SafeDrug：用于推荐有效且安全药物组合的双分子图编码器
机器学习
2022-07-20 v2
摘要
用药推荐是医疗人工智能的一项基本任务。现有工作仅基于患者的电子健康记录，为患有复杂健康状况的患者推荐药物组合。因此，它们存在以下局限：(1) 一些重要数据（如药物分子结构）尚未在推荐过程中被利用。(2) 药物-药物相互作用（DDI）被隐式建模，可能导致次优结果。为应对这些局限，我们提出了一种可控制 DDI 的药物推荐模型 SafeDrug，以利用药物分子结构并显式建模 DDI。SafeDrug 配备了一个全局消息传递神经网络（MPNN）模块和一个局部二分学习模块，以充分编码药物分子的连通性与功能性。SafeDrug 还具有一个可控制的损失函数，以有效控制在推荐药物组合中的 DDI 水平。在一个基准数据集上，我们的 SafeDrug 相较先前方法相对减少 19.43% 的 DDI，并在推荐与实际处方药物组合的 Jaccard 相似度上提升 2.88%。此外，SafeDrug 所需的参数量也远少于先前的基于深度学习的方法，从而训练加快约 14%，推理速度提升约 2 倍。
引用
@article{arxiv.2105.02711,
title = {SafeDrug: Dual Molecular Graph Encoders for Recommending Effective and Safe Drug Combinations},
author = {Chaoqi Yang and Cao Xiao and Fenglong Ma and Lucas Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2105.02711},
year = {2022}
}
备注
Accepted in IJCAI 2021, this is the full version with appendix