HypEHR — 전자건강기록(EHR) 질의응답을 위한 컴팩트 Lorentzian 모델. 의료 온톨로지·환자 궤적이 hyperbolic geometry를 보인다는 evidence에 기반, 코드·방문·질문을 hyperbolic 공간에 임베딩하고 geometry-consistent cross-attention + type-specific pointer head로 답변. next-visit diagnosis 예측 + hierarchy-aware regularization으로 사전학습, ICD 온톨로지 정렬. MIMIC-IV 기반 EHR-QA 벤치마크 2개에서 LLM 기반 방법에 근접하는 성능 + 훨씬 적은 파라미터.
- •EHR 데이터의 hyperbolic geometry를 활용하는 컴팩트 Lorentzian 모델.
- •코드·방문·질문 hyperbolic 임베딩 + geometry-consistent cross-attention.
- •Next-visit 진단 예측 + ICD 온톨로지 hierarchy-aware regularization 사전학습.
- •MIMIC-IV EHR-QA 2개 벤치마크에서 LLM 접근법에 근접 + 훨씬 적은 파라미터.
- •Hyperbolic geometry가 의료 데이터 계층 구조 표현에 효과적임을 실증.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
HypEHR: Hyperbolic Modeling of Electronic Health Records for Efficient Question Answering
- 1.EHR 질의응답 효율화
- 2.LLM 기반 시스템의 한계
- 3.의료 데이터 계층 구조 활용
왜 중요한가?
이 논문은 의료 기록 질의응답 시스템의 비용 효율성을 높이고, 의료 데이터의 고유한 계층 구조를 활용하여 보다 정확하고 신속한 정보 접근을 가능하게 합니다.
언급 프로젝트
본문 미리보기
arXiv:2604.21027v1 Announce Type: new Abstract: Electronic health record (EHR) question answering is often handled by LLM-based pipelines that are costly to deploy and do not explicitly leverage the hierarchical structure of clinical data. Motivated by evidence that medical ontologies and patient trajectories exhibit hyperbolic geometry, we propose HypEHR, a compact Lorentzian model that embeds codes, visits, and questions in hyperbolic space and answers queries via geometry-consistent cross-at
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:29AI 초안
