Agent-RAG + GraphRAG 双框架，让个性化治疗方案准确率高达 100%
1- Agent-RAG + GraphRAG 双框架，让个性化治疗方案准确率高达 100%
论文：Developing an Artificial Intelligence Tool for Personalized Breast Cancer Treatment Plans based on the NCCN Guidelines（arXiv:2502.15698）
关注问题：Agentic-RAG 和 Graph-RAG 在医疗个性化方案治疗上的准确率、幻觉问题，以及医疗指南频繁更新的问题。
1.1- WHY：为什么提出这项研究？
在肿瘤学尤其是乳腺癌临床中，治疗方案需要紧密跟随不断更新的 NCCN 指南，而这些指南内容庞大、更新频率高。
医生常面临以下挑战：
- 信息繁杂、难以及时掌握：NCCN 指南包含大量的诊疗流程、表格、药物组合，且版本更新频繁，临床医生难以全面、及时地查询和整合。
- 个体化医疗需求高：乳腺癌患者的肿瘤类型、分期、基因检测结果等情况差异大，制定专属的治疗方案需要综合多重信息，人工查询时容易遗漏或出错。
- 治疗决策压力大：少数错误或不准确的治疗策略可能显著影响患者预后，甚至带来严重后果。
假如没有参考最新指南，或者只是凭医生个人记忆和过去经验来制定方案，可能出现治疗方案滞后（与新标准不符）、药物不适配（使用了过时或并不适用该分型的药物），甚至对高危因素处理不当。
这种情况下，患者的治疗效果可能受到负面影响。
为此，论文提出了一种能够自动检索、匹配并生成个性化 NCCN 乳腺癌治疗建议的方法，以减轻医生负担、提高诊疗效率和准确率。
方法：两个主要系统 Agentic-RAG 和 Graph-RAG。
数据显示：
- Agentic-RAG：达到 100% 的 NCCN 指南符合率，无幻觉、无错误，主要得益于多轮 LLM 调用和最终的「Insufficiency Check」。
- Graph-RAG：约为 95.8% 的符合率，比 ChatGPT-4（91.6%）还要高；无幻觉，仅出现一次偏差（错过某个治疗选项）。
- ChatGPT-4：作为基线，虽表现不俗，但因没有结构化检索机制，会出现遗漏或缺乏出处引用的问题。
使用 16 个临床场景（不同乳腺癌类型、分期、治疗史）进行测试，每种场景下包含 4 种问法；共计产生了 64 条查询数据。
论文团队将 NCCN 指南中涉及乳腺癌的关键信息（尤其是流程图、诊疗路径、推荐用药等）转化为 JSON 数据格式，最大程度保留了原文献的准确内容，并由人工或专家进行复核，确保所用数据真实、完整。
1.1.1- 主要发现
- Agentic-RAG 在多轮审查机制下，能够 100% 贴合 NCCN 指南（无幻觉、无错误推荐），且数据可溯源能力好，提供了相应的原文出处页码引用。
- Graph-RAG 也能高质量输出治疗方案，并以图结构进行关系管理，但偶尔会因为图谱维度覆盖不全而遗漏个别治疗。
- 相比之下，单纯依赖 ChatGPT-4（91.6%）容易出现遗漏或无引用的情况。
1.2- 解法拆解
1.2.1- 子解法 1：数据预处理（Data Preprocessing）
为什么：NCCN 指南多以 PDF、图表、流程图的形式存在，必须转化为可供检索和结构化的格式（JSON），才能被后续的 RAG 模型有效利用。
具体做法：
- 将 NCCN 指南 PDF 中的文字、表格、流程图等转换为 JSON 格式；
- 每个 JSON 对象/文档记录对应一页或一段 NCCN 信息；
- 便于后续使用 LLM 做基于文本的检索（如语义匹配和索引）。
1.2.2- 子解法 2：Agentic-RAG 方法
为什么：需要在生成治疗方案时做到「多轮自动检查」「自动检索」「逐步完善」，以确保不遗漏任何重要治疗选项，并且对照 NCCN 最新标准避免幻觉。
该子解法又可进一步拆解为 4 个更具体的子步骤：
- (2.1) 标题/主题选择（Title Selection）：需要先确定对患者病情最相关的 NCCN 子章节、标题或主题页面，缩小检索范围，提升准确率。
- (2.2) JSON 检索（JSON Retrieval）：在确定最相关的 NCCN 章节或主题后，到 JSON 数据中精准定位对应的关键信息（如治疗原则、分期、分子分型等）。
- (2.3) 治疗方案初步生成（Treatment Recommendation Generation）：在获取到相关 NCCN 内容后，由 LLM 根据患者信息与检索到的内容「组合」出一个初步的治疗推荐方案。
- (2.4) 不足/遗漏检查（Insufficiency Check）：LLM 生成的内容可能有所遗漏或不够完整，需要再次调用 LLM 对「已生成方案」做对照检查，如果有遗漏则迭代补充，直至完整为止。
1.2.3- 子解法 3：Graph-RAG 方法
为什么：在一些场景下，适合先对医疗文本进行实体识别与关系提取，构建「图数据库」，再基于图数据库做更直观、更可控的查询，以降低遗漏。
该子解法又可拆分为 5 个更具体的子步骤：
- (3.1) NCCN JSON 转文本片段（NCCN JSONs to Text Chunks）：从 JSON 中抽出可读文本分段，便于下一步分析。
- (3.2) 文本片段转医学实体与关系（Text Chunks to Medical Entities and Relationships）：通过实体识别和关系抽取，得到诸如「药物—适应证」「癌症分期—治疗策略」等结构化信息。
- (3.3) 医学实体和关系转图要素（Medical Entities and Relationships to Graph Element Summaries）：将抽取到的实体与关系映射到图数据库的节点和边（Graph Node/Edge），形成半结构化、可检索的知识图谱。
- (3.4) 图要素聚合到社区（Element Summaries to Graph Communities）：有时需要先对分散的关系进行「社区检测」或聚合，最终把相关性强的实体放在同一个「社区」中，便于后续获取。
- (3.5) 社区信息生成最终治疗推荐（Final Treatment Recommendation Generation）：最终基于患者的检索条件，从图社区中提炼关键信息，再结合 LLM 辅助生成文本化的治疗方案。
┌───>【(2) Agentic-RAG 子解法】
│ │
│ ├──> (2.1) 标题/主题选择
│ ├──> (2.2) JSON检索
【数据预处理子解法(1)】───┤ ├──> (2.3) 初步生成治疗方案
│ └──> (2.4) 不足检查与迭代
│
└───>【(3) Graph-RAG 子解法】
│
├──> (3.1) JSON -> 文本片段
├──> (3.2) 文本 -> 实体与关系
├──> (3.3) 实体关系 -> 图要素
├──> (3.4) 图要素 -> 社区汇总
└──> (3.5) 生成最终治疗推荐
举个例子：若有一位乳腺癌患者，分期为 I 期，HER2 阳性，需要辅助治疗方案。
- Agentic-RAG 的流程可能会先识别该患者「乳腺癌 I 期、HER2 阳性」→ 检索到 NCCN 指南中相应标题（辅助治疗章节）→ 抓取 JSON → 生成治疗方案 → 做不足检查，发现缺少针对 HER2 阳性患者的靶向治疗说明，再次补充。
- Graph-RAG 的流程则先把所有 NCCN 的文本转换成实体（如「HER2 阳性」「辅助治疗」）及关系，然后在知识图谱里查找与「乳腺癌 I 期、HER2 阳性」相关的节点边，再拼接成推荐方案。
1.3- 论文核心点
├── Abstract【论文概述】
│ ├── 阐述全球癌症负担不断上升【背景问题】
│ ├── 强调NCCN指南在癌症治疗中的地位【指南重要性】
│ ├── 指出整合大量临床与研究数据的挑战【问题难点】
│ └── 提出基于NCCN的AI辅助决策工具【研究目标】
├── 1. Introduction【研究背景与意义】
│ ├── 全球癌症发病率与死亡率持续增长【宏观背景】
│ ├── 个性化治疗需求对医生提出更高数据处理要求【临床痛点】
│ ├── NCCN指南以流程图形式呈现多肿瘤诊疗路径【指南特点】
│ └── 指南更新频繁导致临床医师难以及时追踪【问题描述】
├── 1.1. Related Work【相关研究综述】
│ ├── AI与NLP在肿瘤学决策支持领域的发展【技术背景】
│ ├── 大模型（LLMs）在医学文本理解与生成中的潜力【新兴应用】
│ └── 大模型的局限：可能出现幻觉、信息更新不及时【问题与挑战】
├── 2. Methodology【研究方法】
│ ├── 2.1. Data Preprocessing【数据预处理】
│ │ └── 将NCCN指南PDF转为JSON以保留关键信息【数据结构化】
│ ├── 2.2. Agentic-RAG【基于检索增强生成的方案一】
│ │ ├── Title Selection【从NCCN标题中定位相关主题】
│ │ ├── JSON Retrieval【检索对应页面的JSON数据】
│ │ ├── Treatment Recommendation Generation【生成结构化治疗建议】
│ │ └── Insufficiency Check【检查并迭代完善推荐方案】
│ └── 2.3. Graph-RAG【图结构化的方案二】
│ ├── 从文本拆分到医疗实体与关系【实体抽取】
│ ├── 构建图并根据图社区进行信息总结【知识图谱】
│ └── 最终基于图查询产出治疗推荐【图检索生成】
├── 3. Experimental Setup【实验设置】
│ ├── 3.1. Patient Descriptions and Query Variations【患者描述与问题类型】
│ │ └── 针对16种场景、4类提问方式进行测试【多样性评估】
│ └── 3.2. Evaluation Criteria【评估指标】
│ ├── 是否遗漏正确治疗【缺失判断】
│ ├── 是否产生不必要或错误治疗【准确性判断】
│ └── 是否遵循NCCN推荐顺序【流程合规性】
├── 4. Results and Discussion【结果与讨论】
│ ├── 4.1. System Performance【系统性能比较】
│ │ ├── Agentic-RAG：100%遵循NCCN，无错误与遗漏【高准确性】
│ │ ├── Graph-RAG：95.8%遵循率，偶有遗漏【结构化优势】
│ │ └── ChatGPT-4：91.6%遵循率，缺少部分细节【通用模型表现】
│ └── 4.2. Key Findings【主要发现】
│ ├── 三种系统均无「幻觉」治疗【安全性评估】
│ ├── Agentic-RAG可提供详尽出处【可追溯性】
│ ├── Graph-RAG基于知识图谱的引用关系【可视化结构】
│ └── ChatGPT-4缺乏精确文献定位【透明度不足】
├── 5. Conclusion【结论】
│ ├── 两种RAG方法显著提升治疗建议的准确度与透明度【研究贡献】
│ ├── 强调与临床医生协作的重要性【实践价值】
│ └── 实际部署中需考虑持续更新与模型迭代【应用拓展】
└── 5.1. Clinical Impact and Future Directions【临床影响与展望】
├── 将系统融入临床工作流程以减轻医师负担【临床整合】
├── 扩展至更多癌种及多维度患者数据【推广与适应性】
└── 建立与电子病历系统（EHR）的对接及合规管理【落地实施】
1.4- 核心方法速览
┌───────────────────────┐
│ 输入： │
│ 1) NCCN原始PDF / JSON │
│ 2) 患者描述 & 查询问题 │
└───────────────────────┘
│
┌─────────────────────────────────────────────────────────────────────┐
│ 【并行或可独立采用】 │
│ 【Agentic-RAG 流程】 【Graph-RAG 流程】
│ (LLM V1, etc.)
│
┌────────────▼────────────┐ ┌───────────────────────────────┐
│ [2.2.1] Title Selection │【标题选取】 │ [2.3] Step 1: NCCN JSONs → │
│ 使用GPT-4o对患者描述和 │───────────────────────────────────────────▶【NCCN文本切分】 │
│ 问题进行语义分析，找到 │ │ Text Chunks │
│ 最相关的临床标题 │ │ 把JSON转成分块的文本，方便 │
└────────────▲────────────┘ │ 后续的实体和关系抽取 │
│【选中标题】（根据标题） └───────────┬─────────────────────┘
┌────────────▼────────────┐ │【文本块】（文本分块后传递）
│ [2.2.2] JSON Retrieval │【内容检索】 │
│ 根据选出的标题，从NCCN │────────────────────────────────────────┌───────────────────────────────┐
│ 的JSON数据集中检索对应 │ │ [2.3] Step 2: Text Chunks → │
│ 页面内容 │ │ Medical Entities │
└────────────▲────────────┘ │ & Relationships │
│【检索到的 JSON】（检索到的JSON） │【实体与关系】（实体与关系抽取）│
┌────────────▼────────────┐ │ 使用NLP方法(如NER、关系抽取)│
│ [2.2.3] Treatment │【生成治疗推荐】 │ 对文本中的医疗实体(病症、药物│
│ Recommendation │────────────────────────────────────────┤ 治疗方式等)及它们的关系进行识│
│ Generation │ │ 别与构建 │
│ 第二次LLM调用(o1-preview) │ └───────────┬─────────────────────┘
│ 生成结构化的治疗方案 │ │【实体与关系】（得到实体及关系）
└────────────▲────────────┘ │
│【方案草稿】（治疗方案草稿） │
┌────────────▼────────────┐ ┌───────────────────────────────┐
│ [2.2.4] Insufficiency │ │ [2.3] Step 3: Medical Entities│
│ Check │【不足检查】 │ & Relationships → Graph │
│ 第三次LLM调用，对生成的 │────────────────────────────────────────▶│ Element Summaries │
│ 治疗方案进行检查：是否 │ │【图元摘要】 │
│ 还有缺失或不一致 │ │ 将实体和关系组织成图结构里的 │
└────────────▲────────────┘ │ 元素信息，并提炼摘要 │
│【不足则修正】（若不足则返回修正） └───────────┬─────────────────────┘
│ │【图元素】（图元素信息）
│ ▼
│ ┌────────────────────────────────────┐
│ │ [2.3] Step 4: Element Summaries → │
┌────────────▼─────────────────────────────────┐ │ Graph Communities │
│ 最终输出: 「Agentic-RAG 产出的个性化治疗方案」│ │【图社区构建】 │
└───────────────────────────────────────────────┘ │ 根据相似或关联的图元素，将其划分为 │
│ 不同社区(子图) │
└───────────┬─────────────────────────┘
│【社区】（社区划分结果）
▼
┌────────────────────────────────────┐
│ [2.3] Step 5: Graph Communities → │
│ Community Summaries │
│【社区摘要】 │
│ 进一步对每个社区进行总结与凝练， │
│ 准备好可直接用于回答的关键信息 │
└───────────┬─────────────────────────┘
│【社区摘要】（社区合并后的信息）
▼
┌────────────────────────────────────┐
│ [2.3] Step 6: Final Treatment │
│ Recommendation Generation │
│【最终生成治疗推荐】 │
│ 将社区摘要和用户的具体问题结合， │
│ 调用LLM或规则来输出最终推荐 │
└───────────┬─────────────────────────┘
│
▼
┌────────────────────────────────────────────────┐
│ 最终输出: 「Graph-RAG 产出的个性化治疗方案」 │
└────────────────────────────────────────────────┘
├── 2. Methodology【研究核心方法】
│ ├── [输入] NCCN指南PDF与患者描述【原始数据来源】
│ │ └── [处理] 通过Data Preprocessing阶段将PDF转换为JSON【数据结构化】
│ │ ├── 使用OCR或PDF解析工具【技术手段】
│ │ └── 将表格、流程图等可视化信息分割成JSON对象【细粒度拆分】
│ └── [输出] 结构化NCCN数据（JSON格式）与待诊断的患者信息【预处理结果】
│
│ ├── 2.2. Agentic-RAG【方法一：检索增强生成】
│ │ ├── 2.2.1 Title Selection【标题选择】
│ │ │ ├── [输入] 患者描述与问题【上下文】
│ │ │ ├── [处理] 使用 GPT-4o 等 LLM 根据患者描述匹配 NCCN 相关标题【语言模型推理】
│ │ │ └── [输出] 最相关的标题列表（如「手术方案」「化疗方案」等）【结果筛选】
│ │ ├── 2.2.2 JSON Retrieval【JSON检索】
│ │ │ ├── [输入] 选出的标题列表【匹配条件】
│ │ │ ├── [处理] 基于索引或数据库，检索对应的JSON片段【文本检索技术】
│ │ │ └── [输出] 与标题相对应的NCCN内容JSON【检索结果】
│ │ ├── 2.2.3 Treatment Recommendation Generation【生成治疗建议】
│ │ │ ├── [输入] 与标题匹配的JSON数据【临床文本】
│ │ │ ├── [处理] 第二次 LLM 调用：编写 Prompt 生成结构化治疗方案【语言模型生成】
│ │ │ └── [输出] 初步的治疗推荐，包括用药、手术、放化疗等【初步方案】
│ │ └── 2.2.4 Insufficiency Check【检查与迭代完善】
│ │ ├── [输入] 初步治疗推荐【待验证方案】
│ │ ├── [处理] 第三次 LLM 调用：根据预定义医学要点检查推荐内容是否完整【模型审查】
│ │ └── [输出] 若发现遗漏或不充分，则迭代完善；若充分则输出最终方案【最终方案】
│
│ └── 2.3. Graph-RAG【方法二：基于图结构化】
│ ├── (1) NCCN JSONs to Text Chunks【文本拆分】
│ │ ├── [输入] 结构化的NCCN JSON【数据来源】
│ │ ├── [处理] 根据逻辑段落或主题，将 JSON 转换为可供 LLM 处理的文本片段【文本分块技术】
│ │ └── [输出] 若干文本块【细粒度输入】
│ ├── (2) Text Chunks to Medical Entities and Relationships【实体与关系抽取】
│ │ ├── [输入] 文本片段【待处理内容】
│ │ ├── [处理] 利用 NER（命名实体识别）及关系抽取模型，标注治疗手段、适应症等【信息抽取】
│ │ └── [输出] 医学实体与它们之间的临床关系列表【结构化信息】
│ ├── (3) Medical Entities and Relationships to Graph Element Summaries【图节点总结】
│ │ ├── [输入] 实体及关系【抽取结果】
│ │ ├── [处理] 将这些实体和关系映射为知识图谱的节点与边，并进一步调用 LLM 进行摘要【图构建 + 摘要】
│ │ └── [输出] 每个图节点的简要说明【图元素概要】
│ ├── (4) Element Summaries to Graph Communities【图社区划分】
│ │ ├── [输入] 节点概要与关系网络【知识图谱】
│ │ ├── [处理] 根据病理类型、治疗阶段等进行子图或社区划分【图算法或聚类方法】
│ │ └── [输出] 各子图对应的分组或社区【社区结构】
│ ├── (5) Graph Communities to Community Summaries【社区总结】
│ │ ├── [输入] 社区划分后的子图【图社区】
│ │ ├── [处理] 继续调用 LLM 或其他文本摘要方法，概括每个子图中关键治疗信息【分组总结】
│ │ └── [输出] 不同病情、不同阶段的关键治疗要点【图社区总结】
│ └── (6) Final Treatment Recommendation Generation【生成最终推荐】
│ ├── [输入] 用户查询（如患者描述）与社区总结【信息源】
│ ├── [处理] 通过查询映射到相应的图社区，并综合关键要点生成治疗方案【图查询 + 生成】
│ └── [输出] 针对患者情况的个性化治疗推荐【最终方案】
│
└── [整体衔接]
├── 数据预处理为两种RAG方案提供JSON及文本片段【数据源头】
├── Agentic-RAG与Graph-RAG均使用LLM完成信息抽取与生成【语言模型支撑】
└── 最终输出个性化且可追溯的NCCN治疗建议【临床应用价值】
参考来源
- 论文原文：Developing an Artificial Intelligence Tool for Personalized Breast Cancer Treatment Plans based on the NCCN Guidelines（Abdul M. Mohammed 等，arXiv:2502.15698）：https://arxiv.org/abs/2502.15698