medIKAL: Integrating Knowledge Graphs as Assistants of LLMs for Enhanced Clinical Diagnosis on EMRs

要約

電子医療記録 (EMR) は現代の医療に不可欠ですが、その複雑さと情報の冗長性により、臨床推論と診断に課題をもたらします。
これに対処するために、私たちは、大規模言語モデル (LLM) とナレッジ グラフ (KG) を組み合わせて診断機能を強化するフレームワークである、medIKAL (Integrating Knowledge Graphs as Assistants of LLMs) を提案しました。
medIKAL は、医療記録内のエンティティにそのタイプに基づいて重み付けされた重要性を割り当て、KG 内の候補疾患の正確な位置特定を可能にします。
革新的に残差ネットワークのようなアプローチを採用し、LLM による初期診断を KG 検索結果に統合できるようにします。
パスベースの再ランキング アルゴリズムと穴埋め形式のプロンプト テンプレートを通じて、診断プロセスがさらに洗練されました。
私たちは、新たに導入されたオープンソースの中国の EMR データセットに関する広範な実験を通じて medIKAL の有効性を検証し、現実世界の設定で臨床診断を向上させる可能性を実証しました。

要約(オリジナル)

Electronic Medical Records (EMRs), while integral to modern healthcare, present challenges for clinical reasoning and diagnosis due to their complexity and information redundancy. To address this, we proposed medIKAL (Integrating Knowledge Graphs as Assistants of LLMs), a framework that combines Large Language Models (LLMs) with knowledge graphs (KGs) to enhance diagnostic capabilities. medIKAL assigns weighted importance to entities in medical records based on their type, enabling precise localization of candidate diseases within KGs. It innovatively employs a residual network-like approach, allowing initial diagnosis by the LLM to be merged into KG search results. Through a path-based reranking algorithm and a fill-in-the-blank style prompt template, it further refined the diagnostic process. We validated medIKAL’s effectiveness through extensive experiments on a newly introduced open-sourced Chinese EMR dataset, demonstrating its potential to improve clinical diagnosis in real-world settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google