Fugu-MT 論文翻訳(概要): Can Large Language Models Augment a Biomedical Ontology with missing Concepts and Relations?

論文の概要: Can Large Language Models Augment a Biomedical Ontology with missing Concepts and Relations?

arxiv url: http://arxiv.org/abs/2311.06858v1
Date: Sun, 12 Nov 2023 14:20:55 GMT
ステータス: 処理完了
システム内更新日: 2023-11-14 16:28:26.308601
Title: Can Large Language Models Augment a Biomedical Ontology with missing Concepts and Relations?
Title（参考訳）: 大規模言語モデルは、概念や関係を欠く生物医学的オントロジーを増強できるか?
Authors: Antonio Zaitoun, Tomer Sagi, Szymon Wilk, Mor Peleg
Abstract要約: LLMとのセマンティックな相互作用を利用して臨床実践ガイドラインを解析する手法を提案する。プロンプトを使った最初の実験では、手動で生成された金の標準を与えられた有望な結果が得られました。
参考スコア（独自算出の注目度）: 1.1060425537315088
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Ontologies play a crucial role in organizing and representing knowledge. However, even current ontologies do not encompass all relevant concepts and relationships. Here, we explore the potential of large language models (LLM) to expand an existing ontology in a semi-automated fashion. We demonstrate our approach on the biomedical ontology SNOMED-CT utilizing semantic relation types from the widely used UMLS semantic network. We propose a method that uses conversational interactions with an LLM to analyze clinical practice guidelines (CPGs) and detect the relationships among the new medical concepts that are not present in SNOMED-CT. Our initial experimentation with the conversational prompts yielded promising preliminary results given a manually generated gold standard, directing our future potential improvements.
Abstract（参考訳）: オントロジーは知識の組織化と表現において重要な役割を果たす。しかし、現在の存在論でさえすべての関連する概念や関係を包含していない。本稿では,既存のオントロジーを半自動的に拡張する大規模言語モデル (LLM) の可能性を探る。我々は,広く使用されているumls意味ネットワークからの意味関係型を利用した生物医学的オントロジーsnomed-ctのアプローチを実証する。 SNOMED-CTに存在しない新しい医療概念間の関連性を検出するために,LLMとの対話を用いた臨床実践ガイドライン(CPG)の分析手法を提案する。会話のプロンプトを使った最初の実験は、手動で生成した金の標準から有望な予備結果を得た。

関連論文リスト

Unified Representation of Genomic and Biomedical Concepts through Multi-Task, Multi-Source Contrastive Learning [45.6771125432388]
言語モデル(genEREL)を用いたジェノミクス表現について紹介する。 GENERELは遺伝学と生物医学の知識基盤を橋渡しするために設計されたフレームワークである。本実験は,SNPと臨床概念のニュアンス関係を効果的に把握するgenERELの能力を実証するものである。
論文参考訳（メタデータ） (2024-10-14T04:19:52Z)
Document-level Clinical Entity and Relation Extraction via Knowledge Base-Guided Generation [0.869967783513041]
統一医療言語システム(UMLS)の知識ベースを利用して医療概念を正確に識別する。本フレームワークは、テキストに関連するUMLS概念を選択し、エンティティを抽出する際の言語モデルガイドのプロンプトと組み合わせる。
論文参考訳（メタデータ） (2024-07-13T22:45:46Z)
Towards Ontology-Enhanced Representation Learning for Large Language Models [0.18416014644193066]
本稿では,知識を参照オントロジーで注入することで,埋め込み言語モデル(埋め込み言語モデル)の関心を高める新しい手法を提案する。言語情報(概念同義語と記述)と構造情報(is-a関係)は、包括的な概念定義の集合をコンパイルするために使用される。これらの概念定義は、対照的な学習フレームワークを使用して、ターゲットの埋め込み-LLMを微調整するために使用される。
論文参考訳（メタデータ） (2024-05-30T23:01:10Z)
Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-05-29T23:19:28Z)
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)
Exploring the In-context Learning Ability of Large Language Model for Biomedical Concept Linking [4.8882241537236455]
本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。 BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
論文参考訳（メタデータ） (2023-07-03T16:19:50Z)
SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文参考訳（メタデータ） (2023-06-19T17:03:46Z)
Biologically-informed deep learning models for cancer: fundamental trends for encoding and interpreting oncology data [0.0]
本稿では,癌生物学における推論を支援するために用いられる深層学習(DL)モデルに着目した構造化文献解析を行う。この研究は、既存のモデルが、先行知識、生物学的妥当性、解釈可能性とのより良い対話の必要性にどのように対処するかに焦点を当てている。
論文参考訳（メタデータ） (2022-07-02T12:11:35Z)
Semantic Search for Large Scale Clinical Ontologies [63.71950996116403]
本稿では,大規模臨床語彙検索システムを構築するための深層学習手法を提案する。本稿では,意味学習データに基づくトレーニングデータを生成するTriplet-BERTモデルを提案する。このモデルは,5つの実ベンチマークデータセットを用いて評価され,提案手法は自由テキストから概念,概念まで,概念語彙の検索において高い結果が得られることを示す。
論文参考訳（メタデータ） (2022-01-01T05:15:42Z)
UmlsBERT: Clinical Domain Knowledge Augmentation of Contextual Embeddings Using the Unified Medical Language System Metathesaurus [73.86656026386038]
事前学習プロセス中にドメイン知識を統合するコンテキスト埋め込みモデルであるUmlsBERTを紹介する。これらの2つの戦略を適用することで、UmlsBERTは、臨床領域の知識を単語埋め込みにエンコードし、既存のドメイン固有モデルより優れている。
論文参考訳（メタデータ） (2020-10-20T15:56:31Z)

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。