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

要約

電子医療記録（EMR）は、現代のヘルスケアに不可欠ですが、その複雑さと情報冗長性のために臨床的推論と診断の課題を提示しています。
これに対処するために、Medikal（LLMSのアシスタントとして知識グラフを統合）を提案しました。これは、診断機能を強化するために、大規模な言語モデル（LLM）と知識グラフ（KG）を組み合わせたフレームワークです。
Medikalは、その種類に基づいて医療記録のエンティティに重み付けの重要性を割り当て、KGS内の候補疾患の正確な局在化を可能にします。
残留ネットワークのようなアプローチを革新的に採用しており、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、絡み合ったスタイルのプロンプトテンプレートを通じて、診断プロセスをさらに洗練しました。
新しく導入されたオープンソースの中国のEMRデータセットに対する広範な実験を通じて、Medikalの有効性を検証し、実際の環境での臨床診断を改善す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