MedTruth：一种从多源医疗数据发现知识条件信息的半监督方法
数据库
2019-08-20 v2
摘要
知识图谱（KG）包含实体及实体间的关系。凭借其表示能力，KG 已成功应用于支撑诸多医疗/健康任务。然而在医疗领域，知识在特定条件下成立。例如，当患者为婴儿而非其他年龄段人群时，症状“流鼻涕”高度指示疾病“百日咳”的存在。此类医疗知识的条件对于各类医疗应用中的决策至关重要，而在现有医疗 KG 中缺失。本文旨在从文本中发现医疗知识条件以丰富 KG。电子病历（EMR）是临床数据的系统化收集，包含患者详细信息，因此 EMR 可作为发现医疗知识条件的良好资源。遗憾的是，由于规范化等原因，可用 EMR 数量有限。同时，大量医疗问答（QA）数据可用，可极大助力所研究任务。然而，医疗 QA 数据质量参差不齐，可能降低所发现医疗知识条件的质量。鉴于这些挑战，我们提出一种新的真值发现方法 MedTruth 用于医疗知识条件发现，其将先验来源质量信息纳入来源可靠性估计过程，并利用知识三元组信息进行可信信息计算。我们在真实世界医疗数据集上开展系列实验，表明所提方法能通过结合 EMR 与 QA 数据发现有意义且准确的医疗知识条件。进一步，所提方法在合成数据集上测试以验证其在多种场景下的有效性。
引用
@article{arxiv.1809.10404,
title = {MedTruth: A Semi-supervised Approach to Discovering Knowledge Condition Information from Multi-Source Medical Data},
author = {Yang Deng and Yaliang Li and Ying Shen and Nan Du and Wei Fan and Min Yang and Kai Lei},
journal= {arXiv preprint arXiv:1809.10404},
year = {2019}
}
备注
Accepted as CIKM2019 long paper