Mohsen Nayebi Kerdabadi Arya Hadizadeh Moghaddam Dongjie Wang, Zijun Yao

Abstract

Medizinische Ontologie-Graphen stellen externe Wissensinhalte über strukturierte Beziehungen mit medizinischen Codes in elektronischen Gesundheitsakten (EHR) in Verbindung. Durch die Nutzung von fachlich anerkannter Verbindungen (z. B. Eltern-Kind-Beziehungen) können prädiktive Modelle reichhaltigere Darstellungen medizinischer Konzepte generieren, indem sie kontextuelle Informationen aus verwandten Konzepten einbeziehen. Bisherige Forschungsarbeiten konzentrieren sich jedoch hauptsächlich auf die Integration von Domänenwissen aus einem einzigen Ontologie-System oder aus mehreren Ontologie-Systemen (z. B. Krankheiten, Medikamente und Eingriffe) isoliert, ohne diese in eine einheitliche Lernstruktur zu integrieren. Folglich bleibt die Lernung medizinischer Konzeptdarstellungen oft auf intra-ontologische Beziehungen beschränkt und übersieht wichtige inter-ontologische Verbindungen. In diesem Artikel stellen wir LINKO vor, einen durch große Sprachmodelle (LLM) unterstützten integrativen Ontologie-Lernrahmen, der mehrere Ontologie-Graphen gleichzeitig nutzt, indem er eine zweidimensionale Wissensweitergabe sowohl innerhalb als auch zwischen heterogenen Ontologie-Systemen ermöglicht, um die Lernung medizinischer Konzeptdarstellungen zu verbessern. Konkret verwendet LINKO zunächst große Sprachmodelle, um eine graphenbasierte Recherche-erweiterte Initialisierung für die Ontologie-Konzept-Embeddings durchzuführen. Hierbei wird ein maßgeschneidertes Prompt eingesetzt, das Konzeptbeschreibungen sowie ontologischen Kontext umfasst. Anschließend lernt unsere Methode die medizinischen Konzepte in unterschiedlichen Ontologie-Graphen gemeinsam, indem sie die Wissensweitergabe entlang zweier Achsen durchführt: (1) vertikale intra-ontologische Propagation über hierarchische Ontologie-Ebenen hinweg und (2) horizontale inter-ontologische Propagation innerhalb jeder Ebene parallel. Abschließend bestätigen wir durch umfangreiche Experimente an zwei öffentlichen Datensätzen die überlegene Leistungsfähigkeit von LINKO gegenüber aktuellen State-of-the-Art-Baselines. Als plug-in-fähiger Encoder, der mit bestehenden EHR-prädiktiven Modellen kompatibel ist, demonstriert LINKO zudem eine verbesserte Robustheit in Szenarien mit begrenzter Datenverfügbarkeit und der Vorhersage seltener Krankheiten.