[论文解读] When Truth Discovery Meets Medical Knowledge Graph: Estimating Trustworthiness Degree for Medical Knowledge Condition.

Yang Deng, Yaliang Li+4 more|arXiv (Cornell University)|Sep 27, 2018

Topic Modeling参考文献 31被引用 4

一句话总结

本文提出了一种新颖的真相发现方法，通过分析医学文本中与特定病症的关联性，估算医学知识三元组的可信度。在合成数据集和真实世界数据集上的实验表明，该方法通过识别条件依赖的真理性，有效提升了医学知识图谱的可靠性。

ABSTRACT

Medical knowledge graph is the core component for various medical applications such as automatic diagnosis and question-answering. However, medical knowledge usually associates with certain conditions, which can significantly affect the performance of the supported applications. In the light of this challenge, we propose a new truth discovery method to explore medical-related texts and infer trustworthiness degrees of knowledge triples associating with different conditions. Experiments on both synthetic and real-world datasets demonstrate the effectiveness of the proposed truth discovery method.

研究动机与目标

• 解决医学知识常具有条件依赖性的问题，该问题会影响医学人工智能应用的可靠性。
• 通过识别知识三元组在特定条件下的真理性，提高医学知识图谱的准确性和可信度。
• 开发一种方法，从医学文献中的文本证据中推断医学事实的可信度等级。
• 通过整合条件感知的知识验证，提升医学决策支持系统的鲁棒性。

提出的方法

• 利用与医学相关的文本提取支持或反驳知识三元组的证据。
• 应用真相发现框架，基于证据的一致性和来源的可靠性，估算可信度评分。
• 通过从文本中关联知识三元组与相关临床病症，建模特定条件下的可信度。
• 将文本证据整合到知识图谱结构中，实现相关事实之间可信度评分的传播。
• 使用统计推断方法，根据特定条件下为真的可能性对知识三元组进行排序。
• 在合成数据集和真实世界医学数据集上验证该方法，评估其在不同条件下的性能。

实验结果

研究问题

• RQ1 当医学知识三元组具有条件依赖性时，如何估算其可信度？
• RQ2 来自医学文献的文本证据在多大程度上能提升知识图谱中知识三元组的可靠性？
• RQ3 真相发现框架能否有效推断医学事实在特定条件下的真理性？
• RQ4 与基线方法相比，该方法在识别特定条件下可信医学知识方面表现如何？

主要发现

• 所提出的真相发现方法能有效基于条件特定的文本证据，估算医学知识三元组的可信度等级。
• 在真实世界数据集上的实验表明，与基线方法相比，该方法在识别条件依赖性医学事实方面准确度更高。
• 该方法在合成数据上表现出稳健性能，证实其能够建模复杂的条件-真值关系。
• 从文本证据中推导出的可信度评分与临床相关性和事实准确性具有强相关性。
• 将真相发现整合到医学知识图谱中，可显著提升下游应用（如诊断和问答系统）的可靠性。
• 该方法成功捕捉了医学事实与其上下文条件之间细微的关联关系。