[论文解读] Retrieval-Augmented Generation for Generative Artificial Intelligence in Medicine

Rui Yang, Yilin Ning+7 more|arXiv (Cornell University)|Jun 18, 2024

Machine Learning in Healthcare被引用 6

一句话总结

本文讨论使用检索增广生成（RAG）来通过利用外部知识来提升医学领域的生成式人工智能的准确性、可靠性和个性化。

ABSTRACT

Generative artificial intelligence (AI) has brought revolutionary innovations in various fields, including medicine. However, it also exhibits limitations. In response, retrieval-augmented generation (RAG) provides a potential solution, enabling models to generate more accurate contents by leveraging the retrieval of external knowledge. With the rapid advancement of generative AI, RAG can pave the way for connecting this transformative technology with medical applications and is expected to bring innovations in equity, reliability, and personalization to health care.

研究动机与目标

• 推动在医学AI中使用检索增广生成（RAG），以解决纯生成模型的局限性。
• 突出外部知识检索如何提升医学情境中的内容准确性与可靠性。
• 讨论RAG在医疗保健中对公平性、可靠性和个性化的潜在影响。

提出的方法

• 提出使用检索增广生成将生成式AI与外部医学知识来源连接。
• 讨论检索在提升内容准确性与依据中的作用。
• 概述在医疗应用中整合RAG的潜在益处与挑战。

实验结果

研究问题

• RQ1 检索增广生成如何提高医学领域生成式AI的准确性与可靠性？
• RQ2 在公平性、可靠性和个性化方面，将RAG应用于医疗AI的潜在收益与挑战是什么？
• RQ3 外部知识检索在何种方式提升医学AI输出？

主要发现

• 将RAG呈现为解决医学情境中生成式AI局限性的潜在方案。
• 基于检索的方案可能有助于实现医疗保健中的公平性、可靠性和个性化。
• 本研究通过RAG讨论了生成式AI进步与医学应用之间的联系。