論文の概要: A Survey on Knowledge Graphs for Healthcare: Resources, Applications, and Promises

• arxiv url: http://arxiv.org/abs/2306.04802v1
• Date: Wed, 7 Jun 2023 21:51:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 17:23:05.628234
• Title: A Survey on Knowledge Graphs for Healthcare: Resources, Applications, and Promises
• Title（参考訳）: 医療のためのナレッジグラフに関する調査 : リソース、アプリケーション、およびpromise
• Authors: Hejie Cui, Jiaying Lu, Shiyu Wang, Ran Xu, Wenjing Ma, Shaojun Yu, Yue Yu, Xuan Kan, Chen Ling, Joyce Ho, Fei Wang, Carl Yang
• Abstract要約: 医療知識グラフ(HKG)は、構造化され解釈可能な方法で医療知識を組織化するための有望なツールとして登場した。 本調査は,HKGの総合的な概要を初めて明らかにした。
• 参考スコア（独自算出の注目度）: 18.440292287333502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Healthcare knowledge graphs (HKGs) have emerged as a promising tool for organizing medical knowledge in a structured and interpretable way, which provides a comprehensive view of medical concepts and their relationships. However, challenges such as data heterogeneity and limited coverage remain, emphasizing the need for further research in the field of HKGs. This survey paper serves as the first comprehensive overview of HKGs. We summarize the pipeline and key techniques for HKG construction (i.e., from scratch and through integration), as well as the common utilization approaches (i.e., model-free and model-based). To provide researchers with valuable resources, we organize existing HKGs (The resource is available at https://github.com/lujiaying/Awesome-HealthCare-KnowledgeBase) based on the data types they capture and application domains, supplemented with pertinent statistical information. In the application section, we delve into the transformative impact of HKGs across various healthcare domains, spanning from fine-grained basic science research to high-level clinical decision support. Lastly, we shed light on the opportunities for creating comprehensive and accurate HKGs in the era of large language models, presenting the potential to revolutionize healthcare delivery and enhance the interpretability and reliability of clinical prediction.
• Abstract（参考訳）: 医療知識グラフ(Healthcare knowledge graphs, HKGs)は、医療知識を構造化され解釈可能な方法で組織化するための有望なツールとして登場し、医療概念とその関係を包括的に把握している。 しかし、データの不均一性や範囲の限定といった課題は残っており、hkgの分野でさらなる研究の必要性を強調している。 本研究は,hkgsの包括的概要を初めて概観する。 我々は,hkg構築のためのパイプラインとキー技術(スクラッチから統合まで)と共通利用アプローチ(モデルフリーとモデルベース)を要約する。 研究者に貴重なリソースを提供するため、我々は既存のHKG(リソースはhttps://github.com/lujiaying/Awesome-HealthCare-KnowledgeBaseで利用可能)を、取得したデータタイプとアプリケーションドメインに基づいて整理し、関連する統計情報を補完する。 応用セクションでは、さまざまな医療領域におけるHKGの変革的影響を、詳細な基礎科学研究からハイレベルな臨床決定支援まで、探究する。 最後に,大規模言語モデルの時代における包括的かつ正確なhkg作成の機会に着目し,医療提供に革命をもたらす可能性を示し,臨床予測の解釈可能性と信頼性を高めた。

関連論文リスト

• Biomedical Knowledge Graph: A Survey of Domains, Tasks, and Real-World Applications [1.3749490831384268]
  バイオメディカル・ナレッジ・グラフ(BKG)は、バイオメディカル分野にまたがる広大な複雑なデータを整理・活用するための強力なツールとして登場した。 しかし、現在のBKGのレビューでは、その範囲を特定のドメインやメソッドに限定し、広い視野と急速な技術進歩を見越すことが多い。 この調査では、ドメイン、タスク、アプリケーションという3つの中核的な視点から、BKGを体系的にレビューする。
  論文  参考訳（メタデータ） (2025-01-20T18:02:03Z)
• Rapid Biomedical Research Classification: The Pandemic PACT Advanced Categorisation Engine [10.692728349388297]
  Pandemic PACTプロジェクトは、アウトブレイクの可能性のある幅広い病気の研究資金と臨床証拠を追跡し、分析することを目的としている。 本稿では,Pandemic PACT Advanced Categorisation Engine(PPACE)と関連するデータセットを紹介する。
  論文  参考訳（メタデータ） (2024-07-14T05:22:53Z)
• Patient-Centric Knowledge Graphs: A Survey of Current Methods, Challenges, and Applications [2.913761513290171]
  患者中心知識グラフ(PCKG)は、個別の患者ケアに焦点を当てた医療における重要なシフトである。 PCKGは様々な種類の健康データを統合し、患者の健康を包括的に理解する医療専門家に提供します。 本稿はPCKGに関する方法論,課題,機会について概説する。
  論文  参考訳（メタデータ） (2024-02-20T00:07:55Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• From Large Language Models to Knowledge Graphs for Biomarker Discovery in Cancer [0.9437165725355702]
  人工知能(AI)の難しいシナリオは、バイオメディカルデータを使用して、がんの病態の診断と治療のレコメンデーションを提供することである。 大規模知識グラフ(KG)は、意味的相互関連エンティティや関係に関する事実の統合と抽出によって構築することができる。 本稿では,癌特異的バイオマーカー発見と対話型QAを活用するドメインKGを開発する。
  論文  参考訳（メタデータ） (2023-10-12T14:36:13Z)
• Artificial General Intelligence for Medical Imaging Analysis [92.3940918983821]
  大規模人工知能(AGI)モデルは、様々な汎用ドメインタスクにおいて前例のない成功を収めた。 これらのモデルは、医学分野固有の複雑さとユニークな特徴から生じる顕著な課題に直面している。 このレビューは、医療画像、医療などにおけるAGIの将来的な意味についての洞察を提供することを目的としている。
  論文  参考訳（メタデータ） (2023-06-08T18:04:13Z)
• Healthcare Knowledge Graph Construction: State-of-the-art, open issues, and opportunities [5.652978777706895]
  本論文は、包括的分類法とKG構築に関する鳥の視線を初めて提示するものである。 様々な医療状況に関する学術研究から引き出された最先端技術について、徹底的に検討する。 文献におけるいくつかの研究成果と既存の課題が報告され、議論されている。
  論文  参考訳（メタデータ） (2022-07-08T09:19:01Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)
• Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
  ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。 治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。 この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
  論文  参考訳（メタデータ） (2021-05-03T21:20:20Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。