《2-6 图表示学习技术在药物推荐系统中的应用.pdf》由会员分享,可在线阅读,更多相关《2-6 图表示学习技术在药物推荐系统中的应用.pdf(36页珍藏版)》请在三个皮匠报告上搜索。
1、图表示学习技术在药品推荐系统中的应用郑值 博士研究生|01研究背景研究背景02判别式药品包推荐判别式药品包推荐03生成式药品包推荐生成式药品包推荐04总结与展望总结与展望目录目录 CONTENT|研究背景01|背景:医疗资源总体不足,分布不均带来的沉重压力|随着人口的增长与老龄化的加剧,人们对于高质量医疗服务的需求不断攀升。2021年1月-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%,在包括医生、护士、社区卫生工作者等16类卫生工作职业的每万人从业者数量上,中国仅达到美国的1/3智慧医疗:人工智能技术带来了新的曙光|
2、电子病历数据的快速积累和人工智能技术的发展,使得智慧医疗成为可能医学影像分析、慢性病管理、智能辅诊等一系列智慧医疗应用的研发与落地,既提升了医疗系统的运行效率,又将顶尖医院的先进经验带入基层医疗机构,推动了医疗服务的公平化、普惠化影像分析慢病管理智能辅诊挑战:包推荐系统|(1)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 传统推荐系统 vs 包推荐系统协同过滤:为一名用户推荐一个物品包推荐系统:为一名用户推荐一组物品挑战:药品间相互作用|(2)药品间存在着多种相互作用,同时影响一组药品的药效,且影响是个性化的图表示学习技术:新的可能|我们认为,图表示学习技术将成为构建药品推荐系统
3、的利器图神经网络非常适合建模节点的组合效应以及节点间的关系判别式药品包推荐02|数据描述|电子病历数据:某大型三甲医院真实电子病历数据库数据描述|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:依据相互作用效果分为协同、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 via Interaction-aware Graph Induction预训练:基于NCF框架得到病人与药品
4、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Pre-training|预训练:建模病人与药品间的一对一的交互,捕获基础药效信息Package Graph Construction|药品相互作用关系矩阵构建:基于标注好的药品相互作用类型构建关系矩阵0,1,2分别表示无相互作用、协同作用与拮抗作用-1表示未知相互作用药品图构建:给定药品包,将其转化为药品图(异构图)药品图中的节点对应药品包中的药品图节点表征对应药品表征药品图中的边对应药品间的相互作用保留被标注的药品对间的边保留出现频率超过阈值的边DPR-WG|个性化图更新边权重反应相互作用的类型与强弱药
5、品图表征损失函数DPR-WG:使用带权图(weighted graph)表示药品图根据药品相互作用对边权值进行初始化,-1表示拮抗,1表示协同,0表示无相互作用/未知使用掩码向量对边权值进行个性化更新,融入对于患者病情的个性化考虑设计针对带权图的GNN,使用BPRLoss训练DPR-AG|个性化图更新边属性向量包含药品相互作用信息药品图表征损失函数DPR-AG:使用属性图(Attributed graph)表示药品图使用MLP对边属性进行初始化使用掩码向量对边权值进行个性化更新,融入对于患者病情的个性化考虑设计针对属性图的GNN,使用BPRLoss训练额外增加边分类损失函数实验结果|模型性能:
6、两个变种均在不同评价指标上超出了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03|判别式推荐生成式推荐|判别式模型:给定病人与给定药品包的匹配程度打分生成式模型: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|在相似病人药品包的基础上使用启发式方法删除疑似由于偶然因素和流行度而被推荐药品根据药品相互作用及药品共现频率增加或删除更有可能的药品形成补充集合供判别模型挑选模型概览|Interaction-aware Drug Package Recommendation via Policy Gradient药品相互作用图|在所有药品集合上构建药品相互作用
7、图采用Attributed Graph形式 构建药品相互作用图上的GNN 保留边分类损失函数病人表征|同样采用MLP与LSTM进行病人表征并计算掩码向量基于序列生成的药品包生成|我们提出,药品包生成可以视为序列生成任务,并解决了以下挑战:生成过程中如何考虑药品相互作用显式建模药品相互作用如何解决药品包的无序特性基于策略梯度的强化学习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依据以下公式:每一个时间步,显式计算最新生成的药品与之前药品的相互作用并加以融合:结合相互作用向量的循环神经网络:基于极大似然的药品包生成|基于以下公式生成下一步药品:保证药品包的集合特性,限制生成重复药品:基于极
8、大似然的损失函数:基于强化学习的药品包生成|目标:最大化reward函数 Reward:顺序无关的评价指标 训练方式:Policy Gradient基于强化学习的药品包生成|baseline:减少梯度估计方差 self-critical sequence training(SCST):损失函数:极大似然预训练+强化学习|实验结果-总体表现|实验结果-消融实验|实验结果-案例分析|总结04|总结|研究内容:相互作用感知的个性化药品包推荐 判别式推荐模型 生成式推荐模型共同点:捕捉药品相互作用、个性化考虑病情 基于图表示学习的药品相互作用感知 基于掩码向量的个性化病情感知区别点:问题定义差别 判别式推荐模型个性化评分函数 生成式推荐模型序列生成+强化学习非常感谢您的观看|