論文の概要: SNOMED CT-powered Knowledge Graphs for Structured Clinical Data and Diagnostic Reasoning
- arxiv url: http://arxiv.org/abs/2510.16899v1
- Date: Sun, 19 Oct 2025 15:50:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:39.200955
- Title: SNOMED CT-powered Knowledge Graphs for Structured Clinical Data and Diagnostic Reasoning
- Title（参考訳）: SNOMED CTを用いた構造化臨床データと診断推論のための知識グラフ
- Authors: Dun Liu, Qin Pang, Guangai Liu, Hongyu Mou, Jipeng Fan, Yiming Miao, Pin-Han Ho, Limei Peng,
- Abstract要約: 本稿では,標準化された臨床用語SNOMED CTとNeo4jグラフデータベースを統合し,構造化された医療知識グラフを構築するための知識駆動フレームワークを提案する。
エンティティ-リレーショナルペアの抽出と標準化により、明示的な診断経路を埋め込んだ構造化・フォーマットされたデータセットを生成する。
実験の結果,我々の知識誘導アプローチは,AIによる診断推論の有効性と解釈可能性を高めることが示された。
- 参考スコア（独自算出の注目度）: 10.805834750887966
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The effectiveness of artificial intelligence (AI) in healthcare is significantly hindered by unstructured clinical documentation, which results in noisy, inconsistent, and logically fragmented training data. To address this challenge, we present a knowledge-driven framework that integrates the standardized clinical terminology SNOMED CT with the Neo4j graph database to construct a structured medical knowledge graph. In this graph, clinical entities such as diseases, symptoms, and medications are represented as nodes, and semantic relationships such as ``caused by,'' ``treats,'' and ``belongs to'' are modeled as edges in Neo4j, with types mapped from formal SNOMED CT relationship concepts (e.g., \texttt{Causative agent}, \texttt{Indicated for}). This design enables multi-hop reasoning and ensures terminological consistency. By extracting and standardizing entity-relationship pairs from clinical texts, we generate structured, JSON-formatted datasets that embed explicit diagnostic pathways. These datasets are used to fine-tune large language models (LLMs), significantly improving the clinical logic consistency of their outputs. Experimental results demonstrate that our knowledge-guided approach enhances the validity and interpretability of AI-generated diagnostic reasoning, providing a scalable solution for building reliable AI-assisted clinical systems.
- Abstract（参考訳）: 医療における人工知能(AI)の有効性は、構造化されていない臨床文書によって著しく阻害され、ノイズ、矛盾、論理的に断片化されたトレーニングデータをもたらす。
この課題に対処するために,標準化された臨床用語SNOMED CTとNeo4jグラフデータベースを統合し,構造化された医用知識グラフを構築するための知識駆動型フレームワークを提案する。
このグラフでは、疾患、症状、薬物などの臨床的実体がノードとして表現され、'` resultd by' '`treats,'' や '`belongs to'' のような意味的関係はNeo4j のエッジとしてモデル化され、公式な SNOMED CT の関連概念(例: , \texttt{Causative agent}, \texttt{Indicated for})からマッピングされる。
この設計はマルチホップ推論を可能にし、用語的整合性を保証する。
臨床テキストからエンティティ-リレーショナルペアを抽出し、標準化することにより、明示的な診断経路を埋め込んだ構造化されたJSON形式のデータセットを生成する。
これらのデータセットは、大規模言語モデル(LLM)の微調整に使用され、出力の論理的整合性を大幅に改善する。
実験の結果,我々の知識誘導アプローチは,AIによる診断推論の有効性と解釈可能性を高め,信頼性の高いAI支援臨床システム構築のためのスケーラブルなソリューションを提供することが示された。
関連論文リスト
- KEEP: Integrating Medical Ontologies with Clinical Data for Robust Code Embeddings [0.555923706082834]
KEEP(Knowledge Preserving and Empirically refined Embedding Process)は、知識グラフの埋め込みと臨床データからの適応学習を組み合わせた効率的なフレームワークである。
KEEPは,意味的関係の把握や臨床結果の予測において,従来の言語モデルに基づくアプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-10-06T17:27:54Z) - Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。
Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。
これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
論文 参考訳（メタデータ） (2025-09-20T17:21:58Z) - Automated SNOMED CT Concept Annotation in Clinical Text Using Bi-GRU Neural Networks [0.31457219084519]
本研究では,双方向GRUモデルを用いたSNOMEDCT概念認識のためのニューラルネットワークラベリング手法を提案する。
ドメイン適応型SpaCyおよびSciBERTベースのトークン化を用いてテキストを前処理し,テキストを文脈,構文,形態に富んだ重なり合う19個のチャンクに分割する。
Bi-GRUモデルは、IOBタグを指定してコンセプトスパンを特定し、検証セット上で90%のF1スコアで強力なパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-08-04T16:08:49Z) - Bringing CLIP to the Clinic: Dynamic Soft Labels and Negation-Aware Learning for Medical Analysis [0.9944647907864256]
臨床的に強化されたダイナミック・ソフト・ラベルと医用グラフィカル・アライメントを統合した新しいアプローチを提案する。
われわれのアプローチは、医療用CLIPトレーニングパイプラインに容易に統合され、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-05-28T08:00:18Z) - Towards Scalable and Cross-Lingual Specialist Language Models for Oncology [4.824906329042275]
汎用大規模モデル(LLM)は、臨床用語、文脈に依存した解釈、マルチモーダルデータ統合といった課題に対処する。
本研究では,教師調律,検索強化生成(RAG),グラフベースの知識統合を組み合わせた,オンコロジー特化,効率的,適応可能なNLPフレームワークを開発する。
論文 参考訳（メタデータ） (2025-03-11T11:34:57Z) - Knowledge Graph Representations to enhance Intensive Care Time-Series
Predictions [4.660203987415476]
提案手法は,ICUデータと医療知識を統合し,臨床意思決定モデルを改善する。
グラフ表現とバイタルサインと臨床報告を組み合わせることで、パフォーマンスを向上させる。
我々のモデルには、知識グラフノードが予測にどのように影響するかを理解するための解釈可能性コンポーネントが含まれています。
論文 参考訳（メタデータ） (2023-11-13T09:11:55Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳（メタデータ） (2022-06-04T13:16:30Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z) - A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。
これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。
提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文 参考訳（メタデータ） (2021-02-26T17:49:58Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z)
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。