融合知识图谱与贝叶斯网络：面向可解释疾病风险预测的混合方法
人工智能
2025-09-29 v1
摘要
多模态电子健康记录（EHR）数据对于基于医学领域知识的疾病风险预测非常有用。然而，通用医学知识必须适应特定的医疗环境和患者群体，才能实现实际的临床应用。此外，风险预测系统必须处理来自不完整数据和非确定性健康结果的不确定性，同时保持可解释性。通过整合知识图谱（KG）和贝叶斯网络（BN），可以缓解这些挑战。我们提出了一种新颖的方法，用于从基于本体的知识图谱和多模态EHR数据构建贝叶斯网络，以实现可解释的疾病风险预测。通过一个房颤的应用案例和真实的EHR数据，我们证明了该方法平衡了通用医学知识与患者特定背景，有效处理了不确定性，具有高度可解释性，并实现了良好的预测性能。
引用
@article{arxiv.2506.13920,
title = {Integrating Knowledge Graphs and Bayesian Networks: A Hybrid Approach for Explainable Disease Risk Prediction},
author = {Mbithe Nzomo and Deshendran Moodley},
journal= {arXiv preprint arXiv:2506.13920},
year = {2025}
}
备注
This work has been accepted for presentation at the 49th IEEE International Conference on Computers, Software, and Applications (COMPSAC 2025). The final published version will be available via IEEE Xplore