基于社区的多层次摘要策略。类似于医学综述文章，从概括性的疾病描述到具体的治疗案例详细讲述，Graph RAG通过从不同层次生成摘要，提供从广泛到具体的多维度信息视角。之所以使用多层次的社区摘要生成，是因为不同层次的摘要可以满足从一般到特定的不同查询需求，提供不同深度的信息视角，帮助用户更好地理解复杂的医学问题。这些子解法形成了一种链条的逻辑链，每个子解法都依赖于前一个解法的输出作为其输入，形成一个

作者的“主动观察”：他们留意到了检索扩展的“宽度”与“深度”这两大主要矛盾点，并从已有文献和方法中发现了“节点级”推理难以兼顾效率和可解释性的症结。作者的“思维模型”在“社区”这种更高层次的图结构上做检索，可以用更少的步骤覆盖更多节点；双阶段剪枝配合社区描述转文本的方式，能减少噪声并保持较好可读性。作者的“提出假设”：基于社区划分的多跳检索路径，一定能在多跳问答场景下带来准确率与效率提升；通过合适

这么多训练素材上哪找呢？：让你找猫，你会先大概想象一下猫是什么样子，当你想象猫的时候，虽然不能完全说清，但你毕竟还是按照一定的规律去找。一张黑白的图片是二维，我们可以直接进行卷积运算，但一张彩色图片，要么先把彩色图片转为黑白图片（三维降到二维），要么把过滤器也上升到三维。每一个卷积层识别一种特定规模的图形模式，后面一层只要在前面一层的基础上进行识别，这就解决了 “看什么” 和 “往哪看” 的问题。

MedCLIP 方法通过一种创新的方式，使得我们可以使用更多以前无法使用的数据，同时减少了假阴性错误判断的情况，从而提高了医学图像分析的准确性和效率。现有的视觉-文本对比学习，如CLIP的目标是匹配配对的图像和标题嵌入，同时将其他嵌入推开，这改善了表示的可转移性并支持零样本预测。但如果这些图像和文本来自不同的数据集（比如不同的患者），即使它们显示的是相同的病症（如肺炎），模型也会认为它们是不相关的

这个框架的重要性在于它为构建专业领域的知识服务提供了一个可行的方案，既保持了大语言模型的灵活性，又具备了知识图谱的精确性和可解释性。通过将结构化的知识图谱推理与传统检索相结合，KAG能够实现更准确和更有逻辑性的响应，特别是在需要多跳推理的复杂领域特定查询方面。KAG 目标是在专业领域内实现准确的事实性回答和报告生成，融合不同层级知识创建从严格到宽松的决策范式。与主要依赖向量相似度的传统RAG不同，

假设一家医院希望利用深度学习模型识别和分类患者的胸部X射线图像，特别是能够同时识别多种肺部疾病的共存，如肺炎和肺癌。这种方法使模型能够准确识别并分类图像中的多种疾病，如正确区分并同时识别存在于同一患者图像中的肺炎和肺癌。通过GANDALF方法，该医疗中心的机器学习模型能够更有效地识别和分类胸部X射线图像中的多种疾病。模型不仅学习从单一病变中识别疾病，还能识别多疾病共存的复杂情况，大大提高了诊断的准

阿尔茨海默病新药Aducanumab的疗效”“急性ST段抬高型心肌梗死PCI适应症”“3天前发热，昨天出现皮疹，今天关节痛”“血常规+心电图+胸片异常的综合分析”“患者本次住院与上次住院的病情对比”“CAR-T治疗血液肿瘤的最新进展”“胸痛+呼吸困难+D-二聚体升高”“糖尿病肾病的ACE抑制剂应用”“急性ST段抬高型心肌梗死治疗”“65岁男性心房颤动治疗方案”“罕见遗传病XYZ的治疗方案”“心电图

阿尔茨海默病新药Aducanumab的疗效”“急性ST段抬高型心肌梗死PCI适应症”“3天前发热，昨天出现皮疹，今天关节痛”“血常规+心电图+胸片异常的综合分析”“患者本次住院与上次住院的病情对比”“CAR-T治疗血液肿瘤的最新进展”“胸痛+呼吸困难+D-二聚体升高”“糖尿病肾病的ACE抑制剂应用”“急性ST段抬高型心肌梗死治疗”“65岁男性心房颤动治疗方案”“罕见遗传病XYZ的治疗方案”“心电图

借助医疗知识网络连接各种医疗信息源，把所有医学知识建成一个域（一个中心+N个扩展），使得无损长上下文中稳定管理多维信息，同时解决语义检索捕获不了的长尾关系（不太常见但可能很重要的信息 — 因为长尾知识通常存在于细节和上下文中，而不是简单的实体关系中）。构建一个医疗多智能体问答系统：接收医生的复杂医疗问题，通过多个智能体协作，从知识图谱中检索、验证、整合信息，最终输出准确、可追溯的医疗建议。同时，用

借助医疗知识网络连接各种医疗信息源，把所有医学知识建成一个域（一个中心+N个扩展），使得无损长上下文中稳定管理多维信息，同时解决语义检索捕获不了的长尾关系（不太常见但可能很重要的信息 — 因为长尾知识通常存在于细节和上下文中，而不是简单的实体关系中）。构建一个医疗多智能体问答系统：接收医生的复杂医疗问题，通过多个智能体协作，从知识图谱中检索、验证、整合信息，最终输出准确、可追溯的医疗建议。同时，用