Knowledge Graph-Driven Question Answering for Intelligent Medical Diagnosis Systems : state of art

Abstract

The growing complexity and heterogeneity of medical data, combined with advances in Artificial Intelligence (AI), have driven the development of intelligent systems capable of providing personalized diagnoses and treatments. Knowledge Graphs play a key role in structuring, organizing, and semantically representing medical knowledge by modeling relationships among symptoms, diseases, treatments, and patient data. This structured representation supports efficient reasoning, knowledge discovery, and integration of heterogeneous data sources., these graphs are often enriched with embedding techniques that capture semantic similarities and latent relationships in vector space. Building on these strengths, KG-based Question Answering (QA) systems have emerged as powerful tools that allow users to interact with medical knowledge through natural language queries. These systems provide accurate, context-aware answers, improving the accessibility, usability, and interpretability of complex medical information for both healthcare professionals and patients. In this research, we examine the current state of the art in the development of medical Question Answering (QA) systems that leverage Knowledge Graphs (KGs) in combination with various AI techniques, including Machine Learning (ML), Deep Learning (DL), embedding models, and Large Language Models (LLMs). We also explore hybrid approaches that integrate these techniques with KGs to enhance reasoning capabilities and knowledge representation****

La complexité croissante et l’hétérogénéité des données médicales, combinées aux avancées de l’Intelligence Artificielle (IA), ont conduit au développement de systèmes intelligents capables de fournir des diagnostics et des traitements personnalisés. Les graphes de connaissances jouent un rôle essentiel dans la structuration, l’organisation et la représentation sémantique du savoir médical, en modélisant les relations entre symptômes, maladies, traitements et données des patients. Cette représentation structurée favorise un raisonnement efficace, la découverte de nouvelles connaissances et l’intégration de sources de données hétérogènes. De plus, ces graphes sont souvent enrichis par des techniques d’embedding qui capturent les similarités sémantiques et les relations latentes dans un espace vectoriel. En s’appuyant sur ces atouts, les systèmes de questions-réponses (QA) basés sur les graphes de connaissances (KG) ont émergé comme des outils puissants permettant aux utilisateurs d’interagir avec le savoir médical à travers des requêtes en langage naturel. Ces systèmes fournissent des réponses précises et contextualisées, améliorant ainsi l’accessibilité, l’utilisabilité et l’interprétabilité d’informations médicales complexes, tant pour les professionnels de santé que pour les patients. Dans cette recherche, nous examinons l’état de l’art actuel dans le développement de systèmes de questions-réponses médicaux exploitant les graphes de connaissances (KG) en combinaison avec diverses techniques d’IA, notamment l’apprentissage automatique (ML), l’apprentissage profond (DL), les modèles d’embedding et les grands modèles de langage (LLM). Nous explorons également des approches hybrides qui intègrent ces techniques aux KG afin de renforcer les capacités de raisonnement et la représentation des connaissances.