通讯作者: 刘秀峰, liu_xf@gzucm.edu.cn

DOI：10.12201/bmr.202604.00033

Intelligent Q&A Study of Traditional Chinese Medicine for Parkinsons Disease Based on Knowledge Graph and Large Language Modeling

• 摘要：本研究旨在利用知识图谱和大语言模型（LLM）来构建一个基于中医药的智能问答系统，并实现帕金森病中医药治疗的可视化与数据管理。首先，通过收集和处理中医帕金森病医案，使用深度学习技术进行信息抽取，并利用图数据库Neo4j构建了一个中医药治疗帕金森病的知识图谱。知识图谱涵盖了帕金森病的证候类型、方剂、中药、症状等信息，为智能问答系统提供了丰富的结构化数据。其次，采用P-Tuning v2方法对大语言模型进行微调，结合知识图谱来优化问答效果。实验结果表明，与未微调的基础大语言模型相比，微调后的模型（PD-LLM）在回答准确性、流畅性、信息覆盖度等方面均有显著提升。通过本研究，提出的智能问答系统为用户提供了更加智能化和个性化的中医药治疗建议，有助于推广帕金森病的中医药治疗方法。

  关键词： 中医医案；大语言模型；帕金森病；知识图谱; ; ; 

   

  Abstract: This study aims to build an intelligent question-answering system based on Traditional Chinese Medicine (TCM) using knowledge graphs and large language models (LLMs), and to achieve the visualization and data management of TCM treatments for Parkinsons disease. First, by collecting and processing TCM medical case data for Parkinsons disease, deep learning techniques were used to extract information, which was then structured and stored in a Neo4j graph database. The knowledge graph encompasses information such as syndrome types, prescriptions, Chinese herbs, and symptoms, providing a rich source of structured data for the question-answering system. Next, the P-Tuning v2 method was employed to fine-tune the large language model, integrating the knowledge graph to optimize the models question-answering performance. Experimental results show that, compared to the baseline model without fine-tuning, the fine-tuned model significantly improves in terms of accuracy, fluency, and coverage of information. This study proposes an intelligent question-answering system that offers users more personalized and intelligent TCM treatment recommendations, contributing to the promotion of TCM therapies for Parkinson’s disease.

  Key words: TCM medical records; Large language model; Parkinsons disease; Knowledge graph

  提交时间：2026-04-07

  版权声明：作者本人独立拥有该论文的版权，预印本系统仅拥有论文的永久保存权利。任何人未经允许不得重复使用。
• html

• 图表

• 杨亚洲, 郑石林, 周小毅, 章施静, 赵坚. 基于知识图谱的HIV防治大模型RAG问答系统构建研究. 2025. doi: 10.12201/bmr.202511.00061

  李日丽, 潘嘉明, 容世强, 孙晓翠, 易法令. 知识图谱与大语言模型融合在糖尿病健康管理中的应用进展. 2025. doi: 10.12201/bmr.202508.00035

  吕婷钰, 李晓瑛, 刘宇炀, 杜晋华, 李心怡, 罗妍, 唐小利, 任慧玲, 刘辉, 尹浩. 中文医学知识大模型问答语料数据集构建研究. 2024. doi: 10.12201/bmr.202404.00002

  申艳妮, 惠婷. 基于大语言模型的医疗机构图像智能化归档系统设计. 2026. doi: 10.12201/bmr.202602.00047

  马宸睿, 孟子琪, 边新宇, 李玥函, 赵汉青. 基于中成药知识图谱的知识推理及智能推荐. 2024. doi: 10.12201/bmr.202404.00018

  付涛涛, 陈艳梅, 李庆娜, 邵义明, 苏国彬, 弓孟春. 基于《中国药典》的中药知识图谱的构建与应用. 2024. doi: 10.12201/bmr.202407.00039

  牛宇翔, 葛珊衫, 王力华. 从传统NLP到大语言模型电子病历生成技术的探索与研究. 2024. doi: 10.12201/bmr.202412.00080

  陈婕卿, 竹志超, 张锋, 曾可, 姜会珍, 程振宁. 面向知识图谱构建的中文电子病历命名实体识别方法研究. 2023. doi: 10.12201/bmr.202312.00011

  吴欢, 何昆仑. 基于循证医学和电子病历数据的通用医学知识图谱构建. 2024. doi: 10.12201/bmr.202409.00027

  杨丽, 马乐尧, 汪伦, 李露琪, 侯丽. 面向合理用药的药物知识图谱构建及应用研究. 2025. doi: 10.12201/bmr.202511.00051

• 序号	提交日期	编号	操作
  1	2025-12-19	10.12201/bmr.202604.00033V1	下载

• 公开评论  匿名评论  仅发给作者 提交评论