GraphCare：以个性化知识图谱增强医疗预测
人工智能
2024-01-19 v3 机器学习
摘要
临床预测模型常依赖患者的电子健康记录（EHR），但整合医学知识以增强预测与决策颇具挑战。这是因为个性化预测需要个性化知识图谱（KG），而由患者 EHR 数据生成此类图谱十分困难。为此，我们提出 \textsc{GraphCare}，一种利用外部 KG 改进基于 EHR 预测的开放世界框架。我们的方法从大语言模型（LLM）与外部生物医学 KG 中提取知识，构建患者特定 KG，并用于训练我们所提出的双注意力增强（BAT）图神经网络（GNN）以进行医疗预测。在两个公开数据集 MIMIC-III 与 MIMIC-IV 上，\textsc{GraphCare} 在四项关键医疗预测任务中超越基线：死亡率、再入院率、住院时长（LOS）与药物推荐。在 MIMIC-III 上，其将死亡率与再入院率的 AUROC 分别提升 17.6% 与 6.6%，将 LOS 与药物推荐的 F1 分数分别提升 7.9% 与 10.8%。值得注意的是，\textsc{GraphCare} 在数据可用性受限的场景下表现出显著优势。我们的发现凸显了在医疗预测任务中使用外部 KG 的潜力，并证明了 \textsc{GraphCare} 在生成个性化 KG 以推进精准医疗方面的前景。
引用
@article{arxiv.2305.12788,
title = {GraphCare: Enhancing Healthcare Predictions with Personalized Knowledge Graphs},
author = {Pengcheng Jiang and Cao Xiao and Adam Cross and Jimeng Sun},
journal= {arXiv preprint arXiv:2305.12788},
year = {2024}
}
备注
ICLR 2024