1. 假设驱动的检索增强:HCQR方法解析
在信息检索与决策支持领域,传统检索增强生成(RAG)系统面临一个根本性挑战:它们通常基于单一查询返回与问题主题相关的文档,但这些文档未必能有效支持具体决策。这个问题在医疗诊断等高风险决策场景中尤为突出——医生需要的不是关于"肺病"的泛泛而谈,而是能明确区分"肺结核"与"结节病"的关键证据。
HCQR(Hypothesis-Conditioned Query Rewriting)框架的创新之处在于,它将人类专家的假设驱动思维过程形式化为可计算的检索策略。当一位经验丰富的医生面对复杂病例时,会先形成初步诊断假设,然后有针对性地寻找支持或否定该假设的特定证据。HCQR正是模拟了这一认知过程。
1.1 传统RAG的决策局限性
现有RAG系统在选择题场景中的主要缺陷表现在三个维度:
-
主题漂移现象:当查询"65岁男性呼吸困难伴肺门淋巴结肿大诊断"时,系统可能返回大量关于呼吸系统疾病的概述性文献,却很少包含直接比较结节病与肺结核鉴别要点的内容。研究表明,这类"相关但非决策有用"的文档占比高达70%。
-
证据分散效应:关键区分特征往往分散在不同文档中。例如,诊断结节病的重要标志" angiotensin-converting enzyme (ACE)水平升高"可能出现在生化指标文献中,而"非干酪样肉芽肿"的组织学特征则出现在病理学资料里。
-
假设盲区:系统缺乏明确的假设导向,可能忽略否定性证据。传统方法会平等对待所有检索结果,而医生实际上更关注能验证或推翻主要假设的证据。
临床决策研究显示,专家医师在诊断过程中会分配68%的注意力给支持主要假设的证据,25%给替代假设,仅7%给无关信息。这种注意力分配模式正是HCQR试图复现的。
1.2 HCQR的三阶段认知模拟
HCQR框架的每个组件都对应着人类决策的关键认知功能:
**假设生成器(Hypothesis Formulator)**模拟专家快速形成初步判断的能力。对于肺门淋巴结肿大的病例,它可能基于"年龄+双侧对称性+全身症状"的组合,快速锁定结节病为最可能诊断(y₀),同时识别出"血清ACE水平"和"Kveim试验"作为关键验证特征(f)。
**查询重写器(Query Rewriter)**则体现专家设计搜
