论文
借助检索增强生成以多 LLM 构建与评估临床知识图谱
Clinical Knowledge Graph Construction and Evaluation with Multi-LLMs via Retrieval-Augmented Generation
摘要
大型语言模型（LLM）为从非结构化临床叙事构建知识图谱（KG）提供了新机会。然而，现有方法常依赖结构化输入，且缺乏对事实准确性与语义一致性的稳健验证，这些局限在肿瘤学中问题尤为突出。我们提出一个直接从自由文本进行临床 KG 构建与评估的端到端框架，采用多 Agent 提示与模式约束的检索增强生成（KG-RAG）策略。该流水线整合：（1）提示驱动的实体、属性与关系抽取；（2）基于熵的不确定性评分；（3）与本体对齐的 RDF/OWL 模式生成；以及（4）用于幻觉检测与语义精炼的多 LLM 共识验证。除静态图构建外，该框架支持持续精炼与自监督评估，使图质量得以迭代提升。应用于两个肿瘤队列（PDAC 与 BRCA）时，我们的方法在无需金标准标注的情况下产出可解释、兼容 SPARQL 且有临床依据的知识图谱。实验结果表明，与基线方法相比，该方法在精度、相关性与本体合规方面取得一致提升。
