論文の概要: Accelerating Medical Knowledge Discovery through Automated Knowledge Graph Generation and Enrichment
- arxiv url: http://arxiv.org/abs/2405.02321v1
- Date: Sun, 21 Apr 2024 15:54:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-12 16:00:17.711367
- Title: Accelerating Medical Knowledge Discovery through Automated Knowledge Graph Generation and Enrichment
- Title（参考訳）: 知識グラフの自動生成と強化による医療知識発見の高速化
- Authors: Mutahira Khalid, Raihana Rahman, Asim Abbas, Sushama Kumari, Iram Wajahat, Syed Ahmad Chan Bukhari,
- Abstract要約: 医用知識自動化グラフ(M-KGA)と呼ばれる知識グラフ自動化に対する革新的なアプローチを提案する。
M-KGAは、ユーザが提供する医療概念を活用し、BioPortalを使って意味的にそれらを豊かにする。
本手法では,クラスタベースのアプローチとノードベースのアプローチという,知識グラフ内のコネクションを明らかにするための2つの手法を提案する。
- 参考スコア（独自算出の注目度）: 0.5188223330672471
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge graphs (KGs) serve as powerful tools for organizing and representing structured knowledge. While their utility is widely recognized, challenges persist in their automation and completeness. Despite efforts in automation and the utilization of expert-created ontologies, gaps in connectivity remain prevalent within KGs. In response to these challenges, we propose an innovative approach termed ``Medical Knowledge Graph Automation (M-KGA)". M-KGA leverages user-provided medical concepts and enriches them semantically using BioPortal ontologies, thereby enhancing the completeness of knowledge graphs through the integration of pre-trained embeddings. Our approach introduces two distinct methodologies for uncovering hidden connections within the knowledge graph: a cluster-based approach and a node-based approach. Through rigorous testing involving 100 frequently occurring medical concepts in Electronic Health Records (EHRs), our M-KGA framework demonstrates promising results, indicating its potential to address the limitations of existing knowledge graph automation techniques.
- Abstract（参考訳）: 知識グラフ(KG)は構造化知識を整理し表現するための強力なツールである。
彼らのユーティリティは広く認識されていますが、自動化と完全性には課題が続きます。
自動化と専門家が作成したオントロジーの利用にもかかわらず、コネクティビティのギャップはKGsで広く見られる。
これらの課題に応えて,我々は「M-KGA(Medical Knowledge Graph Automation)」と呼ばれる革新的なアプローチを提案する。
M-KGAは、ユーザが提供する医療概念を活用し、BioPortalのオントロジーを用いて意味的にそれらを豊かにすることにより、事前学習された埋め込みの統合を通じて知識グラフの完全性を高める。
提案手法では,クラスタベースのアプローチとノードベースのアプローチという,知識グラフ内の隠れ接続を明らかにするための2つの方法を導入している。
EHR(Electronic Health Records)における100の頻発する医療概念の厳密なテストを通じて、我々のM-KGAフレームワークは有望な結果を示し、既存の知識グラフ自動化技術の限界に対処する可能性を示している。
関連論文リスト
- 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) - Digital Histopathology with Graph Neural Networks: Concepts and
Explanations for Clinicians [54.136225756724755]
GCExplainerとLogic Explained Networksを用いて,グラフニューラルネットワークのグローバルな説明を行う。
乳がんのH&Eスライドのトレーニングにより、臨床医に説明可能な信頼できるAIツールを提供することで、有望な結果を示す。
論文 参考訳（メタデータ） (2023-12-04T00:20:50Z) - Enhancing Biomedical Lay Summarisation with External Knowledge Graphs [28.956500948255677]
そこで本研究では,知識グラフをレイ・サマリゼーション・モデルに組み込むための3つのアプローチの有効性について検討する。
この結果から,グラフベースのドメイン知識の統合は,生成したテキストの可読性を大幅に向上させることで,レイ・サマライズを著しく向上させることが可能であることが確認された。
論文 参考訳（メタデータ） (2023-10-24T10:25:21Z) - Neurosymbolic AI for Reasoning on Biomedical Knowledge Graphs [0.9085310904484414]
バイオメディカルデータセットは、しばしば知識グラフ(KG)としてモデル化される。
したがって、KG完了(KGC)は、研究者が薬物再配置などのタスクを予測するのに役立ちます。
論文 参考訳（メタデータ） (2023-07-17T11:47:05Z) - BERT Based Clinical Knowledge Extraction for Biomedical Knowledge Graph
Construction and Analysis [0.4893345190925178]
本稿では,バイオメディカル臨床ノートからの知識抽出と分析のためのエンドツーエンドアプローチを提案する。
提案フレームワークは, 関連構造化情報を高精度に抽出できる。
論文 参考訳（メタデータ） (2023-04-21T14:45:33Z) - 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) - Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。
近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
論文 参考訳（メタデータ） (2023-02-16T12:38:01Z) - A Survey on Knowledge Graph-based Methods for Automated Driving [0.0]
知識グラフ(KG)は、構造化データ、動的データ、およびリレーショナルデータを活用することで恩恵を受けるアプリケーションに対して、業界と学術の両方から大きな注目を集めている。
我々は、現在研究課題を議論し、自動運転のためのKGベースのソリューションについて、将来的な研究方向性を提案する。
論文 参考訳（メタデータ） (2022-09-30T15:47:19Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳（メタデータ） (2022-06-04T13:16:30Z) - Conditional Attention Networks for Distilling Knowledge Graphs in
Recommendation [74.14009444678031]
本稿では,知識グラフをレコメンデーションシステムに組み込むために,知識対応コンディショナルアテンションネットワーク(KCAN)を提案する。
本研究では,まず,ユーザ・イテムネットワークとナレッジグラフのグローバルな意味的類似性を捉えるノード表現を得る。
そして,そのサブグラフに条件付きアテンションアグリゲーションを適用することで,その知識グラフを改良し,目標固有ノード表現を得る。
論文 参考訳（メタデータ） (2021-11-03T09:40:43Z) - Relational Graph Learning on Visual and Kinematics Embeddings for
Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。
本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
論文 参考訳（メタデータ） (2020-11-03T11:00:10Z)
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。