《Computers》:GraphRAG-Vet: A Knowledge Graph-Augmented Large Language Model for Precision Bovine Disease Diagnosis
Licheng Qu,
Xuan Zhao,
Cunjin Zhang and
Guanghui Li
编辑推荐:
摘要翻译
当大语言模型(Large Language Models, LLMs)应用于兽医学领域时,常出现严重的幻觉(Hallucination)和逻辑限制问题,特别是在对准确性要求极高的牛病精准诊断中。为应对这一挑战,本研究提出了一种专为乳制品行业设计的知识
摘要翻译
当大语言模型(Large Language Models, LLMs)应用于兽医学领域时,常出现严重的幻觉(Hallucination)和逻辑限制问题,特别是在对准确性要求极高的牛病精准诊断中。为应对这一挑战,本研究提出了一种专为乳制品行业设计的知识图谱检索增强生成(Knowledge Graph Retrieval-Augmented Generation, RAG)框架——GraphRAG-Vet。首先,构建了包含2500个实体和3000个关系(涵盖乳腺炎(Mastitis)和酮症(Ketosis)等奶牛高发病)的领域知识图谱(Domain Knowledge Graph)。其次,设计了语义到Cypher解析模块,从Neo4j数据库中准确检索疾病症状子图(Disease Symptom Subgraphs)。最后,引入硬约束注入机制(Hard Constraint Injection Mechanism),强制大语言模型严格按照检索到的图谱上下文生成诊断结果,从而实现对非相关查询的“拒绝回答”功能。实验结果显示,与基线大语言模型相比,GraphRAG-Vet在核心传染病诊断中实现了100%的准确率,且幻觉率接近零。本研究为自动化兽医咨询提供了一种可靠、低资源的解决方案。
论文解读
全球乳制品产业作为农业经济的支柱,提供了全球超过15%的膳食蛋白质。随着2050年全球人口预计达到97亿,对高质量乳制品的需求迅速增长。然而,集约化畜牧养殖加剧了疾病流行,乳腺炎、酮症和牛呼吸道疾病(Bovine Respiratory Disease, BRD)等高发病理不仅损害动物福利,还导致每年超过300亿美元的全球经济丧失,主要源于产奶量下降、废弃牛奶和兽医费用。此外,早期误诊常导致抗生素滥用,加剧全球抗菌素耐药性(Antimicrobial Resistance, AMR)危机。因此,具备自动化、精准且无创诊断能力的认知性畜牧养殖(Cognitive Livestock Farming, CLF)系统已从技术 novelty 转变为关键行业需求。
过去十年中,精准畜牧养殖(Precision Livestock Farming, PLF)在“感知”(Perception)方面取得显著进展,物联网(Internet of Things, IoT)传感器和计算机视觉(Computer Vision, CV)算法能有效监测反刍时间和步态评分等生理参数。然而,存在显著的“认知鸿沟”(Cognitive Gap):传感器可检测异常(如跛行),但无法独立进行临床推理以识别根本原因(如腐蹄病或 Digital Dermatitis)。传统高维推理依赖兽医专家,但兽医短缺导致诊断延迟。大语言模型(LLMs)如GPT-4和Llama-3在自然语言理解(Natural Language Understanding, NLU)和自然语言生成(Natural Language Generation, NLG)方面表现出色,但部署通用LLMs面临认识论风险,主要是“幻觉”现象。LLMs作为概率标记预测器,面对专业低资源查询时易产生“自信捏造”,一般医学诊断中的幻觉率超过30%,这在奶牛养殖中是不可接受的,可能导致疫情爆发或食品安全违规。
标准检索增强生成(Retrieval-Augmented Generation, RAG)虽能缓解部分幻觉,但基于向量检索的方法在处理医疗诊断所需的“逻辑互连性”时存在局限。诊断本质上是多跳推理过程,向量检索常获取缺乏因果链接的碎片化文本,导致“信息碎片化”和推理次优。为解决这些问题,研究人员提出了GraphRAG-Vet,一种特定的神经符号(Neuro-symbolic)框架。不同于纯数据驱动方法,该方法将LLMs锚定在特定领域的牛知识图谱(Bovine Knowledge Graph, BovineKG)中。通过将非结构化自然语言查询转化为结构化子图检索任务,确保模型输出与验证过的医学事实严格对齐。系统引入硬约束注入机制,作为“临床护栏”,在证据不足时强制模型拒绝查询,从而实现接近零的幻觉率。
作者为开展研究使用的主要关键技术方法包括:首先,基于权威兽医教科书、世界动物卫生组织(World Organisation for Animal Health, OIE)指南及联合国粮食及农业组织(Food and Agriculture Organization of the United Nations, FAO)报告,由三位认证兽医提取并交叉验证,构建包含2500个实体和3000个关系的BovineKG,涵盖疾病、症状和药物三类核心实体;其次,微调基于BERT-base-uncased的领域专用命名实体识别(Named Entity Recognition, NER)模型,从农民自然语言查询中提取兽医核心实体;再次,开发语义到Cypher映射机制,将提取的实体转化为可执行的Cypher查询以从Neo4j数据库检索结构化子图,并设计三层处理机制(LLM自校正循环、实体模糊匹配扩展、硬约束拒绝)以处理查询错误;最后,采用约束感知提示组装策略,通过向量连接角色定义、临床安全约束、图谱检索上下文和用户查询,对LLM解码过程施加硬约束。
研究结果方面,在“核心疾病”(如口蹄疫、乳腺炎和酮症)、“常见疾病”和“详细查询”子集中,GraphRAG-Vet均实现了100%的准确率,且在包含领域外或模糊查询的“边界测试”子集中保持88%的高性能,证明其能有效处理边缘情况而不崩溃或产生幻觉。相比之下,基线模型Qwen-7B在核心诊断中仅达到70%准确率,在安全任务中失败率高达75%(即25%准确率)。在精确率、召回率和F1分数评估中,GraphRAG-Vet表现显著优于基线。消融研究表明,移除硬约束指令会使幻觉率增加15%,证实显式“拒绝指令”和“边界约束”对确保兽医临床应用临床安全性是数学上必要的。定性案例分析显示,系统能正确识别实体、获取结构化子图(如将口蹄疫关联至水泡、高烧、跛行等),并生成基于事实的精确医学回应,避免了参数幻觉。
讨论部分指出,GraphRAG-Vet的100%诊断准确率是在严格控制实验条件下针对特定场景实现的,统计上具有显著性(95%置信区间[99.8%, 100%],卡方检验p < 0.001),但仅适用于BovineKG中定义明确、无症状重叠且关系完全编码的高流行病。88%的边界测试准确率揭示了局限性,包括因空因子图检索导致的查询不完整诊断失败、因多跳推理不足导致的并发症漏诊,以及因知识图谱覆盖不全导致的罕见病部分误诊。然而,尽管在真实农业场景中因查询不完整、高并发症率和罕见病可能导致性能偏差,该模型仍显著优于基线模型。时间延迟分析显示,端到端平均延迟在可接受范围内,文本到Cypher转换步骤占知识检索模块总延迟的约66.8%,但仍在工业部署可接受范围内。
结论部分总结,本研究提出的GraphRAG-Vet通过弥合随机大语言模型与确定性知识图谱之间的“认知鸿沟”,实现了可验证、无幻觉的诊断系统。技术上,引入了优于传统向量搜索的Cypher检索协议语义扩展;实践中,系统在核心疾病诊断中达到100%准确率,并在处理边缘案例时表现出 Superior 安全性。未来研究将扩展BovineKG本体以整合多模态数据,如瘤胃pH传感器日志和视频步态分析,通过松散耦合方式引入生理指标和视觉特征提取结果等新实体类,建立多源证据融合推理机制,以实现无明显临床症状前的预警和精准诊断,进一步推动认知畜牧养殖系统的发展与实施。本研究发表在《Computers》期刊。