論文の概要: KnowAugNet: Multi-Source Medical Knowledge Augmented Medication Prediction Network with Multi-Level Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2204.11736v1
• Date: Mon, 25 Apr 2022 15:47:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 13:36:33.333232
• Title: KnowAugNet: Multi-Source Medical Knowledge Augmented Medication Prediction Network with Multi-Level Graph Contrastive Learning
• Title（参考訳）: knowaugnet:多レベルグラフコントラスト学習を用いた多元医療知識拡張薬理予測ネットワーク
• Authors: Yang An, Bo Jin, Xiaopeng Wei
• Abstract要約: 本稿では,マルチソース医療知識統合医薬品予測ネットワークである textbfKnowAugNet を提案する。 マルチレベルグラフコントラスト学習フレームワークを通じて、医療コード間の多様な関係をキャプチャする。 電子カルテに従って、医師が患者に通知された薬の判断を下すのを助けることができる。
• 参考スコア（独自算出の注目度）: 8.71936906687061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting medications is a crucial task in many intelligent healthcare systems. It can assist doctors in making informed medication decisions for patients according to electronic medical records (EMRs). However, medication prediction is a challenging data mining task due to the complex relations between medical codes. Most existing studies usually focus on mining the temporal relations between medical codes while neglecting the valuable spatial relations between heterogeneous or homogeneous medical codes, and the inherent relations between homogeneous medical codes from hierarchical ontology graph, which further limits the prediction performance. Therefore, to address these limitations, this paper proposes \textbf{KnowAugNet}, a multi-sourced medical knowledge augmented medication prediction network which can fully capture the diverse relations between medical codes via multi-level graph contrastive learning framework. Specifically, KnowAugNet first leverages the graph contrastive learning using graph attention network as the encoder to capture the implicit relations between homogeneous medical codes from the medical ontology graph and obtains the knowledge augmented medical codes embedding vectors. Then, it utilizes the graph contrastive learning using a weighted graph convolutional network as the encoder to capture the correlative relations between homogeneous or heterogeneous medical codes from the constructed medical prior relation graph and obtains the relation augmented medical codes embedding vectors. Finally, the augmented medical codes embedding vectors and the supervised medical codes embedding vectors are retrieved and input to the sequential learning network to capture the temporal relations of medical codes and predict medications for patients.
• Abstract（参考訳）: 医薬品の予測は多くの知的医療システムにおいて重要な課題である。 電子カルテ(EMR)に基づき、医師が患者の情報的治療決定を行うのを助けることができる。 しかし,医療コード間の複雑な関係から,投薬予測は困難なデータマイニング課題である。 既存の研究のほとんどは、不均質または均質な医療コード間の貴重な空間的関係を無視しながら、医療コード間の時間的関係のマイニングと、階層的オントロジーグラフからの均質な医療コード間の固有の関係にフォーカスしており、予測性能をさらに制限している。 そこで本稿では,多レベルグラフコントラスト学習フレームワークを用いて,医療コード間の多様な関係を完全に把握できる多元的医療知識拡張医薬品予測ネットワークである \textbf{knowaugnet} を提案する。 具体的には、まず、グラフアテンションネットワークをエンコーダとしてグラフコントラスト学習を利用して、医用オントロジーグラフから均質な医療コード間の暗黙的な関係を捉え、知識拡張医療コード埋め込みベクトルを得る。 次に、重み付きグラフ畳み込みネットワークをエンコーダとしてグラフコントラスト学習を行い、構築した医用事前関係グラフから均質または異質な医用コード間の相関関係を捉え、拡張された医用コード埋め込みベクトルの関係を得る。 最後に、拡張医療コード埋め込みベクターと教師付き医療コード埋め込みベクターを検索してシーケンシャルラーニングネットワークに入力し、医療コードの時間的関係を把握し、患者の薬剤を予測する。

関連論文リスト

• Toward a Unified Graph-Based Representation of Medical Data for Precision Oncology Medicine [0.0]
  本稿では,医学知識を持つ患者の遺伝情報と医療記録を一意の知識グラフで組み合わせた,医用データの統一的な表現を提案する。 このアプローチは、各データセットを別々に見ることによって、利用できない意味のある情報や説明を推測することを可能にする。
  論文  参考訳（メタデータ） (2024-10-17T07:43:48Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• Drug Similarity and Link Prediction Using Graph Embeddings on Medical Knowledge Graphs [0.0]
  本稿では,大規模バイオメディカルデータベースのエンティティに生成されたグラフ埋め込みを利用してリンク予測を行う。 グラフ埋め込みとリンク予測スコアを用いて, 薬物間の類似度スコアを求める新しいノード類似度尺度を提案する。
  論文  参考訳（メタデータ） (2021-10-22T06:22:36Z)
• Multitask Recalibrated Aggregation Network for Medical Code Prediction [19.330911490203317]
  長期かつノイズの多い臨床文書の符号化の課題を解決するために,マルチタスク再校正アグリゲーションネットワークを提案する。 特に、マルチタスク学習は、異なるコーディングスキーム間で情報を共有し、異なる医療コード間の依存関係をキャプチャする。 実世界のMIMIC-IIIデータセットによる実験では、予測性能が大幅に向上した。
  論文  参考訳（メタデータ） (2021-04-02T09:22:10Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• CODER: Knowledge infused cross-lingual medical term embedding for term normalization [7.516391006265378]
  CODERは、異なる用語に対する近接ベクトル表現を提供することにより、医療用語の正規化のために設計されている。 我々は、医用知識グラフ(KG)で対照的な学習を通じて、統一医療言語システム(Unified Medical Language System)を訓練する。 我々はCODERをゼロショット項正規化、意味的類似性、関係分類ベンチマークで評価する。
  論文  参考訳（メタデータ） (2020-11-05T16:16:49Z)
• Medical Code Assignment with Gated Convolution and Note-Code Interaction [39.079615516043674]
  本稿では,医療コードの自動割り当てのための新しい手法,ゲート畳み込みニューラルネットワーク,ノートコードインタラクション(GatedCNN-NCI)を提案する。 新たなノート-コードインタラクション設計とグラフメッセージパッシング機構により、ノートとコード間の基盤となる依存関係を明示的にキャプチャする。 提案モデルはほとんどの場合,最先端モデルよりも優れており,モデルサイズは軽量ベースラインと同程度である。
  論文  参考訳（メタデータ） (2020-10-14T11:37:24Z)
• SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization [64.56399911605286]
  本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。 SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
  論文  参考訳（メタデータ） (2020-10-04T00:14:57Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。