双层交互感知的异构图神经网络用于药物包推荐
医学包推荐系统研究：基于双层次交互意识的异构图神经网络
随着电子健康记录（electronic health records, EHRs）在医疗领域中的广泛应用，如何从中挖掘潜在的、有价值的医学知识来支持临床决策，成为深度学习技术的重要研究方向之一。个性化医学包推荐是这一领域的重要任务之一，其目标是利用大量医疗记录帮助医生为每位患者选择更安全、有效的药物包。然而，现有的医学包推荐方法主要将任务建模为多标签分类或序列生成问题，主要关注的是个体药物与其他医学实体之间的关系，却普遍忽视了药物包与其他医学实体之间的交互，从而可能导致推荐的药物包不完整。此外，现有方法所考虑的医学常识知识相对有限，使得深入研究医生的决策过程变得非常困难。
来源概述
本文由山东大学软件学院的研究人员Fanglin Zhu, Xu Zhang, Batuo Zhang, Yonghui Xu和Lizhen Cui（IEEE高级会员）撰写，并发表在2024年4月的《IEEE Journal of Biomedical and Health Informatics》期刊上。本文旨在解决现有方法在医学包推荐中存在的不足，提出了一个双层次交互意识异构图神经网络（DIAGNN），来提高医学包推荐的完整性和准确性。
研究流程
本文提出的DIAGNN引入了异构图，以显式地建模EHRs中的医学实体的交互，并通过双层次的图卷积网络来捕捉医学异构图中的语义信息。此外，研究还将药物适应症作为医学常识知识引入到异构图中。具体过程如下：
- 双层次交互建模：将EHRs中的个体药物和药物包与其他医学实体（如患者和疾病）之间的交互关系进行建模，构建了一个医学异构图（包括节点和边的类别）。
- 双层次信息传播：在异构图上，采用双层次的图卷积网络进行特征学习，并对不同层次的节点分别编码、传播和聚合信息，以提升对各种医学实体关系的理解。
- 医学包预测：基于学习到的医学实体特征，预测和生成推荐的药物包，并分别计算其与患者健康状态的关联度，筛选出最相关的药物包作为最终推荐结果。
主要结果
研究的关键贡献如下：
- 创新性地引入双层次交互意识机制：通过考虑个体药物和药物包两个层次的交互，提高了推荐药物包的完整性和推荐系统的精度。
- 整合药物适应症知识：在模型中引入新的药物常识知识（尤其是药物适应症），增强了模型对药物和疾病关系的理解，避免了因知识缺失导致的推荐不准确。
- 广泛的实验验证：在真实世界数据集上的实验结果验证了所提出方法的有效性和优越性，显示其能够推荐出更安全、更有效的药物包。
结论与意义
本文提出的DIAGNN通过双层次交互意识机制和异构图神经网络，显著提升了医学包推荐的完整性和准确性。该研究不仅在科学上具有重要价值，提高了医学包推荐的临床应用水平，而且在实际医疗服务中也具有广泛的应用潜力，有助于提升医疗服务质量和效率。
亮点与创新
- 双层次交互建模：首次在医学包推荐中考虑了药物包与其他医学实体之间的交互，显著提升了推荐药物包的完整性。
- 药物常识知识整合：引入了药物适应症等医学常识知识，增强了医学包推荐的科学性和实用性。
- 大量实验验证：在多个真实数据集上的实验结果展示了所提出模型的优越性能，为进一步研究和应用奠定了坚实基础。