Mohsen Nayebi Kerdabadi Arya Hadizadeh Moghaddam Dongjie Wang, Zijun Yao

الملخص

تمثيل المفاهيم الطبية عبر رسوم بيانية للمرجعية الطبية (Medical Ontology Graphs) يُمكّن من ربط المعرفة الخارجية بالرموز الطبية في السجلات الصحية الإلكترونية من خلال علاقات منظمة. وباستخدام الربط المُعتمد في المجال (مثل العلاقة بين الوالد والطفل)، يمكن للنماذج التنبؤية إنشاء تمثيلات أكثر ثراءً للمفاهيم الطبية من خلال دمج المعلومات السياقية المستمدة من المفاهيم المرتبطة. ومع ذلك، يركّز الأدبيات الحالية بشكل رئيسي على دمج المعرفة المجالية من نظام مرجعي واحد، أو من أنظمة مرجعية متعددة (مثل الأمراض، والأدوية، والإجراءات) بشكل منفصل دون دمجها في هيكل تعلّم موحد. نتيجة لذلك، يظل تعلّم تمثيل المفاهيم محدودًا غالبًا بالعلاقات داخل النظام المرجعي الواحد، متجاهلاً الروابط المتقاطعة بين الأنظمة المختلفة. في هذه الورقة، نقترح إطارًا تعلّميًا متكاملًا للمرجعية يُسمى LINKO، وهو إطار مدعوم بنموذج لغوي كبير (Large Language Model - LLM) يُستخدم لاستغلال رسوم بيانية مرجعية متعددة في آن واحد، من خلال تمكين انتشار المعرفة على محورين: داخل الأنظمة المرجعية المختلفة وعبرها، بهدف تعزيز تعلّم تمثيل المفاهيم الطبية. بشكل محدد، يُستخدم LINKO نماذج لغوية كبيرة لتوفير تهيئة مدعومة باسترجاع الرسوم البيانية لتمثيل المفاهيم المرجعية، وذلك من خلال نموذج مُصمم بدقة يحتوي على وصف للمفاهيم، ويُعزز بسياق المرجعية. ثانيًا، يُعلّم لدينا المفاهيم الطبية في رسوم بيانية مرجعية متنوعة بشكل مشترك من خلال تنفيذ انتشار المعرفة على محورين: (1) الانتشار الرأسي داخل النظام المرجعي عبر المستويات الهرمية للمرجعية، و(2) الانتشار الأفقي بين الأنظمة المرجعية المختلفة ضمن كل مستوى في آنٍ واحد. وأخيرًا، من خلال تجارب واسعة على مجموعتي بيانات علنيتين، نُثبت أداءً متفوقًا لـ LINKO مقارنةً بالأساليب الحالية المتطورة. وبما أن LINKO يُعدّ مشغلًا قابلًا للتركيب (plug-in encoder) متوافقًا مع النماذج التنبؤية الحالية للسجلات الصحية الإلكترونية (EHR)، فإنه يُظهر أيضًا قدرة محسّنة على الصلابة في السيناريوهات التي تشهد نقصًا في البيانات أو عند التنبؤ بالأمراض النادرة.