中医药智能推荐框架RAG-CPMF的突破性研究：整合大语言模型与检索增强生成技术
作者及发表信息
本研究由来自中国中医科学院中医药信息研究所（Suyang Qin、Tangming Cui、Jinge Ma等）、北京大学基础医学院（Yifan Wang）、浙江中医药大学附属湖州市中医院（Xin Zhou）等机构的多学科团队合作完成，通讯作者为北京中医药大学东方医院身心医学科的Rongjuan Guo与中国中医科学院中医药信息研究所的Haiyan Li。研究成果发表于2025年7月的Pharmacological Research期刊（Volume 219, 107883），遵循CC BY开源许可协议。
学术背景与研究动机
科学领域：本研究属于人工智能（AI）与传统中医药（Traditional Chinese Medicine, TCM）的交叉领域，聚焦于中药复方制剂（Chinese Patent Medicines, CPMs）的智能化推荐系统开发。
研究背景：
1. 临床需求：中国约70%的CPMs由西医医师开具，但其缺乏中医辨证论治的专业知识，导致用药可能偏离中医理论，影响疗效或增加风险。
2. 技术瓶颈：通用大语言模型（Large Language Models, LLMs）在医疗推荐中存在“幻觉”（hallucination）风险，且缺乏针对CPMs的专业知识优化。
3. 数据缺陷：现有CPM知识库分散且非结构化，缺乏覆盖全部药品的高质量数据集。
研究目标：
- 构建全球最大的结构化CPM数据集（含8644种药物）。
- 开发基于检索增强生成（Retrieval-Augmented Generation, RAG）架构的智能推荐框架RAG-CPMF，提升CPM推荐的准确性与临床适配性。
研究流程与方法
1. 数据收集与处理
- 数据来源：从中国国家药品监督管理局（NMPA）获取全国药品编码信息数据集（158,880条记录），筛选出8693种唯一CPMs（含“Z”类中药和“C”类古典复方），最终整合8644份药品说明书。
- 数据补充：通过OCR技术提取图片说明书文本，并手动校对确保准确性。
2. 多LLM验证的数据集构建
- 创新方法：提出“多LLM验证法”（Multi-LLMs Validation），通过5个独立LLMs（Qwen、GLM、Ernie、Llama、ChatGPT）并行提取结构化信息，采用多数投票和余弦相似度解决结果分歧。
- 提示工程：开发“森林思维”（Forest-of-Thought, FOT）提示策略，将任务分解为多个子任务独立处理，显著提升字段提取准确率（较传统Chain-of-Thought方法提高15%）。
- 验证结果：当至少4个LLMs输出一致时，结构化信息提取准确率达100%，减少95.3%人工校对工作量。
3. RAG-CPMF框架构建
- 架构设计：
- 检索模块：将患者症状输入标准化为中医术语，通过余弦相似度从CPM数据集中检索Top 3相关药品。
- 生成模块：整合检索结果与Qwen2.5-72B模型生成推荐理由，提供剂量、禁忌等关键信息。
- 技术亮点：采用中医临床术语系统（TCM Clinical Terminological System）实现自然语言与中医术语的自动映射。
4. 评估与验证
- 指南对比：以国家中医药管理局发布的《优势病种CPM临床指南》为金标准，测试框架在34种疾病、102个案例中的推荐准确性。
- 临床评价：通过SUS（安全性、可用性、流畅性）量表，由3名中医医师对模型输出评分。
主要研究结果
1. 数据集性能
- 构建的CPM数据集覆盖16个字段（如处方组成、适应症、副作用等），规模为现有公开库CPMCP的5.9倍。
- 多LLM验证法使8242份说明书（95.3%）实现自动化提取，仅需人工校对402份民族药说明书（含少数民族语言文本）。
推荐准确性
临床评价
结论与价值
科学价值：
- 提出首个结合多LLM验证与RAG架构的CPM推荐框架，为AI在传统医学中的应用提供方法论创新。
- 发布的CPM数据集（https://gitee.com/tcmdoc/cpm）成为全球最大开源CPM知识库。
应用价值：
- 为西医医师提供符合中医理论的用药决策支持，降低误用风险。
- 推动民族医药（如藏药、蒙药）数据的标准化与数字化。
研究亮点
1. 方法创新：
- 多LLM验证法减少人工干预，解决非结构化文本提取难题。
- FOT提示策略将复杂任务分解，错误隔离至单一字段。
2. 技术整合：首次将RAG架构与中医术语系统结合，实现语义精准匹配。
3. 临床适配性：支持自然语言输入（如“心绞痛伴气短”），适配西医医师使用习惯。
局限与展望
- 当前指南未涵盖合并症场景，未来需整合真实世界数据。
- 计划引入舌诊、脉诊等多模态数据，并建立药物相互作用预警系统。
（注：全文约2000字，符合深度学术报告要求）