論文の概要: REFINE: LLM Refinement over Budgeted Text-Attributed Graphs for Personalized Medical Concept Representation
- arxiv url: http://arxiv.org/abs/2609.04415v1
- Date: Thu, 03 Sep 2026 19:29:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.80394
- Title: REFINE: LLM Refinement over Budgeted Text-Attributed Graphs for Personalized Medical Concept Representation
- Title（参考訳）: ReFINE:パーソナライズされた医療概念表現のための予算付きテキスト対応グラフに対するLLMリファインメント
- Abstract要約: REFINEは、患者個人化医療概念エンコーディングのためのKG対応の予算グラフリファインメントフレームワークである。
REFINEは、多様なERHバックボーンを一貫して改善し、強いベースラインを上回り、コンポーネントのアブレーション、KG選択、データ不整合の堅牢な向上を示す。
- 参考スコア（独自算出の注目度）: 12.878616211892115
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning rich medical concept representations is essential for EHR prediction. Text-attributed knowledge graphs (TKGs) provide a natural foundation by organizing heterogeneous medical relations together with textual semantics. However, most existing encoders process concepts uniformly across patients, despite the fact that a code's meaning and predictive value depend on patient-specific clinical context and trajectory. Learning patient-personalized concept representations from TKGs introduces two key challenges: (1) deciding how much KG context to incorporate for each observed code, and (2) aligning semantic information with the patient-specific relational structure. We propose REFINE, a KG-aware budgeted LLM graph refinement framework for patient-personalized medical concept encoding. Starting from a global TKG, REFINE constructs patient-specific temporal graphs. A sequential reinforcement learning policy selects a personalized KG expansion budget for each observed code. The resulting patient graph is processed by a heterogeneous GNN to capture relation-aware structural dependencies, while a frozen LLM uses graph-aware soft prompts to semantically refine concept representations. Experiments on MIMIC-III and MIMIC-IV show that REFINE consistently improves diverse EHR backbones, outperforms strong baselines, and demonstrates robust gains across component ablation, KG selection, and data insufficiency.
- Abstract（参考訳）: EHR予測には豊かな医療概念表現の学習が不可欠である。
テキスト分散知識グラフ(TKG)は、テキストセマンティクスとともに異質な医療関係を整理することにより、自然な基盤を提供する。
しかしながら、既存のエンコーダのほとんどは、コードの意味と予測値が患者固有の臨床コンテキストと軌跡に依存しているにもかかわらず、患者間で一様に概念を処理している。
TKGから患者個人化された概念表現を学ぶことは、(1)KGコンテキストがそれぞれのコードにどの程度組み込まれるかを決定すること、(2)意味情報を患者固有の関係構造と整合させること、の2つの主要な課題をもたらす。
患者個人化医療概念エンコーディングのための,KG 対応の予算付き LLM グラフリファインメントフレームワーク REFINE を提案する。
グローバルなTKGから始まり、REFINEは患者固有の時間グラフを構築する。
逐次強化学習ポリシは、観測コード毎にパーソナライズされたKG拡張予算を選択する。
結果として得られる患者グラフは、関係を意識した構造的依存関係をキャプチャするために異種GNNによって処理され、凍結されたLLMは、グラフを意識したソフトプロンプトを使用して概念表現を意味的に洗練する。
MIMIC-IIIとMIMIC-IVの実験では、REFINEは多様なERHのバックボーンを一貫して改善し、強いベースラインを上回り、コンポーネントのアブレーション、KG選択、データ不整合性の間で堅牢な利得を示す。
関連論文リスト
- Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。
本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文 参考訳（メタデータ） (2026-05-13T14:52:12Z) - Text-Attributed Knowledge Graph Enrichment with Large Language Models for Medical Concept Representation [14.711294299248024]
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。
論文 参考訳（メタデータ） (2026-04-14T22:29:18Z) - 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) - From Patient Consultations to Graphs: Leveraging LLMs for Patient Journey Knowledge Graph Construction [3.0874677990361246]
患者ジャーニー知識グラフ(PJKG)は、断片化された医療データの課題に対処するための新しいアプローチである。
PJKGのプロセスと構造 : 形式的臨床文書と非構造的患者とプロジェクタの会話
これらのグラフは、臨床遭遇、診断、治療、結果の間の時間的および因果関係をカプセル化する。
論文 参考訳（メタデータ） (2025-03-18T14:44:28Z) - 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) - Multi-modal Graph Learning over UMLS Knowledge Graphs [1.6311327256285293]
医療概念の有意義な表現を学習するためのMMUGL(Multi-Modal UMLS Graph Learning)を提案する。
これらの表現は、患者の訪問全体を表すために集約され、シークエンスモデルに入力され、患者の複数の病院訪問の粒度で予測される。
論文 参考訳（メタデータ） (2023-07-10T10:16:57Z) - 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) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z)
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。