論文の概要: HypKG: Hypergraph-based Knowledge Graph Contextualization for Precision Healthcare

• arxiv url: http://arxiv.org/abs/2507.19726v2
• Date: Wed, 30 Jul 2025 02:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 11:57:45.825175
• Title: HypKG: Hypergraph-based Knowledge Graph Contextualization for Precision Healthcare
• Title（参考訳）: HypKG: 精密医療のためのハイパーグラフベースの知識グラフコンテクスト化
• Authors: Yuzhang Xie, Xu Han, Ran Xu, Xiao Hu, Jiaying Lu, Carl Yang,
• Abstract要約: 我々は,EHRからKGへ患者情報を統合し,正確な予測を行うためのコンテキスト化された知識表現を生成するフレームワークHypKGを提案する。 大規模なバイオメディカルKGと2つの実世界のEHRデータセットを用いた実験では、HypKGは医療予測タスクにおいて大幅な改善を示す。
• 参考スコア（独自算出の注目度）: 37.72410429171233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge graphs (KGs) are important products of the semantic web, which are widely used in various application domains. Healthcare is one of such domains where KGs are intensively used, due to the high requirement for knowledge accuracy and interconnected nature of healthcare data. However, KGs storing general factual information often lack the ability to account for important contexts of the knowledge such as the status of specific patients, which are crucial in precision healthcare. Meanwhile, electronic health records (EHRs) provide rich personal data, including various diagnoses and medications, which provide natural contexts for general KGs. In this paper, we propose HypKG, a framework that integrates patient information from EHRs into KGs to generate contextualized knowledge representations for accurate healthcare predictions. Using advanced entity-linking techniques, we connect relevant knowledge from general KGs with patient information from EHRs, and then utilize a hypergraph model to "contextualize" the knowledge with the patient information. Finally, we employ hypergraph transformers guided by downstream prediction tasks to jointly learn proper contextualized representations for both KGs and patients, fully leveraging existing knowledge in KGs and patient contexts in EHRs. In experiments using a large biomedical KG and two real-world EHR datasets, HypKG demonstrates significant improvements in healthcare prediction tasks across multiple evaluation metrics. Additionally, by integrating external contexts, HypKG can learn to adjust the representations of entities and relations in KG, potentially improving the quality and real-world utility of knowledge.
• Abstract（参考訳）: 知識グラフ(KG)はセマンティックウェブの重要な産物であり、様々なアプリケーションドメインで広く使われている。 医療は、知識の正確さと医療データの相互接続性に高い要求があるため、KGが集中的に使用される領域の1つである。 しかしながら、一般的な事実情報を格納するKGには、特定の患者の状態などの知識の重要な文脈を説明できないことがしばしばある。 一方、電子健康記録(EHR)は、様々な診断や医薬品を含む豊富な個人データを提供し、一般的なKGに対して自然な文脈を提供する。 本稿では,EHRから患者情報をKGに組み込んだHypKGを提案する。 先進的なエンティティリンク技術を用いて、一般KGからの関連知識と患者情報とを結合し、ハイパーグラフモデルを用いて患者情報と知識を"コンテキスト化"する。 最後に、下流予測タスクによって導かれるハイパーグラフ変換を用いて、KGと患者の両方の適切な文脈表現を共同で学習し、KGの既存の知識とEHRの患者コンテキストを完全に活用する。 大規模なバイオメディカルKGと2つの実世界のEHRデータセットを用いた実験では、HypKGは、複数の評価指標にわたる医療予測タスクの大幅な改善を示す。 さらに、外部コンテキストを統合することで、HypKGは、KGにおけるエンティティと関係の表現を調整することを学べる。

関連論文リスト

• A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises [59.4999994297993]
  この総合的なレビューは、医療知識グラフ(HKG)の現状の概要を提供することを目的としている。 我々は,既存のHKGに関する文献を網羅的に分析し,その構築方法,活用技術,応用について考察した。 このレビューは、HKGsが生物医学研究や臨床実践に大きな影響を与える可能性を強調している。
  論文  参考訳（メタデータ） (2023-06-07T21:51:56Z)
• 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)
• Demographic Aware Probabilistic Medical Knowledge Graph Embeddings of Electronic Medical Records [0.5524804393257919]
  電子医療記録(EMR)から構築された医療知識グラフ(KG)には、患者や医療機関に関する豊富な情報が含まれている。 DarLINGは、患者の人口統計を対応するハイパープレーンと関連付けることによって、医療現場に人口統計を明示的に組み込む人口統計認識医療KG埋め込みフレームワークです。 EMRデータから構築した医用KGを用いた治療薬のリンク予測によるDARlingの評価を行い,既存のKG埋め込みモデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-22T15:45:05Z)

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。