論文の概要: HeCiX: Integrating Knowledge Graphs and Large Language Models for Biomedical Research
- arxiv url: http://arxiv.org/abs/2407.14030v1
- Date: Fri, 19 Jul 2024 05:04:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 18:43:32.393182
- Title: HeCiX: Integrating Knowledge Graphs and Large Language Models for Biomedical Research
- Title（参考訳）: HeCiX:生物医学研究のための知識グラフと大規模言語モデルの統合
- Authors: Prerana Sanjay Kulkarni, Muskaan Jain, Disha Sheshanarayana, Srinivasan Parthiban,
- Abstract要約: 本稿では,HeCiX-KG,Hetionet-Clinicaltrials neXus Knowledge Graph,HeCiXを紹介する。
HeCiXは様々な臨床的問題に対する評価において高い性能を示し、このモデルが臨床研究の有効性を高めることを約束していることを証明している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite advancements in drug development strategies, 90% of clinical trials fail. This suggests overlooked aspects in target validation and drug optimization. In order to address this, we introduce HeCiX-KG, Hetionet-Clinicaltrials neXus Knowledge Graph, a novel fusion of data from ClinicalTrials.gov and Hetionet in a single knowledge graph. HeCiX-KG combines data on previously conducted clinical trials from ClinicalTrials.gov, and domain expertise on diseases and genes from Hetionet. This offers a thorough resource for clinical researchers. Further, we introduce HeCiX, a system that uses LangChain to integrate HeCiX-KG with GPT-4, and increase its usability. HeCiX shows high performance during evaluation against a range of clinically relevant issues, proving this model to be promising for enhancing the effectiveness of clinical research. Thus, this approach provides a more holistic view of clinical trials and existing biological data.
- Abstract（参考訳）: 薬物開発戦略の進歩にもかかわらず、臨床試験の90%は失敗している。
これは、標的の検証と薬物の最適化における見過ごされた側面を示唆している。
そこで我々は,HeCiX-KG,Hetionet-Clinicaltrials neXus Knowledge Graphを紹介した。
HeCiX-KGは、以前に行われた臨床試験のデータと、Hetionetの病気や遺伝子に関するドメインの専門知識を組み合わせている。
これは臨床研究者に十分なリソースを提供する。
さらに,LangChainを用いたHeCiX-KGとGPT-4を統合し,ユーザビリティを向上させるシステムHeCiXを紹介する。
HeCiXは様々な臨床的問題に対する評価において高い性能を示し、このモデルが臨床研究の有効性を高めることを約束していることを証明している。
このように、このアプローチは、臨床試験と既存の生物学的データに関するより包括的な見解を提供する。
関連論文リスト
- Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。
本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。
その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - 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) - DALL-M: Context-Aware Clinical Data Augmentation with LLMs [13.827368628263997]
放射線医は、基礎疾患の診断に不十分な胸部X線をしばしば見出す。
臨床データを用いた拡張技術により臨床コンテキストを向上する新しい枠組みを提案する。
症例文脈合成データを生成するために,大規模言語モデルを用いた臨床データ拡張の先駆的アプローチを導入する。
論文 参考訳（メタデータ） (2024-07-11T07:01:50Z) - TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence
Generation with Biomedical Language Models [22.046231408373522]
観測データから実世界の証拠を抽出する統合フレームワークであるTRIALSCOPEについて述べる。
TRIALSCOPEは実世界のデータの高品質な構造化を可能とし,マーキーがん検診に匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2023-11-02T15:15:47Z) - Clinical Trial Recommendations Using Semantics-Based Inductive Inference
and Knowledge Graph Embeddings [0.0]
本稿では,臨床治験の知識グラフに基づいて学習した神経埋め込みに基づく新しい勧告手法を提案する。
以上の結果から,本提案手法は実際の臨床試験とテキストの類似性から,70%～83%の関連性スコアを達成できた。
論文 参考訳（メタデータ） (2023-09-27T19:54:07Z) - Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays [40.11576642444264]
本報告では,ICCV CVAMD 2023 CXR-LT コンペティションにおけるソリューションの概要について述べる。
我々は,CXR診断の有効性を,いくつかの先進的な設計を統合することで実証的に検討した。
私たちのフレームワークは最終的に、競争テストセットで0.349 mAPを獲得し、トップ5にランクインしました。
論文 参考訳（メタデータ） (2023-08-17T08:25:55Z) - Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。
ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。
以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
論文 参考訳（メタデータ） (2022-08-03T08:33:21Z) - TrialGraph: Machine Intelligence Enabled Insight from Graph Modelling of
Clinical Trials [0.0]
我々はCT.gov, AACT, TrialTroveデータベースから収集した治験データセット(n=1191臨床試験、100万人の患者を代表する)を紹介する。
次に,グラフ機械学習アルゴリズムの数学的基礎と実装について詳述する。
我々はこれらのモデルを用いて、疾患、既往の医療状況、治療に関する情報を与えられた臨床試験の副作用情報を予測する訓練を行った。
論文 参考訳（メタデータ） (2021-12-15T15:36:57Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Learning for Dose Allocation in Adaptive Clinical Trials with Safety
Constraints [84.09488581365484]
新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。
最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。
本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
論文 参考訳（メタデータ） (2020-06-09T03:06:45Z)
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。