Multi-modal Graph Learning over UMLS Knowledge Graphs

要約

臨床医は、患者の進化に関する洞察を得るために機械学習にますます注目しています。
我々は、統合医療言語システムに基づいたナレッジグラフ上でグラフニューラルネットワークを使用して医療概念の意味のある表現を学習するための、マルチモーダルUMLSグラフ学習（MMUGL）と呼ばれる新しいアプローチを提案します。
これらの表現は患者の来院全体を表すように集約され、シーケンス モデルに入力されて、患者の複数の来院の粒度で予測が実行されます。
事前の医学知識を取り入れ、複数の治療法を検討することでパフォーマンスを向上させます。
私たちの方法を、MIMIC-III データセット上のさまざまな粒度で表現を学習するために提案された既存のアーキテクチャと比較し、私たちのアプローチがこれらの方法よりも優れていることを示します。
この結果は、従来の医学知識に基づいたマルチモーダルな医療概念表現の重要性を示しています。

要約(オリジナル)

Clinicians are increasingly looking towards machine learning to gain insights about patient evolutions. We propose a novel approach named Multi-Modal UMLS Graph Learning (MMUGL) for learning meaningful representations of medical concepts using graph neural networks over knowledge graphs based on the unified medical language system. These representations are aggregated to represent entire patient visits and then fed into a sequence model to perform predictions at the granularity of multiple hospital visits of a patient. We improve performance by incorporating prior medical knowledge and considering multiple modalities. We compare our method to existing architectures proposed to learn representations at different granularities on the MIMIC-III dataset and show that our approach outperforms these methods. The results demonstrate the significance of multi-modal medical concept representations based on prior medical knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google