Mohsen Nayebi Kerdabadi Arya Hadizadeh Moghaddam Dongjie Wang, Zijun Yao

초록

의료 온톨로지 그래프는 구조화된 관계를 통해 전자 건강 기록(EHR) 내 의료 코드에 외부 지식을 매핑한다. 도메인 승인된 연결(예: 부모-자식 관계)을 활용하면, 관련 개념들로부터의 맥락 정보를 포함함으로써 예측 모델이 더 풍부한 의료 개념 표현을 생성할 수 있다. 그러나 기존 연구는 주로 단일 온톨로지 시스템에서의 도메인 지식을 통합하거나, 질병, 약물, 절차 등 여러 온톨로지 시스템을 별도로 고려하는 데 집중하며, 이를 통합된 학습 구조로 융합하지 않고 있다. 그 결과 개념 표현 학습은 종종 온톨로지 내 관계에 국한되며, 온톨로지 간 연결을 간과하게 된다. 본 논문에서는 다중 온톨로지 그래프를 동시에 활용하여, 이질적인 온톨로지 시스템 내외에서 이중 축 지식 전파를 가능하게 함으로써 의료 개념 표현 학습을 향상시키는, 대규모 언어 모델(LLM)을 보완하는 통합 온톨로지 학습 프레임워크인 LINKO를 제안한다. 구체적으로 LINKO는 먼저, 개념 설명과 온톨로지 맥락을 포함하는 설계된 프롬프트를 활용하여 LLM을 통해 그래프 검색 증강 초기화를 수행함으로써 온톨로지 개념 임베딩을 초기화한다. 다음으로, 본 방법은 두 가지 축을 통해 다양한 온톨로지 그래프 내 의료 개념을 공동으로 학습한다: (1) 계층적 온톨로지 수준 간 내부 온톨로지 수직 전파와 (2) 각 수준 내에서 병렬로 수행되는 온톨로지 간 수평 전파이다. 마지막으로, 두 개의 공개 데이터셋에서 실시한 광범위한 실험을 통해 LINKO가 최첨단 기준 모델들보다 우수한 성능을 보임을 검증하였다. 기존 EHR 예측 모델과 호환되는 플러그인 인코더로서의 특성을 갖춘 LINKO는 데이터 접근성 제한 및 희귀 질환 예측과 같은 시나리오에서도 더욱 뛰어난 강건성을 입증하였다.