UMLS 已成为全球数百万临床医生和健康系统开发者的知识库。研究者越来越多地利用从 UMLS 构建的知识图谱来提升语言模型在高风险任务中的事实准确性和推理可追溯性。医学问答（MQA）是检验这种集成的主要平台，基准通常要求模型根据患者病史完成疾病诊断或药物处方等专业任务。尽管预期收益显著，实证结果表明基于 UMLS 的图注入通常只能带来有限的性能提升。本文系统回顾了现有的 MQA 工作，逐一剖析所选 UMLS 数据源及其在语言模型中的使用方式，并在独立条件下评估每一环节。我们发现了此前未被讨论的方法学缺陷，包括 UMLS 覆盖率低、子图检索管线薄弱等问题。基于这些发现，本文给出可操作的建议，旨在释放 UMLS 作为外部知识源的潜在价值。
点评