論文の概要: ChronoMedKG: A Temporally-Grounded Biomedical Knowledge Graph and Benchmark for Clinical Reasoning

• arxiv url: http://arxiv.org/abs/2605.22734v1
• Date: Thu, 21 May 2026 17:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.362673
• Title: ChronoMedKG: A Temporally-Grounded Biomedical Knowledge Graph and Benchmark for Clinical Reasoning
• Title（参考訳）: ChronoMedKG : 医学的知識グラフと臨床推論のためのベンチマーク
• Authors: Md Shamim Ahmed, Farzaneh Firoozbakht, Lukas Galke Poech, Jan Baumbach, Richard Röttger,
• Abstract要約: ChronoMedKGは時間的知識グラフで、13,431の疾患をカバーする460,497個のエビデンスにリンクされた3つ組を含んでいる。 92.7%の同意を得ており、HPOA、Orphadata、およびPhenopacketsから欠落した6,250の病気に時間的根拠を与えている。 これは、これまで欠落していた検索増強臨床システムにとって、重要な時間軸を提供する。
• 参考スコア（独自算出の注目度）: 2.163250547776316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical knowledge graphs (KGs) treat disease associations as static facts, but temporal information is crucial for clinical reasoning, e.g., a symptom diagnostic of one disease at age 3 may imply a different disease at age 13. Existing KGs such as PrimeKG, Hetionet, and iKraph do not encode when a finding becomes clinically relevant over the course of a disease. This limits their usefulness for longitudinal clinical reasoning and retrieval augmentation. We introduce ChronoMedKG, a temporal biomedical knowledge graph that contains 460,497 evidence-linked triples (filtered from 13M raw extractions) covering 13,431 diseases. Each association is tied to temporal components like onset window or progression stage, which are backed by PMID-traceable evidence and a multi-signal credibility score. The graph is constructed through a disease-autonomous multi-agent pipeline in which multiple frontier LLMs independently extract knowledge from PubMed and PMC literature. Only those relations are kept that are supported by multi-model consensus, survive credibility filtering, as well as ontology alignment. ChronoMedKG scored 92.7% agreement against Orphadata and adds temporal grounding for 6,250 diseases absent from HPOA, Orphadata, and Phenopackets, including 1,657 Orphanet-coded rare diseases. We further introduce ChronoTQA, a benchmark of 3,341 questions across eight task types (six temporal plus two static controls), with a 12-question supplementary probe. Frontier LLMs lose roughly 30 points moving from static to temporal questions; ChronoMedKG retrieval rescues 47-65% of their long-tail failures, against 17-29% for HPOA-RAG. As such, ChronoMedKG provides a crucial temporal axis for retrieval-augmented clinical systems that was previously absent.
• Abstract（参考訳）: 生医学知識グラフ(KGs)は、疾患関連を静的な事実として扱うが、時間的情報は臨床的理由、例えば3歳での1つの疾患の症状診断には不可欠である。 PrimeKG、Hetionet、iKraphなどの既存のKGは、発見が疾患の経過で臨床的に関連がある場合、コード化しない。 これにより、縦断的臨床推論および検索増強に対する有用性が制限される。 我々はChronoMedKGを紹介した。ChronoMedKGは時間的バイオメディカル知識グラフで、13,431の疾患をカバーする460,497個のエビデンスをリンクしたトリプル(13万件の抽出からフィルタリング)を含んでいる。 各アソシエーションは、PMID追跡可能な証拠と多信号信頼性スコアによって裏打ちされた、オンセットウィンドウや進行ステージのような一時的なコンポーネントと結びついている。 このグラフは、複数のフロンティア LLM が独立してPubMed と PMC の文献から知識を抽出する、疾患自動マルチエージェントパイプラインによって構築されている。 マルチモデルコンセンサス、信頼性フィルタリング、オントロジーアライメントによって支えられる関係のみが維持される。 ChronoMedKGは、Orphadataに対して92.7%の合意に達し、HPOA、Orphadata、およびPhenopacketsから欠落した6,250の病気の時間的根拠を追加した。 さらに、ChronoTQAは8つのタスクタイプ(6つの時間と2つの静的制御)にわたる3,341の質問のベンチマークであり、12の質問補足プローブを備えている。 クロノメドケグ回収は47-65%の長尾障害を救い出し、HPOA-RAGは17-29%であった。 そのため、ChronoMedKGは、これまで欠落していた検索増強臨床システムにとって重要な時間軸を提供する。

関連論文リスト

• Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
  大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。 診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-04-06T00:23:10Z)
• MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
  我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。 生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。 結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
  論文  参考訳（メタデータ） (2025-08-17T15:14:03Z)
• MLASDO: a software tool to detect and explain clinical and omics inconsistencies applied to the Parkinson's Progression Markers Initiative cohort [0.12045539806824918]
  MLASDOは、オミクスデータに基づいて異常サンプルを特定し、特徴付けし、自動的に記述する新しい方法とソフトウェアツールである。 パーキンソン病317例(HC)とパーキンソン病465例(PD)の転写学的データを用いたMLASDOの紹介を行った。
  論文  参考訳（メタデータ） (2025-07-04T15:31:12Z)
• An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
  大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。 DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。 このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
  論文  参考訳（メタデータ） (2025-06-25T13:42:26Z)
• Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
  診断医用画像検査など,現実的な画像認識の問題が数多く発生している。 診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。 我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2023-10-24T18:26:22Z)
• An Automated Approach for Timely Diagnosis and Prognosis of Coronavirus Disease [1.52292571922932]
  コロナウイルス病2019(COVID-19)の流行以降、感染した患者の多くは高熱、乾ききき、喉の腫れなどと診断され、重篤な肺炎に繋がった。 これまで、肺イメージングによるCOVID-19の診断は、この疾患の早期診断の主要な証拠であることが証明されています。 提案手法は,非造影CT(non-contrast chest Computed tomography)スキャンによる疾患の自動診断と予後に焦点をあてるものである。
  論文  参考訳（メタデータ） (2021-04-29T05:26:30Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。