Resumo Técnico: MAP-RAG

Declaração do Problema

A integração de Modelos de Linguagem de Grande Escala (LLMs) no suporte à decisão clínica enfrenta duas barreiras primárias: a propensão a alucinações (gerar informações médicas plausíveis, mas factualmente incorretas) e a utilização ineficiente de informações estruturadas em Registros Eletrônicos de Saúde (EMRs). As abordagens tradicionais de Geração Aumentada por Recuperação (RAG) frequentemente tratam os EMRs como fluxos de texto planos e unidimensionais. Essa abordagem de "correspondência de texto difusa global" falha em respeitar os padrões inerentes de raciocínio clínico, fazendo com que pistas diagnósticas essenciais (ex: resultados de exames específicos ou queixas principais) sejam diluídas por ruído de fundo. Além disso, sistemas existentes têm dificuldade em se adaptar à lógica diagnóstica distinta de diferentes especialidades médicas (ex: oftalmologia baseando-se em exames vs. clínica geral baseando-se em histórico) e frequentemente aplicam um processo de raciocínio uniforme e computacionalmente caro para todos os casos, levando a latência desnecessária e desperdício de recursos.

Metodologia

Os autores propõem o MAP-RAG (Multi-View Adaptive Pattern-Aware Medical Retrieval-Augmented Generation), um framework projetado para alinhar a recuperação e a geração com os padrões de raciocínio clínico. O sistema é construído sobre um conjunto de dados de 140.000 registros ambulatoriais desidentificados do Primeiro Hospital Popular Municipal de Xuzhou. A arquitetência consiste em quatro módulos sinérgicos:

1. Desconstrução Multi-Visão e Construção de Base de Conhecimento:
   Em vez de fragmentação mecânica, o framework desconstrói registros médicos não estruturados em módulos semânticos independentes baseados na lógica clínica: Queixa Principal, Histórico Médico, Exame e Visão Global. Essas visões são codificadas usando o modelo de embedding BGE-M3 em vetores de alta dimensão e armazenadas em um banco de dados vetorial FAISS, enriquecidas com metadados incluindo rótulos de departamento para rastreabilidade.

2. Recuperação Híbrida Adaptativa Multi-Visão:
   O sistema emprega uma estratégia de recuperação de canal duplo heterogênea:

   • Canal Esparso: Utiliza BM25 para correspondência lexical para capturar termos médicos raros e valores numéricos precisos.
   • Canal Denso: Utiliza BGE-M3 para correspondência de vetores semânticos.
   • Fusão de Peso Adaptativa: Uma matriz de peso dinâmica ajusta a contribuição de cada visão e canal com base no departamento de visita específico (ex: priorizando visões de exame para oftalmologia e histórico para clínica geral). Isso evita o "efeito de diluição de atenção", onde sinais fundamentais são perdidos em textos longos.

3. Reclassificação Pesada Multi-Estratégia e Roteamento de Confiança Dinâmico:

   • Reclassificação (Re-ranking): As pontuações iniciais de recuperação são ajustadas usando priors clínicos (frequência diagnóstica derivada do conjunto de dados) e regras heurísticas de departamento para alinhar-se com as realidades epidemiológicas.
   • Roteamento Dinâmico: Um Score de Confiança do Sistema ($C_{score}$) é calculado com base no melhor match de recuperação, consenso entre os top-3 resultados e diferenças marginais de pontuação. Este score determina o caminho de geração:
     • Alta Confiança ($C_{score} > 0,85$): Votação ponderada direta dos casos recuperados (ignorando o LLM).
     • Média Confiança ($0,5 < C_{score} \le 0,85$): Geração padrão usando um prompt otimizado com evidências recuperadas.
     • Baixa Confiança ($C_{score} \le 0,5$): Raciocínio profundo usando prompts de Cadeia de Pensamento (Chain-of-Thought - CoT) para casos complexos ou raros.

4. Padronização de Saída Pós-Processamento:
   Diagnósticos em texto livre gerados são mapeados para códigos ICD-10 através de um pipeline em cascata envolvendo denoising por regex, correspondência exata, mapeamento de aliases e validação difusa. Um mecanismo de fallback alinha saídas anormais com diagnósticos padrão históricos, garantindo a aplicabilidade clínica.

O sistema utiliza o Qwen2.5-32B como motor generativo, implantado localmente para garantir a privacidade dos dados.

Principais Contribuições

• Desconstrução Multi-Visão: Vai além da recuperação de texto plano ao simular a lógica de diagnóstico clínico para decompor registros em visões estruturadas, melhorando significamente a captura de pistas diagnósticas fundamentais.
• Ponderação Adaptativa por Departamento: Introduz um mecanismo para ajustar dinamicamente as prioridades de recuperação com base na especialidade médica específica, abordando a heterogeneidade das dependências diagnósticas entre departamentos.
• Roteamento de Confiança Dinâmico: Implementa uma estratégia de geração hierárquica que roteia casos para diferentes profundidades de raciocínio (votação, geração padrão ou CoT profundo) com base na qualidade da evidência, equilibrando precisão com eficiência computacional.
• Saída Clínica Padronizada: Integra um robusto pipeline de pós-processamento para mapear as saídas do LLM para os padrões ICD-10, preenchendo a lacuna entre o raciocínio da IA e os sistemas de informação hospitalar.

Resultados

O framework foi avaliado em três conjuntos de teste independentes: Clínica Geral (GP), Oftalmologia (Oph) e Medicina Interna (IM).

• Precisão Diagnóstica: O MAP-RAG alcançou acurácias Top-3 de 79,60% (GP), 80,69% (Oph) e 87,80% (IM). Estes resultados superaram as linhas de base sem recuperação (Direta, CoT) e métodos RAG convencionais (Naive RAG, Long-Context RAG, Hybrid RAG).
• Estudos de Ablação: A remoção da recuperação externa causou a queda mais significativa de desempenho (a acurácia Top-3 caiu para 52,80%). A remoção da desconstrução multi-visão reduziu a acurácia Top-3 para 75,90%, confirmando a importância da decomposição estruturada de registros.
• Eficiência: A estratégia de roteamento de confiança dinâmica reduziu o consumo de tokens de saída em 32,7% e a latência de raciocínio de ponta a ponta em 8,5% em comparação com um pipeline de raciocínio estático e uniforme, sem comprometer o desempenho diagnóstico.
• Seleção de Modelo: Experimentos indicaram que o Qwen2.5-32B ofereceu um melhor equilíbrio entre seguimento de instruções e utilização de evidências do que modelos maiores (ex: Qwen2.5-72B, Llama3.1-70B) neste contexto específico de RAG.

Significância e Alegações

O artigo afirma que o MAP-RAG fornece uma solução prática e escalável para o suporte à decisão clínica interdepartamental ao alinhar a recuperação e a geração da IA com os padrões de raciocínio clínico humano. Os autores argumentam que a precisão diagnóstica em RAG médico depende mais do método de organização da evidência externa e do design do sistema (como desconstrução multi-visão e roteamento adaptativo) do que da escala bruta de parâmetros do LLM subjacente.

O framework é apresentado como um passo para reduzir as taxas de erro diagnóstico e aliviar a carga cognitiva dos clínicos, particularmente em ambientes de alta concorrência, como departamentos de emergência e ambulatoriais. Os autores mantêm uma postura modesta, observando que o estudo atual é limitado aos dados de um único hospital e que validações externas e ensaios clínicos prospectivos são necessários para confirmar a eficácia do sistema no mundo real e sua capacidade de reduzir diagnósticos perdidos.