StratMed：面向药物推荐稀疏性的生物医学实体间相关性分层
人工智能
2023-11-28 v4 机器学习
摘要
随着有限医疗资源与日益增长需求间失衡的加剧，基于 AI 的临床任务已变得至关重要。作为子领域，药物推荐旨在将患者纵向病史与医学知识融合，辅助医师开具更安全、更准确的药物组合。现有工作忽视了医疗数据固有的长尾分布，对热门与稀疏数据学习力度不均，且未能平衡安全性与准确性。为克服上述局限，我们提出 StratMed，其引入分层策略以攻克长尾问题并实现稀疏数据的更充分学习。它还利用双属性网络解决药物组合安全性与准确性相互制约的问题，协同增强这两种属性。具体而言，我们构建基于深度学习网络的预训练方法以获取药物与疾病表示。此后，我们设计基于相关性的金字塔式分层方法以增强稀疏数据的表达能力。基于该相关性，我们设计两种图结构在同层次表达药物安全性与精确性，从而获得患者表示。最后，拟合患者历史临床信息以生成当前健康状况下的药物组合。我们使用 MIMIC-III 数据集在三个方面将我们的模型与最先进方法全面评估。相较次优基线模型，我们的模型降低安全风险 15.08\%，提升准确性 0.36\%，并减少训练时间消耗 81.66\%。
引用
@article{arxiv.2308.16781,
title = {StratMed: Relevance Stratification between Biomedical Entities for Sparsity on Medication Recommendation},
author = {Xiang Li and Shunpan Liang and Yulei Hou and Tengfei Ma},
journal= {arXiv preprint arXiv:2308.16781},
year = {2023}
}