모델 연구
REFINE: LLM Refinement over Budgeted Text-Attributed Graphs for Personalized Medical Concept Representation
ARarXiv
개인화된 의료 개념 표현 학습은 전자의무기록(EHR) 예측의 핵심 과제입니다. 본 연구는 LLM과 지식 그래프를 결합하여 환자 개개인의 임상 맥락을 반영하는 새로운 방법을 제시합니다.
세 줄 요약
- REFINE 프레임워크는 강화 학습 기반 정책을 사용하여, 각 코드에 필요한 최적의 지식 그래프(KG) 확장 범위를 결정하고 이를 구조 및 의미론적으로 정제합니다.
- 환자 고유의 임상 궤적과 맥락을 반영함으로써 의료 AI 예측 정확도를 높이고, 더 신뢰성 높은 맞춤형 진단 및 치료 계획 수립에 기여할 것으로 기대됩니다.
- MIMIC-III 및 MIMIC-IV와 같은 대규모 데이터셋에서 강력한 성능 향상을 입증했습니다. 개인화된 지식 그래프 활용이 의료 AI의 다음 단계임을 보여줍니다.
개인화된 의료 개념 표현 학습은 전자의무기록(EHR) 예측의 핵심 과제입니다. 본 연구는 LLM과 지식 그래프를 결합하여 환자 개개인의 임상 맥락을 반영하는 새로운 방법을 제시합니다.