【新进展】知识图谱+大模型--＞医疗诊断

背景与意义

在当今的医疗保健中，电子健康记录（EHRs）和日常文档记录对患者的护理至关重要。EHRs提供了患者的全面健康信息，包括病史、诊断和治疗。然而，由于EHR叙述内容繁多且复杂，容易导致医疗人员信息过载，进而增加诊断错误的风险。近年来，生成式大型语言模型（LLMs）在各类语言任务中的表现令人瞩目，但在医疗领域的应用面临诸多挑战，尤其是在减少诊断错误和避免对患者造成伤害方面。

为了应对这些挑战，研究者们提出了一种创新方法，通过引入医学知识图谱（KG），结合一种名为“DR.KNOWS”的图模型，来增强LLMs在自动生成诊断的准确性 。该模型基于临床诊断推理过程，旨在帮助LLMs更好地解释和总结复杂的医疗概念，提供一个更准确和可解释的诊断路径。

方法

1. 医学知识图谱构建与来源

医学知识图谱（KG）的构建基于美国国家医学图书馆的统一医学语言系统（UMLS） 。UMLS 是一个包含了大量生物医学知识的数据库，它整合了多种医学词汇表，形成了概念和语义关系的知识图谱。UMLS 的概念库包含超过 450 万个概念和 1500 万个关系，这些数据提供了丰富的知识支持。本研究从 UMLS 中提取了医疗概念，并主要使用了系统化医学术语（SNOMED-CT） ，这一医学词汇标准广泛用于电子健康记录（EHRs）中。

UMLS 的概念词汇包括多个语义类型和网络，帮助有效探索和支持语义理解。研究者们从这些概念和语义关系中构建了一个知识图谱，其节点表示医疗概念，边表示概念间的