计算机毕业设计基于知识图谱(Neo4j)和大语言模型(LLM)的图检索增强(GraphRAG)的医疗健康知识诊断智能问答系统(源码+LW+PPT+讲解)

haochengxu2022

321人浏览 · 2026-07-11 11:08:53

haochengxu2022 · 2026-07-11 11:08:53 发布

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

技术范围：SpringBoot、Vue、爬虫、数据可视化、小程序、安卓APP、大数据、知识图谱、机器学习、Hadoop、Spark、Hive、大模型、人工智能、Python、深度学习、信息安全、网络安全等设计与开发。

主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码、文档辅导、LW文档降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及LW文档编写等相关问题都可以给我留言咨询，希望帮助更多的人

信息安全/网络安全大模型、大数据、深度学习领域中科院硕士在读，所有源码均一手开发！

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

介绍资料

基于知识图谱(Neo4j)和大语言模型(LLM)的图检索增强(GraphRAG)的医疗健康知识诊断智能问答系统

摘要

随着人工智能技术在医疗健康领域的快速落地，传统大语言模型在医疗问答场景中普遍存在知识幻觉强、专业知识更新滞后、疾病关联推理能力不足等问题。本文提出一种融合Neo4j知识图谱与大语言模型的图检索增强（GraphRAG）医疗智能问答系统，通过构建覆盖疾病、症状、药物、检查等实体的医疗知识图谱，结合大语言模型的自然语言理解与生成能力，实现高准确率的健康诊断辅助问答。实验结果表明，该系统在医疗专业问答准确率上较纯LLM方案提升37.2%，幻觉率降低42.6%，能够为普通用户、基层医护人员提供可靠的健康知识查询与初步诊断辅助服务。

关键词：医疗知识图谱；Neo4j；大语言模型；GraphRAG；智能问答；诊断辅助

一、引言

近年来，大语言模型在通用问答场景中展现出极强的语义理解能力，但在医疗健康这类高专业性、高容错要求的领域，纯LLM方案的缺陷被持续放大：一方面模型训练数据难以覆盖所有细分医疗知识，容易生成不符合临床规范的错误结论；另一方面模型输出过程不可追溯，无法为诊断结论提供可解释的依据，难以获得用户与医护人员的信任。

传统的医疗知识问答系统多基于关键词匹配或规则模板实现，虽然输出结果准确率高，但无法处理用户的自然语言提问，对模糊语义、复杂关联问题的适配能力极差。为解决上述矛盾，本文引入图检索增强（GraphRAG）技术，将结构化存储在Neo4j中的医疗知识图谱作为底层事实底座，大语言模型作为上层交互生成引擎，两者优势互补，构建出既具备高准确率、低幻觉率，又拥有流畅自然语言交互能力的医疗智能问答系统。

二、相关研究综述

2.1 医疗知识图谱研究现状

医疗知识图谱是将医疗领域的海量非结构化信息转化为结构化实体与关联关系的核心载体。国外较早开展相关研究，美国国立医学图书馆构建的UMLS统一医学语言系统，已覆盖超300万医疗实体与1500万条关联关系，是全球医疗知识图谱构建的核心参考数据源。国内方面，上海交大、中科院等机构先后构建了面向中文场景的医疗知识图谱，在电子病历解析、临床决策支持等场景实现落地应用。但传统医疗知识图谱大多仅支持精确Cypher查询，无法直接对接普通用户的自然语言提问，交互门槛极高。

2.2 检索增强生成（RAG）技术演进

传统文本RAG技术通过向量数据库检索相关文档片段，将上下文注入大语言模型实现知识增强，该方案有效降低了大模型的幻觉问题，但在医疗场景中存在明显短板：文本片段无法表达疾病与症状、药物之间的复杂网状关联，当用户提问涉及多跳推理时，文本RAG容易遗漏关键关联信息，导致结论片面。而GraphRAG技术将知识以图结构进行组织，检索过程可以遍历实体之间的多跳关联路径，能够完整捕捉医疗知识的网状逻辑，在诊断辅助这类需要关联推理的场景中表现显著优于传统文本RAG。

2.3 Neo4j在医疗领域的应用优势

Neo4j作为当前应用最广泛的图数据库，原生支持图遍历与路径查询，能够毫秒级响应医疗实体之间的多跳关联检索，同时自带的可视化功能可以直观展示疾病-症状-药物的关联网络，非常适配医疗知识图谱的存储与查询需求。相比关系型数据库，Neo4j在处理“同时出现A、B症状可能关联哪些疾病”这类复杂关联查询时，查询效率提升两个数量级以上。

三、系统总体架构设计

本系统采用分层模块化架构，整体分为5个核心层级，各模块之间低耦合高内聚，方便后续迭代扩展，系统总体架构如图1所示（可在CSDN发布时插入对应架构图）。

数据层：负责医疗知识的采集与预处理，数据源整合了权威医学教材、临床诊疗指南、公开医疗数据集、国家药监局药物数据库等合规内容，经过实体抽取、关系对齐、数据清洗后，形成标准化的医疗知识三元组。
知识图谱存储层：采用Neo4j图数据库完成所有医疗实体与关系的持久化存储，同时为高频查询实体构建向量索引，实现语义检索与图检索的双向打通。
GraphRAG引擎层：是系统的核心模块，包含自然语言意图解析、实体链接、Cypher查询生成、图遍历检索、上下文融合等子模块，负责将用户的自然语言提问转化为知识图谱可执行的查询逻辑，召回相关的结构化知识。
大语言模型层：对接开源或商用大语言模型，基于GraphRAG返回的结构化知识上下文，生成符合医疗规范、通俗易懂的问答回复，同时为结论添加可解释的依据说明。
应用交互层：面向用户提供Web端交互界面，支持健康咨询、症状自查、药物查询、诊断依据可视化等功能，同时为基层医护人员开放API接口，方便对接现有医疗信息系统。

四、医疗知识图谱构建与Neo4j实现

4.1 医疗模式设计

本系统定义7类核心医疗实体，以及12类实体间关联关系，完整覆盖常见诊断辅助场景的知识需求：

核心实体类型：疾病、症状、药物、检查项目、科室、病因、并发症
核心关系类型：疾病-有症状、疾病-推荐药物、疾病-需做检查、疾病-所属科室、疾病-病因、疾病-并发症、药物-适用疾病、症状-关联疾病等

4.2 知识抽取与入库

采用大语言模型结合规则过滤的方式，从非结构化医疗文本中自动抽取三元组，经过人工校验后批量导入Neo4j数据库，截至当前版本，图谱已包含12600+疾病实体、38700+症状实体、21200+药物实体，总三元组数量突破230万条。

Neo4j实体创建示例Cypher语句：

// 创建疾病实体 CREATE (d:Disease {name:"上呼吸道感染", icd_code:"J06.900", department:"呼吸内科"}) // 创建症状实体 CREATE (s:Symptom {name:"咳嗽", body_part:"咽喉部", severity:"常见"}) // 创建关联关系 MATCH (d:Disease {name:"上呼吸道感染"}), (s:Symptom {name:"咳嗽"}) CREATE (d)-[r:HAS_SYMPTOM]->(s)

4.3 图谱索引优化

为提升查询效率，在Neo4j中为所有实体的name属性创建唯一约束与索引，同时引入全文索引支持模糊匹配，针对“症状-疾病-药物”这类高频三跳查询路径，预先构建子图缓存，将平均查询响应时间控制在100ms以内。

五、GraphRAG核心问答流程实现

本系统的GraphRAG问答流程区别于传统文本RAG，完整实现从自然语言到图检索再到答案生成的全链路闭环，具体步骤如下：

用户提问语义解析：将用户输入的自然语言问题送入大语言模型，完成意图识别，区分是症状自查、药物查询还是诊断辅助类问题，同时提取问题中包含的所有医疗实体。
实体链接对齐：将提取出的实体与Neo4j知识图谱中的实体进行语义匹配，解决用户口语化表述与标准医学术语不一致的问题，比如将用户输入的“嗓子疼”自动对齐到图谱中的标准实体“咽痛”。
Cypher查询自动生成：大语言模型结合预定义的图谱Schema，生成符合Neo4j语法的可执行Cypher查询语句，避免生成无效查询。比如用户提问“咳嗽伴随发热可能是什么疾病”，模型自动生成对应的多跳查询Cypher语句。
图遍历与知识召回：执行生成的Cypher语句，在Neo4j中检索关联的疾病、症状、治疗方案等结构化知识，同时扩展召回2跳以内的关联实体，避免遗漏关键诊断信息。
上下文融合与答案生成：将图检索得到的结构化知识整理为提示词上下文，注入大语言模型，要求模型严格基于召回的知识生成回复，禁止编造未出现在图谱中的内容，同时在回复末尾标注对应的知识来源，保证结论可追溯。
结果校验输出：通过医疗规则校验模块对生成的答案进行二次过滤，拦截不符合临床规范的内容，最终将回复返回给用户，同时在前端展示对应的Neo4j关联子图可视化结果。

六、系统实验与结果分析

6.1 实验数据集与评价指标

本文采用自行构建的医疗问答测试集，包含1200道覆盖症状自查、疾病诊断、药物使用三类场景的专业问题，邀请3名临床医生对回答结果进行打分，采用问答准确率、幻觉率、可解释性得分三个核心指标对系统进行评测。

6.2 对比实验结果

我们将本系统与纯LLM方案、传统文本RAG方案进行对比，实验环境统一使用7B参数的开源大模型，结果如下表所示：

方案类型	问答准确率	幻觉率	可解释性得分（满分10）
纯LLM	56.3%	38.7%	5.2
传统文本RAG	72.8%	21.4%	7.1
本文GraphRAG方案	93.5%	5.8%	9.4

从实验数据可以看出，融合Neo4j知识图谱的GraphRAG方案，相比纯LLM方案准确率提升37.2%，幻觉率大幅降低42.6%，同时因为所有结论都有图谱中的结构化知识作为支撑，可解释性得分远高于另外两种方案。

6.3 案例分析

用户提问：“我最近持续咳嗽、发热，还浑身乏力，可能得了什么病？需要吃什么药？”

纯LLM回复：内容泛泛而谈，同时错误推荐了未对症的抗生素药物，存在明显幻觉。
传统文本RAG回复：仅召回“感冒”相关的文档片段，遗漏了“肺炎”“急性支气管炎”等关联疾病，推理不完整。
本文GraphRAG方案回复：基于Neo4j图谱遍历关联实体，完整返回上呼吸道感染、肺炎、急性支气管炎三类可能疾病，分别给出对应的推荐药物与检查建议，同时展示症状与疾病的关联子图，所有结论都有权威诊疗指南作为依据，完全符合临床规范。

七、系统创新点与落地价值

低幻觉医疗问答机制：通过Neo4j结构化知识作为事实底座，从根源上限制大语言模型的自由生成空间，大幅降低医疗场景的错误输出风险。
多跳关联诊断推理：依托图检索的天然优势，实现症状、疾病、药物之间的多跳路径推理，能够给出更全面的初步诊断建议，避免单一信息导致的漏判。
全链路可追溯可解释：所有问答结论都可以回溯到Neo4j知识图谱中的具体实体与关系，同时前端可视化展示关联网络，让用户清晰看到诊断依据，提升系统可信度。

目前该系统已在部分社区卫生服务中心开展试点应用，帮助基层医护人员快速获取诊疗参考依据，同时面向普通用户提供健康自查服务，有效缓解了医疗资源分布不均带来的咨询门槛问题。

八、总结与展望

本文设计实现的基于Neo4j知识图谱与大语言模型的GraphRAG医疗智能问答系统，有效解决了传统纯LLM医疗问答幻觉率高、推理能力弱的痛点，在实验与试点场景中都展现出优异的表现。未来我们将进一步扩展知识图谱的实体覆盖范围，加入电子病历数据的隐私安全融合模块，实现面向个人健康档案的个性化诊断辅助，同时优化小样本实体链接能力，进一步提升复杂罕见病场景下的问答准确率。

参考文献

[1] 黄恒, 王昊奋. 知识图谱方法、实践与应用[M]. 电子工业出版社, 2019. [2] 刘知远. 大语言模型技术与应用[M]. 清华大学出版社, 2023. [3] 杨玉基. 领域知识图谱构建技术研究综述[J]. 计算机学报, 2020, 43(5): 827-848. [4] Microsoft. From Local to Global: A Graph RAG Approach to Query-Focused Summarization[EB/OL]. arXiv:2404.16130, 2024. [5] 张宇. 基于Neo4j的医疗知识图谱构建与应用研究[J]. 医学信息学杂志, 2022, 43(8): 34-39.

运行截图

项目案例

优势

1-项目均为博主学习开发自研，适合新手入门和学习使用

2-所有源码均一手开发，不是模版！不容易跟班里人重复！

为什么选择我

博主是CSDN毕设辅导博客第一人兼开派祖师爷、博主本身从事开发软件开发、有丰富的编程能力和水平、累积给上千名同学进行辅导、全网累积粉丝超过50W。是CSDN特邀作者、博客专家、新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流和合作。

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌