把医学知识图谱“剪”成患者专属版！REFINE让EHR预测提升，MIMIC-IV实测碾压强基线
REFINE: LLM Refinement over Budgeted Text-Attributed Graphs for Personalized Medical Concept Representation
📖 AI 总结
本文提出REFINE框架，用于在文本属性知识图谱（TKG）上实现患者个性化的医学概念表示学习。针对现有编码器对患者统一处理、忽略临床语境差异的问题，REFINE从全局TKG构建患者特定时序图，通过序列强化学习策略为每个观测代码自适应选择个性化图谱扩展预算，解决上下文规模控制难题；随后利用异构图神经网络捕获关系感知的结构依赖，并借助冻结的大语言模型（LLM）通过图感知软提示对概念表示进行语义精炼，实现语义信息与患者关系结构的对齐。在MIMIC-III和MIMIC-IV数据集上的实验表明，REFINE能稳定提升多种EHR预测骨干模型性能，优于强基线方法，并在组件消融、图谱选择及数据不足场景下均展现出稳健增益。该研究为医学概念编码提供了兼顾个性化与语义融合的新思路。
🔑 关键词速览
| Text-Attributed Knowledge Graphs (TKGs) | 文本属性知识图谱，将医学关系与文本语义结合的知识图谱。 |
| REFINE | 本文提出的框架，基于KG感知的预算受限LLM图细化，用于患者个性化医学概念编码。 |
| Reinforcement Learning (RL) | 强化学习，一种通过试错和奖励信号来学习策略的机器学习方法。 |
| Heterogeneous GNN | 异构图神经网络，处理包含多种类型节点和边的图结构。 |
| Soft Prompts | 软提示，可学习的连续向量，用于引导语言模型生成特定输出。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅