Mohsen Nayebi Kerdabadi Arya Hadizadeh Moghaddam Dongjie Wang, Zijun Yao

Résumé

Les graphes d'ontologies médicales relient les connaissances externes aux codes médicaux des dossiers de santé électroniques (EHR) au moyen de relations structurées. En exploitant des connexions validées par le domaine (par exemple, relations parent-enfant), les modèles prédictifs peuvent générer des représentations de concepts médicaux plus riches en intégrant des informations contextuelles provenant de concepts associés. Toutefois, la littérature existante se concentre principalement sur l’intégration de connaissances domaines issues d’un seul système d’ontologie, ou de plusieurs systèmes d’ontologies (par exemple, maladies, médicaments, procédures) de manière isolée, sans les intégrer dans une structure d’apprentissage unifiée. En conséquence, l’apprentissage des représentations de concepts reste souvent limité aux relations intra-ontologies, au détriment des connexions inter-ontologies. Dans cet article, nous proposons LINKO, un cadre d’apprentissage intégré d’ontologies enrichi par un modèle de langage à grande échelle (LLM), qui exploite simultanément plusieurs graphes d’ontologies en permettant une propagation dual-axe des connaissances, tant à l’intérieur qu’entre des systèmes d’ontologies hétérogènes, afin d’améliorer l’apprentissage des représentations de concepts médicaux. Plus précisément, LINKO utilise d’abord des LLM pour initier les embeddings des concepts d’ontologie par une méthode d’initialisation renforcée par récupération de graphes, via une requête (prompt) soigneusement conçue incluant des descriptions de concepts et des contextes d’ontologie. Ensuite, notre méthode apprend conjointement les concepts médicaux présents dans divers graphes d’ontologies en réalisant une propagation des connaissances selon deux axes : (1) une propagation verticale intra-ontologie à travers les niveaux hiérarchiques de l’ontologie, et (2) une propagation horizontale inter-ontologies, effectuée en parallèle à chaque niveau. Enfin, à travers des expérimentations étendues sur deux jeux de données publics, nous validons la supériorité de LINKO par rapport aux meilleures méthodes actuelles. En tant qu’encodeur plug-in compatible avec les modèles prédictifs existants sur les EHR, LINKO démontre également une robustesse accrue dans des scénarios caractérisés par une faible disponibilité de données ou la prédiction de maladies rares.