論文の概要: MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot

• arxiv url: http://arxiv.org/abs/2502.04413v1
• Date: Thu, 06 Feb 2025 12:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:58:43.742947
• Title: MedRAG: Enhancing Retrieval-augmented Generation with Knowledge Graph-Elicited Reasoning for Healthcare Copilot
• Title（参考訳）: MedRAG: 医療コパイロットのための知識グラフ付き推論による検索機能強化
• Authors: Xuejiao Zhao, Siyan Liu, Su-Yin Yang, Chunyan Miao,
• Abstract要約: Retrieval-augmented Generation (RAG)は、プライバシーに敏感な電子健康記録を検索するのに適した手法である。 本稿では,医療領域に対する知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGはより具体的な診断の洞察を提供し、誤診率の低減に最先端のモデルを上回っている。
• 参考スコア（独自算出の注目度）: 47.77948063906033
• License:
• Abstract: Retrieval-augmented generation (RAG) is a well-suited technique for retrieving privacy-sensitive Electronic Health Records (EHR). It can serve as a key module of the healthcare copilot, helping reduce misdiagnosis for healthcare practitioners and patients. However, the diagnostic accuracy and specificity of existing heuristic-based RAG models used in the medical domain are inadequate, particularly for diseases with similar manifestations. This paper proposes MedRAG, a RAG model enhanced by knowledge graph (KG)-elicited reasoning for the medical domain that retrieves diagnosis and treatment recommendations based on manifestations. MedRAG systematically constructs a comprehensive four-tier hierarchical diagnostic KG encompassing critical diagnostic differences of various diseases. These differences are dynamically integrated with similar EHRs retrieved from an EHR database, and reasoned within a large language model. This process enables more accurate and specific decision support, while also proactively providing follow-up questions to enhance personalized medical decision-making. MedRAG is evaluated on both a public dataset DDXPlus and a private chronic pain diagnostic dataset (CPDD) collected from Tan Tock Seng Hospital, and its performance is compared against various existing RAG methods. Experimental results show that, leveraging the information integration and relational abilities of the KG, our MedRAG provides more specific diagnostic insights and outperforms state-of-the-art models in reducing misdiagnosis rates. Our code will be available at https://github.com/SNOWTEAM2023/MedRAG
• Abstract（参考訳）: Retrieval-augmented Generation (RAG)は、プライバシーに敏感なElectronic Health Records(EHR)を検索するのに適した手法である。 医療協力の鍵となるモジュールとして機能し、医療従事者や患者に対する誤診を減らすのに役立つ。 しかし、医学領域で使用されている既存のヒューリスティックベースRAGモデルの診断精度と特異性は、特に類似の症状を持つ疾患では不十分である。 本稿では,知識グラフ(KG)により強化されたRAGモデルであるMedRAGを提案する。 MedRAGは、様々な疾患の診断上の違いを含む包括的4階層的階層的診断KGを体系的に構築する。 これらの違いは、EHRデータベースから取得した類似のEHRと動的に統合され、大きな言語モデル内で推論される。 このプロセスは、より正確で特異的な意思決定支援を可能にし、また、個人化された医療的意思決定を強化するために、積極的にフォローアップ質問を提供する。 MedRAGはTan Tock Seng病院から収集された公開データセットDDXPlusとプライベート慢性痛診断データセット(CPDD)の両方で評価され、その性能は既存のRAG法と比較される。 MedRAGは,KGの情報統合とリレーショナル能力を生かして,より特異的な診断情報を提供し,誤診率の低減に最先端のモデルより優れていることを示す。 私たちのコードはhttps://github.com/SNOWTEAM2023/MedRAGで公開されます。

関連論文リスト

• DualMAR: Medical-Augmented Representation from Dual-Expertise Perspectives [20.369746122143063]
  本研究では,個人観測データと公開知識ベースによる予測タスクを強化するフレームワークであるDualMARを提案する。 極空間上の座標の取得と角化により、DualMARはKGからのリッチな階層的およびセマンティックな埋め込みに基づく正確な予測を可能にする。
  論文  参考訳（メタデータ） (2024-10-25T20:25:22Z)
• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
  RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。 私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
  論文  参考訳（メタデータ） (2023-12-26T18:20:48Z)
• Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction [7.5569033426158585]
  自動診断におけるLarge Language Models (LLMs) の習熟度を高めるための革新的なアプローチを提案する。 我々は,国立医科大学統一医療言語システム(UMLS)からKGを抽出した。 我々のアプローチは説明可能な診断経路を提供し、AIによる診断決定支援システムの実現に近づいている。
  論文  参考訳（メタデータ） (2023-08-28T06:05:18Z)
• PromptMRG: Diagnosis-Driven Prompts for Medical Report Generation [7.508437260320598]
  医療報告作成のための診断駆動プロンプト(PromptMRG)を提案する。 PromptMRGは、追加の疾患分類ブランチを持つエンコーダデコーダアーキテクチャに基づいている。 クロスモーダル機能拡張は、クエリイメージの診断を支援するために、データベースから類似したレポートを検索する。
  論文  参考訳（メタデータ） (2023-08-24T07:10:31Z)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• 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)
• Query-Focused EHR Summarization to Aid Imaging Diagnosis [22.21438906817433]
  本稿では,患者記録から関連するテキストスニペットを抽出し,大まかな症例要約を提供するモデルを提案し,評価する。 我々は,「未来」記録で観察される国際疾患分類(ICD)コード群を,「下流」診断のためのうるさいプロキシとして使用した。 我々は、ボストンのブリガム・アンド・ウーマンズ病院とMIMIC-IIIのEHRデータに基づいて、このモデルのバリエーションを訓練し、評価する。
  論文  参考訳（メタデータ） (2020-04-09T16:32:39Z)

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。