生物医学领域检索增强生成（RAG）综述：技术分类、权衡困境与未来展望

《ARTIFICIAL INTELLIGENCE REVIEW》：Retrieval-augmented generation in biomedicine: a survey of technologies, datasets, and clinical applications

　　

摘要

在生物医学领域，大型语言模型（LLMs）面临着静态参数知识与临床证据的动态性质之间的根本性冲突。检索增强生成（RAG）通过将生成过程基于外部数据进行实现来解决这一问题，但同时引入了延迟和架构方面的新复杂性。本综述通过对比178篇经过筛选的文献，系统总结了2020至2025年间生物医学领域RAG的发展情况，共识别出94项代表性研究，这些研究被分类为简单型RAG（38项，占40.4%）、高级RAG（46项，占48.9%）和模块化RAG（10项，占10.7%）。除了技术分类外，我们还明确了生物医学RAG所面临的三难困境，即推理深度、推理延迟和数据隐私之间的内在权衡，这些因素限制了RAG在临床应用中的普及。我们分析了近期研发的工作流程如何提升诊断推理能力，但同时也可能带来过高的延迟问题；同时探讨了隐私约束如何影响人们在使用强大云模型与本地化解决方案之间的决策。最后，我们指出了多模态RAG在应用中的协调差距，并提出了未来朝着自纠正、可验证的临床辅助系统发展的方向。

在生物医学领域，大型语言模型（LLMs）面临着静态参数知识与临床证据的动态性质之间的根本性冲突。检索增强生成（RAG）通过将生成过程基于外部数据进行实现来解决这一问题，但同时引入了延迟和架构方面的新复杂性。本综述通过对比178篇经过筛选的文献，系统总结了2020至2025年间生物医学领域RAG的发展情况，共识别出94项代表性研究，这些研究被分类为简单型RAG（38项，占40.4%）、高级RAG（46项，占48.9%）和模块化RAG（10项，占10.7%）。除了技术分类外，我们还明确了生物医学RAG所面临的三难困境，即推理深度、推理延迟和数据隐私之间的内在权衡，这些因素限制了RAG在临床应用中的普及。我们分析了近期研发的Workflow如何提升诊断推理能力，但同时也可能带来过高的延迟问题；同时探讨了隐私约束如何影响人们在使用强大云模型与本地化解决方案之间的决策。最后，我们指出了多模态RAG在应用中的协调差距，并提出了未来朝着自纠正、可验证的临床辅助系统发展的方向。