Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction

要約

電子医療記録 (EHR) と日常的な文書化の実践は、患者の日常ケアにおいて重要な役割を果たし、健康、診断、治療の総合的な記録を提供します。
しかし、複雑で冗長な EHR の説明は医療提供者に過大な負担を与え、診断が不正確になる危険性があります。
大規模言語モデル (LLM) は、さまざまな言語タスクにおいてその可能性を実証してきましたが、ヘルスケア分野での応用では、診断エラーを最小限に抑え、患者への危害を確実に防止する必要があります。
この論文では、自動診断生成の領域で LLM の能力を強化するための革新的なアプローチについて概説します。このアプローチは、医療ナレッジ グラフ (KG) と臨床診断からインスピレーションを得た新しいグラフ モデル Dr.Knows を組み込むことで実現されます。
推論のプロセス。
KG は、生物医学知識の堅牢なリポジトリである国立医学図書館の統一医学言語システム (UMLS) から取得しています。
私たちの方法では、事前トレーニングの必要性がなくなり、代わりに複雑な医療概念の解釈と要約を支援する補助手段として KG を活用します。
実際の病院データセットを使用した実験結果は、LLM と KG を組み合わせた提案されたアプローチが自動診断生成の精度を向上させる可能性があることを示しています。
さらに重要なことは、私たちのアプローチは説明可能な診断経路を提供し、AI で強化された診断意思決定支援システムの実現にさらに近づくことです。

要約(オリジナル)

Electronic Health Records (EHRs) and routine documentation practices play a vital role in patients’ daily care, providing a holistic record of health, diagnoses, and treatment. However, complex and verbose EHR narratives overload healthcare providers, risking diagnostic inaccuracies. While Large Language Models (LLMs) have showcased their potential in diverse language tasks, their application in the healthcare arena needs to ensure the minimization of diagnostic errors and the prevention of patient harm. In this paper, we outline an innovative approach for augmenting the proficiency of LLMs in the realm of automated diagnosis generation, achieved through the incorporation of a medical knowledge graph (KG) and a novel graph model: Dr.Knows, inspired by the clinical diagnostic reasoning process. We derive the KG from the National Library of Medicine’s Unified Medical Language System (UMLS), a robust repository of biomedical knowledge. Our method negates the need for pre-training and instead leverages the KG as an auxiliary instrument aiding in the interpretation and summarization of complex medical concepts. Using real-world hospital datasets, our experimental results demonstrate that the proposed approach of combining LLMs with KG has the potential to improve the accuracy of automated diagnosis generation. More importantly, our approach offers an explainable diagnostic pathway, edging us closer to the realization of AI-augmented diagnostic decision support systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google