Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction

Leveraging A Medical Knowledge Graph into Large Language Models for Diagnosis Prediction

1. 本研究の学術的背景、研究課題の核心をなす学術的「問い」
電子健康記録(EHRs)は、患者の健康状態、診断、治療の全体的な記録を提供し、日常的なケアにおいて重要な役割を果たしています。しかし、複雑で詳細なEHRの記録は、医療提供者を過負荷にさせている一方で、診断の不正確さを引き起こすリスクがあります。ここでの学術的な「問い」は、「大規模言語モデル（LLMs）が多種多様な言語タスクでその可能性を示す一方で、これを医療分野に応用するには、診断エラーの最小化と患者の被害防止をどのように保証することができるのか」です。

2. 本研究の目的及び学術的独自性と創造性
本研究の目的は、医療知識グラフ（KG）と、臨床診断推論過程に触発された新しいグラフモデル「Dr.Knows」を導入することで、自動診断生成の領域でLLMsの能力を強化する新しいアプローチを提示することです。その独自性と創造性は、事前学習の必要性を否定し、KGを複雑な医療概念の解釈と要約を補助する道具として活用する手法にあります。

3. 本研究の着想と研究動向
EHRsの肥大化とその問題を解決するためのAIの活用可能性に注目が集まっており、その中で本研究は、診断の精度を高めつつ医療情報を解釈・要約するための新手法を提案しました。その背景には、医療におけるAIの活用が積極的に進められている現状があります。

4. 本研究で何をどのように、どこまで明らかにした？
本研究では、新しいアプローチとして、LLMsとKGを組み合わせることで自動的な診断生成の精度を向上させる可能性があることを、実世界の病院のデータセットを用いた実験結果を通じて示しました。また、我々のアプローチが説明可能な診断パスを提供することで、AIを活用した診断補助システムの具現化に一歩近づくことを示しました。

5. 本研究の有効性をどのように検証した？
本研究では、提案した手法の有効性を検証するために、現実の病院のデータセットを使用して実験を行いました。その結果をもとに、LLMsとKGの組み合わせによる診断生成の精度の改善を評価しました。