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。
为此，论文提出了一个，能够自动检索、匹配并生成个性化的 NCCN 乳腺癌治疗建议，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（约 94%）还要高；仅出现一次遗漏（错过了某治疗选项），无幻觉。
- ChatGPT-4 作为基线，虽表现不俗，但因没有结构化检索机制，会出现遗漏或不够精确的问题。
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。
主要发现:
1. 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；
2. Graph-RAG 也能高质量输出治疗方案，并以图结构进行关系管理； 偶尔会因为图谱维度覆盖不全而遗漏个别治疗
3. 相比之下，单纯依赖 ChatGPT-4 （94%）容易出现遗漏或无引用的情况。
1. 子解法1：数据预处理（Data Preprocessing）
- 之所以用数据预处理子解法，是因为：NCCN指南多以PDF、图表、流转流程的形式存在，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：
1. 将NCCN指南PDF中的文字、表格、流程图等，转换为JSON格式；
2. 每个JSON对象/文档记录对应一页或一段NCCN信息；
3. 便于后续使用LLM来做基于文本检索（如语义匹配和索引）的工作。
2. 子解法2：Agentic-RAG 方法
- 之所以用Agentic-RAG子解法，是因为：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，并且要对照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：
1. (2.1) 标题/主题选择（Title Selection）
- 之所以用标题选择子解法，是因为：需要先确定对患者病情最相关的NCCN子章节、标题或者主题页面，然后再缩小检索范围，提升准确率。
2. (2.2) JSON检索（JSON Retrieval）
- 之所以用JSON检索子解法，是因为：在上一步确定了最相关的NCCN章节或主题后，需要到JSON数据中去精准定位对应的关键信息（如治疗原则、分期、分子分型等）。
3. (2.3) 治疗方案初步生成（Treatment Recommendation Generation）
- 之所以用初步生成子解法，是因为：在获取到相关NCCN内容后，需要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。
4. (2.4) 不足/遗漏检查（Insufficiency Check）
- 之所以用不足检查子解法，是因为：LLM 生成的内容可能有所遗漏或不够完整，需要另一次LLM调用对“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。
3. 子解法3：Graph-RAG 方法
- 之所以用Graph-RAG子解法，是因为：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：
1. (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。
2. (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. (3.3) 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。
4. (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。
5. (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。
├── 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】
┌───────────────────────┐│ 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 │ │ [2.3] Step 1: NCCN JSONs → ││ 使用GPT-4对患者描述和 │【标题选取】 │ Text Chunks ││ 问题进行语义分析，找到 │───────────────────────────▶【NCCN文本切分】 ││ 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 ││【XXX】（根据标题） └───────────┬─────────────────────┘┌────────────▼────────────┐ │【XXX】（文本分块后传递）│ [2.2.2] JSON Retrieval │ ││ 根据选出的标题，从NCCN │【内容检索】 ▼│ 的JSON数据集中检索对应 │────────────────────────────────────────┌───────────────────────────────┐│ 页面内容 │ │ [2.3] Step 2: Text Chunks → │└────────────▲────────────┘ │ Medical Entities ││【XXX】（检索到的JSON） │ & Relationships │┌────────────▼────────────┐ │【实体与关系抽取】 ││ [2.2.3] Treatment │【生成治疗推荐】 │ 使用NLP方法(如NER、关系抽取)││ Recommendation │────────────────────────────────────────┤ 对文本中的医疗实体(病症、药物││ Generation │ │ 治疗方式等)及它们的关系进行识││ 第二次LLM调用(如GPT-4) │ │ 别与构建 ││ 生成结构化的治疗方案 │ └───────────┬─────────────────────┘└────────────▲────────────┘ │【XXX】（得到实体及关系）│【XXX】（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 ││【XXX】（若不足则返回修正） └───────────┬─────────────────────┘│ │【XXX】（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) │└───────────┬─────────────────────────┘│【XXX】（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 │└───────────┬─────────────────────────┘│【XXX】（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-4或等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】
