SearchRAG: ¿Pueden los motores de búsqueda ser útiles para la respuesta de preguntas médicas basadas en LLM?

SearchRAG: Can Search Engines Be Helpful for LLM-based Medical Question Answering?

February 18, 2025

Autores: Yucheng Shi, Tianze Yang, Canyu Chen, Quanzheng Li, Tianming Liu, Xiang Li, Ninghao Liu

cs.AI

Resumen

Los Modelos de Lenguaje de Gran Escala (LLMs, por sus siglas en inglés) han demostrado capacidades notables en dominios generales, pero a menudo enfrentan dificultades en tareas que requieren conocimiento especializado. Las técnicas convencionales de Generación Aumentada por Recuperación (RAG, por sus siglas en inglés) suelen recuperar información externa de bases de conocimiento estáticas, las cuales pueden estar desactualizadas o incompletas, careciendo de detalles clínicos específicos esenciales para respuestas médicas precisas. En este trabajo, proponemos SearchRAG, un marco novedoso que supera estas limitaciones al aprovechar motores de búsqueda en tiempo real. Nuestro método emplea la generación sintética de consultas para convertir preguntas médicas complejas en consultas compatibles con motores de búsqueda y utiliza la selección de conocimiento basada en incertidumbre para filtrar e incorporar el conocimiento médico más relevante e informativo en la entrada del LLM. Los resultados experimentales demuestran que nuestro método mejora significativamente la precisión de las respuestas en tareas de respuesta a preguntas médicas, particularmente en preguntas complejas que requieren conocimiento detallado y actualizado.

English

Large Language Models (LLMs) have shown remarkable capabilities in general domains but often struggle with tasks requiring specialized knowledge. Conventional Retrieval-Augmented Generation (RAG) techniques typically retrieve external information from static knowledge bases, which can be outdated or incomplete, missing fine-grained clinical details essential for accurate medical question answering. In this work, we propose SearchRAG, a novel framework that overcomes these limitations by leveraging real-time search engines. Our method employs synthetic query generation to convert complex medical questions into search-engine-friendly queries and utilizes uncertainty-based knowledge selection to filter and incorporate the most relevant and informative medical knowledge into the LLM's input. Experimental results demonstrate that our method significantly improves response accuracy in medical question answering tasks, particularly for complex questions requiring detailed and up-to-date knowledge.