GAMENet: Graph Augmented MEmory Networks for Recommending Medication Combination

Abstract

背景
  深度学习的近期进展正在革新医疗领域，包括为药物推荐提供解决方案，尤其是为患有复杂健康状况的患者推荐药物组合。
  现有方法存在的问题：要么不基于患者健康历史进行定制，要么忽略关于药物相互作用（DDI）的现有知识，这可能导致不良后果。
提出的方法：Graph Augmented Memory Networks（GAMENet）
  集成知识图谱：通过一个以图卷积网络实现的记忆模块，集成药物 - 药物相互作用知识图谱。
  建模患者记录：将纵向患者记录建模为查询。
  训练方式：进行端到端训练，以提供安全且个性化的药物组合推荐。
验证方法及结果
  验证方式：通过在真实电子健康记录（EHR）数据上与几种最先进的方法进行比较，来证明 GAMENet 的有效性和安全性。
  结果：GAMENet 在所有有效性指标上都优于所有基线，并且从现有 EHR 数据中实现了 3.60% 的 DDI 率降低。

Introduction

一、背景
如今丰富的健康数据，如纵向电子健康记录（EHR），使研究人员和医生能够构建更好的计算模型，以推荐准确的诊断和有效的治疗方法。药物推荐算法已被开发出来，以协助医生开具有效且安全的药物处方。一系列深度学习方法已被设计用于药物推荐，主要有以下两种类型：
1.基于实例的药物推荐模型：仅基于当前就诊情况进行推荐，不考虑纵向患者病史，例如（Zhang et al. 2017; Wang et al. 2017）。因此，新诊断为高血压的患者可能会与患有慢性未控制高血压的另一位患者得到相同的治疗。这种局限性影响了推荐的准确性和实用性。
2.纵向药物推荐方法：如（Choi et al. 2016b; Choi et al. 2016a; Lipton et al. 2015; Le, Tran, and Venkatesh 2018），利用纵向患者病史中的时间依赖性来预测未来的药物。然而，据我们所知，它们在建模中都没有考虑药物安全性，特别是忽略了药物 - 药物相互作用（DDI），而 DDI 比单一药物不良反应更难预防。当药物一起开具和服用时可能会相互作用，因此 DDI 在患有复杂健康状况的患者中很常见。预防 DDI 非常重要，因为它们可能导致健康恶化甚至死亡。
二、提出的方法：Graph Augmented Memory Networks（GAMENet）
为了填补这一空白，我们提出了 Graph Augmented Memory Networks（GAMENet），这是一种端到端的深度学习模型，它将纵向患者 EHR 数据和基于 DDI 的药物知识作为输入，旨在生成有效且安全的药物组合推荐。具体而言，GAMENet 包括：
基于患者查询：由双向循环神经网络（Dual - RNN）学习的表示。
集成动态图增强记忆模块：它在多个数据源（来自 EHR 的药物使用信息和来自药物知识库（Tatonetti et al. 2012b）的 DDI 知识）上构建和融合，并使用图卷积网络（GCN）（Kipf and Welling 2017）在记忆库（MB）中。从而整合了药物联合使用和药物 - 药物相互作用关系的知识。它还以键值形式将患者病史写入动态记忆（DM），这模仿了临床实践中的基于案例检索，即考虑来自 DM 的相似患者表示。来自图增强记忆模块的信息可以通过患者表示作为查询来检索，以生成记忆输出。然后，将记忆输出和查询连接起来，以做出有效且安全的推荐。GAMENet 通过结合来自 EHR 数据的多标签预测损失和用于 DDI 知识的 DDI 损失进行优化，以在有效性和安全性之间取得平衡。
三、工作贡献
  1.我们将纵向患者记录联合建模为 EHR 图，并将药物知识库建模为 DDI 图，以提供有效且安全的药物推荐。这是通过优化一个平衡多标签预测损失（用于有效性）和 DDI 损失（用于安全性）的组合损失来实现的。
  2.我们提出了图增强记忆网络，它使用基于 GCN 的后期融合机制将多个知识图嵌入到记忆组件中，并能够使用从纵向患者记录生成的查询进行基于注意力的记忆搜索。
  3.我们通过在真实 EHR 数据上与几种最先进的方法进行比较，证明了我们模型的有效性和安全性。GAMENet 在有效性指标上优于所有基线，并从现有 EHR 数据中实现了 3.60% 的 DDI 率降低（即与原始 EHR 数据相比，识别并减少了现有的 DDI 病例）。

Related Works

Memory Augmented Neural Networks（MANN）
  在 NLP 研究领域的初步成功：MANN 在自然语言处理（NLP）研究领域如问答方面已显示出初步成功，相关研究包括（Weston, Chopra, and Bordes 2015; Sukhbaatar et al. 2015; Miller et al. 2016; Kumar et al. 2016）。
  Memory Networks 和 Differentiable Neural Computers（DNC）的提出：Memory Networks（Weston, Chopra, and Bordes 2015）和 Differentiable Neural Computers（DNC）（Graves et al. 2016）提议使用外部记忆组件来协助深度神经网络记忆和存储事物。此后，各种基于 MANN 的模型被提出，如（Sukhbaatar et al. 2015; Kumar et al. 2016; Miller et al. 2016）。
  在医疗保健领域的价值及相关模型：在医疗保健领域，记忆网络因其记忆医学知识和患者病史的能力而具有价值。DMNC（Le, Tran, and Venka