Mohsen Nayebi Kerdabadi Arya Hadizadeh Moghaddam Dongjie Wang, Zijun Yao

要約

医療オントロジー・グラフは、構造化された関係を通じて電子健康記録（EHR）内の医療コードに外部知識をマッピングする。ドメインで承認された関係（例：親子関係）を活用することで、関連概念からの文脈情報を組み込むことにより、予測モデルはより豊かな医療概念表現を生成できる。しかし、従来の研究は、単一のオントロジー・システムからのドメイン知識の統合に主眼を置いており、あるいは疾患、薬剤、手技など複数のオントロジー・システムを個別に扱うにとどまり、それらを統合的な学習構造に組み込むことはほとんど行われていない。その結果、概念表現学習はしばしばオントロジー内関係に限定され、オントロジー間のつながりが無視される傾向にある。本論文では、複数のオントロジー・グラフを同時に活用し、異種オントロジー・システム内および間で二軸にわたる知識伝播を可能にする、大規模言語モデル（LLM）を補完する統合的オントロジー学習フレームワーク「LINKO」を提案する。具体的には、LINKOはまず、概念の説明とオントロジー文脈を含む設計されたプロンプトを用いて、LLMを活用してオントロジー概念埋め込みのグラフ検索補強型初期化を実施する。次に、本手法は、以下の二軸での知識伝播を併行して行うことで、多様なオントロジー・グラフ内の医療概念を統合的に学習する：（1）階層的なオントロジー・レベル間におけるオントロジー内垂直方向の知識伝播、および（2）各レベル内でのオントロジー間水平方向の並列知識伝播。最後に、2つの公開データセットを用いた広範な実験により、LINKOが最先端のベースラインに対して優れた性能を発揮することを検証した。既存のEHR予測モデルと互換性のあるプラグイン型エンコーダとしての設計により、LINKOはデータ不足や希少疾患予測といった困難な状況においても、高いロバスト性を示した。