带有疾病子图位置编码的图Transformer用于改善共病预测
机器学习
2025-10-13 v1
摘要
共病指单一患者中多种疾病的并存，深刻影响疾病管理和结局。理解这些复杂的相互关联至关重要，尤其是在共病会恶化结局的情况下。本研究借鉴人类相互作用组（HI）的见解和图方法领域的进展，提出了带有子图位置编码（TSPE）的 Transformer 用于疾病共病预测。受生物监督嵌入（BSE）启发，TSPE 利用 Transformer 的注意力机制和子图位置编码（SPE）来捕捉节点间相互作用和疾病关联。我们提出的 SPE 比 Dwivedi 等人的图 Transformer 中使用的 LPE 更有效，强调了整合聚类和疾病特异性信息对提升预测准确率的重要性。在真实临床基准数据集（RR0 和 RR1）上评估，TSPE 相比最先进方法实现了显著的性能提升，ROC AUC 最高提升 28.24%，准确率最高提升 4.93%。该方法有望推广至其他复杂的图任务和应用。源代码位于 GitHub 仓库：https://github.com/xihan-qin/TSPE-GraphTransformer。
引用
@article{arxiv.2503.03046,
title = {Graph Transformer with Disease Subgraph Positional Encoding for Improved Comorbidity Prediction},
author = {Xihan Qin and Li Liao},
journal= {arXiv preprint arXiv:2503.03046},
year = {2025}
}