medIKAL: Integrating Knowledge Graphs as Assistants of LLMs for Enhanced Clinical Diagnosis on EMRs

电子病历（EMRs）虽然是现代医疗保健的重要组成部分，但由于其复杂性和信息冗余，给临床推理和诊断带来了挑战。为了解决这个问题，我们提出了medIKAL（将知识图谱作为LLMs的助手进行整合的框架），这是一个将大型语言模型（LLMs）与知识图谱（KGs）相结合的框架，以增强诊断能力。medIKAL基于类型对医疗记录中的实体进行加权重要性分配，从而能够精确定位KGs中的候选疾病。它采用了类似于残差网络的创新方法，允许LLM的初始诊断与KG搜索结果合并。通过基于路径的重新排名算法和填空样式提示模板，进一步完善了诊断过程。我们通过对一个新引入的开源中文EMR数据集进行广泛的实验验证了medIKAL的有效性，证明了它在真实世界的临床诊断中提高诊断能力的潜力。

论文旨在解决电子病历（EMR）在临床推理和诊断中的复杂性和信息冗余所带来的挑战，提出了一种将大型语言模型（LLMs）与知识图谱（KGs）相结合的框架medIKAL来增强诊断能力。

medIKAL将根据实体类型对医疗记录中的实体进行加权重，从而精确定位KG中的候选疾病。它采用类似于残差网络的方法，将LLM的初始诊断与KG搜索结果合并。通过基于路径的重新排名算法和填空样式提示模板，进一步完善诊断过程。

论文使用了一个新的中文EMR数据集进行了广泛的实验验证，证明了medIKAL在实际临床诊断中提高诊断能力的潜力。值得注意的是，medIKAL的设计创新，采用了知识图谱与语言模型相结合的方法，并且实现了路径重排和填空式提示模板等多个亮点。此外，论文还开源了数据集和代码。

近年来，在这个领域中，还有一些相关的研究被进行，如《A Survey of Machine Learning for Big Code and Naturalness》、《A Survey of the Usages of Deep Learning in Natural Language Processing》等。