面向医学语境知识综合的 AI 科研助手：概念验证

生物医学科学中的研究浪费由冗余研究、报告不完整以及传统证据综合工作流可扩展性有限所驱动。我们提出一个用于可扩展、透明知识综合的 AI 科研助手，基于对人群、干预、对照、结局与研究设计（PICOS）的显式形式化。该平台集成关系型存储、基于向量的语义检索与 Neo4j 知识图谱。评估在痴呆-运动与非传染性疾病语料上进行。从标题与摘要自动进行 PICOS 合规与研究设计分类，分别使用双向长短期记忆（Bi-LSTM）基线与从 PubMedBERT 微调的基于 transformer 的多任务分类器。全文综合采用带混合向量与图谱检索的检索增强生成，同时用 BERTopic 识别主题结构、冗余与证据缺口。transformer 模型在研究设计分类上取得 95.7% 的准确率，与专家标注高度一致；Bi-LSTM 在 PICOS 合规检测上取得 87% 的准确率。对于需要结构化约束、跨研究整合与图谱推理的查询，检索增强生成优于非检索生成；而对高层概述，非检索方法仍有竞争力。主题建模揭示了大量主题冗余，并识别出探索不足的研究领域。这些结果表明，PICOS 感知且可解释的自然语言处理能够提升证据综合的可扩展性、透明度与效率。所提架构与领域无关，为减少生物医学各学科的研究浪费提供了实用框架。