成阶段协同调用;另一方面,现有方法多采用静态知识注入,无法结合查询意图自适应调节外部知识与模型内部参数的权重,导致建议个性化不足,且难以提供可追溯的证据来源。

4、除此之外,现有系统在可解释性与安全性上存在短板;多数系统仅输出文本,未建立生成内容与原始证据间的索引映射,用户难以核验科学依据;同时缺乏风险分层预警机制,对高危疾病特征识别滞后,无法及时输出紧急就医提示,制约了其在公众健康自我管理中的应用价值。

5、因此,提出融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法来解决上述所提到的问题。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足,本发明提供了融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法,具备知识检索精准度高、回答逻辑可解释性强、动态知识注入灵活以及风险预警及时等优点,解决了公众肺部健康咨询场景下易产生“幻觉”导致信息失真、结构化与半结构化知识难以有效协同融合、生成内容缺乏可追溯证据来源以及高危病情识别滞后无法及时干预的问题。

3、(二)技术方案

4、为实现上述目的,本发明提供如下技术方案:融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法,包括基于检索增强生成进行肺部健康咨询回答生成,包括以下步骤:

5、s1:构建肺部健康五元医学实体关系图谱,所述图谱以症状、疾病、检查、药物及禁忌为实体类别,并通过实体识别与关系抽取算法建立实体间的语义连接,形成结构化知识库;

6、s2:接收用户输入的健康咨询数据,通过自然语言处理技术提取查询意图及关键医学实体节点;

7、s3:基于所述查询意图,执行混合检索策略,并行执行结构化图谱检索与非结构化文献检索,其中,结构化图谱检索利用图搜索算法在所述五元医学实体关系图谱中遍历与关键实体节点相关的多跳路径,获取结构化证据集;非结构化文献检索利用向量相似度模型在医学文献数据库中召回相关文本片段,获取非结构化证据集;

8、s4:将所述结构化证据集与所述非结构化证据集进行融合,并通过知识投影层映射至大语言模型的隐层空间;采用动态路由机制预测生成过程中各token的知识需求权重,依据所述权重将融合后的知识注入至大语言模型,生成初步问答响应;

9、s5:对所述初步问答响应进行溯源绑定,建立生成文本中的建议点与原始证据来源的索引关联,最终生成包含风险评估、就医指引及引用溯源的结构化健康咨询报告。

10、优选的,在s1中,所述构建肺部健康五元医学实体关系图谱,具体包括:

11、基于标准医学术语集定义五类实体边界;

12、采用命名实体识别架构进行实体抽取,并采用注意力机制进行关系抽取;

13、将抽取到的实体及关系存储于图数据库中。

14、优选的,在s2中,所述接收用户输入的健康咨询数据,具体包括:

15、接收包含文本信息或者胸部医学影像的输入;

16、通过意图识别模块判断咨询意图类型;

17、利用实体链接技术将输入数据中的描述映射至所述五元医学实体关系图谱中的标准化实体节点。

18、优选的,在s3中,所述执行混合检索策略,具体包括:

19、将解析后的关键实体节点作为种子节点,在图数据库中进行受限深度的图遍历搜索,召回指向关联疾病或检查的路径节点及其属性信息;

20、利用医学上下文感知模型将用户查询转化为高维向量,在医学文献索引库中进行相似度匹配,召回top-k的相关文献片段;

21、根据预设的加权公式对两类证据集进行相关性排序与筛选。

22、优选的,在s4中,将所述结构化证据集与所述非结构化证据集进行融合,并通过知识投影层映射至大语言模型的隐层空间,具体包括:

23、使用线性变换层及归一化处理对结构化图谱嵌入向量进行处理;

24、通过交叉注意力融合模块计算查询向量与知识库向量的注意力分布;

25、将经过处理的向量拼接后,经由激活函数处理后输入到大语言模型的隐藏层中间层。

26、优选的,在s4中,所述采用动态路由机制预测生成过程中各token(词元)的知识需求权重,具体包括:

27、在解码器的每个生成步骤中,通过神经网络层学习当前上下文状态;

28、输出一个取值范围为0至1的门控系数,表征知识依赖程度;

29、根据所述门控系数动态调整注入知识的强度,以平衡外部检索知识与模型内部参数生成的比例。

30、优选的,在s5中,对所述初步问答响应进行溯源绑定,具体包括:

31、维护全局证据id列表;

32、在自回归生成过程中,追踪被模型显著引用的证据片段id;

33、在后处理阶段,将证据id替换为对应的参考文献标题、发布时间或图谱推理路径信息;

34、结合风险分层算法,若检索结果得到提示高危风险的特征线索,在输出前端插入预警标识及紧急就医建议。

35、优选的,还包括输出交互展示步骤:

36、将所述结构化健康咨询报告输出至终端,在终端界面渲染生成实时对话区域以及可视化图谱路径展示窗口;

37、响应于用户针对报告内引用链接的选择操作,触发侧边栏弹出,展示对应的高亮临床指南原文或者图谱局部子图详情。

38、(三)有益效果

39、与现有技术相比,本发明提供了融合五元医学实体关系图谱的肺部健康循证问答溯源生成方法,具备以下有益效果:

40、1、本发明采用五元医学实体关系图谱结合混合检索策略,在检索阶段同时调用图谱的多跳逻辑推理能力以及医学文献所提供的细节证据,弥补传统单一向量检索难以挖掘实体间逻辑关联、推理深度不足的缺陷,由此提升肺部健康咨询场景下问答输出结果的整体准确性。

41、2、本发明通过知识投影结合解码器token粒度的动态路由门控机制,能够依据解码器每一步生成的上下文状态自适应调节外部知识的注入强度,动态完成外部权威医学知识与大模型内部生成能力之间的平衡,避免固定知识注入带来的信息过载或者知识缺失问题,进而有效抑制医学问答场景下的模型幻觉现象。

42、3、本发明在大模型自回归生成过程中完成证据id追踪并实现溯源索引绑定,将输出建议点与原始文献、图谱推理路径建立索引关联,改变传统问答系统仅输出回答文本的模式,使得输出内容可回溯对应的证据来源,显著提升输出结果的可解释程度。

43、4、本发明增设高危风险线索识别与预警处理逻辑,在检索阶段识别提示高危风险的特征线索后及时输出紧急就医提示,对公众起到健康风险提示作用,弥补现有系统高危线索识别滞后的不足,提升面向公众健康咨询场景的使用安全性。

44、5、本发明配套设置终端输出交互展示步骤,将结构化健康咨询报告渲染至终端界面,支持用户调取查阅高亮的临床指南原文以及图谱局部推理子图,方便用户核验ai健康建议的推导依据,进一步增强回答结果的透明度,提升用户对健康咨询输出内容的信任度。