医学概念表示的多本体集成与双轴传播

医学本体图通过结构化关系将外部知识映射到电子健康记录中的医学代码。通过利用域批准的连接（例如父子关系），预测模型可以生成更丰富的医学概念表示，通过融合来自相关概念的上下文信息。然而，现有文献主要关注单一本体系统或孤立地从多个本体系统（例如疾病、药物和程序）中获取域知识，而无法将其集成到统一的学习结构中。因此，概念表示学习往往仅限于本体内部的关系，忽略了跨本体的连接。本文提出了 LINKO，一个大语言模型 (LLM) 增强的可集成本体学习框架，通过同时启用本体图中两种轴向的知识传播来增强医学概念表示学习。具体而言，LINKO 首先利用包含概念描述的工程化提示，通过 LLM 提供图检索增强的本体概念嵌入初始化，并进一步增强本体上下文。其次，我们的方法通过在两种轴向上进行知识传播来联合学习医学概念：(1) 在本体层级之间进行本体垂直传播；(2) 在每个层级内并行进行本体水平传播。最后，通过在两个公共数据集上的大量实验，我们验证了 LINKO 相对于最先进的基线方法的优越性能。作为与现有 EHR 预测模型兼容的插件编码器，LINKO 进一步在数据有限和罕见疾病预测等场景中表现出更好的鲁棒性。