論文の概要: Text-Attributed Knowledge Graph Enrichment with Large Language Models for Medical Concept Representation

• arxiv url: http://arxiv.org/abs/2604.13331v1
• Date: Tue, 14 Apr 2026 22:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.320367
• Title: Text-Attributed Knowledge Graph Enrichment with Large Language Models for Medical Concept Representation
• Title（参考訳）: 医学概念表現のための大規模言語モデルを用いたテキスト型知識グラフの充実
• Authors: Mohsen Nayebi Kerdabadi, Arya Hadizadeh Moghaddam, Chen Chen, Dongjie Wang, Zijun Yao,
• Abstract要約: 医療概念表現のための LLM を利用したグラフ学習フレームワークである CoMed を提案する。 CoMedはまず、EHRから抽出された統計的に信頼性の高い関連と、型制約のLLMを組み合わせることで、医療コードに対するグローバルな知識グラフ(KG)を構築する。 次に LLM を利用して、ノード記述とエッジ論理を生成することで、KG をテキスト対応グラフに拡張する。 最後に、CoMedはLoRAで調整されたLLaMAテキストエンコーダとヘテロジニアスGNNを併用して、テキストセマンティクスとグラフ構造を統一された概念埋め込みに融合させる。
• 参考スコア（独自算出の注目度）: 14.711294299248024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In electronic health record (EHR) mining, learning high-quality representations of medical concepts (e.g., standardized diagnosis, medication, and procedure codes) is fundamental for downstream clinical prediction. However, robust concept representation learning is hindered by two key challenges: (i) clinically important cross-type dependencies (e.g., diagnosis-medication and medication-procedure relations) are often missing or incomplete in existing ontology resources, limiting the ability to model complex EHR patterns; and (ii) rich clinical semantics are often missing from structured resources, and even when available as text, are difficult to integrate with KG structure for representation learning. To address these challenges, we present CoMed, an LLM-empowered graph learning framework for medical concept representation. CoMed first builds a global knowledge graph (KG) over medical codes by combining statistically reliable associations mined from EHRs with type-constrained LLM prompting to infer semantic relations. It then utilizes LLMs to enrich the KG into a text-attributed graph by generating node descriptions and edge rationales, providing semantic signals for both concepts and their relationships. Finally, CoMed jointly trains a LoRA-tuned LLaMA text encoder with a heterogeneous GNN, fusing text semantics and graph structure into unified concept embeddings. Extensive experiments on MIMIC-III and MIMIC-IV show that CoMed consistently improves prediction performance and serves as an effective plug-in concept encoder for standard EHR pipelines.
• Abstract（参考訳）: 電子健康記録(EHR)マイニングでは、医療概念の高品質な表現(例えば、標準化された診断、医薬品、手順コード)を学習することが、下流の臨床予測に欠かせない。 しかし、堅牢な概念表現学習は2つの主要な課題によって妨げられている。 (i)臨床上重要なクロスタイプ依存関係(例えば、診断・治療・医薬品・調達関係)は、しばしば既存のオントロジー資源に欠落または不完全であり、複雑なERHパターンをモデル化する能力を制限する。 (II) リッチな臨床的意味論は構造化資源から欠落することが多く, テキストとして利用できる場合でも, 表現学習のためにKG構造と統合することが困難である。 これらの課題に対処するため,医学概念表現のためのLLMを利用したグラフ学習フレームワークであるCoMedを提案する。 CoMedはまず、EHRから抽出された統計的に信頼性の高い関連と、型制約のLLMを組み合わせることで、意味的関係を推測することで、医療コードに対するグローバルな知識グラフ(KG)を構築する。 次にLLMを利用して、ノード記述とエッジ論理を生成することで、KGをテキスト対応グラフに統合し、概念とそれらの関係の両方に意味的な信号を提供する。 最後に、CoMedはLoRAで調整されたLLaMAテキストエンコーダとヘテロジニアスGNNを併用して、テキストセマンティクスとグラフ構造を統一された概念埋め込みに融合させる。 MIMIC-IIIとMIMIC-IVの大規模な実験により、CoMedは予測性能を一貫して改善し、標準EHRパイプラインの効果的なプラグイン概念エンコーダとして機能することが示された。

関連論文リスト

• MedLayBench-V: A Large-Scale Benchmark for Expert-Lay Semantic Alignment in Medical Vision Language Models [2.0221473384338884]
  MedLayBench-Vは、エキスパート・レイ・セマンティックアライメントに特化した最初の大規模マルチモーダル・ベンチマークである。 MedLayBench-Vは、臨床専門家と患者の間のコミュニケーションの分断をブリッジできる次世代のMed-VLMの訓練と評価のための検証された基盤を提供する。
  論文  参考訳（メタデータ） (2026-04-07T11:39:41Z)
• MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
  MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。 TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-13T06:30:41Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Tripartite-GraphRAG via Plugin Ontologies [0.011161220996480647]
  大規模言語モデル(LLM)は、様々な領域で顕著な能力を示してきたが、知識集約的なタスクに苦戦している。 主な制限は、幻覚の傾向、ソーストレーサビリティの欠如(証明)、タイムリーな知識更新における課題である。 本稿では,LLMと三部構造知識グラフ表現を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-28T10:43:35Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• REALM: RAG-Driven Enhancement of Multimodal Electronic Health Records Analysis via Large Language Models [19.62552013839689]
  既存のモデルは、しばしば臨床上の課題に医学的文脈を欠いているため、外部知識の組み入れが促される。 本稿では、マルチモーダルEHR表現を強化するためのRAG(Retrieval-Augmented Generation)駆動フレームワークREALMを提案する。 MIMIC-III 死亡率と可読化タスクに関する実験は,ベースラインよりもREALM フレームワークの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-02-10T18:27:28Z)
• Improving Medical Dialogue Generation with Abstract Meaning Representations [26.97253577302195]
  医療対話生成は、患者への医療専門知識の普及を促進することで遠隔医療において重要な役割を担っている。 既存の研究は、テキストのセマンティクスを表現する能力に制限があるテキスト表現を取り入れることに焦点を当てている。 本稿では、抽象的意味表現(AMR)を用いて、言語構成員や医療機関の役割を記述したグラフィカルな表現を構築する。
  論文  参考訳（メタデータ） (2023-09-19T13:31:49Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Semantic Decomposition Improves Learning of Large Language Models on EHR Data [0.0]
  H-BERTは、葉だけを摂取するのではなく、階層的な医療コードの完全なグラフツリー拡張を取り込み、患者レベルのラベルを訪問ごとに押し下げる。 この手法は, AUC と APS を集計し,500 以上の診断クラスにおける患者参加率の予測を有意に改善する。
  論文  参考訳（メタデータ） (2022-11-14T14:59:16Z)
• 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)

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。