[論文レビュー] Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval

Pengcheng Jiang, Cao Xiao+5 more|arXiv (Cornell University)|Oct 6, 2024

Biomedical Text Mining and OntologiesBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

KAREは、知識グラフ（KG）コミュニティ検索と大規模言語モデル（LLM）推論を統合することで、臨床予測を向上させる画期的なフレームワークである。多様な医療KGを構築し、階層的なコミュニティに整理することで正確な検索を実現し、焦点を当てた多面的な医療インサイトで患者の文脈を動的に拡張する。MIMIC-IIIおよびMIMIC-IVで、最先端のモデルを上回り、死亡率および再入院予測において最大15.0%の向上を達成した。

ABSTRACT

Large language models (LLMs) have demonstrated significant potential in clinical decision support. Yet LLMs still suffer from hallucinations and lack fine-grained contextual medical knowledge, limiting their high-stake healthcare applications such as clinical diagnosis. Traditional retrieval-augmented generation (RAG) methods attempt to address these limitations but frequently retrieve sparse or irrelevant information, undermining prediction accuracy. We introduce KARE, a novel framework that integrates knowledge graph (KG) community-level retrieval with LLM reasoning to enhance healthcare predictions. KARE constructs a comprehensive multi-source KG by integrating biomedical databases, clinical literature, and LLM-generated insights, and organizes it using hierarchical graph community detection and summarization for precise and contextually relevant information retrieval. Our key innovations include: (1) a dense medical knowledge structuring approach enabling accurate retrieval of relevant information; (2) a dynamic knowledge retrieval mechanism that enriches patient contexts with focused, multi-faceted medical insights; and (3) a reasoning-enhanced prediction framework that leverages these enriched contexts to produce both accurate and interpretable clinical predictions. Extensive experiments demonstrate that KARE outperforms leading models by up to 10.8-15.0% on MIMIC-III and 12.6-12.7% on MIMIC-IV for mortality and readmission predictions. In addition to its impressive prediction accuracy, our framework leverages the reasoning capabilities of LLMs, enhancing the trustworthiness of clinical predictions.

研究の動機と目的

• 臨床意思決定におけるLLMの幻覚現象と細分化された医療知識の欠如を解消すること。
• 従来の検索拡張生成（RAG）の限界を克服し、意味的に関連性が高く文脈的に正確な医療知識を検索すること。
• 入院中の死亡率や再入院予測といったハイリスクな臨床タスクにおける予測精度と解釈可能性を向上させること。
• 階層的グラフコミュニティ検出と要約処理を活用し、構造的で検索最適化された医療知識グラフを構築すること。
• 動的に取得されたKGコミュニティと推論強化型LLMを統合し、信頼性が高く根拠に基づいた予測を実現すること。

提案手法

• バイオメディカルデータベース、臨床文献、LLMが生成したインサイトを統合することで包括的で多様な知識グラフを構築する。
• 階層的グラフコミュニティ検出と要約処理を適用し、意味的に意味のある、文脈的に関連性のあるサブグラフにKGを整理する。
• 患者の臨床的文脈に適合した、事前に要約されたKGコミュニティを選択・取得する動的知識検索メカニズムを採用する。
• 取得したKGコミュニティのインサイトで患者の入力を拡張し、LLM推論に適した文脈を豊かにする。
• 取得した医療知識に基づいた段階的な推論チェーンを生成する推論強化型予測フレームワークを活用する。
• LLMが患者のEHRと文脈的に関連性のあるKGコミュニティの両方を根拠に予測を生成する、検索拡張生成パイプラインを採用する。

実験結果

リサーチクエスチョン

• RQ1 従来のRAGと比較して、KGコミュニティレベルの検索は、臨床予測における医療知識の関連性と正確性を向上させるか？
• RQ2 階層的グラフコミュニティ検出と要約処理を統合することで、LLM向けの取得知識の質はどのように向上するか？
• RQ3 動的かつ文脈に適応したKGコミュニティの検索は、死亡率および再入院予測タスクにおける予測精度をどの程度向上させるか？
• RQ4 取得したKGインサイトを活用する推論強化型LLMは、より解釈可能で信頼性のある臨床予測を生成できるか？
• RQ5 さまざまな臨床予測ベンチマークにおいて、KAREは最先端のモデルと比較して性能と頑健性に優れているか？

主な発見

• KAREは、MIMIC-IIIデータセットにおいて、最良のベースラインモデルを上回り、入院中の死亡率予測で最大15.0%の相対的向上を達成した。
• MIMIC-IVデータセットでは、最先端の手法を上回り、再入院予測性能を最大12.7%向上させた。
• KAREはMIMIC-IIIおよびMIMIC-IVの両方で一貫した向上を示し、死亡率タスクでは10.8%～15.0%、再入院タスクでは12.6%～12.7%の向上を達成した。
• 取得したKGインサイトと推論チェーンの統合により、モデルの解釈性が顕著に向上し、臨床医が予測を特定の医療的根拠にたどり着けるようになった。
• 事例研究では、心不全にショックを伴う多発性腫瘍を有する複雑な合併症を有する高リスク患者を、KGコミュニティからの多面的知識の統合によって正しく同定した。
• 動的検索メカニズムにより、意味的に整合性があり文脈的に関連性のあるサブグラフに焦点を当てることで、不適切または希薄な知識の取得を回避し、幻覚のリスクを低減した。