SearchRAG: Os Mecanismos de Busca Podem Ser Úteis para Respostas a Perguntas Médicas Baseadas em LLMs?

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

Resumo

Modelos de Linguagem de Grande Escala (LLMs) demonstraram capacidades impressionantes em domínios gerais, mas frequentemente enfrentam dificuldades em tarefas que exigem conhecimento especializado. As técnicas convencionais de Geração Aumentada por Recuperação (RAG) geralmente recuperam informações externas de bases de conhecimento estáticas, que podem estar desatualizadas ou incompletas, perdendo detalhes clínicos refinados essenciais para respostas precisas a perguntas médicas. Neste trabalho, propomos o SearchRAG, uma estrutura inovadora que supera essas limitações ao aproveitar motores de busca em tempo real. Nosso método emprega geração sintética de consultas para converter questões médicas complexas em consultas amigáveis a motores de busca e utiliza seleção de conhecimento baseada em incerteza para filtrar e incorporar o conhecimento médico mais relevante e informativo na entrada do LLM. Resultados experimentais demonstram que nosso método melhora significativamente a precisão das respostas em tarefas de questionamento médico, especialmente para perguntas complexas que exigem conhecimento detalhado e atualizado.

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Generation (RAG) techniques typically retrieve external information from static knowledge bases, which can be outdated or incomplete, missing fine-grained clinical details essential for accurate medical question answering.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