Fondation de Connaissances Hétérogènes pour le Question-Réponse Médical avec un Modèle Linguistique Large Augmenté par Recherche

Le Modèle Linguistique Large (LLM) est reconnu pour sa capacité à encoder une vaste quantité de connaissances générales, lui permettant d'exceller dans les tâches de question-réponse, de systèmes de dialogue et de résumé. Cependant, le domaine médical présente un défi unique pour le LLM en raison de la distribution des connaissances médicales, qui suit un schéma en longue traîne. Les approches existantes répondent à ce défi en injectant des connaissances médicales dans le LLM via des sources uniques telles que les manuels médicaux ou les bases de connaissances médicales. Toutefois, les connaissances médicales sont distribuées à travers plusieurs sources d'information hétérogènes. Un système de question-réponse médical peut améliorer la couverture et la confiance des réponses en considérant ces diverses sources de connaissances ensemble. Pour combler cette lacune, nous proposons une approche nouvelle appelée Modèle Linguistique Large Augmenté par Recherche de Connaissances Hétérogènes pour le question-réponse dans le domaine médical. Nos expériences, réalisées sur le jeu de données MedQA-USMLE, démontrent des améliorations prometteuses de performance. Ces résultats soulignent l'importance d'exploiter des sources de connaissances hétérogènes dans le domaine médical.