GPT-4o醫(yī)學(xué)知識(shí)覆蓋率僅55%？騰訊優(yōu)圖團(tuán)隊(duì)發(fā)布大模型醫(yī)療能力“體檢報(bào)告”

聞樂(lè) 2025-04-30 13:59:47 來(lái)源：量子位

MedKGEval團(tuán)隊(duì) 投稿

量子位 | 公眾號(hào) QbitAI

醫(yī)療大模型知識(shí)覆蓋度首次被精準(zhǔn)量化！

在醫(yī)療領(lǐng)域，大語(yǔ)言模型（LLM）的潛力令人振奮，但其知識(shí)儲(chǔ)備是否足夠可靠？騰訊優(yōu)圖實(shí)驗(yàn)室天衍研究中心的最新研究給出了答案。

他們提出的MedKGEval框架，首次通過(guò)醫(yī)療知識(shí)圖譜（KG）的多層級(jí)評(píng)估，系統(tǒng)揭示了GPT-4o等主流模型的醫(yī)學(xué)知識(shí)覆蓋度。

該研究已被WWW 2025會(huì)議Web4Good Track錄用為口頭報(bào)告（oral）。目前，WWW 2025正在悉尼舉行，會(huì)議時(shí)間從4月28日持續(xù)至5月2日。

背景

大語(yǔ)言模型（LLM）在醫(yī)療領(lǐng)域的快速發(fā)展凸顯了其知識(shí)存儲(chǔ)與處理的潛力，但其臨床部署前的可靠性驗(yàn)證亟需更系統(tǒng)化的評(píng)估框架。

當(dāng)前主流的Prompt-CBLUE、Medbench和MedJourney等評(píng)估體系雖通過(guò)醫(yī)學(xué)問(wèn)答基準(zhǔn)測(cè)試LLM的任務(wù)執(zhí)行能力，卻存在三個(gè)明顯的局限：

1）其長(zhǎng)尾數(shù)據(jù)分布導(dǎo)致罕見(jiàn)病癥覆蓋不足，評(píng)測(cè)結(jié)果存在偏差；

2）任務(wù)導(dǎo)向的設(shè)計(jì)聚焦疾病預(yù)測(cè)、用藥咨詢(xún)等單一場(chǎng)景，難以量化模型內(nèi)在醫(yī)學(xué)知識(shí)儲(chǔ)量；

3）傳統(tǒng)問(wèn)答形式局限于表面對(duì)錯(cuò)判斷，無(wú)法捕捉醫(yī)學(xué)概念間的復(fù)雜拓?fù)潢P(guān)聯(lián)。

為解決這些問(wèn)題，本文提出基于醫(yī)療知識(shí)圖譜（KG）的多層級(jí)評(píng)估框架MedKGEval。

醫(yī)療KG通過(guò)結(jié)構(gòu)化存儲(chǔ)復(fù)雜實(shí)體關(guān)系網(wǎng)絡(luò)，為評(píng)估提供天然基準(zhǔn)?？蚣軇?chuàng)新性地設(shè)計(jì)三級(jí)評(píng)估體系：實(shí)體層評(píng)估醫(yī)學(xué)概念理解，關(guān)系層檢驗(yàn)醫(yī)學(xué)關(guān)聯(lián)區(qū)分能力，子圖層驗(yàn)證結(jié)構(gòu)化推理水平。

通過(guò)真?zhèn)闻袛嗪投噙x題形式，同時(shí)實(shí)現(xiàn)任務(wù)導(dǎo)向（task-oriented）的粗粒度性能評(píng)估與知識(shí)導(dǎo)向（knowledge-oriented）的細(xì)粒度三重覆蓋度測(cè)量（實(shí)體/關(guān)系/知識(shí)三元組）。

醫(yī)療知識(shí)覆蓋度評(píng)估框架MedKGEval

在MedKGEval中研究團(tuán)隊(duì)設(shè)計(jì)了多層級(jí)的任務(wù)體系，其中包含3個(gè)層級(jí)的9項(xiàng)核心任務(wù)，通過(guò)真?zhèn)闻袛啵═FQ）與多選題（MCQ）任務(wù)形式，實(shí)現(xiàn)任務(wù)導(dǎo)向與知識(shí)導(dǎo)向的雙重評(píng)測(cè)。

具體評(píng)估流程框架見(jiàn)下圖。

任務(wù)架構(gòu)設(shè)計(jì)

基于醫(yī)療知識(shí)圖譜的實(shí)體、關(guān)系、三元組結(jié)構(gòu)，構(gòu)建三級(jí)評(píng)估體系：

實(shí)體層面（3項(xiàng)任務(wù)）：驗(yàn)證醫(yī)學(xué)概念理解

• 實(shí)體類(lèi)型標(biāo)注（ET）：通過(guò)多選題識(shí)別“糖尿病”等實(shí)體的分類(lèi)標(biāo)簽（如疾病/癥狀）

• 實(shí)體聚類(lèi)（EC）：從5個(gè)實(shí)體中辨識(shí)類(lèi)型異常項(xiàng)（如混入癥狀類(lèi)別的藥物實(shí)體）

• 實(shí)體消歧（ED）：判斷兩個(gè)實(shí)體是否等價(jià)，比如“阿司匹林”與“乙酰水楊酸”是否為等價(jià)實(shí)體

關(guān)系層面（3項(xiàng)任務(wù)）：檢驗(yàn)醫(yī)學(xué)關(guān)聯(lián)認(rèn)知

• 關(guān)系類(lèi)型標(biāo)注（RT）：選擇“并發(fā)癥”關(guān)系可連接的實(shí)體類(lèi)型對(duì)（如疾病→疾?。?/li>

• 事實(shí)核驗(yàn)（FC）：判斷三元組的真?zhèn)危热纭安悸宸?治療-偏頭痛”

• 關(guān)系預(yù)測(cè)（RP）：補(bǔ)全實(shí)體之間缺失的關(guān)系，比如“冠狀動(dòng)脈硬化→(?)→心肌梗死”

子圖層面（3項(xiàng)任務(wù)）：評(píng)估結(jié)構(gòu)化推理

• 錯(cuò)誤識(shí)別（ER）：從5個(gè)三元組中檢測(cè)異常項(xiàng)（如錯(cuò)誤藥物禁忌關(guān)系）

• 子圖推理1（R1）：基于多跳關(guān)系推理，比如基于“高血壓→并發(fā)癥→腦出血→影像檢查→CT”路徑，推斷“高血壓→影像檢查→CT”是否成立

• 子圖推理2（R2）：在相同推理鏈中，從候選關(guān)系中選擇正確關(guān)聯(lián)

隨著利用的KG信息增多，任務(wù)難度也在逐漸升高，這樣階梯式、多層級(jí)的評(píng)估更有利用全面了解LLMs的性能。

任務(wù)導(dǎo)向和知識(shí)導(dǎo)向的評(píng)估機(jī)制

在每項(xiàng)任務(wù)中均配備評(píng)估核心實(shí)體/關(guān)系映射（如上圖 core E and R），實(shí)現(xiàn)細(xì)粒度知識(shí)覆蓋分析：

任務(wù)導(dǎo)向評(píng)估：計(jì)算準(zhǔn)確率指標(biāo)

知識(shí)導(dǎo)向評(píng)估：

• 實(shí)體覆蓋率：實(shí)體正確率均值（CovAvg-E）、引入節(jié)點(diǎn)中心度加權(quán)（CovDeg-E）

• 關(guān)系覆蓋率：關(guān)系正確率均值（CovAvg-R）、按關(guān)系出現(xiàn)頻次加權(quán)（CovDeg-R）

• 三元組覆蓋率Cov-T：反映知識(shí)單元整體掌握度

實(shí)驗(yàn)及評(píng)估結(jié)果

MedKGEval選用中文醫(yī)療領(lǐng)域主流知識(shí)圖譜CPubMedKG和CMeKG作為基準(zhǔn)，經(jīng)下采樣構(gòu)建實(shí)驗(yàn)數(shù)據(jù)集。

評(píng)估模型涵蓋三大類(lèi)：1）開(kāi)源通用模型；2）醫(yī)療垂類(lèi)模型；3）閉源模型。

下表展示了11個(gè)LLM的任務(wù)導(dǎo)向評(píng)估結(jié)果，可以看到：GPT-4o以70.65%平均準(zhǔn)確率領(lǐng)先；同架構(gòu)LLM參數(shù)量翻倍帶來(lái)3-5%準(zhǔn)確率提升；大多LLM在實(shí)體層面任務(wù)上表現(xiàn)優(yōu)于關(guān)系和子圖層面；通用模型性能超越醫(yī)療垂類(lèi)模型（歸因分析：垂類(lèi)模型微調(diào)數(shù)據(jù)側(cè)重具體任務(wù)（如用藥咨詢(xún)、醫(yī)患對(duì)話摘要），導(dǎo)致醫(yī)學(xué)知識(shí)廣度受限）。

下表展示了11個(gè)LLM的知識(shí)導(dǎo)向評(píng)估結(jié)果，可以看到：GPT-4o在CPubMedKG (small)上覆蓋了65.66%的實(shí)體、55.60%的關(guān)系、62.31%的三元組；更大的參數(shù)量通常會(huì)帶來(lái)更高的知識(shí)覆蓋度；CovAvg 和 CovDeg 的對(duì)比體現(xiàn)出了LLM對(duì)高關(guān)聯(lián)度實(shí)體（如糖尿?。┖透哳l關(guān)系（如鑒別診斷）的偏好性：CovAvg < CovDeg 說(shuō)明 LLM 在高關(guān)聯(lián)度實(shí)體的上表現(xiàn)更好、反之說(shuō)明 LLM 在低關(guān)聯(lián)度實(shí)體上表現(xiàn)更好。

接下來(lái)，研究團(tuán)隊(duì)使用MedKGEval評(píng)估框架對(duì)四個(gè)示例LLM在關(guān)聯(lián)度最高的15個(gè)實(shí)體和最高頻的15個(gè)關(guān)系上的知識(shí)覆蓋情況進(jìn)行分析。

以常用臨床實(shí)體“超聲”為例，可以看到GPT-4o以94.16%正確率領(lǐng)先，Qwen2-7B（88.83%）、WiNGPT2（85.41%）次之。

在醫(yī)學(xué)關(guān)系覆蓋度上，4個(gè)LLM也表現(xiàn)出了類(lèi)似的特點(diǎn)。

分析結(jié)果表明，MedKGEval能有效定位LLM在特定醫(yī)學(xué)知識(shí)領(lǐng)域的認(rèn)知缺陷。

這些發(fā)現(xiàn)對(duì)模型優(yōu)化具有重要指導(dǎo)價(jià)值：如上圖所示，WiNGPT在“肺結(jié)核”實(shí)體相關(guān)問(wèn)答中表現(xiàn)欠佳、Baichuan2-13B在“相關(guān)（轉(zhuǎn)換）”關(guān)系中存在明顯短板。

因此，在下輪微調(diào)中建議針對(duì)性補(bǔ)充結(jié)核病診療指南和病理轉(zhuǎn)化機(jī)制相關(guān)數(shù)據(jù)，通過(guò)基于知識(shí)缺陷診斷的定向增強(qiáng)策略，可顯著提升醫(yī)療領(lǐng)域LLM的整體性能。

總結(jié)

本文提出的MedKGEval框架通過(guò)醫(yī)療KG視角，構(gòu)建了評(píng)估LLM醫(yī)學(xué)知識(shí)覆蓋度的多維度體系。

該框架在實(shí)體、關(guān)系和子圖三個(gè)層級(jí)展開(kāi)評(píng)估，系統(tǒng)揭示了當(dāng)前大語(yǔ)言模型在醫(yī)學(xué)知識(shí)存儲(chǔ)與推理能力方面的優(yōu)勢(shì)與局限。

研究團(tuán)隊(duì)提出的的任務(wù)導(dǎo)向與知識(shí)導(dǎo)向雙軌評(píng)估機(jī)制，不僅能夠精準(zhǔn)定位模型的知識(shí)薄弱環(huán)節(jié)，更為提升醫(yī)療領(lǐng)域LLM的可靠性和臨床應(yīng)用價(jià)值提供了量化依據(jù)。

論文地址：https://dl.acm.org/doi/10.1145/3696410.3714535
代碼地址：https://github.com/ZihengZZH/MedKGEval

— 完 —