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。

May, 2023

使用知识图谱、机器学习和深度学习等工具，分析 COVID-19 相关的 PubMed 数据集和 CORD-19 数据集，发现专家、生物实体，预测相关疾病、药物候选者、基因突变和相关化合物，从而帮助生物医学研究人员应对 COVID-19 大流行。

Jul, 2020

为了应对 COVID-19，我们开发了一个全新的综合性知识发现框架 COVID-KG，从科学文献中提取了细粒度的多媒体知识元素，并利用构建的多媒体知识图谱用于问答和报告生成，以药物再利用为案例研究。该框架还提供了详细的上下文句子，子图和知识子图作为证据。

Jul, 2020

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

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

本文提出了 COVID-19 知识图谱（CKG），它结合了语义信息和拓扑信息来提取和可视化 COVID-19 科学文章之间的复杂关系，最终形成一个关系图谱。CKG 可以为类似文档检索提供低维度的图像嵌入，有助于揭示 COVID-19 科学文章中深层次的信息。

Jul, 2020

我们提出了一个新颖的系统，从生物医学语料库中自动提取和生成信息丰富、描述性的句子，促进相关知识的高效检索。与以往的搜索引擎或探索系统不同，我们的系统将描述性句子组织为关系图，使研究人员能够探索密切相关的生物医学实体（例如，化学品治疗的疾病）或间接相连的实体（例如，治疗疾病的潜在药物）。我们的系统还使用 ChatGPT 和经过微调的关系综合模型从检索到的信息中生成简明可靠的描述性句子，减少了对大量人工阅读的需求。通过我们的系统，研究人员可以轻松获得高层次知识和详细参考资料，并交互式地定位所需的信息。我们重点介绍了我们的系统在 COVID-19 研究中的应用，说明了它在药物再利用和文献整理等领域的实用性。

Oct, 2023

应用自然语言处理技术如信息抽取和领域特定知识图谱，从放射科医生的听写中自动生成放射学报告，并通过语义相似性度量评估所生成的病态描述，显示出与黄金标准病态描述 97% 的相似度。

Jun, 2022

使用生物知识图谱进行药物再利用，通过预测候选药物的有效性和药物与与疾病相关的蛋白质结合的可能性，通过嵌入模型和神经网络进行学习并实现了不同的模型来获取节点嵌入。在 MR、MRR 和 Hits@3 方面，RESCAL 在测试数据集上表现最佳。

Dec, 2022

本研究提出一种新的方法，使用电子健康记录（EHR）的医疗文本，通过多视图图表和图卷积网络对患者出院小结进行表征学习，以预测重返重症监护病房的风险，获得了最优的预测效果。

Dec, 2021