Navigating Healthcare Insights: A Birds Eye View of Explainability with Knowledge Graphs

要約

ナレッジ グラフ (KG) は、多様な情報ソースを統合し、AI システムの解釈可能性を高めるための構造化された方法を提供するため、ヘルスケア AI、特に創薬や製薬研究において注目を集めています。
この解釈可能性は、信頼と透明性が重要となる医療において極めて重要であり、eXplainable AI (XAI) は医療専門家の意思決定をサポートします。
この概要では、医療における KG の影響と、説明可能な AI モデルの開発における KG の役割に関する最近の文献を要約します。
構築、関係抽出、推論を含む KG ワークフローと、薬物間相互作用 (DDI)、薬物標的相互作用 (DTI)、医薬品開発 (DD)、薬物副作用 (ADR)、バイオインフォマティクスなどの分野でのそれらの応用をカバーします。
私たちは、医療における知識を注入した学習を通じて KG をより解釈しやすくすることの重要性を強調しています。
最後に、研究の課題に焦点を当て、将来の方向性についての洞察を提供します。

要約(オリジナル)

Knowledge graphs (KGs) are gaining prominence in Healthcare AI, especially in drug discovery and pharmaceutical research as they provide a structured way to integrate diverse information sources, enhancing AI system interpretability. This interpretability is crucial in healthcare, where trust and transparency matter, and eXplainable AI (XAI) supports decision making for healthcare professionals. This overview summarizes recent literature on the impact of KGs in healthcare and their role in developing explainable AI models. We cover KG workflow, including construction, relationship extraction, reasoning, and their applications in areas like Drug-Drug Interactions (DDI), Drug Target Interactions (DTI), Drug Development (DD), Adverse Drug Reactions (ADR), and bioinformatics. We emphasize the importance of making KGs more interpretable through knowledge-infused learning in healthcare. Finally, we highlight research challenges and provide insights for future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google