基于检索增强生成技术（RAG）的多模态牙髓病学教育框架开发与评估

本研究针对通用大语言模型（LLMs）在牙髓病学教育中临床准确性不足、缺乏情境化教学的问题，开发了集成2200个多模态知识单元的Endodontics-KB平台及检索增强LLM框架EndoQ。通过专家盲评验证，EndoQ在临床准确性（4.45±0.96）、情境相关性（4.59±0.8）等维度显著优于GPT-4/Qwen2.5/DeepSeek R1，为专科医学教育提供了可扩展的AI增强解决方案。

　　

在数字化医疗教育快速发展的当下，牙髓病学教育正面临独特挑战。传统教学模式依赖单向知识灌输，学生难以将理论知识与根管治疗等实操技能有效结合。尽管大语言模型（LLMs）如GPT-4在通用领域表现优异，但其生成的牙科内容常出现临床指南偏离、缺乏可视化指导等问题，甚至产生危害性"幻觉"（hallucinations）信息。这种现状严重制约了AI技术在专科医学教育中的应用潜力。

北京大学口腔医学院的研究团队开创性地构建了Endodontics-KB多模态知识平台，集成14个PPT课件、12个教学视频及50余张临床图像，通过检索增强生成（Retrieval-Augmented Generation, RAG）技术开发出专科聊天机器人EndoQ。这项发表在《International Journal of Medical Informatics》的研究显示，该系统在11个专家验证问题上的表现全面超越主流模型，特别是决策专业性（4.45±1.06）和语言流畅性（4.86±0.47）指标达到临床教学要求水平。

研究采用三阶段技术路线：首先通过提示工程（prompt engineering）和自洽解码（Self-Consistency decoding）构建层次化知识库；继而开发四阶段RAG工作流，结合阿里云语义嵌入与BM25算法实现混合检索；最终由两名认证牙髓病专家采用5级Likert量表进行盲法评估。关键创新在于将临床指南、操作视频等结构化知识单元通过动态语义索引与LLMs深度整合。

【知识平台构建】
Endodontics-KB平台创新性地采用PPT课件作为框架基础，通过链式思考（Chain-of-Thought）提示生成73个根管治疗知识节点，形成包含2200个图文视频单元的多模态体系。专家评审证实该架构显著提升内容完整性（4.27±0.83），解决传统电子学习资源零散化问题。

【RAG工作流优化】
EndoQ的混合检索策略实现精确率@5达0.80，其查询生成器能动态调整关键词权重，配合Qwen2.5生成的摘要使响应时间缩短40%。相比通用模型，该系统在根管解剖等复杂问题的回答中展现出更优的临床逻辑链。

【多维度性能验证】
在处置根管再治疗等专业场景时，EndoQ的临床准确度（4.45±0.96）显著高于DeepSeek R1（3.05±1.05）。典型案例分析显示，系统能自动关联《牙体牙髓病学》教材内容并嵌入操作视频，实现"理论-视觉-实践"三重认知强化。

该研究证实，领域特异性知识增强可有效解决LLMs在专科教育的三大痛点：通过可追溯引用降低幻觉风险、多模态整合弥补纯文本局限、专业化应答提升教学可信度。尽管当前系统暂限于牙髓病学，但其模块化架构为口腔正畸等相邻学科提供了可迁移范式。未来研究需重点突破自适应学习路径生成技术，并扩大至200+临床问题的验证规模。这项成果不仅推动AI教育工具从"通用助手"向"专科导师"转型，更为 competency-based pedagogy（能力本位教学法）的数字化实施树立了新标杆。