Sep, 2023

导航医疗洞察力：知识图谱下的可解释性透视

PDF
TL;DR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。
knowledge graphshealthcare aiinterpretabilitydrug discoveryexplainable ai
发现论文，激发创造
  • 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

  • 医学中的图形人工智能

    临床人工智能中的图表示学习，特别是通过图神经网络 (GNN)，以其捕捉结构化临床数据中复杂关系的能力而脱颖而出。图人工智能通过将模态作为通过它们的关系相互连接的节点整体地处理数据，从而促进了模型在临床任务之间的转移，使模型能够在没有额外参数或最小重新训练的情况下推广到患者群体。然而，人类中心设计和模型解释能力在临床决策中的重要性不容忽视。由于图人工智能模型通过定义在图关系上的局部神经变换捕捉信息，它们在阐明模型的合理性方面既带来机遇又带来挑战。知识图谱可以通过将模型驱动的见解与医学知识相结合来增强解释性。新兴的图模型通过预训练整合多种数据模态，促进互动反馈循环，促进人工智能和人类的合作，为临床意义的预测铺平了道路。

    Oct, 2023

  • 利用图数据结构和知识图谱的特征选择策略综述

    知识图谱中的特征选择方法论及其在增强机器学习模型有效性、假设生成和解释性方面的作用，强调可扩展性、准确性和可解释性的关键重要性，并倡导结合领域知识来优化选择过程。强调多目标优化和跨学科合作在推进知识图谱特征选择方面的潜力，以及这些方法对精准医疗等领域的变革性影响。同时提出未来的研究方向，包括开发可扩展、动态的特征选择算法，并整合可解释的人工智能原则以提高知识图谱驱动模型的透明度和信任度。

    Jun, 2024

  • 医疗知识图谱调查：资源、应用和前景

    本文总结了健康医疗知识图谱的构建管道和关键技术，并介绍了其在高级临床决策支持等医疗领域的革命性影响，最后探讨了在大语言模型时代创造全面准确的健康医疗知识图谱的机会。

    Jun, 2023

  • 利用知识图谱预测药物间相互作用

    该论文介绍了一种名为 medicX 的端到端框架，它将来自公共药物库的多种药物特征集成到一个知识图谱中，并使用各种翻译、分解和神经网络方法嵌入图谱中的节点，最终使用机器学习算法来预测未知的药物相互作用。

    Aug, 2023

  • 基于知识图谱的医疗领域医生和地点强大搜索引擎

    KG-based search engine architecture for finding doctors and locations in healthcare domain, with significantly higher coverage for complex queries without degrading quality.

    Oct, 2023

  • GraphCare: 利用个性化的开放世界知识图谱增强医疗预测

    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

  • 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

  • 使用介入和反事实推理解释因果知识图谱

    人类使用因果关系和假设的回顾来进行日常决策、计划和理解生活事件。AI 系统需要更丰富的因果关系表示来支持干预和反事实推理，以提高人类对 AI 系统的理解。Causal Knowledge Graph（CausalKG）框架利用最近的因果关系进展和 KG，提供了一种领域适应型的因果模型，用于表示 KG 中的复杂因果关系，并支持反事实推理和干预，从而实现了领域可解释性。

    Jan, 2022

  • 从大型语言模型到知识图谱：癌症生物标志物发现

    开发了一个基于领域知识图谱和语义推理的癌症特定生物标志物发现和交互式问答系统，使用生物医学数据、领域本体论、信息提取方法以及大型语言模型进行知识图谱的构建和更新。

    Oct, 2023