SearchRAG: 検索エンジンはLLMベースの医療質問応答に役立つか？

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

February 18, 2025

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

cs.AI

要旨

大規模言語モデル（LLM）は一般的な領域で顕著な能力を示す一方で、専門知識を必要とするタスクではしばしば苦戦することがあります。従来の検索拡張生成（RAG）技術は、通常、静的知識ベースから外部情報を取得しますが、これらは時代遅れであったり不完全であったりすることが多く、正確な医療質問応答に不可欠な詳細な臨床情報が欠落している場合があります。本研究では、これらの制約を克服するために、リアルタイム検索エンジンを活用した新しいフレームワークであるSearchRAGを提案します。本手法は、複雑な医療質問を検索エンジンに適したクエリに変換するための合成クエリ生成を採用し、不確実性に基づく知識選択を用いて、最も関連性が高く有益な医療知識をフィルタリングし、LLMの入力に組み込みます。実験結果から、本手法が医療質問応答タスクにおける応答精度を大幅に向上させることが示されました。特に、詳細かつ最新の知識を必要とする複雑な質問においてその効果が顕著でした。

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Generation (RAG) techniques typically retrieve external information from static knowledge bases, which can be outdated or incomplete, missing fine-grained clinical details essential for accurate medical question answering.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.