論文の概要: Multi-Ontology Integration with Dual-Axis Propagation for Medical Concept Representation

• arxiv url: http://arxiv.org/abs/2508.21320v1
• Date: Fri, 29 Aug 2025 04:13:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.922871
• Title: Multi-Ontology Integration with Dual-Axis Propagation for Medical Concept Representation
• Title（参考訳）: Dual-Axis Propagationによるマルチオントロジー統合による医用概念表現
• Authors: Mohsen Nayebi Kerdabadi, Arya Hadizadeh Moghaddam, Dongjie Wang, Zijun Yao,
• Abstract要約: 医学オントロジーグラフは、構造化された関係を通して、外部の知識を電子健康記録の医療コードにマッピングする。 大規模言語モデル(LLM)を付加した統合オントロジー学習フレームワークであるLINKOを提案する。
• 参考スコア（独自算出の注目度）: 12.878616211892115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical ontology graphs map external knowledge to medical codes in electronic health records via structured relationships. By leveraging domain-approved connections (e.g., parent-child), predictive models can generate richer medical concept representations by incorporating contextual information from related concepts. However, existing literature primarily focuses on incorporating domain knowledge from a single ontology system, or from multiple ontology systems (e.g., diseases, drugs, and procedures) in isolation, without integrating them into a unified learning structure. Consequently, concept representation learning often remains limited to intra-ontology relationships, overlooking cross-ontology connections. In this paper, we propose LINKO, a large language model (LLM)-augmented integrative ontology learning framework that leverages multiple ontology graphs simultaneously by enabling dual-axis knowledge propagation both within and across heterogeneous ontology systems to enhance medical concept representation learning. Specifically, LINKO first employs LLMs to provide a graph-retrieval-augmented initialization for ontology concept embedding, through an engineered prompt that includes concept descriptions, and is further augmented with ontology context. Second, our method jointly learns the medical concepts in diverse ontology graphs by performing knowledge propagation in two axes: (1) intra-ontology vertical propagation across hierarchical ontology levels and (2) inter-ontology horizontal propagation within every level in parallel. Last, through extensive experiments on two public datasets, we validate the superior performance of LINKO over state-of-the-art baselines. As a plug-in encoder compatible with existing EHR predictive models, LINKO further demonstrates enhanced robustness in scenarios involving limited data availability and rare disease prediction.
• Abstract（参考訳）: 医学オントロジーグラフは、構造化された関係を通して、外部の知識を電子健康記録の医療コードにマッピングする。 ドメイン承認された接続(例えば親子)を活用することで、予測モデルは関連する概念からコンテキスト情報を取り入れることで、よりリッチな医療概念表現を生成することができる。 しかし、既存の文献は、単一のオントロジーシステムや複数のオントロジーシステム(例えば、疾患、薬物、手順)からドメイン知識を、それらを統一的な学習構造に組み込むことなく、独立した形で統合することに焦点を当てている。 その結果、概念表現学習は、しばしばオントロジー間の関係を見渡すために、オントロジー内関係に限られる。 本稿では,複数オントロジーグラフを同時に活用する大規模言語モデル(LLM)による統合オントロジー学習フレームワークであるLINKOを提案する。 具体的には、LINKO はまず LLM を用いて、概念記述を含むエンジニアリングされたプロンプトを通じて、オントロジーの概念の埋め込みをグラフ検索で拡張した初期化を提供し、オントロジーの文脈でさらに拡張されている。 第2に,本手法は,(1)階層的オントロジーレベルにまたがるオントロジー内垂直伝播と(2)各レベルのオントロジー間水平伝播の2つの軸で知識伝搬を行うことにより,多様なオントロジーグラフの医学的概念を共同で学習する。 最後に、2つの公開データセットに関する広範な実験を通じて、最先端のベースラインよりもLINKOの優れた性能を検証する。 既存のEHR予測モデルと互換性のあるプラグインエンコーダとして、LINKOはさらに、データ可用性の制限やまれな疾患予測を含むシナリオにおいて、堅牢性の向上を実証している。

関連論文リスト

• NEARL-CLIP: Interacted Query Adaptation with Orthogonal Regularization for Medical Vision-Language Understanding [51.63264715941068]
  textbfNEARL-CLIP (iunderlineNteracted quunderlineEry underlineAdaptation with ounderlineRthogonaunderlineL regularization)は、VLMベースの新しい相互モダリティ相互作用フレームワークである。
  論文  参考訳（メタデータ） (2025-08-06T05:44:01Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• Ontology-based knowledge representation for bone disease diagnosis: a foundation for safe and sustainable medical artificial intelligence systems [0.0]
  本研究では,Ho Chi Minh City Hospital for Traumatology and Orthopedicsと共同で開発された骨疾患診断のためのオントロジーベースのフレームワークを提案する。 この方法論は、体系的な知識のデジタル化、標準化された医療用語マッピング、モジュールアーキテクチャ設計を通じて臨床解釈可能性を維持する。 今後は、臨床データセットの拡充と総合的なシステム検証の実施に注力する。
  論文  参考訳（メタデータ） (2025-06-05T08:41:23Z)
• Unified Representation of Genomic and Biomedical Concepts through Multi-Task, Multi-Source Contrastive Learning [45.6771125432388]
  言語モデル(genEREL)を用いたジェノミクス表現について紹介する。 GENERELは遺伝学と生物医学の知識基盤を橋渡しするために設計されたフレームワークである。 本実験は,SNPと臨床概念のニュアンス関係を効果的に把握するgenERELの能力を実証するものである。
  論文  参考訳（メタデータ） (2024-10-14T04:19:52Z)
• GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
  Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ 我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
  論文  参考訳（メタデータ） (2024-07-08T01:06:13Z)
• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• MICA: Towards Explainable Skin Lesion Diagnosis via Multi-Level Image-Concept Alignment [4.861768967055006]
  本稿では, 医療画像と臨床関連概念を多層的に意味的に整合させるマルチモーダル説明型疾患診断フレームワークを提案する。 提案手法は, モデル解釈可能性を維持しながら, 概念検出と疾患診断に高い性能とラベル効率を実現する。
  論文  参考訳（メタデータ） (2024-01-16T17:45:01Z)
• Can Large Language Models Augment a Biomedical Ontology with missing Concepts and Relations? [1.1060425537315088]
  LLMとのセマンティックな相互作用を利用して臨床実践ガイドラインを解析する手法を提案する。 プロンプトを使った最初の実験では、手動で生成された金の標準を与えられた有望な結果が得られました。
  論文  参考訳（メタデータ） (2023-11-12T14:20:55Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Phenotypical Ontology Driven Framework for Multi-Task Learning [5.4507302335583345]
  オントロジー駆動型マルチタスク学習フレームワークOMTLを提案する。 確立された医療関係グラフ(オントロジー)からの知識を効果的に活用し、新しいディープラーニングネットワークアーキテクチャを構築する。 本研究は,最先端マルチタスク学習方式における実際の患者結果予測に有効性を示す。
  論文  参考訳（メタデータ） (2020-09-04T13:46:07Z)

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。