ナレッジグラフに基づく説明可能でパーソナライズされた認知推論モデル: 一般診療の意思決定に向けて

2024-06-18 Tue
全科診断意思決定に向けた知識グラフに基づく説明可能なパーソナライズド認知推論モデル背景紹介全科医学はコミュニティおよび家庭医療の重要な構成要素として、異なる年代、性別、臓器系統および各種疾患を包括します。その核心的な理念は、人を中心とし、家庭を単位とし、長期にわたる包括的な健康の維持と促進を強調することです。しかし、既存の証拠によると、中国の初級衛生保健（Primary Health Care, PHC）の質はまだ満足のいくレベルに達していません。臨床診断と治療の正確性に関して顕著な向上の余地があります。この問題に対応するために、人工知能に基づく意思決定ツールが徐々に全科医の疾患診断の強力な補助となっています。しかし、既存の研究は主に二つの問題を抱えています。一つは十分な拡張性と説明能力の欠如、二つは既存モデルの多くが操作が複雑で、実際の全科医療環境に適用しにくいという問題です。
論文の出所この「An Explainable and Personalized Cognitive Reasoning Model Based on Knowledge Graph: Toward Decision Making for General Practice」という題名の研究論文は、Qianghua Liu, Yu Tian, Tianshu Zhou, Kewei Lyu, Zhixiao Wang, Yixiao Zheng, Ying Liu, Jingjing RenおよびJingsong Liによって共同執筆されました。論文はIEEE Journal of Biomedical and Health Informatics、巻28、第2期、2024年2月に掲載されています。
研究概要本文では、患者の電子健康記録（Electronic Health Records, EHRs）と知識グラフを活用し、個別化された診断と意思決定支援を提供することを目的にした、知識グラフに基づく説明可能なパーソナライズド認知推論モデル（Cognitive Reasoning Model based on Knowledge Graph, CRKG）を提案します。特に腹部疾患に焦点を当て、まず半自動化された腹部疾患知識グラフ（Abdominal disease Knowledge Graph, AKG）を構築しました。認知科学の双プロセス理論と結合し、CRKGはグラフニューラルネットワークとアテンションメカニズムを通じて全科疾病診断を実現しました。実験的証拠は、このモデルが精度と再現率において既存のベースラインモデルを上回ることを示しています。
研究の流れ知識グラフ構築知識の出典：本研究の知識の出典には、中文臨床ガイドライン、医学書籍、UpToDateサイトから取得した情報が含まれます。同時に、PubMedのSemMedDBデータベースと中国版ICD-10から関連知識を自動抽出しました。
知識抽出テンプレート：抽出した知識を構造化された形式（三重項（head, relation, tail））で知識グラフに追加するためのテンプレートを設計しました。エンティティの種類には、疾患、症状、徴候、過程、測定、病歴、薬物等が含まれ、関係には「共存」、「─の一種」、「引き起こす」、「影響を与える」、「傾向」および「検査」等があります。
知識グラフ更新戦略知識グラフにセマンティック情報を付加するため、メッセージパッシングニューラルネットワーク（Message-Passing Neural Network, MPNN）に基づく更新戦略を設計しました。具体的なステップは以下の通りです：
1. ノード情報交換：メッセージがノードhから関係rを通じてターゲットノードtに伝達されます。
2. メッセージ集約：すべてのエッジのノード情報を総合し、ノードの隠れた表現を生成します。
3. ノード状態の更新：残差接続方式を使用し、情報の喪失を防ぎ、学習可能なパラメーターを導入してグラフ構造の学習を最適化します。
個別認知グラフ構築各患者の問診は個別の認知グラフ（Personal Cognitive Graph, PCG）としてモデル化されます。具体的なプロセスは以下の通りです：
1. 初期認知構築：患者の初期臨床データをPCGの基盤として利用します。
2. 直観的注意キャプチャモジュール：患者データに基づき、知識グラフから関連情報を抽出しPCGにロードし、グラフアテンションネットワーク（Graph Attention Network, GAT）を適用して注意を転送します。
3. 顕在推論モジュール：明示的かつ意識的な意思決定により疾患推論を行い、ノード状態をさらに更新し最終的に患者の潜在的な疾患を予測します。
実験結果論文ではCRKGモデルと既存のいくつかの推薦システムのベースラインモデルを比較実験しました：
1. モデルの性能：CRKGは精度と再現率の面で優れたパフォーマンスを示しました。例えば、CRKGはprecision@1で0.7873、recall@10で0.9020、hits@10で0.9340を達成しており、他のベースラインモデルを大幅に上回っています。
2. 説明能力：モデルは各患者の問診ごとに推論過程を視覚的に示すことができ、臨床医の判断に対する理解を高め、モデルの説明可能性を向上させました。
研究結論と価値CRKGモデルは顕著な科学および応用価値を持ちます：
1. 科学的貢献：本文で提案されたグラフニューラルネットワークとアテンションメカニズムを組み合わせた知識グラフ更新戦略と推論方法は、認知知能の発展に新たな道を提供し、人工知能意思決定ツールをより人間の認知過程に近づけました。
2. 応用展望：このモデルは全科医の疾患診断の正確性と効率を効果的に向上させるだけでなく、重要な患者を早期に特定し、早期の転送提案を行うこともできます。これにより、中国の初級衛生保健の改良に技術支援を提供します。
研究のハイライト革新的方法論：CRKGは双プロセス理論（直観認知と分析認知）を組み合わせ、半自動知識抽出および推論プロセスを革新的に設計しました。
優れたパフォーマンス：実験により、CRKGは多くの指標で既存のベースラインモデルを上回り、卓越した診断性能を示しました。
説明可能性：推論過程を可視化することで、医師がモデルに対する信頼と理解を高め、臨床でのモデルの応用可能性を向上させました。
本研究を通じて、全科医療のスマートツールが充実し、さらに広範な健康情報学技術の探究および応用に堅実な理論と実践的基盤が提供されました。