论文阅读_医疗知识图谱_GraphCare
1 | 英文名称: GraphCare: Enhancing Healthcare Predictions with Open-World Personalized Knowledge Graphs |
1 读后感
来自 230825 学习会 小丁分享
之前做医疗知识图谱和医疗预测时，最困难的问题包括：
- 如何结合现有的数据和知识
- 非结构化的文本类知识如何与数据结合
- 知识图结构如何设计，如何使用
- 如何引入时序的逻辑
- 如何使用大模型的知识和常识
不仅医疗领域，这些问题几乎存在于所有领域的建模。论文 GraphCare 对此进行了探索。这里只展示了不同知识图的优化效果，实际工作中，知识图生成的患者描述特征还可以与患者的检查，检验信息结合，使模型达到更优的效果。
2 介绍
文章主要针对的问题是：如何结合 患者情况 与 医疗知识 做出医疗预测。这里的医疗知识来自知识图谱，文章提出的改进主要针对知识图谱部分。包括以下三点：
- 使用大模型中的知识填充图谱中的知识盲区（题目中的 Open-world 概念）。
- 设计了针对个人的知识图谱结构。
- 提出了双向注意力增强 (BAT) 图神经网络 (GNN)。
数据使用 MIMIC 3/4，主要针对：死亡率、再入院、住院时间和药物建议 进行预测，与 GNN 相比几种预测的 AUROC 均有提升，且使用更少数据就能建模。
3 方法
3.1 生成特定概念的知识图
这里的特定概念指的是医疗代码 e ∈ {c, p, d}，三个字母分别代表：诊断、治疗和药物。对每个医疗代码，提取其知识图 Ge = (Ve, Ee)，其中 V 是结点 E 是边。
3.1.1 建图
使用两种方法建图：
使用自然语言大模型构建
调用大模型，主要技术是设计提示模板，解析模型的返回结果，以及填充图。模板由三部分组成：指令（让模型做什么）、示例（返回结果什么样）、提示词（具体见附录 C.1）；返回得到头实体，关系，尾实体的三元组；对于每个医疗代码，运行χ次，构造其知识图。
从现有知识图中取子图构建
为更好利用现有知识和知识图，通过子图采样提取医学代码的特定概念图。先识别现有生物医学知识图谱中与医学代码 e 对应的实体，然后随机采样源自实体的 κ 跳子图（具体见附录 C.2）。
3.1.2 对点和边聚类
使用文本构建的图，常会出现同概念对应多个描述的问题，这里使用聚类方法，合并概念。通过大语言模型，可以得到文本的嵌入，使用嵌入分别对结点和边聚类。
对全局图中相似的节点和边进行分组所有概念（如图 -1 所示）。经过聚类后，将原始图 G 中的节点 V 和边 E 映射到新的节点 V′ 和边 E′，获得新的全局图 G′ = (V′, E′)，并为每个医疗代码创建一个新的图 G′e = (V′e, E′e) ⊂ G′。节点嵌入和边嵌入由每个簇中的平均词嵌入初始化。
4 生成患者知识图
这里分两个维度描述患者：患者医疗代码（得了什么病，不只一种病），患者的多次就诊。
针对每位患者，建立患者节点 P，并将其连接到图中的直接医疗代码。患者的个性化 KG 可以表示为 Gpat = (Vpat, Epat)，其中 Vpat = P ∪ {V′e1, V′e2,..., V′eω }；由于患者可能多次就诊，将患者 i 的访问子图可以表示为 Gpat(i) = {Gi,1, Gi,2,..., Gi,J } = {(Vi,1, Ei,1), (Vi,2, Ei,2),..., (Vi,J, Ei,J)}。
4.1 双向注意力增强图神经网络
图神经网络最终的输出一般是用向量 (数组) 表征的结点，比如最终用数组描述每位患者的情况，然后将患者作为实例，数组作为特征 X，以最终目标（如：是否死亡作）为 y 代入模型训练。以此实现对不同任务的预测。如果在训练模型时加入患者的其它特征，如实验室检验等数值型数据，模型就同时支持了患者数据和知识。
图神经网络的原理是聚合邻域节点信息来表示当前节点，从而学习图中的关系。相对于一般的 GNN 神经网络，文中提出了双向注意力增强网络（Bi-attention Augmented (BAT) GNN）机制。具体方法如下：
- 首先将词嵌入转换到隐藏嵌入减少节点和边嵌入的大小，以提高模型的效率并处理稀疏问题。
- 两个注意力权重：一个关注子图，一个关注子图中的结点：
\[ \begin{array}{l} \alpha_{i, j, 1}, \ldots, \alpha_{i, j, M}=\operatorname{Softmax}\left(\mathbf{W}_{\alpha} \mathbf{g}_{i, j}+\mathbf{b}_{\alpha}\right), \\ \beta_{i, 1}, \ldots, \beta_{i, N}=\lambda^{\top} \operatorname{Tanh}\left(\mathbf{w}_{\beta}^{\top} \mathbf{G}_{i}+\mathbf{b}_{\beta}\right), \quad \text { where } \quad \boldsymbol{\lambda}=\left[\lambda_{1}, \ldots, \lambda_{N}\right], \end{array} \]
患者 i 第 j 个访问子图中第 k 个节点的节点级注意力权重为 αi,j,k，患者 i 的第 j 次就诊，表示为 βi,j；g 描述 患者 i 第 j 次就诊是否涉及实体 k，M 是全局中的结点数，N 是最大就诊次数；W 和 b 是待学习的参数；λ是衰减系数，用于描述：就诊次数时间越接近，重要性越高。
参数的初始化利用了大模型返回的词嵌入，Wα的初值根据节点嵌入与目标（如死亡）的 cosine 距离设定，即节点描述与目标词义越相近，权重越高。最终计算出各个节点的隐藏层表示 h。
\[ \begin{array}{l} \mathbf{h}_{i}^{G_{\text {pat }}}=\operatorname{MEAN}\left(\sum_{j=1}^{J} \sum_{k=1}^{K_{j}} \mathbf{h}_{i, j, k}^{(L)}\right), \quad \mathbf{h}_{i}^{\mathcal{P}}=\operatorname{MEAN}\left(\sum_{j=1}^{J} \sum_{k=1}^{K_{j}} \mathbb{1}_{i, j, k}^{\Delta} \mathbf{h}_{i, j, k}^{(L)}\right), \\ \mathbf{z}_{i}^{\text {graph }}=\operatorname{MLP}\left(\mathbf{h}_{i}^{G_{\text {pat }}}\right), \quad \mathbf{z}_{i}^{\text {node }}=\operatorname{MLP}\left(\mathbf{h}_{i}^{\mathcal{P}}\right) \quad \mathbf{z}_{i}^{\text {joint }}=\operatorname{MLP}\left(\mathbf{h}_{i}^{G_{\text {pat }}} \oplus \mathbf{h}_{i}^{\mathcal{P}}\right), \end{array} \]
这里又针对每位患者计算 hiG 和 HiP，J 是就诊次数，K 是访问的节点数，1iΔ,j,k ∈ {0, 1} 是一个二进制标签，指示结点 vi,j,k 是否对应于患者 i 的直接医疗代码。我理解：前者是对与患者相关的所有节点取平均，后者是对与患者直接相关的医疗代码取平均。最终通过组合，使用 z 描述患者。
4.2 训练和预测
对于每位患者，考虑其 t 次就诊的数据：{(x1), (x1, x2),..., (x1, x2,..., xt)}
- 死亡率预测：利用患者前几次就诊预测未来是否死亡。
- 再入院预测：根据患者前几次住院情况预测患者 15 天以内的再入院。
- 住 ICU 时长预测：将问题定义为多分类，类别为: 1 天内，1 天，2 天... 7 天，一到两周，两周以上。根据本次及前几次就诊情况，判断住 ICU 时长。
- 推荐药物：根据本次及前次就诊，预测本次用药，用药可能为多种，因此定义为多标签问题。
5 实验
- EHR 数据，并使用公开的 MIMIC-III / MIMIC-IV 数据集。
- 构建知识图谱，使用 GPT-4 作为大模型，UMLS-KG 作为现有的大型生物医学知识图。
- 词嵌入，使用了 GPT-3 嵌入模型。