MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot
| 項目 | 内容 |
|---|---|
| 論文ID | P49 |
| 区分・分類 | 論文・構造化知識の利用 |
| 著者・所属 | Xuejiao Zhao、Siyan Liu、Chunyan Miao（LILY Research Centre, Nanyang Technological University）、Su-Yin Yang（Tan Tock Seng Hospital / Woodlands Health） |
| 発表先 | Proceedings of the ACM Web Conference (WWW 2025) |
| 発表日 | 2025-04-22 |
| 引用数 | 109（OpenAlex 2026-10-06時点） |
| 言語 | 英語 |
| URL | https://doi.org/10.1145/3696410.3714782 |
| 論文/pdf/P49.pdf | |
| 読んだ範囲 | 全文 |
論文タイプ
新技術。RAG に診断用知識グラフ（KG）による推論を組み込んだ新しい枠組み MedRAG を提案し、既存 RAG と比較しているため。
研究の目標
EHR を検索する医療 RAG や医療向け LLM はヒューリスティックに頼り、症状が似た疾患（例：sciatica と lumbar canal stenosis）で誤った・曖昧な診断を出す。UMLS などはクラス定義が曖昧で粒度が粗く、そのまま使いにくい。似た疾患の「診断上の違い」を KG で示して LLM に推論させ、診断の正確さ・具体性を上げ、情報不足時に聞くべき追加質問を出すことを狙う。
技術的なやり方
4階層の診断KG（ICD-11 の階層に着想。分類は症状の類似性による）
| 階層 | 中身・作り方 |
|---|---|
| L1 / L2 | 症状の似た疾患のカテゴリ／サブカテゴリ（is_a）。LLM のトピック集約＋階層クラスタリング |
| L3 | EHR の表記ゆれをクラスタリングで統一した疾患名 |
| L4 | L4d：EHR の症状を分解した特徴／L4a：LLM が生成した疾患ごとの見分けどころ（has_manifestation_of） |
処理：患者の症状を特徴に分解し L4d と埋め込み照合 → 上方向の最短経路で投票し L2 を決定 → その配下の疾患と L4a を「diagnostic differences KG」として抽出 → FAISS で類似 EHR 上位 k 件と合わせて LLM に渡し、診断・治療・薬・追加質問を出力。追加質問は次数中心性の逆数（識別力）が高い特徴から選ぶ。
評価：DDXPlus（合成EHR、49診断、13,230人の均衡サブセット）、CPDD（Tan Tock Seng Hospital の慢性疼痛、551人・33診断、非公開）。比較は Naive RAG + COT、FL-RAG、FS-RAG、FLARE、DRAGIN、SR-RAG。指標は L1〜L3 各粒度の正解率。埋め込みモデル、k 等の値、KG の規模は論文に記載なし。
結果
| 正解率%（Table 1） | CPDD L1 / L2 / L3 | DDXPlus L1 / L2 / L3 |
|---|---|---|
| MedRAG | 79.25 / 75.47 / 66.04 | 88.65 / 83.46 / 68.01 |
| L3 次点 | SR-RAG 54.72 | FL-RAG 66.78 |
- L3 で次点を CPDD で 11.32、DDXPlus で 1.23 ポイント上回る。DDXPlus の L1 は FL-RAG（90.12）が上
- KG推論の有無（Table 2、L3）：Mixtral-8x7B 22.34→63.46、GPT-4o 60.38→73.23。GPT-3.5-turbo・GPT-4o-mini は L1 が下がる（83.02→70.56、88.68→85.85）
- 追加質問（Table 3、L3）：重要症状を全て隠すと 52.83、回収率 33.3%→100% で 55.10→66.04
- アブレーション（Llama-3.1-Instruct 8B・CPDD）：正しい KG で平均 L1 18.88%、L2 26.92%、L3 18.89% 向上。LLM 補強特徴ノードを除くと L3 67.92→49.06
- レポート生成（CPDD）：BERTScore 等4指標で最高。Mini-CEX（GPT-4o 採点・医師検証、10人）で 360点中 MedRAG 290、SR-RAG 277
限界・課題
- パラメータの少ない closed-source モデル（GPT-3.5、GPT-4o-mini）では、似た疾患の違いを入れると知識の衝突で L1 が下がる
- 今後の課題：MRI・ECG・血液検査など多モーダルデータの取り込み、病院での実地試験、診察中の会話から追加質問を出す音声認識の統合
要点
EHR から症状の似た疾患をまとめた4階層の診断KGを作り、LLM で「疾患間の見分けどころ」を補強する。患者に合う部分KGを RAG の LLM に渡し、似た疾患の鑑別精度を上げ、聞くべき追加質問も出せるようにした。