Zero-Shot Medical Information Retrieval via Knowledge Graph Embedding

要約

モノのインターネット (IoT) の時代において、効率的な臨床意思決定には、関連する医療情報の検索が不可欠になっています。
この論文では、事前トレーニングされた言語モデルと統計的手法の長所を組み合わせながら、その限界に対処する、ゼロショット医療情報検索 (MIR) への新しいアプローチである MedFusionRank を紹介します。
提案されたアプローチは、事前トレーニングされた BERT スタイルのモデルを利用して、コンパクトでありながら有益なキーワードを抽出します。
これらのキーワードは、医療知識グラフ内の概念的なエンティティにリンクされることによって、ドメイン知識で強化されます。
医療データセットの実験評価では、さまざまな評価指標で有望な結果が得られ、既存の方法よりも MedFusion Rank のパフォーマンスが優れていることが実証されています。
MedFusionRank は、短いクエリや単一用語のクエリからでも、関連情報を取得する際の有効性を実証します。

要約(オリジナル)

In the era of the Internet of Things (IoT), the retrieval of relevant medical information has become essential for efficient clinical decision-making. This paper introduces MedFusionRank, a novel approach to zero-shot medical information retrieval (MIR) that combines the strengths of pre-trained language models and statistical methods while addressing their limitations. The proposed approach leverages a pre-trained BERT-style model to extract compact yet informative keywords. These keywords are then enriched with domain knowledge by linking them to conceptual entities within a medical knowledge graph. Experimental evaluations on medical datasets demonstrate MedFusion Rank’s superior performance over existing methods, with promising results with a variety of evaluation metrics. MedFusionRank demonstrates efficacy in retrieving relevant information, even from short or single-term queries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google