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: 翻訳完了
• 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

• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• Merging Clinical Knowledge into Large Language Models for Medical Research and Applications: A Survey [9.359273536688066]
  医療人工知能(メディカルAI)は、現実の医療シナリオに学術的な医療AIシステムを適用することを目的としている。 この調査は、臨床データベース、データセット、トレーニングパイプラインの使用、医療知識グラフの統合、システム応用、評価システムなど、医療AIシステムの構築パラダイムに焦点を当てる。
  論文  参考訳（メタデータ） (2025-02-28T12:00:51Z)
• 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)
• Distill-SynthKG: Distilling Knowledge Graph Synthesis Workflow for Improved Coverage and Efficiency [59.6772484292295]
  大規模言語モデル(LLM)によって生成される知識グラフ(KG)は、検索・拡張生成(RAG)アプリケーションにとってますます価値が増している。 既存のKG抽出法は、大規模コーパスの処理に非効率なプロンプトベースのアプローチに依存している。 LLMに基づく多段階文書レベルのKGワークフローであるSynthKGを提案する。 我々はまた、RAGのための新しいグラフベースの検索フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-10-22T00:47:54Z)
• LLaVA Needs More Knowledge: Retrieval Augmented Natural Language Generation with Knowledge Graph for Explaining Thoracic Pathologies [3.2221734920470797]
  医用画像のための自然言語記述(NLE)を生成するために,知識グラフ(KG)ベースのデータストアを付加したビジョンランゲージフレームワークを提案する。 本フレームワークでは,生成した説明の精度を向上するだけでなく,直接データ検索を回避してデータのプライバシーを保護できるKGベースの検索機構を採用している。 これらのフレームワークはMIMIC-NLEデータセット上で検証され、最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-10-07T04:59:08Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Medical Graph RAG: Towards Safe Medical Large Language Model via Graph Retrieval-Augmented Generation [9.286509119104563]
  我々は、MedGraphRAGと呼ばれる医療領域向けに設計された新しいグラフベースのRetrieval-Augmented Generationフレームワークを紹介する。 提案手法は,9つの医療用Q&Aベンチマーク,2つの健康用ファクトチェックベンチマーク,および1つの収集データセットで検証した。
  論文  参考訳（メタデータ） (2024-08-08T03:11:12Z)
• Generate-on-Graph: Treat LLM as both Agent and KG in Incomplete Knowledge Graph Question Answering [87.67177556994525]
  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する、Generate-on-Graph(GoG)と呼ばれる学習自由な手法を提案する。 GoGはIKGQAでLLMをエージェントとKGの両方として扱うThinking-Searching-Generatingフレームワークを通じて推論を行う。
  論文  参考訳（メタデータ） (2024-04-23T04:47:22Z)
• 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)
• 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)
• 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 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)
• 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。