基于案例推理增强大语言模型在药物相互作用中的预测能力
人工智能
2025-05-30 v1 机器学习
摘要
药物相互作用（DDI）预测对治疗安全至关重要。尽管大语言模型（LLM）在药物任务中展现出潜力，但其在DDI预测中的有效性仍面临挑战。受医生常规参考类似历史病例以通过基于案例推理（CBR）指导决策这一成熟临床实践的启发，我们提出了CBR-DDI，这是一个从历史案例中提炼药理学原理以改进LLM在DDI任务中推理的新框架。CBR-DDI通过利用LLM提取药理学见解和图神经网络（GNN）建模药物关联，构建了一个知识库。混合检索机制和双层知识增强提示使LLM能够有效地检索和重用相关案例。我们进一步引入了代表性采样策略以进行动态案例细化。大量实验表明，CBR-DDI实现了SOTA性能，准确率比流行的LLM和CBR基线显著提高28.7%，同时保持了高可解释性和灵活性。
引用
@article{arxiv.2505.23034,
title = {Case-Based Reasoning Enhances the Predictive Power of LLMs in Drug-Drug Interaction},
author = {Guangyi Liu and Yongqi Zhang and Xunyuan Liu and Quanming Yao},
journal= {arXiv preprint arXiv:2505.23034},
year = {2025}
}