論文の概要: Companion Animal Disease Diagnostics based on Literal-aware Medical Knowledge Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2309.03219v1
• Date: Thu, 31 Aug 2023 08:14:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-10 03:26:16.030376
• Title: Companion Animal Disease Diagnostics based on Literal-aware Medical Knowledge Graph Representation Learning
• Title（参考訳）: リテラル・アウェア医療知識グラフ表現学習に基づく動物性疾患診断
• Authors: Van Thuy Hoang, Sang Thanh Nguyen, Sangmyeong Lee, Jooho Lee, Luong Vuong Nguyen, and O-Joun Lee
• Abstract要約: 動物疾患の効率的な診断のための知識グラフ埋め込みモデルを提案する。 動物病院から収集したリテラル情報とともに,EMRから構築した知識グラフを構築した。 次に、異なるタイプのエンティティとノードの特徴情報をゲートネットワークを介して統一されたベクトル表現に融合する。
• 参考スコア（独自算出の注目度）: 2.6728067876089248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graph (KG) embedding has been used to benefit the diagnosis of animal diseases by analyzing electronic medical records (EMRs), such as notes and veterinary records. However, learning representations to capture entities and relations with literal information in KGs is challenging as the KGs show heterogeneous properties and various types of literal information. Meanwhile, the existing methods mostly aim to preserve graph structures surrounding target nodes without considering different types of literals, which could also carry significant information. In this paper, we propose a knowledge graph embedding model for the efficient diagnosis of animal diseases, which could learn various types of literal information and graph structure and fuse them into unified representations, namely LiteralKG. Specifically, we construct a knowledge graph that is built from EMRs along with literal information collected from various animal hospitals. We then fuse different types of entities and node feature information into unified vector representations through gate networks. Finally, we propose a self-supervised learning task to learn graph structure in pretext tasks and then towards various downstream tasks. Experimental results on link prediction tasks demonstrate that our model outperforms the baselines that consist of state-of-the-art models. The source code is available at https://github.com/NSLab-CUK/LiteralKG.
• Abstract（参考訳）: 知識グラフ(KG)埋め込みは、ノートや獣医学記録などの電子医療記録(EMR)を分析することにより、動物疾患の診断に有用である。 しかし,様々なリテラル情報と異質な特性を示すため,リテラル情報との関係やエンティティをキャプチャする学習表現は困難である。 一方、既存の手法は主に、異なるタイプのリテラルを考慮せずに、ターゲットノードを取り巻くグラフ構造を保存することを目的としている。 本稿では,各種リテラル情報とグラフ構造を学習し,リテラルkgという統一表現に融合できる,動物疾患の効率的な診断のための知識グラフ埋め込みモデルを提案する。 具体的には, 動物病院から収集したリテラル情報とともに, EMRから構築した知識グラフを構築する。 次に、異なるタイプのエンティティとノードの特徴情報をゲートネットワークを介して統一されたベクトル表現に融合する。 最後に,前文課題のグラフ構造を学習し,様々な下流課題に向けて,自己教師付き学習タスクを提案する。 リンク予測タスクの実験結果は、我々のモデルが最先端モデルからなるベースラインより優れていることを示す。 ソースコードはhttps://github.com/NSLab-CUK/LiteralKGで入手できる。

関連論文リスト

• Scalable Knowledge Graph Construction and Inference on Human Genome Variants [2.8523023316864413]
  現実世界の知識は、実体とそれらの間の関係からなるグラフとして表すことができる。 本研究は, ワクチン陰性COVID-19患者のRNA配列から抽出した変異レベル情報を, 統合された大規模知識グラフとして表現したものである。
  論文  参考訳（メタデータ） (2023-12-07T16:48:32Z)
• 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)
• Probing Graph Representations [77.7361299039905]
  グラフ表現でキャプチャされた意味のある情報の量を定量化するために、探索フレームワークを使用します。 本研究は, グラフモデルにおける帰納的バイアスを理解するための探索の可能性を示すものである。 グラフベースモデルを評価する上で有用な診断ツールとして,探索を提唱する。
  論文  参考訳（メタデータ） (2023-03-07T14:58:18Z)
• 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)
• 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)
• 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)
• ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
  実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。 我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。 本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
  論文  参考訳（メタデータ） (2020-04-30T14:16:19Z)
• Latent-Graph Learning for Disease Prediction [44.26665239213658]
  我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。 一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
  論文  参考訳（メタデータ） (2020-03-27T08:18:01Z)
• 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。