DKG-LLM : A Framework for Medical Diagnosis and Personalized Treatment Recommendations via Dynamic

一、文章主要内容总结

本文提出了DKG-LLM框架，旨在通过动态知识图谱（DKG）与大型语言模型（LLM，具体采用Grok 3）的融合，解决医疗诊断与个性化治疗推荐领域的核心挑战，具体内容可从以下维度展开：

1. 研究背景与问题

• LLM的优势与局限：大型语言模型（如Grok 3）在自然语言处理任务中表现出色，能高效处理非结构化医疗文本（如临床报告、PubMed论文），但缺乏透明推理能力，在医疗场景中易产生不一致输出。
• 传统知识图谱的不足：静态知识图谱（如UMLS）难以实现动态更新与规模扩展，无法及时整合新医疗数据（如新型疾病、治疗方案）；规则系统同样存在灵活性差的问题。
• 医疗数据特性挑战：医疗数据具有异构性（结构化病历、非结构化文献）、噪声性（模糊临床记录）和复杂性（多症状共病，如糖尿病合并高血压），现有方法难以兼顾准确性与实时性。

2. 框架核心构成

DKG-LLM框架包含三大核心组件，通过自适应语义融合算法（ASFA） 实现协同工作：

组件	功能描述
动态知识图谱（DKG）	初始包含13类节点（疾病、症状、治疗方案、患者档案等）共15,