GraphDiffMed：基于知识约束差分注意力与药理图先验的药物推荐
机器学习
2026-05-21 v1 人工智能
摘要
从电子健康记录（EHR）中推荐安全有效的药物组合是临床人工智能的核心问题，但由于患者轨迹长、噪声大且临床异质性强，这仍然很困难。现有方法通常擅长跨就诊的时间建模或药理知识整合（例如，药物-药物相互作用，DDI），但很少能同时做到两者并鲁棒地抑制噪声。我们提出了 GraphDiffMed，一个基于双尺度差分注意力 v2 的知识约束药物推荐框架。差分注意力被应用于就诊内和就诊间两个层面，以过滤单次就诊内和纵向病史中的虚假信号，同时在学习过程中融入药理约束。在 MIMIC-III 上的实验和消融研究表明，这种设计在推荐质量和排序上持续优于强基线，同时实现了更优的安全性能平衡。我们进一步发现，在我们的实验设置下，性能最强的配置仅使用人口统计学辅助特征。总体而言，GraphDiffMed 证明了将噪声感知注意力与药理约束相结合，能够产生更可靠且更具临床意义的药物推荐。我们在 https://github.com/saxenakrati09/GraphDiffMed 开源了代码。
引用
@article{arxiv.2605.20188,
title = {GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation},
author = {Krati Saxena and Tomohiro Shibata},
journal= {arXiv preprint arXiv:2605.20188},
year = {2026}
}