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
- Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [90.30473970040362]
我々は、知識グラフ(KG)を探索しながら、新しい実写トリプルを生成できる、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。
具体的には、LLMをKGを探索するエージェントとして扱うだけでなく、KGとして扱い、探索したサブグラフに基づいて新たな事実を生成する選択生成探索フレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-23T04:47:22Z) - A Knowledge Graph-Based Search Engine for Robustly Finding Doctors and
Locations in the Healthcare Domain [3.268887739788112]
知識グラフ(KG)は、半構造化データから洞察を収集する利点を組み合わせる強力な方法として登場した。
医療領域の医師や場所を確実に見つけるためのKGベースの検索エンジンアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-10-08T18:28:17Z) - HAHE: Hierarchical Attention for Hyper-Relational Knowledge Graphs in
Global and Local Level [7.96433065992062]
ハイパーリレーショナル知識グラフ(HKG)のリンク予測は、価値のある取り組みである。
本稿では,HKG 埋め込み (HAHE) のための階層型アテンションモデルを提案する。
実験結果から,HAHEはHKG標準データセット上のリンク予測タスクにおいて,最先端の性能を達成することが示された。
論文 参考訳(メタデータ) (2023-05-11T05:59:31Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳(メタデータ) (2022-12-12T08:40:04Z) - 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) - The Digitalization of Bioassays in the Open Research Knowledge Graph [6.508148285794385]
ORKG-assaysはPythonで書かれたAIマイクロサービスである。
AIベースのクラスタリングアルゴリズムを使用しており、900以上のバイオアッセイと5,514のユニークなプロパティ値ペアを103の述語で比較すると、競合的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2022-03-28T08:35:01Z) - 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) - A Survey on Heterogeneous Graph Embedding: Methods, Techniques,
Applications and Sources [79.48829365560788]
異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。
HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
論文 参考訳(メタデータ) (2020-11-30T15:03:47Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。