超越传统诊断：利用知识图谱与原型将患者端信息转化为预测洞察
人工智能
2025-12-10 v1
摘要
仅从患者端信息（如人口统计学和自报症状）预测疾病，因其有望增强患者意识、促进早期医疗参与和提高医疗系统效率而受到广泛关注。然而，现有方法面临关键挑战，包括疾病分布不平衡和缺乏可解释性，导致预测偏差或不可靠。为解决这些问题，我们提出了知识图谱增强、原型感知和可解释（KPI）框架。KPI系统地将结构化且可信的医学知识整合到统一的疾病知识图谱中，构建临床意义明确的疾病原型，并采用对比学习提升预测精度，这对长尾疾病尤为重要。此外，KPI利用大语言模型（LLMs）生成患者特异性的医学相关解释，从而提高可解释性和可靠性。在真实世界数据集上的广泛实验表明，KPI在预测精度上优于最先进方法，并提供与患者叙述高度一致的临床有效解释，凸显了其在以患者为中心的医疗服务中的实用价值。
引用
@article{arxiv.2512.08261,
title = {Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes},
author = {Yibowen Zhao and Yinan Zhang and Zhixiang Su and Lizhen Cui and Chunyan Miao},
journal= {arXiv preprint arXiv:2512.08261},
year = {2025}
}
备注
This work has been accepted by ICDE 2026 and is available on arXiv for early access