• شماره ركورد
    34994
  • پديد آورنده

    نوار طلال

  • عنوان
    سيستم تشخيص پزشكي بر اساس گراف دانش ومدل زباني بزرگ
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسى هوش مصنوعي ورباتكز
  • سال تحصيل
    1402
  • تاريخ دفاع
    1405/3/2
  • استاد راهنما
    پروفسور جاهد مطلق
  • استاد مشاور
    دكتر اميرفرهاد فرهادي
  • دانشكده
    مهندسى كامبيوتر
  • چكيده
    مدل‌هاي زباني بزرگ ظرفيت قابل توجهي در پشتيباني از تصميم‌گيري باليني نشان داده‌اند. اين مدل‌ها مي‌توانند به تحليل پرونده‌هاي الكترونيك سلامت كمك كنند و از وظايف پيش‌بيني پزشكي پشتيباني نمايند. با اين حال، اين مدل‌ها هنوز محدوديت‌هاي مهمي دارند. آن‌ها ممكن است اطلاعات نادرست توليد كنند كه به آن توهم گفته مي‌شود. همچنين ممكن است دانش پزشكي دقيق و اختصاصي درباره هر بيمار را به اندازه كافي در اختيار نداشته باشند. اين مشكلات در حوزه سلامت بسيار جدي هستند، زيرا حتي خطاهاي كوچك نيز مي‌توانند بر ايمني بيمار تأثير بگذارند. مطالعات اخير مانند GraphRAG [26] و KARE [103] نشان داده‌اند كه بازيابي مبتني بر گراف مي‌تواند كيفيت اطلاعات ارائه‌شده به مدل‌هاي زباني بزرگ را بهبود دهد. KARE از بازيابي اجتماع‌هاي گراف دانش و استدلال مدل زباني بزرگ براي بهبود پيش‌بيني‌هاي سلامت استفاده مي‌كند. با اين حال، چارچوب اصلي KARE بيشتر بر بازيابي دانش، توليد استدلال، و پيش‌بيني برچسب نهايي تمركز دارد. اين چارچوب شواهد باليني مهم پشت هر پيش‌بيني را به‌صورت روشن رتبه‌بندي نمي‌كند. براي رفع اين محدوديت، اين پايان‌نامه KARE-ER را پيشنهاد مي‌كند كه نسخه‌اي توسعه‌يافته از KARE همراه با يك ماژول رتبه‌بندي شواهد اختصاصي بيمار است. اين چارچوب يك گراف دانش پزشكي را از پايگاه‌هاي داده زيست‌پزشكي، متون باليني، و روابط پزشكي توليدشده توسط مدل زباني بزرگ مي‌سازد. سپس، گراف را به اجتماع‌هاي مختلف سازمان‌دهي مي‌كند و دانش مرتبط را براي هر بيمار بازيابي مي‌نمايد. ماژول جديد رتبه‌بندي شواهد، مهم‌ترين عوامل موجود در پرونده بيمار را شناسايي و رتبه‌بندي مي‌كند. اين عوامل مي‌توانند شامل بيماري‌ها، اقدامات درماني، داروها، و شواهد بازيابي‌شده از گراف دانش باشند. اين شواهد رتبه‌بندي‌شده كمك مي‌كنند توضيح داده شود كه چرا مدل يك پيش‌بيني خاص را انجام داده است. همچنين، خروجي مدل را براي متخصصان سلامت قابل فهم‌تر و قابل بررسي‌تر مي‌كند. آزمايش‌ها روي مجموعه‌داده‌هاي MIMIC-III و MIMIC-IV براي پيش‌بيني مرگ‌ومير و بستري مجدد نشان مي‌دهند كه KARE-ER در مقايسه با مقاله پايه KARE، عملكرد را به ميزان 1.4 درصد بهبود مي‌دهد. بنابراين، چارچوب پيشنهادي هم عملكرد پيش‌بيني و هم تفسيرپذيري را بهبود مي‌بخشد. اين موضوع باعث مي‌شود پيش‌بيني سلامت مبتني بر مدل‌هاي زباني بزرگ براي پشتيباني از تصميم‌گيري پزشكي كاربردي‌تر و قابل فهم‌تر باشد.
  • تاريخ ورود اطلاعات
    1405/03/18
  • عنوان به انگليسي
    A Knowledge Graph an‎d LLM-based Framework for Medical Diagnosis
  • تاريخ بهره برداري
    6/16/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    نوآر طلال

  • چكيده به لاتين
    Large language models show promise for clinical decision support. They can assist in analysing electronic health records an‎d support medical prediction tasks. But models still have significant shortcomings. They might generate inaccurate information. This is called hallucination. They may also have less detailed medical knowledge of each patient. These problems are serious in healthcare because even small mistakes can impact patient safety. Recent efforts like GraphRAG [26] an‎d KARE [103] demonstrated the potential of graph-based retrieva‎l in enhancing the quality of information provided to large language models. KARE: Knowledge graph community retrieva‎l an‎d LLM reasoning for improved healthcare prediction. However, the original KARE framework mainly focuses on knowledge retrieva‎l, reasoning generation an‎d the final label prediction. It does not make a clear hierarchy of the most important clinical evidence behind each prediction. In this thesis, we propose KARE-ER, a KARE extension with a Patient-Specific Evidence Ranking (KARE-ER) module to overcome this limitation. The framework constructs a medical knowledge graph from biomedical databases, clinical literature an‎d LLM-extracted medical relations. It then clusters the graph into communities an‎d retrieves relevant knowledge for each patient. The new evidence ranking engine discovers an‎d ranks the most important factors in the patient record. These factors may include diseases, procedures, medications, an‎d evidence from knowledge graphs that are retrieved. This ranked evidence explains why the model makes a particular prediction. It also makes the output easier for healthcare professionals to verify. Experiments on MIMIC-III an‎d MIMIC-IV datasets for mortality an‎d readmission prediction show that KARE-ER improves the performance by 1.4% compared to the base KARE paper. Therefore, the proposed framework enhances the predictive performance an‎d interpretability. This makes the LLM-based healthcare prediction more useful an‎d more interpretable for medical decision support.
  • كليدواژه هاي فارسي
    Medical Knowledge Graph , Large Language Models , Intelligent Diagnostic Systems , Artificial intelligence
  • كليدواژه هاي لاتين
    گراف دانش پزشكي , مدل هاي زباني بزرگ , سيستم تشخيص هوشمند , هوش مصنوعي
  • Author
    Nawar Talal
  • SuperVisor
    Prof. Jahed-Motlagh
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=34994&Field=0&DTC=6