Système de réponse aux questions enrichi par récupération basé sur de grands modèles de langage et des graphes de connaissances

Avec la prise de conscience croissante du public concernant la santé et la sécurité, la demande pour des systèmes intelligents capables de fournir des réponses précises aux questions médicales et sanitaires est en hausse. Cependant, les grands modèles de langage (LLMs) sont sujets au phénomène de « hallucination » dans les réponses du domaine médical, générant un contenu apparemment plausible mais en réalité inexact, ce qui pourrait entraîner des conséquences graves dans des scénarios médicaux. Pour relever ce défi, cette étude propose un cadre de réponse aux questions enrichi par récupération basé sur un graphe de connaissances, avec un focus spécifique sur le domaine de la dermatologie. Premièrement, cette étude a construit une ontologie de graphe de connaissances médicales pour la dermatologie, englobant des dimensions clés telles que les définitions de maladies, les symptômes, les diagnostics et les traitements. Deuxièmement, une méthode a été conçue utilisant le grand modèle de langage GLM-4 (General Language Model-4) pour l'extraction automatisée de connaissances à partir des recommandations médicales afin de construire un graphe de connaissances spécifique au domaine. Troisièmement, cette étude a introduit des mécanismes de reconnaissance floue des entités et d'amélioration du graphe de connaissances, capables d'identifier les entités clés dans les questions et de récupérer les connaissances pertinentes du graphe pour enrichir les requêtes initiales. De plus, les expériences démontrent que notre approche réduit efficacement les hallucinations dans les réponses médicales générées par les LLM. Sur l'ensemble de test, une comparaison avec la méthode de référence révèle que notre cadre proposé atteint des performances supérieures, avec une augmentation du score BLEU moyen de 0,0102 à 0,0157, et une amélioration des scores moyens BERTSCORE P, R et F1 allant respectivement de 0,5037, 0,7120 et 0,5897 à 0,5273, 0,7346 et 0,6135. Ces résultats indiquent des améliorations significatives de la précision, en particulier dans les recommandations diagnostiques et les plans de traitement. Cette méthodologie fournit un nouveau paradigme pour construire des systèmes intelligents médicaux plus sûrs et plus fiables et peut être étendue à d'autres domaines médicaux spécialisés.