论文
使用 大语言模型 丰富文本属性知识图用于医学概念表示
Text-Attributed Knowledge Graph Enrichment with Large Language Models for Medical Concept Representation
摘要
在电子健康记录 (EHR) 挖掘中，学习医学概念的高质量表示（例如标准化诊断、药物和程序代码）是下游临床预测的基础。然而，稳健的概念表示学习受到两个关键挑战的阻碍：（i）现有本体资源中经常缺失或不完整临床上重要的跨类型依赖性（例如，诊断药物和药物程序关系），限制了复杂 EHR 模式建模的能力； (ii) 结构化资源中经常缺少丰富的临床语义，即使以文本形式提供，也很难与知识图谱结构集成以进行表示学习。为了应对这些挑战，我们推出了 MedCo，这是一种用于医学概念表示的 LLM 授权图形学习框架。 MedCo 首先通过将从 EHR 中挖掘的统计上可靠的关联与类型约束的 LLM 相结合，在医疗代码上构建全局知识图 (KG)，从而提示推断语义关系。然后，它利用 LLM 通过生成节点描述和边基本原理，将知识图谱丰富为文本属性图，为概念及其关系提供语义信号。最后，MedCo 与异构 GNN 联合训练 LoRA 调整的 LLaMA 文本编码器，将文本语义和图结构融合到统一的概念嵌入中。 MIMIC-III 和 MIMIC-IV 上的大量实验表明，MedCo 持续提高预测性能，并可作为标准 EHR 管道的有效插件概念编码器。