医学背景下知识合成的人工智能联合科学家：概念证明

arXiv:2601.11825v1 公告类型：新 摘要：生物医学领域的研究浪费是由冗余研究、不完整的报告以及传统证据合成工作流程的可扩展性有限造成的。我们提出了一个人工智能联合科学家，用于基于群体、干预、比较器、结果和研究设计（PICOS）的明确形式化来进行可扩展和透明的知识合成。该平台集成了关系存储、基于向量的语义检索和 Neo4j 知识图。对痴呆运动和非传染性疾病语料库进行了评估。使用双向长短期记忆基线和从 PubMedBERT 微调的基于变压器的多任务分类器执行自动 PICOS 合规性以及标题和摘要的研究设计分类。全文合成采用混合向量和图形检索的检索增强生成，而 BERTopic 用于识别主题结构、冗余和证据差距。 Transformer 模型的研究设计分类准确率达到 95.7%，与专家注释高度一致，而 Bi-LSTM 的 PICOS 合规性检测准确率达到 87%。对于需要结构化约束、交叉研究集成和基于图形的推理的查询，检索增强生成优于非检索生成，而非检索方法在高级摘要方面仍然具有竞争力。主题建模揭示了大量的主题冗余并确定了尚未探索的研究领域。这些结果表明，PICOS 感知且可解释的自然语言处理可以提高证据合成的可扩展性、透明度和效率。所提出的架构与领域无关，并为减少生物医学学科的研究浪费提供了一个实用的框架。