生物医学知识图(BKG)已成为组织和利用整个生物医学领域发现的庞大而复杂的数据的强大工具。然而,当前对BKG的评论通常将其范围限制在特定的领域或方法上,从而忽略了更广泛的景观和快速的技术进步来重塑它。在本调查中,我们通过从三个核心角度提供对BKG的系统审查来解决这一差距:域,任务和应用程序。我们首先研究了如何从不同的数据源构建的BKG,包括分子相互作用,药理数据集和临床记录。接下来,我们讨论BKGS启用的基本任务,重点是知识管理,检索,推理和解释。最后,我们重点介绍了精确医学,药物发现和科学研究中的现实世界应用,这说明了BKG在多个领域的翻译影响。通过将这些观点综合为一个统一的框架,这项调查不仅阐明了BKG研究的当前状态,而且为将来的探索建立了基础,从而实现了创新的方法论进步和实践实现。
对医疗保健专业人员的工作量不断增加的需求正在导致系统性超负荷,从而导致公共卫生服务效率下降。这种情况需要开发解决方案,这些解决方案可以减轻医生的负担,同时确保全面的患者护理。生成人工智能的最新进步,尤其是在医学领域,已经表明,大型语言模型(LLMS)可以超越特定任务的医生,从而将其作为减少医疗保健提供者压力的有价值的工具高发。这项研究的重点是归档应用程序的开发,该应用程序将额外的医学知识集成到GPT-4O LLM中。此应用程序的目的和增强的LLM是为用户提供可靠的访问医疗聊天机器人的访问,能够提供与健康相关的查询的准确及时响应。与一组医生合作,对聊天机器人的Be-Havior进行了精心测试和完善。这项研究的发现提供了有关此类系统开发的见解,并探索了他们在斯洛文尼亚医疗保健系统中的潜在应用。
大型语言模型(LLM)在跨领域表现出色,在医学评估基准(例如MEDQA)上也提供了显着的表现。但是,在现实世界中医学场景中,报告的性能与实际有效性之间仍然存在显着差距。在本文中,我们旨在通过采用多方面的检查模式来系统地探索当前LLM的实际掌握医学知识的掌握,以探讨这一差距的原因。具体而言,我们开发了一种新颖的评估框架多叶序,以检查LLM在多个方面的编码和掌握医学知识中的范围和覆盖范围。基于多叶术框架,我们构建了两个多方面的评估数据集:Multidisek(通过从临床疾病知识库中产生问题)和MultiMEDQA(通过将Medical Benchmark MedQA从Medical Benchmark MedQa重新提出每个问题,以进行多方面的问题)。这些模拟数据集的实验结果表明,掌握医学知识的当前LLM的程度远低于其在现有医疗基准上的表现,这表明它们缺乏深度,预见和在掌握知识中的全面性。因此,当前的LLM尚未准备好在现实世界中的任务中应用。代码和数据集可在https://github.com/thumlp/multifaceteval上找到。
抽象人工智能(AI)辅助疾病预测由于其支持临床决策的能力而获得了广泛的研究兴趣。现有作品主要将疾病预测作为多标签分类问题,并使用历史电子病历(EMR)来培训监督模型。然而,在现实世界中,这种纯粹的数据驱动方法提出了两个主要挑战:1)长尾巴问题:常见疾病的EMR过多,并且对于罕见疾病的EMR不足,因此对不平衡的数据集进行培训可能会导致在诊断中忽略偏见模型的偏见模型; 2)很容易误诊疾病:某些疾病很容易区分,而另一些疾病则更加困难。一般分类模型而不强调容易诊断的疾病可能会产生错误的预测。为了解决这两个问题,我们在本文中提出了一种医学知识增强的对比学习方法(MKECL)方法。MKECL将医学知识图和医学许可考试纳入建模中,以弥补有关稀有疾病的足够信息;为了处理难以诊断的疾病,MKECL引入了一种对比度学习策略,以分离容易被误诊的疾病。此外,我们建立了一个名为Jarvis-D的新基准,其中包含从各种医院收集的临床EMR。对实际临床EMR的实验表明,拟议的MKECL优于现有的疾病预测方法,尤其是在几乎没有射击和零拍的情况下。
AI药物解决方案可满足药物伙伴在改善药物发现和开发方面的复杂需求,分子健康已建立了一种服务模型,该模型将Dataome的全面内容与使用AI方法,图形分析和疾病模型设计的量身定制的分析汇总在一起。分子健康的完整智力和技术力量流入旨在加速药物开发和降低成本的服务项目。从了解基于更好的目标疾病关系的复杂疾病的生物学来增强管道药物候选物的价值并优化临床试验设计的价值,AI Pharma Solutions以一种变革性的方式利用了生物医学数据。通过三角剖分患者,疾病和分子数据,AI Pharma Solutions在开发过程中的任何一点都揭示了化合物的治疗影响,而不仅仅是化合物的化学行为。