企業(yè)主權(quán)式AI：醫(yī)療應(yīng)用KG的創(chuàng)新設(shè)計(jì)By高煥堂教授/神櫻AI團(tuán)隊(duì)一、此項(xiàng)創(chuàng)新設(shè)計(jì)的涵意：l這是針對(duì)乳腺癌癥領(lǐng)域型<基因中游KG的>設(shè)計(jì)和AI模型訓(xùn)練。l此項(xiàng)整體設(shè)計(jì)與訓(xùn)練策略，是針對(duì)乳腺癌領(lǐng)域構(gòu)建中游知識(shí)圖譜（MidstreamKG）來生成語意嵌入的任務(wù)上，具有多個(gè)角度的優(yōu)點(diǎn)與深度：二、實(shí)作案例：乳腺癌癥領(lǐng)域的中游KG實(shí)踐knowledgegraph,中文譯：藥物再利用知識(shí)圖譜其支持下游的精準(zhǔn)醫(yī)療AI任務(wù)上，表現(xiàn)非常亮麗。同時(shí)，人們也從生物知識(shí)庫中整合了以疾病和基因?yàn)橹行牡亩喾N關(guān)系，開發(fā)了一個(gè)使用交互張量分解來識(shí)別疾病基因關(guān)聯(lián)的通到不同關(guān)系的內(nèi)涵，賦予生物實(shí)體和關(guān)系更全面、更精確的表示，有利于疾病基因預(yù)測(cè)。如下圖：這些上游大KG的預(yù)訓(xùn)練知識(shí)，能有效節(jié)省中、下游模型的訓(xùn)練速度和成本。本案例是針對(duì)<乳腺癌癥>領(lǐng)域，使用神櫻AI團(tuán)隊(duì)自己開發(fā)的下圖所示：成為這中游MutationKG的<藥物>節(jié)點(diǎn)的起始特征(InitialFeatures)。同時(shí)，也從上游KDGene里讀取基因?qū)嶓w的嵌入向量(Embeddings)，成為這中游MutationKG的<基因>節(jié)點(diǎn)的起始特征。然后，搭配本地機(jī)構(gòu)自主性癌癥及其類型數(shù)據(jù)，展開訓(xùn)練中游GNN模型，如下圖所示：于是，已成功訓(xùn)練出一個(gè)能夠把突變數(shù)據(jù)轉(zhuǎn)換成嵌入向量的GNN模型，而且嵌入已儲(chǔ)存于mutation_embeddings_gin.csv檔案里，可供后續(xù)下游任務(wù)使用（如分類、群聚、可視化、或與影像特征融合等）。此下游任務(wù)結(jié)合了醫(yī)學(xué)影像特征（Ultrasound/MRI）進(jìn)行多模態(tài)推論，分類等)。如下圖所示：關(guān)于超音波影像中的疑似的腫瘤評(píng)估，定義于美國放射學(xué)會(huì)所制定BI-RADS分級(jí)標(biāo)準(zhǔn)被廣泛應(yīng)用于乳腺的各種影像學(xué)檢查，如乳腺鉬靶X線攝影、彩超、核磁共振，是用來評(píng)價(jià)乳腺病變良惡性程度的一種評(píng)估分類法。本范例采取Ultralytics的RT_DETR模型：反事實(shí)推理(CounterfactualInference)與KG的結(jié)合愈來愈重要?；谕评砟軌驇椭藗兝斫夂头治鰣D結(jié)構(gòu)中的因果關(guān)系。例如，本案例的決策式利用反事實(shí)分析來理解不同治療方案的潛在效果，進(jìn)行個(gè)性化的治療決策支持。如下圖所示：(圖-6、降低決策風(fēng)險(xiǎn))三、實(shí)機(jī)演