May, 2023

GraphCare: 利用个性化的开放世界知识图谱增强医疗预测

PDF
TL;DR提出了一种名为 GraphCare 的基于开放框架的方法，其结合了外部知识图和医疗健康记录，旨在提高医疗预测的精度。使用大型语言模型和外部生物医学知识图生成个性化图知识，并使用提出的双重注视增强的 BAT 图神经网络用于医疗保健预测。实验结果表明，GraphCare 方法在几个重要的医疗预测任务中的性能都优于基线模型，尤其是在数据稀缺的情况下表现优异。
clinical predictive modelselectronic health recordsknowledge graphsbiomedical kgshealthcare predictions
发现论文，激发创造
  • 将医学知识图谱结合到大型语言模型中用于诊断预测

    通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

    Aug, 2023

  • RECAP-KG：从原始 GP 笔记中挖掘知识图谱，为初级医疗中的远程 COVID-19 评估提供支持

    本文提出从患者诊断记录中构建知识图谱的框架，并在英国 COVID-19 临床评估服务（CCAS）患者数据集中对 COVID-19 患者的诊断笔记应用该框架，与传统的 NLP 方法相比，证明该方法在回答患者问题时具有更好的准确性。

    Jun, 2023

  • 导航医疗洞察力：知识图谱下的可解释性透视

    知识图谱在医疗人工智能中扮演重要角色，尤其在药物发现和制药研究方面，通过提供结构化的方式整合多样化信息源，增强了人工智能系统的可解释性。该综述总结了知识图谱在医疗行业的最新文献研究，以及其在开发可解释人工智能模型中的作用。重点介绍了知识图谱的工作流程，包括构建、关系提取、推理，以及在药物相互作用、药物靶标相互作用、药物开发、不良药物反应和生物信息学等领域的应用。强调了通过在医疗领域运用具有知识注入的学习方法，使知识图谱更具可解释性的重要性。最后，提出了研究挑战，并为未来的发展方向提供了见解。

    Sep, 2023

  • 医疗知识图谱构建：现状、开放问题和机遇

    本文通过提供全面的分类法和涵盖多个卫生保健领域相关学术工作的最新技术评估，评估了目前医疗知识图谱的构建状况，为大数据分析解决方案的需求提供了更好的数据表示和知识推理。此外，还讨论了现有问题和未来研究方向。

    Jul, 2022

  • 知识图谱表示用于强化重症监护时间序列预测

    通过将医学领域的知识图谱与重症监护病房的数据进行整合，结合重要体征和临床报告，提高临床决策建模的性能，特别是在数据缺失时。同时包括一个可解释性组件，以了解知识图谱节点对预测的影响。

    Nov, 2023

  • 基于 BERT 的临床知识提取用于生物医学知识图谱构建和分析

    本研究提出了使用 BERT 模型和条件随机场层从临床记录中提取和分析生物医学知识的端到端方法，包括自然语言处理模型用于命名实体识别和关系提取等步骤，可以用于构建医学知识图谱并用于问题解答。实验结果表明，该方法对于 505 位真实患者的生物医学非结构化临床记录的命名实体识别和关系提取的准确率分别为 90.7% 和 88%。

    Apr, 2023

  • 通过自动化知识图生成和丰富加速医学知识发现

    医疗知识图谱自动化 (M-KGA) 是一种创新方法，通过利用用户提供的医学概念并利用 BioPortal 本体进行语义增强，以整合预训练嵌入向量，从而提高知识图谱的完整性。该方法引入了基于聚类和基于节点的两种方法，以发现知识图谱中隐藏的连接，通过对电子健康记录中 100 个频繁出现的医学概念进行严格测试，展示了有望解决现有知识图谱自动化技术限制的潜力。

    Apr, 2024

  • 面向个人或实体中心知识图谱的表示学习：在医疗健康领域的应用

    本文提出一种基于星形本体的端到端表示学习框架，从结构化和非结构化数据中提取面向实体的知识图谱，采用图神经网络创建紧凑的图形表示，并利用研究结果进行再入院预测。

    May, 2023

  • KnowAugNet：多源医学知识增强药物预测网络与多层图对比学习

    本文提出了一种名为 KnowAugNet 的多源医学知识增强药物预测网络，通过多级图对比学习框架充分捕获医疗代码之间的多样化关系，结合医学本体图和构建的医学先验关系图，输入顺序学习网络以捕捉医学代码的时间关系，从而达到预测患者药物的目的。

    Apr, 2022

  • 基于图表示的患者医疗状况预测：朝向数字孪生

    本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

    Sep, 2020