Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction

最新推荐文章于 2024-09-27 17:31:02 发布

UnknownBody

最新推荐文章于 2024-09-27 17:31:02 发布

阅读量193

点赞数

分类专栏： Knowledge Graph 文章标签：知识图谱语言模型人工智能

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/132713652

版权

Knowledge Graph 同时被 2 个专栏收录

71 篇文章 10 订阅 ¥99.90 ¥299.90

订阅专栏

LLM 日更

516 篇文章 3 订阅

已下架不支持订阅

本文提出了一种结合医学知识图谱（KG）和DR.NOWS图模型的方法，用于提高大型语言模型（LLM）在自动诊断生成中的准确性。通过KG，模型能够解释和总结复杂的医学概念，实现在EHR数据上的诊断预测准确性的提升。此外，通过知识路径作为提示，模型的可解释性得到增强，有助于实现人工智能辅助的诊断决策支持系统。尽管存在数据质量、临床环境适应性和潜在偏见等问题，该方法展示了在医疗诊断预测中的潜力。

摘要由CSDN通过智能技术生成

本文是LLM系列文章，针对《Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction》的翻译。

摘要

电子健康记录（EHR）和常规文档实践在患者的日常护理中发挥着至关重要的作用，提供了健康、诊断和治疗的整体记录。然而，复杂而冗长的EHR叙述使医疗保健提供者负担过重，有可能导致诊断不准确。虽然大型语言模型（LLM）在各种语言任务中展示了其潜力，但其在医疗保健领域的应用需要确保最大限度地减少诊断错误并防止对患者的伤害。在本文中，我们概述了一种创新的方法，以提高LLM在自动诊断生成领域的熟练程度，该方法通过结合医学知识图谱（KG）和一种新的图模型：DR.NOWS来实现，其灵感来自临床诊断推理过程。我们从国家医学图书馆的统一医学语言系统（UMLS）中获得KG，这是一个强大的生物医学知识库。我们的方法不需要预先训练，而是利用KG作为辅助工具，帮助解释和总结复杂的医学概念。使用真实世界的医院数据集，我们的实验结果表明，所提出的将LLM与KG相结合的方法有可能提高自动诊断生成的准确性。更重要的是，我们的方法提供了一条可解释的诊断途径，使我们更接近于实现人工智能增强的诊断决策支持系统。

了解本专栏