基于超图的知识图谱上下文化用于精准医疗

知识图谱 (KG) 是语义网的重要产物，在 various 应用领域中被广泛使用。医疗保健是这样一个领域，由于对知识准确性和医疗数据相互关联性的高要求，KG 被广泛应用于其中。然而，存储通用事实信息的 KG 往往缺乏 account for 重要上下文的能力，例如特定患者的状态，这些信息在精准医疗中至关重要。同时，电子健康记录 (EHR) 提供了丰富的个人数据，包括各种诊断和药物，这为通用 KG 提供了自然的上下文。在本文中，我们提出了 HypKG 框架，将 EHR 中的患者信息集成到 KG 中，以生成用于准确医疗预测的上下文化知识表示。通过采用先进的实体链接技术，将通用 KG 中的相关知识与 EHR 中的患者信息相连接，然后利用超图模型将知识“contextualized”为患者信息。最后，我们采用由下游预测任务引导的超图变换器，联合学习 KG 和患者的适当上下文化表示，充分利用 KG 中的现有知识和 EHR 中的患者上下文。在使用大型生物医学 KG 和两个真实世界的 EHR 数据集进行的实验中，HypKG 在多个评估指标上显示出显著的医疗预测任务改进。此外，通过集成外部上下文，HypKG 能够学习调整 KG 中实体和关系的表示，从而可能提高知识的质量和实际效用。