[논문 리뷰] A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises

Hejie Cui, Jiaying Lu외 15명|arXiv (Cornell University)|2023. 06. 07.

Advanced Graph Neural Networks인용 수 4

한 줄 요약

이 논문은 의료 지식 그래프(HKGs)에 대한 첫 번째 종합적 리뷰를 제시하며, 구축 파이pline, 활용 방법(모델 기반 및 모델 프리), 임상, 연구, 공중보건 분야 응용 사례를 상세히 다룬다. 대규모 언어 모델(LLMs)이 HKG의 정확도를 향상시키고 환각 현상을 감소시켜, 생물의학 연구 및 임상 의사결정 지원에 핵심 도구로 자리매김할 수 있음을 강조한다.

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.

연구 동기 및 목표

• 기존 문헌의 격차를 메우기 위해 의료 지식 그래프(HKGs)에 대한 체계적이고 종합적인 리뷰를 제공하는 것.
• 이질적인 생물의학 데이터 소스에서 HKGs를 구축하기 위한 파이pline 및 핵심 기술을 분석하는 것.
• 자료 유형, 적용 분야, 통계적 특성 기반으로 기존 HKG 자원을 분류하고 요약하는 것.
• 기본 과학에서 임상 의사결정 지원 및 공중보건에 이르기까지 다양한 의료 응용 분야에서 HKGs의 통합을 탐색하는 것.
• HKGs와 대규모 언어 모델(LLMs)의 융합 분야에서의 새로운 연구 기회를 식별하는 것

제안 방법

• HKG에 관한 230篇 이상의 연구를 대상으로 한 체계적 리뷰로, 구축, 활용, 응용에 중점을 둔다.
• HKG 구축 방식을 '초기 구축' 및 '통합' 접근법으로 분류하고, 실체 및 관계 추출을 위한 자연어 처리(NLP) 기법에 중점을 둔다.
• 예: 전자건강기록(EHRs), 문헌, 지침 등 데이터 모odal 기반 및 예: 약물 발굴, 임상 의사결정 지원 등 적용 분야 기반으로 HKG 자원을 분류한다.
• 모델 프리 및 모델 기반 HKG 활용 방식을 분석하며, 지식 검색 및 그래프 신경망(GNN)을 포함한다.
• 지식 정규화를 통한 LLM의 HKG 구축 향상 및 환각 감소 효과 평가.
• 공중보건, 역학, 환경보건, 행동보건 분야의 사례 연구를 통합하여 HKG의 실용성을 입증한다.

실험 결과

연구 질문

• RQ1 의료 지식 그래프의 구축 파이프라인에서 핵심 단계와 기술은 무엇인가요?
• RQ2 모델 프리 및 모델 기반 접근법은 의료 응용 분야에서 HKG를 어떻게 다르게 활용합니까?
• RQ3 주요 기존 HKG 자원은 무엇이며, 범위, 자료 유형, 적용 분야에서 어떻게 다릅니까?
• RQ4 의료, 공중보건, 연구 분야에서 HKG는 어떻게 성공적으로 응용되었나요?
• RQ5 대규모 언어 모델(LLMs)은 HKG 구축을 어떻게 향상시키고, LLM이 생성한 생물의학 콘텐츠의 신뢰성을 어떻게 향상시킬 수 있나요?

주요 결과

• HKGs는 생물의학적 실체와 그 관계를 해석 가능하고 구조화된 방식으로 표현함으로써 임상 사고 및 연구 탐색을 향상시킨다.
• LLMs는 비정형 임상 텍스트에서 실체 및 관계 추출 성능을 향상시켜 HKG 구축을 크게 향상시키며, 오류를 감소시키고 커버리지 범위를 확대한다.
• 특히 그래프 신경망 기반의 모델 기반 HKG 활용은 약물-약물 상호작용 예측 및 환자 하위군 분류와 같은 작업에서 성능을 향상시킨다.
• HKGs는 공중보건 분야에서 전염병 확산 추적(예: 코로나19), 환경 노출 분석, 보건 정책 결정 지원에 성공적으로 응용되었다.
• HKG와 LLM의 통합은 특히 임상 및 연구 환경에서 생물의학 텍스트 생성의 사실성 일관성을 향상시키고 환각 현상을 감소시킨다.
• 이 리뷰는 특히 게놈, EHRs, 임상 지침 간의 종합적이고 다분야적 HKG 통합에 대한 핵심 연구 격차를 밝혀내며, 통합 지식 프레임워크의 필요성을 제기한다.