宠物生病了怎么办？AI“杨医生”来了

文章《SheepDoctor: A knowledge graph enhanced large language model for sheep disease diagnosis》发表于Smart Agricultural Technology，提出了一种面向羊病诊断的领域大语言模型（LLM）SheepDoctor，通过融合知识图谱（KG）与检索增强生成（RAG）技术，显著提升了诊断的准确性与专业性。参照“羊医生”模型，“猫医生”、“狗医生”应该也在路上了。

一、研究背景与意义

传统诊断瓶颈：羊病诊断依赖兽医现场检查，存在资源有限、响应延迟、效率低下等问题。

症状相似性高：不同羊病症状高度相似，加剧诊断难度。

LLM 的潜力：大语言模型（如 ChatGPT）在人类医学中已展现强大能力，但在农业领域应用尚少。

研究空白：现有农业大模型（如 ShenNong、FanLi）虽涉及种植、渔业等，但缺乏针对羊病的专业化模型。

🧠 二、SheepDoctor 系统框架

系统构建流程如下图所示，涵盖数据收集、预处理、模型微调与知识图谱增强四大模块：

三、数据集构建

1. 数据来源

专业书籍、畜牧网站、真实诊断案例；

覆盖 207 种羊病、1152 种症状、487 种药物及其用法用量。

2. 数据格式

三元组知识图谱（1934 个三元组），用于结构化表示疾病-症状-治疗关系；

问答数据集（5987 条），采用 Alpaca 指令格式，涵盖单轮与多轮对话。

3. 提示工程（Prompt Engineering）

通过角色扮演、问题重构等方式增强数据多样性与逻辑性；

多轮对话模拟真实诊断流程，提升模型交互能力。

示例提示格式如下：

🧩 四、模型构建方法

1. 基础模型

选用 LLaMA2-13B-Chinese，因其在中文任务上表现良好；

使用 LoRA（Low-Rank Adaptation） 进行高效微调，显著降低计算成本。

2. 知识图谱增强

构建三元组如（羊痘，症状，发热）、（羊痘，治疗，青霉素）；

使用 BERT + Jieba分词 计算问题与三元组的语义相似度，检索最相关知识；

将检索结果与问题拼接为提示词输入模型，提升回答准确性。

下图展示了部分知识图谱的结构：

五、实验结果与分析

1. 评估指标

BLEU、ROUGE：衡量文本生成流畅性与匹配度；

BERTScore：语义相似度；

Number-Units-Matched：数值与单位准确性。

2. 主要结果

注：BLEU略降因生成文本多样性增加，但语义一致性显著提升。

3. 泛化能力（Unseen Problems）

SheepDoctor 在未见疾病上的 F1 值达到 78.15%，显著优于基线模型；

知识图谱的引入大幅提升模型对未知情况的应对能力。

4. 对比通用模型（GPT-4o, Kimi）

SheepDoctor 在所有指标上均优于通用模型；

下图展示了各模型在 F1 值分布上的对比，SheepDoctor 在高分段（>0.8）占比最高：

六、讨论与局限性

优势：

领域专业化强，诊断准确率高；

知识图谱提供可解释性，增强可信度；

支持多轮对话，符合实际诊断流程。

局限性：

数据多样性不足（仅中文数据）；

对模糊症状输入容易误诊；

计算资源要求高，部署成本大；

存在幻觉风险，需专业兽医复核。