論文の概要: LingShu: A Large-Scale Symptom-Centric Contextualized Knowledge Graph Bridging Traditional Chinese Medicine and Modern Biomedicine

• arxiv url: http://arxiv.org/abs/2608.20402v1
• Date: Wed, 29 Jul 2026 00:36:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 05:49:59.21449
• Title: LingShu: A Large-Scale Symptom-Centric Contextualized Knowledge Graph Bridging Traditional Chinese Medicine and Modern Biomedicine
• Title（参考訳）: LingShu:中国伝統医学と現代バイオメディシンを融合した大規模症状中心の文脈化知識グラフ
• Abstract要約: LingShuは、TCMと現代のバイオメディシンを橋渡しするために設計された、症状中心の文脈化された知識グラフである。 LingShuは、自然言語処理、用語正規化、ループ内検証を組み合わせたパイプラインを通じて、臨床電子医療記録、テキスト、権威のあるTCMテキストを含むマルチソースデータを統合している。
• 参考スコア（独自算出の注目度）: 24.64642747664969
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biomedical knowledge graphs (KGs) are pivotal for knowledge organization, yet traditional binary relations often struggle to represent the conditional nature of biomedical knowledge. Symptoms provide a shared phenotypic layer for linking Traditional Chinese Medicine (TCM), which relies on symptom patterns for syndrome differentiation and treatment selection, with modern biomedicine, which connects clinical manifestations to diseases and molecular mechanisms. We present LingShu, a large-scale symptom-centric contextualized knowledge graph designed to bridge TCM and modern biomedicine. The exported version of LingShu analyzed in this study comprises 17.33 million atom-level entity records and 39.47 million relation records, including 17.19 million semantic triples and 22.29 million contextualized quadruples. LingShu integrates multi-source data, including clinical electronic medical records, authoritative TCM texts, biomedical ontologies, and curated knowledge bases, through a pipeline combining natural language processing, terminology normalization, and human-in-the-loop verification. A key innovation of LingShu is its hybrid data model: it maintains 64 typed triple relation patterns to ensure broad connectivity, while incorporating 35 contextual quadruple relation patterns to capture conditional medical associations. This dual-structure approach explicitly encodes conditional knowledge, providing a granular representation of the contexts associated with medical relations. These contextualized relations cover syndrome-dependent herb efficacy, disease-contextualized drug effects, population-specific clinical associations, and mechanism-related therapeutic responses. Furthermore, we developed a web platform (http://www.tcmkg.com/) that integrates graph visualization, graph-based reasoning, and an evidence-grounded knowledge question-answering agent.
• Abstract（参考訳）: バイオメディカル・ナレッジグラフ(英語版)(KG)は、知識組織にとって重要な要素であるが、伝統的な二項関係は、しばしばバイオメディカル・ナレッジの条件性を表現するのに苦労する。 症状は、伝統的な中国医学(TCM)に共通する表現型レイヤを提供し、症候群の分化と治療選択のための症状パターンと、臨床症状を疾患や分子機構に結びつける現代のバイオメディシンを結びつける。 我々は,TCMと現代バイオメディシンを橋渡しする大規模症状中心の文脈化知識グラフであるLingShuを紹介する。 この研究で分析されたLingShuの輸出版は、17.33万の原子レベルの実体記録と39.47万の関係記録を含み、その中には17.19万のセマンティック・トリプルと22.29万の文脈化四重奏が含まれている。 LingShuは、自然言語処理、用語の正規化、ループ内検証を組み合わせたパイプラインを通じて、臨床電子医療記録、権威のあるTCMテキスト、生物医学的オントロジー、キュレートされた知識ベースを含むマルチソースデータを統合している。 LingShuの重要な革新はハイブリッドデータモデルである。64の型付き三重関係パターンを維持して幅広い接続性を確保すると同時に、条件付き医療関連を捉えるために35のコンテキスト上の四重関係パターンを取り入れている。 この二重構造アプローチは条件知識を明示的にエンコードし、医療関係に関連するコンテキストの詳細な表現を提供する。 これらの文脈化された関係は、症候群依存的なハーブ効果、疾患コンテキスト化された薬物効果、集団特異的な臨床関連、およびメカニズムに関連した治療反応をカバーしている。 さらに,グラフビジュアライゼーション,グラフベースの推論,エビデンスに基づく知識質問応答エージェントを統合したWebプラットフォーム(http://www.tcmkg.com/)を開発した。

関連論文リスト

• BIOMEDICA: An Open Biomedical Image-Caption Archive, Dataset, and Vision-Language Models Derived from Scientific Literature [73.39593644054865]
  BIOMEDICAはスケーラブルでオープンソースのフレームワークで、PubMed Central Open Accessサブセット全体を抽出、注釈付け、シリアライズして、使いやすく、公開可能なデータセットにする。 われわれのフレームワークは600万以上の記事から2400万以上のユニークな画像テキストペアで包括的なアーカイブを生成する。 BMCA-CLIPは、ストリーミングを通じてBIOMEDICAデータセット上で継続的に事前トレーニングされたCLIPスタイルのモデルのスイートで、27TBのデータをローカルにダウンロードする必要がなくなる。
  論文  参考訳（メタデータ） (2025-01-13T09:58:03Z)
• Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
  PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。 提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
  論文  参考訳（メタデータ） (2025-01-03T05:29:12Z)
• 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)
• ISPO: An Integrated Ontology of Symptom Phenotypes for Semantic Integration of Traditional Chinese Medical Data [24.36545694430613]
  本研究は,中国EMRのデータマイニングとTCM分野における実世界研究を支援するために,ISPOの統合オントロジーを構築することを目的とした。
  論文  参考訳（メタデータ） (2024-07-08T15:23:50Z)
• 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)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• Applying BioBERT to Extract Germline Gene-Disease Associations for Building a Knowledge Graph from the Biomedical Literature [0.0]
  本稿では,ジェムリン遺伝子と疾患を結合する知識グラフ構築手法SimpleGermKGを提案する。 遺伝子および疾患の抽出には、バイオメディカルコーパス上でトレーニング済みのBERTモデルであるBioBERTを用いる。 記事,遺伝子,疾患間の意味的関連性について,部分的関係性アプローチを実装した。 知識グラフには297の遺伝子、130の疾患、46,747のトリプルが含まれている。
  論文  参考訳（メタデータ） (2023-09-11T18:05:12Z)
• Fact-Checking Generative AI: Ontology-Driven Biological Graphs for Disease-Gene Link Verification [45.65374554914359]
  本研究の目的は,ChatGPTの内容から得られた生物学的グラフに埋め込まれた知識の事実チェックを実現することである。 そこで我々は,ChatGPTの関連エンティティの系統的尋問を可能にする生物学的ネットワークアプローチを採用した。 本研究は,ChatGPT生成テキスト中の集合疾患遺伝子関係の高精度な解析を行った。
  論文  参考訳（メタデータ） (2023-08-07T22:13:30Z)
• Exploring the In-context Learning Ability of Large Language Model for Biomedical Concept Linking [4.8882241537236455]
  本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。 提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。 BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
  論文  参考訳（メタデータ） (2023-07-03T16:19:50Z)
• CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
  中国初のバイオメディカル言語理解評価ベンチマークを提示する。 名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。 本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-06-15T12:25:30Z)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)

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。