通讯作者: 方安, fang.an@imicams.ac.cn

DOI：10.12201/bmr.202608.00014

Research on pre-examination and triage framework of large language model based on knowledge graph enhancement

• 摘要：目的/意义 基于知识图谱增强的大语言模型技术构建预检分诊框架，以提升预检分诊的智能化水平，改善患者就诊体验。 方法/过程 结合知识图谱与医院科室目录信息，提出一种基于知识图谱增强大语言模型预检分诊框架（KGE-LLM TF），将患者症状描述精准映射至目标医院的具体科室，实现通用知识图谱与异构医院挂号系统间的自适应对接。 结果/结论 实验表明，该框架方法的ACC@1（Top-1准确率）与ACC@3（Top-3准确率）分别达到84.91%与92.45%，在测试中的准确率与F1值优于无知识增强提示方法30%，能够有效处理症状描述模糊、科室名称异构等现实挑战，为智能化预检分诊提供可靠支撑。

  关键词： 医学知识图谱; 知识增强; 大语言模型; 智能分诊

   

  Abstract: Purpose / SignificanceBased on the knowledge graph enhanced large language model technology, a pre-examination and triage framework is constructed to improve the intelligence level of pre-examination and triage and improve the patient ''s experience. Methods / ProcessCombining the knowledge graph and the hospital department directory information, a knowledge graph enhanced large language model pre-examination and triage framework ( KGE-LLM TF ) is proposed to accurately map the patient ''s symptom description to the specific departments of the target hospital, and realize the adaptive docking between the general knowledge graph and the heterogeneous hospital registration system. Results / Conclusion Experiments show that the ACC @ 1 ( Top-1 accuracy rate ) and ACC @ 3 ( Top-3 accuracy rate ) of the framework method reach 84.91 % and 92.45 %, respectively. The accuracy rate and F1 value in the test are better than the non-knowledge enhancement prompt method by 30 %. It can effectively deal with practical challenges such as vague symptom description and heterogeneous department names, and provide reliable support for intelligent pre-examination and triage.

  Key words: Medical Knowledge Graph; Knowledge Enhancement; Large Language Model; Intelligent Triage

  提交时间：2026-08-06

  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

• 梁乐然, 阎誉豪, 唐跃豪, 练洢彤, 徐倩, 杨猛, 伍家亨, 陈振虎, 刘秀峰. 基于知识图谱和大语言模型的中医药治疗帕金森病智能问答研究. 2026. doi: 10.12201/bmr.202604.00033

  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

  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

  王华琼, 俞定国, 钱归平. 基于医学社交媒体数据的多模态知识图谱构建. 2022. doi: 10.12201/bmr.202209.00005

  赵昀彤, 毛阿燕. 基于EOC模型的公共卫生事件知识图谱本体构建研究. 2026. doi: 10.12201/bmr.202602.00051

  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

  刘燕, 张潇潇, 侯丽. 面向知识服务系统的学术知识图谱构建与应用研究. 2024. doi: 10.12201/bmr.202402.00015

  车美龄, 南嘉乐, 林建海, 高东平. 多模态营养知识图谱构建. 2025. doi: 10.12201/bmr.202505.00042

• 序号	提交日期	编号	操作
  1	2026-03-11	10.12201/bmr.202608.00014V1	下载

• 公开评论  匿名评论  仅发给作者 提交评论