智能RDF知识图表构建的大型语言模型:医学本体学映射结果
Apostolos Mavridis1, Stergios Tegos1, Christos Anastasiou1
1School of Informatics, Aristotle University of Thessaloniki, Thessaloniki, Greece.
Frontiers in artificial intelligence
|May 12, 2025
概括
大型语言模型 (LLM) 为RDF知识图表自动化医疗本体学映射,提高准确性. 在创建这些复杂的医学知识图表方面,GPT-4o表现出卓越的性能.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能的人工智能
- 知识表示 知识表示
背景情况:
- 数字数据的增长,特别是在医疗保健领域,需要先进的知识表示.
- 像SNOMED CT这样的医学本体学是复杂的,这使得RDF知识图的创建具有挑战性.
- 传统的方法难以应对医疗数据的规模和语义复杂性.
研究的目的:
- 引入使用LLM来自动化医疗本体学映射的方法.
- 加强医疗数据的RDF知识图的构建.
- 评估各种LLM在这个任务中的表现.
主要方法:
- 开发了一个数据预处理管道和一个LLM驱动的语义映射引擎.
- 集成的BioBERT嵌入和ChromaDB用于高效的概念检索.
- 通过使用定量和定性指标对六个系统进行了比较分析 (GPT-4o,克劳德3.5索内特v2,双子1.5Pro,拉玛3.370B,DeepSeek R1,BERTMap).
主要成果:
- 现代的LLM,特别是GPT-4o,在医学本体学映射方面表现出卓越的表现.
- 在实验中,GPT-4o实现了93.75%的精度和96.26%的F1得分.
- 提出的方法有效地增强了RDF知识图的构建.
结论:
- 在自动化和改进医疗本体学映射方面,LLM显示出显著的潜力.
- 这种方法可以弥合结构化医疗数据和语义知识表示之间的差距.
- 这些发现为更准确和可互操作的医学知识图表铺平了道路.
