MEXA-CTP：模式专家交叉注意力用于临床试验结果预测
机器学习
2025-01-14 v1 人工智能
定量方法
摘要
临床试验是评估治疗疾病药物有效性和安全性的金标准。鉴于药物分子设计空间的广阔、实验室制备药物的高额成本以及多年的试验时间轴，针对临床试验结果预测的研究获得了巨大的关注。准确的预测必须利用包括药物分子、目标疾病和资格标准等多种模式的数据，以推断成功与失败。以往的深度学习方法，如HINT，往往需要来自合成分子的实验室数据或依赖先验知识将交互编码为模型架构的一部分。为克服这些限制，我们提出了一种轻量级注意力模型MEXA-CTP，通过称为"模式专家"（mode experts）的专用模块整合可获得的多模式数据并生成有效表示，同时避免模型设计中的人为偏见。我们采用Cauchy损失函数优化MEXA-CTP，以捕获跨模式的相关交互。我们在Trial Outcome Prediction（TOP）基准数据集上的实验表明，与HINT相比，MEXA-CTP在F1分数、PR-AUC和ROC-AUC上分别提升了最高11.3%、12.2%和2.5%。我们提供了消融研究，以量化我们提出方法中各组件的有效性。
引用
@article{arxiv.2501.06823,
title = {MEXA-CTP: Mode Experts Cross-Attention for Clinical Trial Outcome Prediction},
author = {Yiqing Zhang and Xiaozhong Liu and Fabricio Murai},
journal= {arXiv preprint arXiv:2501.06823},
year = {2025}
}
备注
Accepted and to be published in SDM2025