临床问答系统往往需要同时理解患者的电子病历文本、影像、基因组数据和外部生物医学知识,但现有系统很少明确表示这些证据之间的链接。单独使用患者证据或单独使用知识库,在需要双源整合的问题上,准确率仅略高于随机猜测。
研究团队开发的 MM-KG 系统将异构多模态患者观察转为类型化节点,映射到 UMLS 概念,并通过路径优先对齐器链接到生物医学知识图谱。在需要同时整合患者证据与外部知识的问题上,单用患者证据或单用知识的 AUROC 约为 0.5-0.6,而二者结合后,MIMIC 数据集上的 AUROC 交互效应为 +0.194,ADNI 数据集上为 +0.299。
这个提升来自可追溯的链接,而非泛化背景。删除单个关键关系边后,系统性能回落到无知识基线,证明它依赖具体的知识路径而非记忆模式。这也意味着系统对预先构建的知识图谱和对齐边高度依赖,不能独立处理完全新型的多模态证据。
我的判断是,这种设计适合需要明确可追溯推理的临床决策支持场景,例如罕见病诊断或多学科会诊。但如果应用场景要求处理不断涌现的新型检测或新发现的生物标志物,系统需要配备知识图谱的持续更新机制,否则会因为缺少对齐边而失效。
研究使用 MIMIC-IV 和 ADNI 两个公开数据集验证,尚未在真实临床流程中前瞻性测试。如果要在实际医疗机构部署,需要确认三点:知识图谱更新频率能否跟上临床新证据的积累速度,对齐器能否处理本地特有的检测项目和命名规范,以及删除关键边后的性能退化是否会在某些科室或病种上集中出现。
参考资料
完整版日报请看 BioAI 生命科学日报