[論文レビュー] A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises

Hejie Cui, Jiaying Lu+15 more|arXiv (Cornell University)|Jun 7, 2023

Advanced Graph Neural Networks被引用数 4

ひとこと要約

本稿は、医療知識グラフ（HKG）に関する包括的レビューを初めて提供し、その構築パイプライン、利用手法（モデルフリーおよびモデルベース）、および臨床、研究、公衆衛生分野における応用を詳細に記載している。大規模言語モデル（LLM）がHKGの正確性を向上させ、誤解を軽減する仕組みを示しており、HKGが生物医学研究および臨床意思決定の向上に不可欠なツールであることを強調している。

ABSTRACT

This comprehensive review aims to provide an overview of the current state of Healthcare Knowledge Graphs (HKGs), including their construction, utilization models, and applications across various healthcare and biomedical research domains. We thoroughly analyzed existing literature on HKGs, covering their construction methodologies, utilization techniques, and applications in basic science research, pharmaceutical research and development, clinical decision support, and public health. The review encompasses both model-free and model-based utilization approaches and the integration of HKGs with large language models (LLMs). We searched Google Scholar for relevant papers on HKGs and classified them into the following topics: HKG construction, HKG utilization, and their downstream applications in various domains. We also discussed their special challenges and the promise for future work. The review highlights the potential of HKGs to significantly impact biomedical research and clinical practice by integrating vast amounts of biomedical knowledge from multiple domains. The synergy between HKGs and LLMs offers promising opportunities for constructing more comprehensive knowledge graphs and improving the accuracy of healthcare applications. HKGs have emerged as a powerful tool for structuring medical knowledge, with broad applications across biomedical research, clinical decision-making, and public health. This survey serves as a roadmap for future research and development in the field of HKGs, highlighting the potential of combining knowledge graphs with advanced machine learning models for healthcare transformation.

研究の動機と目的

• 既存の文献におけるギャップを埋めるために、医療知識グラフ（HKG）に関する体系的かつ包括的なレビューを提供すること。
• 多様な生物医学的データソースからのHKGの構築パイプラインおよび主要技術を分析すること。
• データタイプ、応用分野、統計的特性に基づいて、既存のHKGリソースを分類し要約すること。
• 基礎科学から臨床意思決定支援、公衆衛生に至るまでの多様な医療応用におけるHKG統合を調査すること。
• HKGと大規模言語モデル（LLM）の交差分野における新たな研究機会を同定すること。

提案手法

• HKGに関する230件以上の研究を対象とした体系的レビュー。構築、利用、応用に焦点を当てている。
• HKG構築法を「ゼロから構築する」方法と「統合する」方法に分類し、エンティティおよび関係抽出に向けた自然言語処理（NLP）技術に重点を置いている。
• データモダリティ（例：EHR、文献、指針）および応用分野（例：ドラッグディスカバリ、臨床意思決定支援）に基づいてHKGリソースを分類している。
• モデルフリーおよびモデルベースのHKG利用法の分析。知識検索およびグラフニューラルネットワーク（GNN）を含む。
• 知識正則化を用いたLLMの活用によるHKG構築の向上と、幻覚の低減を評価している。
• 公衆衛生、疫学、環境健康、行動健康の分野における事例研究の統合的分析により、HKGの実用性を示している。

実験結果

リサーチクエスチョン

• RQ1 医療知識グラフ（HKG）の構築パイプラインにおける主な段階と技術は何か？
• RQ2 モデルフリーおよびモデルベースのアプローチは、医療応用におけるHKGの利用においてどのように異なるか？
• RQ3 主な既存のHKGリソースは何か。それらはスコープ、データタイプ、応用分野においてどのように異なるか？
• RQ4 HKGはどのようにして臨床分野、公衆衛生分野、研究分野で成功裏に応用されてきたか？
• RQ5 大規模言語モデル（LLM）は、HKGの構築をどのように向上させ、LLMが生成する生物医学的コンテンツの信頼性をどのように向上させることができるか？

主な発見

• HKGは、生物医学的エンティティおよびその関係を解釈可能で構造化された形で表現可能であり、臨床的推論および研究の発見を向上させる。
• LLMは、非構造化臨床テキストからのエンティティおよび関係抽出の精度を向上させることで、HKG構築を顕著に改善し、誤りを低減し、カバレッジを拡大する。
• 特にグラフニューラルネットワーク（GNN）を用いたモデルベースのHKG利用法は、ドラッグ-ドラッグ相互作用予測や患者サブタイピングなどのタスクで性能を向上させる。
• HKGは、感染症の拡散追跡（例：COVID-19）、環境的曝露の分析、健康政策意思決定支援など、公衆衛生分野でも成功裏に応用されている。
• HKGとLLMの統合により、特に臨床および研究現場において、生成された生物医学的テキストの事実性の整合性が向上し、幻覚が低減される。
• 本レビューでは、特にゲノム、EHR、および臨床指針を統合する包括的かつマルチドメインのHKG統合に向けた研究ギャップを特定し、統一された知識フレームワークの構築を要請している。