KARE：以知識圖譜社群檢索與推理蒸餾提升醫療預測

先把 KARE 想成一張新竹地圖。清大、Costco、光復路和竹科是地點，道路把它們連起來；在醫學地圖裡，地點就是疾病、藥物和治療，道路就是它們的關係。彼此靠近、常一起出現的地點會形成生活圈，也就是文中的小組。例如清大、宿舍和校車像學生小組；竹科、Costco 和通勤道路像工程師小組。小組不是住宅社區，而是一包能共同解釋情況的知識。更重要的是，同樣都去光復路，從清大附近出發的人較可能是學生，從 Costco 附近出發的人較可能是竹科工程師。終點一樣，出發點和周圍線索不同，判斷就不同。KARE 看病人也是這樣：它不是只看一個疾病名稱，而是看病人從哪些疾病、用藥和住院紀錄出發，再從大地圖挑出最能解釋這名病人的幾個小組，用來預測死亡或 15 天內再入院。

整個方法可以想成三步。第一步先畫一張不會太大的醫學地圖。系統看整批病歷，找出哪些疾病和藥物常一起出現；這些資料像手電筒，決定照亮醫學世界的哪些角落。再從資料庫、論文和大模型補上道路，例如心衰竭怎麼連到腎功能和利尿劑。這就是前面提到的 anchor，只是方便理解的說法。地圖建好後，系統把連線密集的知識分組，先替每組寫懶人包。第二步是病人進來後挑會診小組。先選最符合病歷的一組，接著降低相同內容的分數，再找下一組。因此心臟資訊夠了，就改叫腎臟或藥物安全小組。第三步像老師帶學生。較強的模型先看病歷、知識和正確答案，寫出解題示範，再教較小的模型；新病人來時，小模型仍要自己判斷。

研究用兩套重症病歷測試死亡與再入院預測。因為真正死亡的病人較少，只看整體答對率很容易被騙，所以論文也看 Macro-F1 和 Sensitivity。前者像同時替高風險與低風險兩班學生算平均，後者則看真正高風險的人有多少被抓到。在 MIMIC-IV 的死亡預測中，KARE 的答對率是 94.1%，兩班平均分數是 90.4%，高風險病人找回率是 73.2%。在較難的 MIMIC-III 中，原方法只找到 17.2% 的高風險病人，KARE 提升到 24.7%。拆解結果也顯示，先看病人真正有的問題、避免反覆拿相同知識最重要。不過它仍只是輔助工具，因為資料來自單一醫院，醫學地圖和模型都可能出錯。
圖1：像一條三站生產線。左上第一站先蒐集醫學資料、整理同義名稱，再把知識分成許多會診小組並寫好摘要。左下第二站才處理個別病人，依病歷挑出最有用、又不重複的幾組知識。右側第三站先由較強的模型寫解題示範，再把示範交給較小的模型學習。最容易搞混的地方是，第一站在平時先準備好知識庫，第二站才會隨每位病人改變。

圖2：像同一台機器上的兩個按鈕。兩邊都吃進相同材料，包括任務、病歷、相似病例和挑選過的醫學知識。左邊按鈕要求模型說明思考過程，再給出答案。右邊按鈕只要求直接回答 0 或 1。兩種練習一起教同一個小模型，讓它需要人工複核時能解釋，大量快速篩檢時也能只給答案。圖中的醫學知識已經是前一步挑好的摘要，不是整張知識圖譜。



撰文：陳怡亨


原始論文：Jiang, P., Xiao, C. D., Jiang, M., Bhatia, P., Kass-Hout, T., Sun, J., & Han, J. (2025, May). "Reasoning-enhanced healthcare predictions with knowledge graph community retrieval". In International Conference on Learning Representations (Vol. 2025, pp. 81785-81830).

留言

張貼留言