EHR-KnowGen: Knowledge-enhanced multimodal learning for disease diagnosis generation

https://www.sciencedirect.com/science/article/pii/S1566253523003858

1. 本研究の学術的背景、研究課題の核心をなす学術的「問い」は？
   本研究の学術的背景は、電子健康記録（EHR）が豊富な患者情報を含んでいることで、深層学習モデルを用いた病気の診断向上のための貴重なデータセットとなっている点です。EHRには、医学的なコメント、臨床の出来事、検査結果など、さまざまな情報が含まれています。これらのモダリティを統合することで、深層学習モデルを使った病気の診断の精度を向上させることが可能です。しかし、異なるモダリティを効果的に組み合わせることは依然として課題です。

2. 本研究の目的及び学術的独自性と創造性は？
   本研究の目的は、EHR内の多様な患者情報から病気の診断を改善するために、外部のドメイン知識を活用した多モダリティ学習モデルを提案することです。従来のアプローチとは異なり、提案モデルは異なるモダリティを統一された特徴空間に統合し、大規模な言語モデルを活用して病気の診断を生成します。さらに、外部ドメイン知識を組み込むことで、より正確な診断生成が可能となります。

3. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは？
   本研究の着想は、EHR学習に関する研究の増加に伴い、多モダリティEHR学習の関心が高まってきたことによります。従来のアプローチでは、各モダリティに異なる深層学習モデルを使用することが一般的でした。ただし、これらのモダリティを統合するためのアプローチは、まだ完全に統一された特徴空間にデータを統合することができていませんでした。

4. 本研究で何をどのように、どこまで明らかにした？
   本研究では、EHRデータの異なるモダリティを統合するために、統一されたLLMを使用したモデルを提案しています。また、外部ドメイン知識を統合することで、診断の生成精度を向上させています。具体的には、さまざまなモダリティのテキストデータを統一的に処理するために、ソフトプロンプトを導入しています。また、病気に関連する情報を抽出し、診断の結果を解釈するために、階層的で詳細なドメイン知識を統合しています。

5. 本研究の有効性はどのように検証した？
   本研究では、実際のEHRデータセットであるMIMIC-IIIやN2C2-2014などを用いて、提案モデルの性能を評価しています。比較対象の方法と比較して、提案モデルの優れた性能が実証されており、診断結果の理解を向上させるための解釈可能な証拠が提供されています。