综述：HealthQ：揭示LLM链在医疗对话中的提问能力

这篇综述创新性地提出了HealthQ框架，系统评估大语言模型（LLM）医疗链在医患对话中的提问能力，通过检索增强生成（RAG）、思维链（CoT）等技术优化问题生成，结合LLM法官与传统NLP指标（如ROUGE、NER2NER），为数字医疗中的主动问诊提供标准化评估体系。

　　

数字医疗中的智能问诊革命

Abstract
数字医疗领域正迎来一场由大语言模型（LLM）驱动的变革。传统医疗AI多聚焦于问答（QA）系统，而HealthQ框架首次系统评估了LLM医疗链的主动提问能力。通过整合检索增强生成（RAG）、思维链（CoT）和反射链等技术，该研究构建了多维度评估体系，涵盖问题特异性、相关性和信息量等指标，并与ROUGE、NER₂NER等传统自然语言处理（NLP）指标交叉验证。

1. Introduction
医疗AI的瓶颈在于如何模拟医生主动追问的能力。现有研究如MedQA、MedMCQA等基准仅评估静态问答，而HealthQ填补了动态交互评估的空白。研究团队利用ChatDoctor和MTS-Dialog数据集，验证了GPT-4、Claude等模型在生成诊断性问题上的表现，证明高质量提问能显著提升患者信息获取效率。

2. Related Work
2.1 数字医疗干预
可穿戴设备与AI分析的结合已实现远程监测（如Yang et al., 2023^b），但动态问诊仍是难点。
2.2 医疗领域LLM
GPT-4在病历摘要和临床决策支持中表现突出（Nori et al., 2023），但其提问策略缺乏系统评估。
2.3 交互式提问优化
CoT提示和反射链（Wei et al., 2022）能提升问题针对性，而RAG则通过外部知识库增强上下文相关性。

3. Method
3.1 HealthQ框架
通过虚拟患者模拟器生成初始陈述，LLM链基于FAISS向量数据库检索病例，生成问题后由LLM法官从5个维度评分。例如，RAG_reflection_CoT链通过自洽性检查（CoT-SC）将问题特异性评分提升至7.98（GPT-4评估）。
3.2 数据处理
采用Claude-3解析原始病历，构建"患者已知知识K"与"医生目标信息"的配对数据集，确保评估可追溯性。
3.3 基线模型对比
硬编码流程仅得3.69分（覆盖率），而RAG_reflection在NER₂NER_total指标达0.65，证明混合架构的优势。

4. Experiments
4.1 实验设置
使用Mixtral开源模型和Groq平台，测试128例病例。结果显示，RAG_reflection的ROUGE-L F值达0.70，显著高于ReAct链的0.13。
4.3 结果分析
标准化互信息（NMI）显示问题相关性与ROUGE-L召回率强相关（NMI=0.85），而流畅性与NER₂NER_med关联较弱（NMI=0.66），揭示诊断性提问的核心在于精准而非语法。

5. Discussion
5.1 偏差控制
通过多LLM法官交叉验证（GPT-3.5/Claude）降低评估偏差，但临床验证仍是未来重点。
5.2 局限性
依赖模拟患者可能忽略真实医患对话的复杂性，需引入医师参与评估。

6. Conclusion
HealthQ为LLM医疗链的提问能力建立了首个可量化标准，其开源框架（GitHub可获取）将推动AI问诊系统从"被动应答"向"主动探查"转型。未来研究将拓展至多轮对话和专科医疗场景。