HINT：利用网络数据预测临床试验结果的层次交互网络
计算机与社会
2022-03-15 v3 人工智能
机器学习
摘要
临床试验对药物开发至关重要，但耗时、昂贵且常给患者带来负担。更重要的是，由于疗效、安全性或受试者招募问题，临床试验面临不确定的结果。如果我们能更好地预测临床试验结果，就可以避免开展注定失败的试验，将更多资源投入到可能成功的试验中。本文提出层次交互网络（Hierarchical INteraction Network, HINT），基于全面的多样化网络数据（包括药物分子信息、靶疾病信息、试验方案和生物医学知识）对所有疾病进行更通用的临床试验结果预测。HINT 首先将这些多模态数据编码为潜在嵌入，其中设计了一个插补模块来处理缺失数据。接下来，这些嵌入将被送入知识嵌入模块，以生成使用来自网络的药代动力学性质和试验风险外部知识预训练的知识嵌入。然后交互图模块通过领域知识连接所有嵌入，以充分捕获各种试验组件及其复杂关系以及对试验结果的影响。最后，HINT 学习一个动态注意力图神经网络来预测试验结果。综合实验结果表明 HINT 具有强劲预测性能，在 Phase I、II、III 和适应症结果预测的 PR-AUC 上分别取得 0.772、0.607、0.623、0.703，且相较最佳基线方法在 PR-AUC 上持续高出至多 12.4%。
引用
@article{arxiv.2102.04252,
title = {HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data},
author = {Tianfan Fu and Kexin Huang and Cao Xiao and Lucas M. Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2102.04252},
year = {2022}
}