論文の概要: Development of a Knowledge Graph Embeddings Model for Pain
- arxiv url: http://arxiv.org/abs/2308.08904v1
- Date: Thu, 17 Aug 2023 10:27:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-08-21 17:05:18.428330
- Title: Development of a Knowledge Graph Embeddings Model for Pain
- Title（参考訳）: 痛みに対する知識グラフ埋め込みモデルの開発
- Authors: Jaya Chaturvedi, Tao Wang, Sumithra Velupillai, Robert Stewart, Angus
Roberts
- Abstract要約: 痛みは複雑な概念であり、痛みを引き起こす可能性のある障害のような他の概念と結びつくことができる。
本稿では、メンタルヘルスの電子健康記録から抽出した痛み概念の知識グラフ埋め込みモデルの構築について述べる。
- 参考スコア（独自算出の注目度）: 3.1971346852273714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pain is a complex concept that can interconnect with other concepts such as a
disorder that might cause pain, a medication that might relieve pain, and so
on. To fully understand the context of pain experienced by either an individual
or across a population, we may need to examine all concepts related to pain and
the relationships between them. This is especially useful when modeling pain
that has been recorded in electronic health records. Knowledge graphs represent
concepts and their relations by an interlinked network, enabling semantic and
context-based reasoning in a computationally tractable form. These graphs can,
however, be too large for efficient computation. Knowledge graph embeddings
help to resolve this by representing the graphs in a low-dimensional vector
space. These embeddings can then be used in various downstream tasks such as
classification and link prediction. The various relations associated with pain
which are required to construct such a knowledge graph can be obtained from
external medical knowledge bases such as SNOMED CT, a hierarchical systematic
nomenclature of medical terms. A knowledge graph built in this way could be
further enriched with real-world examples of pain and its relations extracted
from electronic health records. This paper describes the construction of such
knowledge graph embedding models of pain concepts, extracted from the
unstructured text of mental health electronic health records, combined with
external knowledge created from relations described in SNOMED CT, and their
evaluation on a subject-object link prediction task. The performance of the
models was compared with other baseline models.
- Abstract（参考訳）: 痛みは、痛みを引き起こす可能性のある障害、痛みを和らげる可能性のある薬など、他の概念と結びつく複雑な概念である。
個人または集団で経験される痛みの文脈を十分に理解するには、痛みと痛みの関係に関するすべての概念を調べる必要があるかもしれない。
これは、電子健康記録に記録された痛みをモデル化する際に特に有用である。
知識グラフは、相互接続ネットワークによる概念とその関係を表現し、意味論的および文脈的推論を計算的に抽出可能な形で実現する。
しかし、これらのグラフは効率的な計算には大きすぎる。
知識グラフ埋め込みは、低次元ベクトル空間におけるグラフを表現することによって、この問題を解決するのに役立つ。
これらの埋め込みは、分類やリンク予測のような様々な下流タスクで使用できる。
このような知識グラフを構築するために必要な痛みに関連する様々な関係は、医学用語の階層的な体系的命名法であるSNOMED CTのような外部医療知識ベースから得ることができる。
この方法で構築された知識グラフは、実際の痛みの例と、電子健康記録から抽出されたその関係によってさらに豊かになる可能性がある。
本稿では,精神保健医療記録の構造化されていないテキストから抽出した痛覚概念を埋め込んだ知識グラフの構築と,SNOMED CTで記述した関係から作成された外部知識と,対象物リンク予測タスクにおける評価について述べる。
モデルの性能は他のベースラインモデルと比較された。
関連論文リスト
- Graph AI in Medicine [9.733108180046555]
グラフニューラルネットワーク(GNN)は、関係によって相互接続されたノードとしてモダリティを視聴することで、データを一様に処理する。
GNNは、グラフ関係で定義された局所的なニューラル変換を通じて情報をキャプチャする。
知識グラフは、モデル駆動の洞察と医療知識を整合させることで、解釈可能性を高めることができる。
論文 参考訳（メタデータ） (2023-10-20T19:01:01Z) - A Comparative Study of Population-Graph Construction Methods and Graph
Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。
人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある
本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文 参考訳（メタデータ） (2023-09-26T10:30:45Z) - Multimodal brain age estimation using interpretable adaptive
population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。
注意機構は、画像と非画像の特徴のセットに重みを割り当てる。
グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文 参考訳（メタデータ） (2023-07-10T15:35:31Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。
DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。
ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
論文 参考訳（メタデータ） (2022-12-07T19:14:17Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Relational representation learning with spike trains [0.0]
本稿では,スパイクパターンの時間領域を完全に活用することで,知識グラフのスパイクトレインによる埋め込みを学習できるモデルを提案する。
以上の結果から,リレーショナル知識をスパイクベースシステムに統合することで,イベントベースコンピューティングとデータをマージして,パワフルでエネルギー効率の高い人工知能アプリケーションや推論システムを構築する可能性を明らかにする。
論文 参考訳（メタデータ） (2022-05-18T18:00:37Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Implications of Topological Imbalance for Representation Learning on
Biomedical Knowledge Graphs [16.566710222582618]
知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。
グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
論文 参考訳（メタデータ） (2021-12-13T11:20:36Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。