論文の概要: A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises
- arxiv url: http://arxiv.org/abs/2306.04802v4
- Date: Sun, 4 Aug 2024 08:53:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-07 00:35:17.060323
- Title: A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises
- Title（参考訳）: 医療における知識グラフ : 資源・応用・約束
- Authors: Carl Yang, Hejie Cui, Jiaying Lu, Shiyu Wang, Ran Xu, Wenjing Ma, Yue Yu, Shaojun Yu, Xuan Kan, Chen Ling, Tianfan Fu, Liang Zhao, Joyce Ho, Fei Wang,
- 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）: 52.31710895034573
- 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(LLM)の出現は、より包括的で正確なHKGを構築するための道を開いた。
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が浮き彫りになっている。
この研究は、HKGの最初の包括的なレビューを提供する。
これは、HKG構築のためのパイプラインとキーテクニックを要約し、モデルフリーとモデルベースという一般的な利用手法をまとめたものである。
既存のHKGリソースは、キャプチャしたデータタイプと、それらが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で公開されている)に基づいて構成されている。
応用レベルでは、詳細な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、さまざまな医療分野におけるHKGの統合を成功に導く。
最後に、LLMの時代におけるHKGの機会を強調した。
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して機能することを目的としている。
関連論文リスト
- 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) - 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) - 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。