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

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

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

本文提出了一个面向个人知识图谱 (PKG) 的生态系统，旨在解决 PKG 的普及化挑战，设计了一个统一的 PKG 框架，并综合了现有工作，分析其在该框架下的地位及挑战与机遇。

Apr, 2023

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

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

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

知识图谱是多样化知识的结构化表示方式，广泛应用于各种智能应用。本文综述了各种类型的知识图谱（静态、动态、时态和事件型）的演化以及知识提取和推理技术，并介绍了不同类型知识图谱的实际应用，包括金融分析的案例研究。最后，我们提出了关于知识工程未来方向的观点，包括将知识图谱和大型语言模型的能力结合以及知识提取、推理和表示的发展。

Oct, 2023

本文首次提出了领域特定知识图谱的综合定义，并针对七个领域的相关学术作品，提出了最先进的知识图谱构建方法进行了全面的回顾。审视当前方法时，揭示了一系列的局限和不足，同时还强调指出了文献中现存问题和未知的研究方向。

Oct, 2020

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