SearchRAG: Kunnen zoekmachines nuttig zijn voor LLM-gebaseerd medisch vraagbeantwoorden?

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

February 18, 2025

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

cs.AI

Samenvatting

Grote Taalmodellen (LLMs) hebben opmerkelijke capaciteiten getoond in algemene domeinen, maar hebben vaak moeite met taken die gespecialiseerde kennis vereisen. Conventionele Retrieval-Augmented Generation (RAG)-technieken halen doorgaans externe informatie uit statische kennisbanken, die verouderd of incompleet kunnen zijn, waardoor fijnmazige klinische details die essentieel zijn voor nauwkeurige medische vraagbeantwoording, ontbreken. In dit werk stellen we SearchRAG voor, een nieuw raamwerk dat deze beperkingen overwint door gebruik te maken van real-time zoekmachines. Onze methode maakt gebruik van synthetische querygeneratie om complexe medische vragen om te zetten in zoekmachinevriendelijke queries en benut onzekerheidsgebaseerde kennisselectie om de meest relevante en informatieve medische kennis te filteren en op te nemen in de input van het LLM. Experimentele resultaten tonen aan dat onze methode de nauwkeurigheid van antwoorden in medische vraagbeantwoordings taken aanzienlijk verbetert, met name voor complexe vragen die gedetailleerde en actuele kennis vereisen.

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Generation (RAG) techniques typically retrieve external information from static knowledge bases, which can be outdated or incomplete, missing fine-grained clinical details essential for accurate medical question answering.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