研究背景
随着人口增长和老龄化加剧,医疗资源不足和分布不均成为重大挑战。2021年1-11月全国医疗机构诊疗人次同比增长22.4%,而我国医生大学本科以上学历仅57.4%,卫生工作者数量仅为美国的1/3。人工智能技术的发展为智慧医疗带来曙光,医学影像分析、慢性病管理等应用已落地,但药品推荐系统面临独特挑战:需为患者推荐药品组合,且需考虑药品间的相互作用。
判别式药品包推荐
数据描述
研究基于某大型三甲医院的电子病历数据和DrugBank、药智网等来源的药品相互作用数据,将药品相互作用分为协同、拮抗和无相互作用。
模型概览
提出DPR模型,通过交互感知图归纳实现药品包推荐,包含预训练和药品包推荐两个阶段:
- 预训练:基于NCF框架构建病人与药品的一对一交互模型,捕获基础药效信息。
- 药品包推荐:
- 药品包构建:基于药品相互作用矩阵构建异构图,节点为药品,边表示相互作用(0:无;1:协同;2:拮抗;-1:未知)。
- 模型变种:
- DPR-WG:使用带权图表示药品图,边权重反映相互作用类型与强弱,通过个性化图更新融入患者病情。
- DPR-AG:使用属性图表示药品图,边属性包含相互作用信息,同样通过个性化图更新融入患者病情,并增加边分类损失。
实验结果
两个变种在不同评价指标上均优于基准方法,案例分析通过t-SNE投影展示掩码向量的个性化效果。
生成式药品包推荐
模型概览
提出Interaction-aware Drug Package Recommendation via Policy Gradient,将药品包生成视为序列生成任务,解决以下挑战:
- 药品相互作用建模:显式融合相互作用信息。
- 无序性处理:基于策略梯度的强化学习解决药品包无序问题。
方法
- 药品相互作用图:构建Attributed Graph形式的药品相互作用图,并保留边分类损失函数。
- 病人表征:采用MLP与LSTM进行病人表征并计算掩码向量。
- 药品包生成:
- 基于极大似然的序列生成:
- 显式计算药品间相互作用并融合到生成过程中。
- 使用结合相互作用向量的循环神经网络生成下一步药品。
- 保证药品包集合特性,限制重复药品生成。
- 基于极大似然的损失函数优化。
- 基于强化学习的序列生成:
- 目标:最大化顺序无关的reward函数。
- 训练方式:Policy Gradient,使用baseline和self-critical sequence training(SCST)优化。
实验结果
总体表现优于基准方法,消融实验验证各模块有效性,案例分析展示生成药品包的合理性。
总结
研究内容为相互作用感知的个性化药品包推荐,包含判别式和生成式两种模型:
- 共同点:均捕捉药品相互作用,考虑个性化病情感知,基于图表示学习建模相互作用。
- 区别点:
- 判别式模型:定义个性化评分函数,通过图更新融入患者病情。
- 生成式模型:将药品包生成视为序列生成任务,结合极大似然和强化学习方法解决相互作用建模和无序性问题。