排除规则：医学问答的对比假设检索

检索增强生成 (RAG) 将 大语言模型 置于外部医学知识中，但标准 检索器 经常出现语义上接近查询但描述临床上不同条件的硬否定。虽然现有的查询扩展方法改进了查询表示以减轻歧义，但它们通常专注于丰富与目标相关的语义，而没有明确的机制来选择性地抑制特定的、临床上合理的硬阴性。这使得系统容易检索看似合理的模仿，从而掩盖实际诊断，特别是当此类模仿在语料库中占主导地位时。我们提出对比假设检索（CHR），这是一个受临床鉴别诊断过程启发的框架。 CHR 为可能的正确答案生成目标假设 $H^+$，为最可能的错误答案生成模拟假设 $H^-$，然后通过提升 $H^+$ 对齐的证据同时惩罚 $H^-$ 对齐的内容来对文档进行评分。在三个医学 QA 基准和三个答案生成器中，CHR 在每种配置中都优于所有五个基准，比次优方法提高了 10.4 个百分点。在 $n=587$ 的汇总案例中，CHR 正确回答，而嵌入式假设文档查询扩展没有正确回答，85.2\% 在 CHR 的前 5 个检索列表和该基线之间没有共享文档，这与实质性检索重定向一致，而不是对相同候选者进行轻度重新排名。通过明确建模要避免的内容和要发现的内容，CHR 将临床推理与检索机制设计联系起来，并提供了减少医疗 RAG 系统中硬阴性污染的实用途径。