論文の概要: DKG-LLM : A Framework for Medical Diagnosis and Personalized Treatment Recommendations via Dynamic Knowledge Graph and Large Language Model Integration

• arxiv url: http://arxiv.org/abs/2508.06186v1
• Date: Fri, 08 Aug 2025 10:04:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.188986
• Title: DKG-LLM : A Framework for Medical Diagnosis and Personalized Treatment Recommendations via Dynamic Knowledge Graph and Large Language Model Integration
• Title（参考訳）: DKG-LLM : 動的知識グラフと大規模言語モデル統合による診断とパーソナライズド・トリート・レコメンデーションのためのフレームワーク
• Authors: Ali Sarabadani, Maryam Abdollahi Shamami, Hamidreza Sadeghsalehi, Borhan Asadi, Saba Hesaraki,
• Abstract要約: 医療診断とパーソナライズされた治療レコメンデーションのためのDKG-LLMフレームワークを提案する。 このフレームワークは、動的知識グラフ(DKG)とGrok 3の大規模言語モデルを統合する。 評価の結果,DKG-LLMの診断精度は84.19%,治療推奨精度は89.63%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large Language Models (LLMs) have grown exponentially since the release of ChatGPT. These models have gained attention due to their robust performance on various tasks, including language processing tasks. These models achieve understanding and comprehension of tasks by training billions of parameters. The development of these models is a transformative force in enhancing natural language understanding and has taken a significant step towards artificial general intelligence (AGI). In this study, we aim to present the DKG-LLM framework. The DKG-LLM framework introduces a groundbreaking approach to medical diagnosis and personalized treatment recommendations by integrating a dynamic knowledge graph (DKG) with the Grok 3 large language model. Using the Adaptive Semantic Fusion Algorithm (ASFA), heterogeneous medical data (including clinical reports and PubMed articles) and patient records dynamically generate a knowledge graph consisting of 15,964 nodes in 13 distinct types (e.g., diseases, symptoms, treatments, patient profiles) and 127,392 edges in 26 relationship types (e.g., causal, therapeutic, association). ASFA utilizes advanced probabilistic models, Bayesian inference, and graph optimization to extract semantic information, dynamically updating the graph with approximately 150 new nodes and edges in each data category while maintaining scalability with up to 987,654 edges. Real-world datasets, including MIMIC-III and PubMed, were utilized to evaluate the proposed architecture. The evaluation results show that DKG-LLM achieves a diagnostic accuracy of 84.19%. The model also has a treatment recommendation accuracy of 89.63% and a semantic coverage of 93.48%. DKG-LLM is a reliable and transformative tool that handles noisy data and complex multi-symptom diseases, along with feedback-based learning from physician input.
• Abstract（参考訳）: 大規模言語モデル (LLM) は ChatGPT のリリース以来指数関数的に成長している。 これらのモデルは、言語処理タスクを含む様々なタスクにおける堅牢なパフォーマンスのために注目を集めている。 これらのモデルは、数十億のパラメータをトレーニングすることで、タスクの理解と理解を達成する。 これらのモデルの開発は、自然言語理解を強化するための変革的な力であり、人工知能(AGI)への重要な一歩を踏み出した。 本研究では,DKG-LLMフレームワークを提案する。 DKG-LLMフレームワークは、ダイナミックナレッジグラフ(DKG)とGrok 3大言語モデルを統合することで、診断とパーソナライズされた治療レコメンデーションに対する画期的なアプローチを導入している。 アダプティブ・セマンティック・フュージョン・アルゴリズム(ASFA)を用いて、異種医療データ(臨床報告やPubMed記事を含む)と患者記録は、13種類の異なるタイプ(例えば、疾患、症状、治療、患者プロファイル)、15,964のノードと26種類の関連型(例えば、因果関係、治療、関連)127,392のエッジからなる知識グラフを動的に生成する。 ASFAは高度な確率モデル、ベイズ推定、グラフ最適化を利用して意味情報を抽出し、最大987,654エッジのスケーラビリティを維持しながら、各データカテゴリで約150の新しいノードとエッジでグラフを動的に更新する。 MIMIC-IIIやPubMedなどの実世界のデータセットを用いて提案アーキテクチャの評価を行った。 その結果,DKG-LLMの診断精度は84.19%であった。 また、治療勧告の精度は89.63%、セマンティックカバレッジは93.48%である。 DKG-LLMは、ノイズの多いデータと複雑な多症状疾患を処理し、医師の入力からフィードバックに基づく学習を行う信頼性と変換ツールである。

関連論文リスト

• MedGemma Technical Report [75.88152277443179]
  MedGemmaは、Gemma 3 4Bと27Bをベースとした医療ビジョン言語基盤モデルの集合体である。 MedGemmaは、画像とテキストの高度な医学的理解と推論を実証する。 また、SigLIPから派生した医用目視エンコーダであるMedSigLIPを紹介する。
  論文  参考訳（メタデータ） (2025-07-07T17:01:44Z)
• LLaVA Needs More Knowledge: Retrieval Augmented Natural Language Generation with Knowledge Graph for Explaining Thoracic Pathologies [3.2221734920470797]
  医用画像のための自然言語記述(NLE)を生成するために,知識グラフ(KG)ベースのデータストアを付加したビジョンランゲージフレームワークを提案する。 本フレームワークでは,生成した説明の精度を向上するだけでなく,直接データ検索を回避してデータのプライバシーを保護できるKGベースの検索機構を採用している。 これらのフレームワークはMIMIC-NLEデータセット上で検証され、最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-10-07T04:59:08Z)
• EXGRA-MED: Extended Context Graph Alignment for Medical Vision- Language Models [69.40730368630003]
  医療用AIにおける視覚言語統合のための新しいフレームワークであるEXGRA-MEDを紹介する。 画像、命令応答、拡張キャプションを共同で調整し、セマンティックグラウンドとクロスモーダルコヒーレンスを前進させる。 LLAVA-MEDのパフォーマンスを10%の事前トレーニングデータで比較し、VQA-RADで20.13%向上し、フルデータパフォーマンスに近づいた。
  論文  参考訳（メタデータ） (2024-10-03T15:52:03Z)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• PMC-LLaMA: Towards Building Open-source Language Models for Medicine [62.39105735933138]
  大規模言語モデル(LLM)は、自然言語理解において顕著な能力を示した。 LLMは、ドメイン固有の知識が不足しているため、医学的応用のような正確性を必要とする領域で苦労している。 PMC-LLaMAと呼ばれる医療応用に特化した強力なオープンソース言語モデルの構築手順について述べる。
  論文  参考訳（メタデータ） (2023-04-27T18:29:05Z)
• Integrated multimodal artificial intelligence framework for healthcare applications [3.6222901399459215]
  我々は,マルチモーダル入力を利用するAIシステムの生成とテストを容易にするために,統合されたホリスティックAI in Medicineフレームワークを提案し,評価する。 このアプローチでは、一般化可能なデータ前処理と機械学習モデリングステージを使用し、医療環境における研究やデプロイメントに容易に適応できる。 このフレームワークは、さまざまなヘルスケアのデモンストレーションにおいて、同様のシングルソースアプローチを上回る、一貫して、堅牢にモデルを生成できることを示します。
  論文  参考訳（メタデータ） (2022-02-25T22:08:09Z)
• COVID-19 Electrocardiograms Classification using CNN Models [1.1172382217477126]
  深層学習アルゴリズムの統合による心電図(ECG)データの利用により、COVID-19を自動的に診断するための新しいアプローチが提案されている。 CNNモデルは、VGG16、VGG19、InceptionResnetv2、InceptionV3、Resnet50、Densenet201を含む提案されたフレームワークで利用されている。 この結果,VGG16モデルと比較すると,他のモデルに比べて比較的精度が低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-15T08:06:45Z)

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。