npj 研究：常规 RAG 把 20.69% 原本答对的肿瘤指南题改错，SMART-RAG 准确率提升 14.02%

SMART-RAG 发布：结构感知多跳检索把 NCCN 指南问答准确率提高 14.02%，为医疗大模型的检索治理提供参照

数据视角 × 医疗数据从业者 ｜ 影响分析 × AI技术供应商/创业者 ｜ 深度研报

开场：给医疗大模型接上指南检索，在某些题上反而变笨

给大语言模型（Large Language Model, LLM）外接一份临床指南语料，再让它照着检索结果作答，这套检索增强生成（Retrieval-Augmented Generation, RAG）流程已经被写进多数医疗问答系统的默认架构。但刊登在 npj Precision Oncology 的一项研究提醒：这根外接的检索线，并不总是加分项。

论文的页面信息显示，该文于 2025 年 10 月 22 日投稿，2026 年 9 月 28 日接收，2026 年 10 月 14 日发表，数字对象标识符（Digital Object Identifier, DOI）为 10.1038/s41698-026-01749-8。

研究给出的量化图景相当直观：常规 RAG 容易受到检索噪声影响，在多达 20.69% 原本答对的问题上，把预测带偏成错误答案。换言之，一批本可以被模型答对的肿瘤学问题，恰恰因为接上了检索，答案被改错。

研究动机本身并不陌生——用临床指南增强的大模型在医学问答上被普遍看好，但复杂指南的结构化解析与证据检索始终困难。本研报拆解的正是这道难点：检索链路上的工程细节，究竟能在多大程度上改写最终答案的对错。

难点在哪：NCCN 指南满是流程图、表格、注释与交叉引用，证据跨页跨指南分布

本研究的处理对象是美国国立综合癌症网络（National Comprehensive Cancer Network, NCCN）指南。作为一套体量庞大、书写规范的临床指南文本，它的结构复杂度明显高于普通教科书或百科类语料。

难点大致分成两层。

第一层是版面形态。指南里密布流程图、表格、注释与交叉引用，这些要素同正文段落混排，彼此之间存在明确的归属关系。若沿用按字数滑窗的通用切分方式，一条决策分支可能被拦腰截断，一张表格的表头与数据行可能落入不同片段，注释也会和它所修饰的正文失散。

第二层是证据分布。回答一个肿瘤学问题所依赖的判断依据，往往同时跨页、跨指南分布：前一步的答案决定下一步该看哪一节，而那一节可能位于另一份指南的另一页。单轮相似度召回擅长取回局部最像的段落，却不擅长串起这样一条完整证据链。

从数据视角看，这意味着语料工程的评价标尺变了：衡量重点不再是语料是否入库、切片是否够细，而是文档的结构信息有没有被完整带进检索环节。对医疗数据从业者，这是一次工作重心的迁移；对 AI 技术供应商与创业者，它提示了一条不必参与模型参数角力的产品路径。

方法四件套：自动结构解析、带元数据的结构化切分、结构感知重排序、多跳检索

论文提出的框架名为 SMART-RAG，即结构感知多跳增强检索技术（Structure-aware Multi-hop Augmented Retrieval Technique for RAG），一款面向 NCCN 指南的结构感知多跳检索框架。它把上述难点拆成四个依次衔接的环节。

自动化结构解析

先对指南文档做结构化解析，识别出流程图、表格、注释、交叉引用等非连续文本要素的边界与类型，为后续处理提供骨架。这一步解决的是看得懂版面的问题。

带元数据的结构化切分

在结构骨架之上做切分，而不是按固定长度切。切出的每个片段都携带元数据，记录来源页面、所属章节以及与其他片段的引用关系，从而保留各自的上下文坐标。

结构感知重排序

召回候选之后，重排序环节把结构信息纳入打分：与问题所处决策路径相匹配的片段被提上来，仅凭字面相似却在结构位置上被排除的候选则被压低。

多跳检索

对需要跨页、跨指南追踪证据的问题，框架以多跳方式逐段求证，前一跳的结果决定后一跳的检索目标。论文明确写到，该框架支持动态的跨页与跨指南证据追踪。

四件套串起来的逻辑是：先把结构显性化，再让检索沿着结构走，而不是让检索在扁平的文本堆里碰运气。

结果：准确率提高 14.02%，检索干扰降低 11.17%，消融实验确认三个环节各自必要

评测所用的是由公开数据集与人工整理数据集构建的两类肿瘤学基准：一类为选择题，一类为自由作答题。两类基准覆盖了不同的作答形态，便于观察性能提升是否稳定。

结果显示，常规 RAG 存在前文所述的答案偏移现象，而 SMART-RAG 取得了更稳定的性能提升，准确率提高 14.02%，同时把检索干扰降低 11.17%。准确率上升与检索干扰下降同步出现，指向同一条线索：当带噪声的片段不再被送进上下文，模型原有的正确判断就不容易被覆盖。

消融实验进一步确认了切分、重排序与多跳检索三个环节各自的必要性。也就是说，14.02% 的提升不是某一个组件的单独功劳，抽掉其中任一环节，性能增益都会出现回落。对正在评估是否引入类似方案的团队而言，这条消融结论至少提示了三个环节在工程上缺一不可。

冷静观察：基准是选择题与自由作答，离真实临床问答还有距离

结论上需要先留出余量。本次评测基于基准数据集，因此不得把准确率提升直接解读为真实临床问答质量的同等提升。选择题与自由作答题都有相对清晰的提问边界，而实际诊疗场景里的提问常常带着不完整信息、个体合并症与时序前提，往往需要追问与澄清才能收敛，这与基准形态之间存在距离。至于框架在指南版本更替后的表现，本评测并未给出相应数据。

从团队与成果形态看，作者团队来自北京理工大学自主智能无人系统国家重点实验室，合作单位包括解放军总医院第二医学中心健康管理研究院与第一医学中心普通外科。这项工作得到海南省自然科学基金支持，批准号 826QN0920。论文为开放获取，采用 CC BY-NC-ND 4.0 许可，署名作者包括李冬妮、徐国纲、黄海棠等。

综合来看，SMART-RAG 贡献的是一条可被复用的方法论：当指南类证据要接入医疗大模型时，先在结构与检索链路上做治理，再谈模型侧的能力释放。至于这条路径能向外推多远，仍有待在更贴近真实诊疗流程的评估中继续检验。

原文链接：npj Precision Oncology（Nature 系）

千方医数集编辑部 出品