論文の概要: A Review on Knowledge Graphs for Healthcare: Resources, Applications,
and Promises
- arxiv url: http://arxiv.org/abs/2306.04802v3
- Date: Mon, 19 Feb 2024 23:40:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 21:15:44.820549
- Title: A Review 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のレビュー: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, Tianfan Fu, Liang Zhao, Joyce Ho, Fei Wang, Carl
Yang
- Abstract要約: この研究は、医療知識グラフ(HKG)の最初の包括的なレビューを提供する。
HKG構築のためのパイプラインと重要なテクニックを要約し、一般的な利用方法も示す。
アプリケーションレベルでは、さまざまなヘルスドメインにわたるHKGの正常な統合を検討します。
- 参考スコア(独自算出の注目度): 53.48844796428081
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Healthcare knowledge graphs (HKGs) are valuable tools for organizing
biomedical concepts and their relationships with interpretable structures. The
recent advent of large language models (LLMs) has paved the way for building
more comprehensive and accurate HKGs. This, in turn, can improve the
reliability of generated content and enable better evaluation of LLMs. However,
the challenges of HKGs such as regarding data heterogeneity and limited
coverage are not fully understood, highlighting the need for detailed reviews.
This work provides the first comprehensive review of HKGs. It summarizes the
pipeline and key techniques for HKG construction, as well as the common
utilization approaches, i.e., model-free and model-based. The existing HKG
resources are also organized based on the data types they capture and
application domains they cover, along with relevant statistical information
(Resource available at
https://github.com/lujiaying/Awesome-HealthCare-KnowledgeBase). At the
application level, we delve into the successful integration of HKGs across
various health domains, ranging from fine-grained basic science research to
high-level clinical decision support and public health. Lastly, the paper
highlights the opportunities for HKGs in the era of LLMs. This work aims to
serve as a valuable resource for understanding the potential and opportunities
of HKG in health research.
- Abstract(参考訳): 医療知識グラフ(Healthcare knowledge graphs, HKGs)は、生体医学の概念と解釈可能な構造との関係を整理するための貴重なツールである。
最近の大規模言語モデル(llms)の出現により、より包括的で正確なhkgを構築する方法が整った。
これにより、生成されたコンテンツの信頼性が向上し、LCMのより良い評価が可能になる。
しかし、データの不均一性や範囲の限定といったHKGの課題は完全には理解されておらず、詳細なレビューの必要性を強調している。
本研究はhkgsの包括的レビューを提供する。
hkg構築のためのパイプラインとキーテクニック、およびモデルフリーやモデルベースといった共通利用アプローチを要約している。
既存のhkgリソースは、キャプチャしたデータ型とカバーするアプリケーションドメイン、関連する統計情報(https://github.com/lujiaying/awesome-healthcare-knowledgebase.resource)に基づいて整理される。
アプリケーションレベルでは、きめ細かい基礎科学研究からハイレベルな臨床決定支援、公衆衛生まで、さまざまな健康領域にわたるhkgの統合が成功したことを考察する。
最後に本稿では,llm時代のhkgsの機会について概説する。
この研究は、健康研究におけるhkgの可能性と機会を理解するための貴重な資源となることを目的としている。
関連論文リスト
- 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) - Deep Bidirectional Language-Knowledge Graph Pretraining [159.9645181522436]
DRAGONは、テキストとKGを大規模に融合した言語知識基盤モデルを事前学習するための自己教師型アプローチである。
我々のモデルは、入力としてテキストセグメントと関連するKGサブグラフのペアを取り、両モードから情報を双方向に融合する。
論文 参考訳(メタデータ) (2022-10-17T18:02:52Z) - 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。