对齐多模态患者证据与生物医学知识图谱能否提升临床大模型？

MM-KG 把患者观测对齐到生物医学概念

临床问题常常取决于患者自身测量值与通用生物医学知识之间的链接。论文量化了这种情形有多常见：在 28,582 例 MIMIC-IV ICU 住院中，29.9% 存在实验室可见的器官状态，该状态从未出现在编码诊断中，而患者同时接受了 PrimeKG 列为对该状态禁忌的药物。正确回答这类条目需要同时推理当前测量值与药物特异性关系；任何单一来源都会让问题无法判定。

MM-KG（Multimodal Knowledge Graph，多模态知识图谱）把两侧放进同一张类型化图。各模态专用协调器把 EHR 文本、影像、基因组和生物样本数据转换为类型化观测节点，而不是一个融合向量：视觉语言模型把胸部 X 光片转为校准后的文本发现，脑 MRI 在规范模型下被分割为区域异常发现，编码、测量值和报告文本则通过词表查找、值感知规则和实体链接解析。观测被映射到 UMLS 概念，再由路由优先对齐器把这些概念链接到生物医学知识图谱。溯源边保留每个观测的来源和时间戳。

对评估而言关键的设计选择是对齐是显式的。由于每条关系都是可单独寻址的对象，患者与关系之间的对应关系可以被破坏，而患者证据和几乎全部图谱文本仍保持原位。这正是该贡献可被检验、而不只是架构描述的原因。

2x2 设计把患者证据与知识分开

作者为 MIMIC-IV 和 ADNI 构建 MM-KG，并用 2x2 设计评估，将患者证据与生物医学知识交叉，从而分离每个来源及其交互。在同时需要两类来源的问题上，任何单一来源都远未超过随机水平，而两者结合在 MIMIC 上产生药物控制的 AUROC 交互效应 +0.194，在 ADNI 上为 +0.299。

MIMIC 五候选排序基准（n=1,244 名独立患者，随机 Hits@1 为 0.200）的析因数字在另一个指标上呈现同样模式。仅患者证据达到 Hits@1 0.304，仅 PrimeKG 为 0.278，两个通道都没有为 0.293，两者结合为 0.575。因此论文争论的量是结合条件与任一单通道之间的差距，而不是任一配置的绝对分数。

这是两个不同队列上的两种不同度量，不应合并：AUROC 交互效应是药物控制的效应估计，而 Hits@1 数字来自随机基线为 0.200 的五候选排序任务。两者指向同一方向，但回答的是不同问题。

删除承载答案的边会抹去增益

如果收益来自患者状态与关系之间的对应关系，那么破坏这种对应关系就应当消除收益。作者在 MIMIC 五候选基准上对结合条件施加三种破坏：从答案候选的包中删除唯一承载答案的关系、把该包替换为来自另一候选的长度匹配包、以及在五个候选之间打乱包。

三者都低于结合条件（p < 0.001）。删除该边使 Hits@1 回到 0.299，即无知识条件的水平；打乱则使其降至 0.185，低于 0.200 的随机水平。匹配错误包落在 0.237。由于干扰项在处方频率、图谱度数、包长度和药物类别上匹配，这一下降反映的是对应关系的丢失，而不是图谱文本的丢失。

ADNI 的 70 项测试集在 Holm 校正后呈现同样排序：移除决定性边使 AUROC 从 0.860 降至 0.714，匹配对照包为 0.548，打乱包为 0.531，而保留节点名称但移除其关系使表现回到 0.558，即无知识条件的水平。论文还报告，在 ADNI 验证集上全部 85 次尝试的 KG 引用都指向所提供包中的关系，而在决定性边被移除后，模型从未引用它。

交互效应集中在真正相关的证据块

患者侧并非均匀地承担责任。在 MIMIC 上，移除实验室值或报告发现使 Hits@1 分别下降 0.148 和 0.123（p < 0.001），而移除影像发现或编码病史没有可测量的影响。移除药物实际上使 Hits@1 上升 0.036，移除溯源头使其上升 0.027。

在 ADNI 验证集上，仅医学史加知识图谱达到 AUROC 0.831，而完整记录为 0.853，并且它是唯一一个启用估计（+0.294）超过预设最小可检测交互效应 0.137 的患者块。

作者的解读是，交互效应来自包含问题所涉病症的证据块，而错配的包使两个队列都回到无知识水平。溯源结果值得与对齐结果分开看：溯源使所提供的证据可被检查，而正确的语义对齐才是支撑决策的因素。在较早的五包呈现方式下进行的单独审计中，98.2% 的输出是有效 JSON，79.5% 的引用边存在于 PrimeKG，但只有 16.5% 复现了精确答案路径，证据精确率和召回率分别为 0.312 和 0.447。

查询条件检索以 6.8 倍更少上下文达到同等精度

检索这种对应关系本身就是一个成本问题。在患者不重叠的 MIMIC 测试划分（2,398 个条目，1,079 名患者）上，所有策略冻结后只评分一次，MM-KG 以 1,206 个输入 token 达到 AUROC 0.731，比最强通用策略 SapBERT 向量检索（0.712）所用的 8,157 个 token 少 6.8 倍。其余策略低 0.062 至 0.204，当被限制在 MM-KG 的预算内时，它们最多只能为 26% 的正例条目恢复答案路径，并降至 0.526–0.638。

在药物平衡敏感性子集（n=1,418）上，其候选药物同时出现在两个标签类别中，两种领先策略打平，分别为 0.695 与 0.693，而 token 差距仍为 6.7 倍。因此作者把这一一致优势描述为上下文效率，而不是统一的精度胜利。

检索可能以两种不同方式失败，论文将它们分开。MM-KG 在 1,199 个正例条目中仅漏掉 4 个答案路径，并正确解决 753 个正例，而 32K 全上下文策略为 714 个，后者检索到 98.2% 的路径，却在路径存在的情况下丢失了 463 个正例。在 ADNI 上，把路径长度从一跳变到三跳展示了两种失败模式：静态关系包尽管通常包含金标准路径，却低于闭卷回答；交互式图查询在一跳时准确，但在两跳和三跳时降至 0.670 和 0.590 平衡准确率。

静态图谱上下文对结局预测没有增益

在不需要结合两类来源的任务上，知识图谱贡献很小。对于 ICU 死亡率，零样本 LLM 使用完整 MM-KG 提示达到 AUROC 0.733，而仅用人口统计学为 0.570；训练后的 GNN 达到 0.804，而仅用实验室值的模型为 0.778；实验室值对两者贡献最大。移除 PrimeKG 后，两个消费方的死亡率 AUROC 在运行间噪声范围内保持不变。

多模态患者表示本身仍携带信息。GNN 在 30 天再入院上优于逻辑回归（0.644 对 0.548），协调器的结构化影像发现比放射科医生的逐字描述高 +0.025 AUROC，在 ADNI 中，把生物标志物和影像加入临床病史使预后平衡准确率从 0.595 提升到 0.652。

反过来，当问题直接涉及某种关系时，完整的 PrimeKG 边在全部八个关系族的 1,920 个药理学问题上提升平衡准确率 +0.063 至 +0.420，而实体名称、长度匹配的错误邻域和损坏名称则没有。论文指出，模型对行为上被证实和被矛盾的边同样遵循，因此对某条边的可追溯性并不能确立临床正确性。

患者身份失效时 MM-KG 领先外部图方法

在留出的五候选排序上，MM-KG 比 MindMap 高 +0.131 Hits@1（95% CI [0.100, 0.163]，p < 0.001）。在 19,085 个标注对上训练的适配版 GraphCare-BAT 在完整划分上与 MM-KG 统计上不可区分，但当其输入的患者侧被移除后，分数从 0.609 升至 0.645（p < 0.001），表明它按药物属性而非药物与患者的关系来排序候选。

身份困难子集（n=598）是方法分化的地方：在该子集中，仅基于候选的先验会排错药物，且处方集查找无法解决该条目。MM-KG 达到 0.582，而两个 GraphCare 变体降至 0.375 和 0.381。在 ADNI 上，确定性 PrimeKG 查找达到 AUROC 0.956，因此该比较衡量的是对显式患者–关系匹配的恢复，而不是方法之间的差异；五候选设计无法在那里复现，因为参与者用药集合太小，无法击败候选身份捷径。

作者将其总结为：在候选身份足够时 MM-KG 与最强现有方法持平，而在其不足时超过所有外部方法。严格匹配敏感性分析（n=380）保持了排序，但在该样本量下不具结论性（p=0.060）。

图谱作为链接而非背景才有用

论文自身的结论是，知识图谱对临床 LLM 的帮助不在于背景上下文，而在于患者状态与问题所需关系之间的显式链接。支持这一主张的证据是析因设计、破坏测试和结局预测消融中的整体模式：当问题同时需要两类来源时交互效应出现，当对应关系被破坏时消失，而当图谱作为静态上下文加入普通预测时并不出现。

有两条边界限定其可迁移范围。留出的 MIMIC 结果检验的是在先前设计的基准内的模型和检索策略泛化，而不是对基准构建的独立验证，因为最初的 3,200 项 join 基准没有开发–测试划分，且捷径控制在检视完整条目库时被调优。冻结的图和基准还使用 bridge-v1 对齐，而单独引用的 MIMIC 映射覆盖率审计使用 bridge v2，因此那些覆盖率百分比不应被视为冻结基准提示的属性。

因此这篇论文设定的实际优先级不是是否给临床模型加入知识图谱，而是问题是否需要患者–关系对应。当需要时，可检索、可追溯、可消融的对齐边才是承载增益的对象，查询条件检索以大约七分之一的上下文提供它。当问题是普通结局预测时，同一张图没有带来可测量的增益，而包含所涉病症的患者侧证据块决定了交互效应是否出现。

本文引用的文献