論文の概要: Refining Diagnosis Paths for Medical Diagnosis based on an Augmented Knowledge Graph

• arxiv url: http://arxiv.org/abs/2204.13329v1
• Date: Thu, 28 Apr 2022 07:58:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-30 01:34:20.252905
• Title: Refining Diagnosis Paths for Medical Diagnosis based on an Augmented Knowledge Graph
• Title（参考訳）: 知識グラフを用いた医用診断のためのリファインディング診断法
• Authors: Niclas Heilig, Jan Kirchhoff, Florian Stumpe, Joan Plepi, Lucie Flek, Heiko Paulheim
• Abstract要約: 医学知識グラフに診断経路を用いたアプローチを提案する。 それらのグラフはRDF2vecを用いて潜在表現を用いて洗練可能であることを示す。 また、埋め込みに基づく予測手法は、追加の有効な条件でグラフを精製するのに有益であることを示す。
• 参考スコア（独自算出の注目度）: 7.185061855341803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical diagnosis is the process of making a prediction of the disease a patient is likely to have, given a set of symptoms and observations. This requires extensive expert knowledge, in particular when covering a large variety of diseases. Such knowledge can be coded in a knowledge graph -- encompassing diseases, symptoms, and diagnosis paths. Since both the knowledge itself and its encoding can be incomplete, refining the knowledge graph with additional information helps physicians making better predictions. At the same time, for deployment in a hospital, the diagnosis must be explainable and transparent. In this paper, we present an approach using diagnosis paths in a medical knowledge graph. We show that those graphs can be refined using latent representations with RDF2vec, while the final diagnosis is still made in an explainable way. Using both an intrinsic as well as an expert-based evaluation, we show that the embedding-based prediction approach is beneficial for refining the graph with additional valid conditions.
• Abstract（参考訳）: 医療診断とは、患者が抱える可能性のある疾患を、一連の症状や観察から予測する過程である。 これは、特に多種多様な病気をカバーする場合に、広範な専門知識を必要とする。 このような知識は、疾患、症状、診断経路を包含する知識グラフでコード化することができる。 知識自体もエンコーディングも不完全であるため、知識グラフを追加情報で精算することで、医師がより良い予測を行うのに役立つ。 同時に、病院への展開には、診断が説明可能で透明でなければならない。 本稿では,医療知識グラフにおける診断経路を用いたアプローチを提案する。 これらのグラフはrdf2vecを用いた潜在表現を用いて洗練できるが、最終的な診断は説明可能な方法で行われている。 内在性と専門家による評価の両方を用いて、埋め込みに基づく予測アプローチは、グラフを追加の有効な条件で精錬するのに有用であることを示す。

関連論文リスト

• Deriving Hematological Disease Classes Using Fuzzy Logic and Expert Knowledge: A Comprehensive Machine Learning Approach with CBC Parameters [0.49998148477760973]
  本稿では、ファジィ論理則を応用して、専門分野の知識に基づく病気のクラスを導出する手法を提案する。 Fuzzy Logic Rulesは、あいまいさを扱う能力で有名な計算技術です。 予備結果は高い精度のレベルを示し、ファジィ論理を診断プロセスに統合する利点を裏付けるものである。
  論文  参考訳（メタデータ） (2024-06-18T19:16:32Z)
• Towards Knowledge-Infused Automated Disease Diagnosis Assistant [14.150224660741939]
  患者と医師の相互作用に基づく疾患を識別する診断アシスタントを構築した。 本稿では,患者と医師のコミュニケーションを符号化した2チャンネル型談話認識疾患診断モデル(KI-DDI)を提案する。 次の段階では、会話と知識グラフの埋め込みが統合され、病気の識別のためにディープニューラルネットワークに供給される。
  論文  参考訳（メタデータ） (2024-05-18T05:18:50Z)
• Medical Dialogue Generation via Intuitive-then-Analytical Differential Diagnosis [14.17497921394565]
  Intuitive-then-Analytic Differential Diagnosis (IADDx) を用いた医用対話生成フレームワークを提案する。 本手法は,検索に基づく直感的アソシエーション(直感的アソシエーション)によるディファレンス診断から始まり,その後,グラフ強化解析手法により精査する。 提案手法の有効性を2つのデータセットで検証した。
  論文  参考訳（メタデータ） (2024-01-12T12:35:19Z)
• A Foundational Framework and Methodology for Personalized Early and Timely Diagnosis [84.6348989654916]
  本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。 診断過程を概説する決定論的アプローチに基づいている。 機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
  論文  参考訳（メタデータ） (2023-11-26T14:42:31Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Xplainer: From X-Ray Observations to Explainable Zero-Shot Diagnosis [36.45569352490318]
  臨床現場でのゼロショット診断のためのフレームワークであるXplainerを紹介した。 Xplainerは、コントラッシブ・ビジョン言語モデルの分類・記述アプローチをマルチラベル診断タスクに適用する。 我々の結果は、Xplainerが意思決定プロセスをより詳細に理解していることを示唆している。
  論文  参考訳（メタデータ） (2023-03-23T16:07:31Z)
• K-Diag: Knowledge-enhanced Disease Diagnosis in Radiographic Imaging [40.52487429030841]
  医用領域知識の指導による視覚表現の訓練を可能にする知識強化フレームワークを提案する。 まず、専門家の知識を明示的に取り入れるために、医療知識グラフの神経表現を学ぶことを提案する。 第二に、ビジュアルエンコーダのトレーニング中に、知識エンコーダのパラメータを凍結させ、効率的な適応のためのプロンプトベクトルのセットを学ぶことを提案する。
  論文  参考訳（メタデータ） (2023-02-22T18:53:57Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)
• 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。