基于交互感知图归纳的药品组合推荐
信息检索
2021-02-09 v1 人工智能
机器学习
摘要
近年来，海量电子病历（EMRs）的快速积累极大地支撑了药品推荐等智能医疗服务。然而，已有方法主要遵循协同过滤等传统推荐策略，通常将单个药物视为相互独立的，而药物之间潜在的相互作用（如协同或拮抗效应）在很大程度上被忽略。为此，本文旨在考虑药物内部相互作用效应（该效应可受患者状况影响）来构建药品组合推荐的新范式。具体而言，我们首先设计一种基于神经协同过滤的预训练方法，以得到患者和药物的初始嵌入。随后，基于病历与领域知识初始化药物交互图。在此基础上，我们提出一种新的药品组合推荐（DPR）框架及其两个变体，即基于加权图的DPR（DPR-WG）和基于属性图的DPR（DPR-AG），以解决问题，其中每次交互被描述为带符号权重或属性向量。具体地，利用掩码层捕获患者状况的影响，并借助图神经网络（GNNs）完成最终的图归纳任务以嵌入药品组合。在来自一流医院的真实数据集上的大量实验表明，与若干竞争性基线方法相比，我们的DPR框架有效，并进一步以充分的性能支撑了药品组合生成任务的探索性研究。
引用
@article{arxiv.2102.03577,
title = {Drug Package Recommendation via Interaction-aware Graph Induction},
author = {Zhi Zheng and Chao Wang and Tong Xu and Dazhong Shen and Penggang Qin and Baoxing Huai and Tongzhu Liu and Enhong Chen},
journal= {arXiv preprint arXiv:2102.03577},
year = {2021}
}