KG-TREAT：通过融合患者数据与知识图谱实现治疗效果估计的预训练
机器学习
2024-03-07 v1 人工智能
摘要
治疗效果估计 (TEE) 是确定各种治疗对患者结果影响的任务。当前的 TEE 方法受限于有限的标注数据，以及稀疏高维观察性患者数据的挑战。为解决这些挑战，我们引入一种新的预训练和微调框架 KG-TREAT，通过融合大规模观察性患者数据与生物医学知识图谱 (KGs) 来增强 TEE。不同于以往方法，KG-TREAT 构建双焦点知识图谱，并整合深度双层注意力协同方法进行深入信息融合，使能够对治疗-协变量和结果-协变量关系进行独立编码。KG-TREAT 还包含两种预训练任务，以确保患者数据和知识图谱的全面嵌入和上下文化。在四个下游 TEE 任务上的评估显示，KG-TREAT 相对于现有方法具有优势，在 Area under the ROC Curve (AUC) 上平均提高 7%，在基于影响函数的估计异质效应精度 (IF-PEHE) 上平均提高 9%。我们估计的治疗效果的有效性进一步通过与已建立的随机临床试验结果一致性得到确认。
引用
@article{arxiv.2403.03791,
title = {KG-TREAT: Pre-training for Treatment Effect Estimation by Synergizing Patient Data with Knowledge Graphs},
author = {Ruoqi Liu and Lingfei Wu and Ping Zhang},
journal= {arXiv preprint arXiv:2403.03791},
year = {2024}
}
备注
AAAI 2024 Main Track