探索糖尿病斑点性缺血症的形态特征,使用大型语言模型辅助的知识图
Miyo Yoshida1, Tomoaki Murakami1, Kenji Ishihara1
1Department of Ophthalmology and Visual Sciences, Kyoto University Graduate School of Medicine, Kyoto, Japan.
Ophthalmology science
|February 24, 2026
概括
这项研究使用人工智能从DMI文献中构建一个知识图,识别新的概念,如中间视网膜层 (DMIL) 的失调和退行性DMI. 这些发现在患者数据中得到了验证,显示了对视力敏度的显著影响.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 糖尿病黄斑缺血症 (DMI) 对视力构成重大威胁.
- 目前对DMI术语的理解可能是不完整的.
- 需要新的方法来合成复杂的临床信息.
研究的目的:
- 通过使用大型语言模型辅助知识图 (KG) 在DMI中探索新的临床术语.
- 从DMI上发表的文献中构建一个KG.
- 用临床数据验证KG衍生的发现.
主要方法:
- 一项系统的文献审查发现了66篇关于DMI的文章.
- 生成式预训练变压器 4 处理文本成实体关系三重体.
- Neo4j被用来组装一个KG,社区检测识别了新的概念:Middle视网膜层 (DMIL) 的失调和退行性DMI.
主要成果:
- 该KG包含2408个实体和8133个关系,揭示了DMI的结构关系.
- 确定了新的术语DMIL和退行性DMI.
- DMIL与明显更差的视力敏度相关 (P < 0.001).
- 退行性DMI与毛细血管不 perfusion 和视力敏度降低相关 (P < 0.001).
结论:
- 大型语言模型辅助的KG构建客观地合成了临床文献.
- 这种方法有助于探索DMI中已知和未知的临床特征.
- 像DMIL和退行性DMI这样的新术语为DMI病理生理学和临床影响提供了新的见解.
更多相关视频
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
2.2K
05:14Author Spotlight: Overcoming Anti-VEGF Resistance Through Advanced Vascular Morphology Assessment in Choroidal Neovascularization
Published on: August 11, 2023
1.6K
