論文の概要: Aligning Multimodal Patient Evidence with Biomedical Knowledge Graphs for Clinical LLMs

• arxiv url: http://arxiv.org/abs/2610.06685v1
• Date: Mon, 05 Oct 2026 16:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 23:37:58.138306
• Title: Aligning Multimodal Patient Evidence with Biomedical Knowledge Graphs for Clinical LLMs
• Title（参考訳）: 臨床 LLM におけるバイオメディカル知識グラフを用いたマルチモーダル患者の適応
• Abstract要約: MM-KG (Multimodal Knowledge Graph) は異種多モード患者の観察と生体医学的概念を1種類のグラフで分離した層として表現する。 MM-KGをMIMIC-IVおよびADNI向けに構築し,患者証拠,生物医学的知識,それらの相互作用を分離した2x2設計で評価する。
• 参考スコア（独自算出の注目度）: 44.14949169741422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical questions often depend on linking a patient's multimodal evidence to external biomedical knowledge, yet existing predictive systems rarely represent such links explicitly, so they can neither be traced to their evidence sources nor removed to measure their contributions. We present MM-KG (Multimodal Knowledge Graph), which represents heterogeneous, multimodal patient observations and biomedical concepts as separate layers in one typed graph, joined by explicit alignment edges. First, modality-specific harmonizers convert EHR text, imaging, genomic, and biospecimen data into typed observations mapped to UMLS concepts, which a route-prioritized aligner links to a biomedical knowledge graph. Query-conditioned retrieval then selects a compact subgraph for downstream use by a large language model or a graph neural network. We build MM-KGs for MIMIC-IV and ADNI, and evaluate them with a 2x2 design that separates patient evidence, biomedical knowledge, and their interaction. On questions that require both sources, neither source alone performs far above chance, whereas their combination yields a drug-controlled AUROC interaction of +0.194 on MIMIC and +0.299 on ADNI. On held-out five-candidate ranking, MM-KG outperforms MindMap by +0.131 Hits@1 and leads an adapted GraphCare on the items that require consulting the patient, and deleting the single answer-bearing relation from the retrieved packet returns Hits@1 to the no-knowledge baseline. Finally, query-conditioned retrieval reaches 0.731 AUROC with 6.8x less context than the strongest generic policy, whereas static knowledge graph context gives no consistent gain on ordinary outcome prediction. Knowledge graphs thus benefit clinical LLMs not as background context but as explicit links between multimodal patient evidence and the relation a question requires, and MM-KG makes these links retrievable, traceable, and testable.
• Abstract（参考訳）: 臨床問題は、患者のマルチモーダルなエビデンスと外部のバイオメディカルな知識のリンクに依存することが多いが、既存の予測システムはこれらのリンクを明示的に表すことは稀であり、それらのエビデンスソースを辿ることも、彼らの貢献を測定するために取り除くこともできない。 異種多モード患者の観察と生体医学的概念を1種類のグラフで分離した層として表現し,アライメントエッジを付加したMM-KG(Multimodal Knowledge Graph)を提案する。 第一に、モダリティ特異的調和器は、EHRテキスト、イメージング、ゲノム、バイオスペクティブデータをUMLSの概念にマッピングされた型付き観察に変換する。 クエリ条件付き検索では、ダウンストリーム用のコンパクトなサブグラフを、大きな言語モデルやグラフニューラルネットワークによって選択する。 MM-KGをMIMIC-IVおよびADNI向けに構築し,患者証拠,生物医学的知識,それらの相互作用を分離した2x2設計で評価する。 双方の情報源を必要とする質問に対して、情報源だけでは、両者の組み合わせは、MIMICでは+0.194、ADNIでは+0.299の薬物制御されたAUROC相互作用をもたらす。 保持された5つの候補ランキングでは、MM-KGはMindMapを+0.131 Hits@1で上回り、患者の相談を必要とする項目に適応したGraphCareを誘導し、取得したパケットから1つの応答-応答関係を削除し、Hits@1を非知識ベースラインに戻す。 最後に、クエリ条件付き検索は6.8倍のコンテキストで0.731 AUROCに達し、静的知識グラフは通常の結果予測に一貫した利得を与えない。 したがって、知識グラフは臨床 LLM を背景としてではなく、マルチモーダルな患者のエビデンスと、それが要求する関係との明確なリンクとして有効であり、MM-KG はこれらのリンクを検索可能で、追跡可能で、テスト可能である。

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)
• PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification [30.58342408480846]
  PathMoEは、H&Eスライド、病理報告、核レベルセルグラフを統合する、解釈可能なマルチモーダルフレームワークである。 内科的脳腫瘍データセットと外部TGAデータセットの2つのデータセット固有の分類タスクについて,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-02T07:17:44Z)
• Multi-modal Integration Analysis of Alzheimer's Disease Using Large Language Models and Knowledge Graphs [0.33554367023486936]
  本稿では,大規模言語モデル(LLM)と知識グラフを用いたアルツハイマー病(AD)研究において,断片化されたマルチモーダルデータを統合するための新しい枠組みを提案する。 本手法は,MRI,遺伝子発現,バイオマーカー,脳波,臨床指標の集団レベルでの統合を実証する。
  論文  参考訳（メタデータ） (2025-05-21T16:51:49Z)
• 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)
• 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)
• 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)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)

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。