没有合适的资源?快使用搜索试试~ 我知道了~
首页异构图实体链接提升临床疾病预测:意大利EHR案例
本文主要探讨了在意大利临床实践中,如何通过改进实体链接图嵌入技术来提升电子健康记录(EHR)在精准医疗中的应用。随着EHR数据的日益增多,其非结构化特性使得传统的数据分析面临挑战。异构图信息处理被提出作为一种有效的解决方案,它能够整合医学文献、基因组学、生活方式等多源数据,从而提供个性化的诊断和治疗方案。 文章首先指出,目前的医疗系统中,药物治疗的效果差异显著,表明了个性化医疗的必要性。为了实现这一目标,研究者们利用来自那不勒斯费德里科二世医院的意大利EHR数据,构建了一个异质图模型。在这个模型中,概念和生物医学本体(如UMLS和DBpedia)被用来抽取实体和关系,从而增强预测病人与确诊疾病之间联系的能力。 研究团队提出了一种创新的工作流程,通过结合概念本体与EHR数据,实现了实体链接图嵌入的优化。这种方法在ROC曲线下的面积(AUC)和平均倒数秩(MRR)等指标上表现优异,证明了它在链接预测上的优越性能。这种链接预测技术有助于提高临床决策支持系统的精确性和效率,减少由于信息不一致或遗漏导致的医疗错误。 然而,文中也提到了当前医疗领域面临的挑战,包括EHR数据的统一处理标准缺失以及医疗人员时间紧张等问题。这些问题限制了医疗数据的有效利用和临床决策的优化。通过解决这些问题,本文的研究成果有望为改善医疗保健服务质量,特别是精准医疗,提供强有力的技术支撑。 总结来说,这篇文章的核心内容是介绍了在意大利临床场景下,如何通过改进实体链接图嵌入技术,利用异构图信息处理方法,挖掘和整合电子健康记录中的多源数据,以实现更精准的疾病预测和个体化治疗。这对于推动医疗保健行业的数字化转型和提高医疗质量具有重要意义。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/88693325/bg3.jpg)
D.
莫斯卡托湾
Postiglione
等人
智能系统与应用
17
(
2023
)
200161
3
Fig. 1.
链接预测示例。
•
消 息 传 递 方 法 ( Schlichtkrull 等 人 , 2018 年 , Hu 等 人 , 2020
年)。网络中的每个节点可以具有被表示为特征向量的属性信息。
消息传递方法的目标是通过聚合
u
的邻居的信息
来
学习基于
u
的
图
神经网络(GNN)被广泛用于消息传递过程。因此,与基于近似的
HNE
方法不同,消息传递方法通常被认为是深度网络嵌入,因为它
们具有多层可学习的投影函数。
•
学习方法(Yang等人,2015年,Dettmers等人,2018年)。与以
前的方法,通过参数代数运算建模的边缘类型之间的关系,关系学
习方法依赖于引入一个基于三重的评分函数,而不是考虑元路径或
元图。知识图中的每条边都可以看作是一个三元组(u,l,v),其
中u,v是图中定义一条边的两个节点,其类型为l。这些方法的目标
是学习一个评分函数
(,),它评估每个三元组并返回一个标
量来衡量每个三元组的可接受性。
2.1.3.
链接预测
链路预测是预测网络中两个节点之间是否存在链路的任务。有几个
链接预测的例子,比如:预测社交网络中用户之间的友谊链接,预测引
用网络中的合著链接,预测生物网络中基因和蛋白质之间的相互作用,
以及在我们的案例中,预测生物医学网络中患者和疾病之间是否存在联
系。链接预测也可以具有归纳方面,其中,给定时间处的链接集合的快
照 ,目标是预测时间
+1
处的链接 (参见图
11
)。
1
)。
问题定义给定一个网络,其中,网络中的实体节点表示网络中实体
节点的集合,网络中实体之间的真实链接表示网络中实体之间的真实
链接的集合,我们考虑实体集合和真实链接的子集,称为
观察链接
(训练集),目标是预测观察链接中未考虑的真实链接,称为
未观察
链接
。在链接预测的归纳公式中,观察到的链接对应于时间
t
的
真实链接,目标是推断时间
t+1
的真实链接集。通常,我们也会得到
一个未观察到的链接的子集,称为潜在链接
E
在链接预测任务的二进制分类公式中,潜在链接被分类为真链接或
假链接。用于此设置的链接预测方法学习将E'中的链接映射到正标签和
负标签的分类器在概率估计公式中,潜在链接与存在概率相关联。用于
此设置的链接预测方法学习将E'中的链接映射到概率的模型
根据用于预测链接的信息类型,方法可分为:
•
基于拓扑的方法
(Behrouzi等人,2020年)。具有相似网络结构的
节点更有可能形成链路。在这方面,可以使用不同的方法来计算两
个节点 之 间的相似性,基于它们的共同邻居,如 : 共同邻居,
Jaccard测度,
•
基于内容的方法
(
Gao
等人,
2011
年)。这些方法基于节点属性的
相似性来预测链接的存在,所述相似性是利用欧几里得距离上的余
弦相似性来计算的。
•
混合方法
(Zhang等人,2020年)。它们结合了基于属性和拓扑的
方法。最常用的混合方法之一是
图嵌入
,它学习一个嵌入空间,其
中相邻节点由向量表示,以便向量相似性度量,如点积相似性或欧
几里得距离,在嵌入空间中保持不变。这些相似性是拓扑特征和基
于属性的相似性的函数。然后可以使用其他机器学习技术(例如,
SVM)来基于向量相似性预测边缘。
2.2.
实体链接
实体链接(
EL
)是指将命名的实体引用映射到知识库中相应的概
念。命名实体词是指感兴趣的实体类型(例如,人、疾病、位置)的文
本中的标记序列解决此任务的一般架构由3个不同步骤组成(Shen等
人,2015年):
•
候选实体的生成。
(Shen等人,2013,Deorowicz Ciura,2005,
Zhang等人,2010)对于每个命名实体,
然后,EL系统过滤掉知识库中不相关的实体,并返回一个候选实体
的子集,这些实体可能会引用。
•
候选人排名。
(Cucerzan,2007,Chen等人,2010,Shen等人,
2012
,
Chen Ji
,
2011
)基于监督或无监督方法对候选实体进行排
名,以检索要链接到命名实体提及的最
•
Underground
提到了预测。
在某些情况下,命名实体项不能与知识库
中的任何概念相链接。
在过去的几年中,已经提出了几种方法来通过联合执行命名实体识
别和消歧任务(
端到端
实体链接)来提高整体性能(Broscheit,2019
年,Wiatrak Iso-Sipila,2020年)。
实体链接的另一种有效方法是利用领域知识:例如,在生物医学领
域,存在可以链接到命名实体的生物医学概念的知识库和词库(见第2.3
节)。
Bhowmik
等人(
2021
)遵循经典的
Zhu et al.
(
2020
)和
Onoe
and Durrett(2020)添加了更多信息以提高所获得的性能,即与每个
候选实体和每次提及相关联的类型的预测,基于知道实体的类型可以简
化消歧的想法。
由于并不总是能够依赖于关于特定领域的丰富信息(即注释数据,
大型知识库),基于远程学习的独立于领域的方法用于注释未标记数据
(Le Titov,2019)和零射击方法用于在一个领域上训练模型并在其他
不同领域上进行预测(Wu等人,2020,Yao等人,2020年,它变得越
来越普遍。
最后,近年来,已经尝试通过不仅利用基于非结构化文本的信息,
而且利用基于图形嵌入的信息,在知识的基础上利用不同实体之间
剩余14页未读,继续阅读
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- 多模态联合稀疏表示在视频目标跟踪中的应用
- Kubernetes资源管控与Gardener开源软件实践解析
- MPI集群监控与负载平衡策略
- 自动化PHP安全漏洞检测:静态代码分析与数据流方法
- 青苔数据CEO程永:技术生态与阿里云开放创新
- 制造业转型: HyperX引领企业上云策略
- 赵维五分享:航空工业电子采购上云实战与运维策略
- 单片机控制的LED点阵显示屏设计及其实现
- 驻云科技李俊涛:AI驱动的云上服务新趋势与挑战
- 6LoWPAN物联网边界路由器:设计与实现
- 猩便利工程师仲小玉:Terraform云资源管理最佳实践与团队协作
- 类差分度改进的互信息特征选择提升文本分类性能
- VERITAS与阿里云合作的混合云转型与数据保护方案
- 云制造中的生产线仿真模型设计与虚拟化研究
- 汪洋在PostgresChina2018分享:高可用 PostgreSQL 工具与架构设计
- 2018 PostgresChina大会:阿里云时空引擎Ganos在PostgreSQL中的创新应用与多模型存储
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)