2-6 图表示学习技术在药物推荐系统中的应用

研究背景

• 背景：医疗资源总体不足，分布不均带来的沉重压力。随着人口增长与老龄化加剧，人们对高质量医疗服务的需求不断增加。

  • 2021年1月至11月，全国医疗机构共诊疗60.5亿人次，同比增长22.4%。
  • 2022年《柳叶刀》研究显示，我国医生大学本科以上学历仅57.4%，每万人从业者数量仅达到美国的1/3。

• 智慧医疗：电子病历数据的积累和人工智能技术的发展推动了智慧医疗的应用，如医学影像分析、慢性病管理和智能辅诊，提高了医疗服务的效率和公平性。

挑战

• 包推荐系统：不同于传统推荐系统，药品推荐系统需要同时为患者推荐一组药品。
• 药品间相互作用：药品间存在多种相互作用，且影响是个性化的。

图表示学习技术

• 图神经网络：适用于建模节点的组合效应和节点间的关系，被认为是构建药品推荐系统的利器。

判别式药品包推荐

• 数据描述

  • 电子病历数据：某大型三甲医院的真实电子病历数据库。
  • 药品相互作用数据：大型在线药品知识库DrugBank与药智网药品相互作用分类，分为协同、拮抗和无相互作用。

• 预备知识

  • 数据预处理：患者基本信息与化验信息处理为One-hot向量，病情描述处理为定长文本。
  • 问题定义：给定病人与给定药品包的匹配程度打分（判别式模型）。

• 模型概览

  • DPR（Drug Package Recommendation）：基于交互感知的图诱导预训练。
    • 预训练：基于NCF框架得到病人与药品初始表征。
    • 药品包构建：基于药品相互作用关系矩阵。
    • 药品包推荐：基于图表示学习统一框架的两类变种。
      • DPR-WG：个性化图更新边权重，使用带权图表示药品图。
      • DPR-AG：个性化图更新边属性向量，使用属性图表示药品图。

• 实验结果

  • 模型性能：两个变种均在不同评价指标上优于其他基准方法。
  • 案例分析：使用t-SNE对掩码向量投影至二维空间进行分析。

生成式药品包推荐

• 判别式推荐→生成式推荐：从判别式模型转向生成式模型，为病人生成候选药品包并挑选最佳药品包。

• 启发式生成方法

  • 使用启发式方法在相似病人药品包的基础上生成候选药品包。
  • 根据药品相互作用及共现频率调整药品包。

• 模型概览

  • Interaction-aware Drug Package Recommendation via Policy Gradient：基于策略梯度的生成式模型。
    • 药品相互作用图：构建药品相互作用图，采用Attributed Graph形式。
    • 病人表征：采用MLP与LSTM进行病人表征。
    • 基于序列生成的药品包生成：将药品包生成视为序列生成任务，解决药品相互作用和无序性的挑战。
    • 基于极大似然的药品包生成：基于极大似然的序列生成方法，结合相互作用向量的循环神经网络。
    • 基于强化学习的药品包生成：目标是最大化reward函数，采用Policy Gradient训练方法。

总结

• 研究内容：相互作用感知的个性化药品包推荐，包括判别式推荐模型和生成式推荐模型。
  • 共同点：捕捉药品相互作用和个性化考虑病情。
  • 区别点：问题定义的不同，判别式推荐模型侧重于个性化评分函数，生成式推荐模型侧重于序列生成和强化学习。

非常感谢您的观看。