作者：Weiyi Wu, Xinwen Xu, Chongyang Gao, Xingjian Diao, Siting Li, Lucas A. Salas, Jiang Gui
单位：Dartmouth College, Massachusetts General Hospital, Northwestern University
来源：EMNLP 2025 Findings
时间：2025.11
背景
主要贡献
方法
- RAG
2.DPO
3.RoD
实验
衡量指标
实验结果
(1)
(2)在内部知识一致性方面，所有模型在五类指南变化中均出现了不同程度的知识冲突。Ministral-8B的整体IKCR最低，约为0.34，Gemma-2-27B约为0.39。同时，Qwen2.5-72B和Llama-3.3-70B并未表现出比其小规模版本更低的冲突比例，说明增加模型的能力或规模并不能一致性地消除内部知识矛盾。
(3)定性结果表明，仅提供正确的外部知识并不能保证模型正确使用该知识。 在 Figure 4的乙肝疫苗案例中，RAG已成功检索到“糖尿病成人推荐年龄为60岁以下”的当前指南，但RAG-only模型仍错误认可了针对65岁患者的建议。相比之下，DPO与RAG结合后的RoD能够给出与当前指南一致的判断。
(4)消融实验
总结
（1）提出ConflictMedQA动态医学知识冲突评估框架，将195对当前/伪过时建议扩展为4,290个场景化问答，用于模拟临床指南更新后的知识冲突。
（2）分别采用ECDA和IKCR衡量模型与当前指南的外部一致性及模型内部知识一致性，发现“能够认可当前建议”并不意味着“能够拒绝伪过时建议”。
（3）提出RAG、DPO和RoD 三种缓解策略。RAG从外部补充当前医学知识，DPO对模型内部偏好进行参数化对齐，RoD将两者结合，在测试模型上取得更好的综合表现。
（4）核心价值在于将医学LLM的可靠性问题从静态知识准确率扩展到动态知识冲突，使模型是否能够处理新旧、相互矛盾的医学知识成为独立的评价问题。