Mohsen Nayebi Kerdabadi Arya Hadizadeh Moghaddam Dongjie Wang, Zijun Yao

摘要

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（EHR）中的医学编码。利用领域认可的关联关系（如父-子关系），预测模型可融合相关概念的上下文信息，生成更为丰富的医学概念表示。然而，现有研究主要聚焦于单一本体系统中的领域知识整合，或孤立地整合多个本体系统（如疾病、药物和操作）的知识，而未将其统一纳入一个协同学习框架。因此，概念表示学习往往局限于本体内部的关系，忽视了跨本体之间的关联。本文提出LINKO——一种基于大语言模型（LLM）增强的集成本体学习框架，通过在异构本体系统内部与之间实现双轴知识传播，同时利用多个本体图以提升医学概念表示学习的效果。具体而言，LINKO首先利用大语言模型通过精心设计的提示（prompt）对本体概念嵌入进行图检索增强初始化，该提示包含概念描述及其本体上下文信息。其次，本方法通过双轴知识传播，联合学习不同本体图中的医学概念：（1）在层级本体结构内部进行纵向的跨层级传播；（2）在每一层级上并行执行跨本体的横向传播。最后，通过在两个公开数据集上的大量实验，验证了LINKO在性能上显著优于当前最先进的基线方法。作为可兼容现有EHR预测模型的插件式编码器，LINKO在数据稀缺及罕见病预测等场景下进一步展现出更强的鲁棒性。