[论文解读] 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 4

一句话总结

本文首次对医疗健康知识图谱（HKGs）进行了全面综述，详细阐述了其构建流程、利用方法（无模型与有模型方法），以及在临床、科研和公共卫生领域的应用。研究指出，大型语言模型（LLMs）可提升HKG的准确性并减少幻觉现象，表明HKG在改善生物医学研究和临床决策方面具有关键作用。

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.

研究动机与目标

• 系统且全面地综述医疗健康知识图谱（HKGs），以填补现有文献中的空白。
• 分析从异构生物医学数据源构建HKG的流程与关键技术。
• 基于数据类型、应用领域和统计特征，对现有HKG资源进行分类与总结。
• 探讨HKG在多样化医疗应用中的整合，涵盖基础科学至临床决策支持与公共卫生领域。
• 识别医疗健康知识图谱与大型语言模型（LLMs）交叉领域的新兴研究机遇。

提出的方法

• 对230余项HKG相关研究进行系统性综述，重点关注构建、利用与应用。
• 将HKG构建方法分类为“从零开始”与“集成”两类，重点强调用于实体与关系抽取的自然语言处理（NLP）技术。
• 根据数据模态（如电子健康记录EHRs、文献、指南）与应用领域（如药物发现、临床决策支持）对HKG资源进行分类。
• 分析无模型与有模型的HKG利用方式，包括知识检索与图神经网络的应用。
• 评估LLMs在通过知识正则化提升HKG构建质量并减少幻觉现象方面的作用。
• 整合公共卫生、流行病学、环境健康与行为健康等领域的案例研究，以展示HKG的实际效用。

实验结果

研究问题

• RQ1 医疗健康知识图谱的构建流程中，关键阶段与技术有哪些？
• RQ2 在医疗应用中，无模型与有模型方法在利用HKG方面有何差异？
• RQ3 现有主要的HKG资源有哪些？它们在范围、数据类型与应用领域方面有何差异？
• RQ4 HKG在临床、公共卫生与科研领域中有哪些成功应用？
• RQ5 大型语言模型（LLMs）如何提升HKG的构建质量，并增强LLM生成的生物医学内容的可靠性？

主要发现

• HKG能够以可解释的结构化方式表示生物医学实体及其关系，从而提升临床推理与科研发现能力。
• LLMs显著提升了HKG的构建效率，通过改进从非结构化临床文本中抽取实体与关系的能力，减少错误并扩大覆盖范围。
• 基于模型的HKG利用方式，特别是通过图神经网络，显著提升了药物-药物相互作用预测与患者亚型分类等任务的性能。
• HKG已在公共卫生领域成功应用，用于追踪疾病传播（如COVID-19）、分析环境暴露因素，并支持卫生政策制定。
• 将HKG与LLMs结合可减少幻觉现象，并提升生物医学文本生成中的事实一致性，尤其在临床与科研场景中表现突出。
• 本综述识别出在跨多领域（特别是基因组学、电子健康记录与临床指南）实现全面、统一的HKG整合方面存在关键研究空白，亟需构建统一的知识框架。