MedGraph：利用图记忆维护长期医疗对话中的患者状态
MedGraph: Maintaining Patient State with Graph Memory for Long-Term Medical Dialogue
精选理由
通过按时间与患者关联病史，减少过时、错配或遗漏安全信息，让长期医疗对话回答更准确可靠。
AI 摘要
基于大语言模型的医疗助手若要在多次就诊中持续跟踪患者，就需要一种能在患者临床状态发生变化时仍准确维护该状态的记忆机制。我们分析了五种记忆系统在纵向医疗对话中的错误，发现三个反复出现的原因：检索到的证据呈现了过时的状态、包含了其他人的健康事实，或缺少回答所依赖的安全相关事实。我们提出了 MedGraph，一种针对这三类情况构建的图记忆。构建过程从每次会话中提取带日期的事实，将每条事实归属于其描述的对象，并将用药、诊断和测量记录链接成保留历史状态的链。检索时，以患者的记录链为单位进行排序，按问题所询问的时间读取每条链，并补充原始对话文本；每次提问时，还会附上一份患者档案，列出所有已记录的安全相关事实。在 MedMemoryBench 上，无论使用 GPT 还是 Qwen 作为骨干模型，MedGraph 的整体准确率均为最高，分别比五种基线中表现最强的方法高出 10.5 和 10.4 个百分点，同时在 GPT 配置下实现了高效的记忆构建与问答。