AI与药学|FastRx：基于 Fastformer 和记忆增强图神经网络的个性化用药推荐模型-优快云博客

本文链接：https://blog.youkuaiyun.com/simoncool23/article/details/145223120

随着医疗信息化的不断发展，电子健康记录（EHR）积累了海量患者数据，为实现精准医疗提供了契机。个性化用药推荐，作为精准医疗的重要组成部分，旨在根据患者的个体情况，推荐安全有效的药物组合。然而，如何从纷繁复杂的 EHR 数据中提取有效信息，并考虑药物间的相互作用（DDI），避免不良反应，一直是该领域面临的挑战。（关注公众号“赛文AI药学”，持续获得AI与药学的内容）

现有研究的局限性：忽略疾病进展与处方历史

传统的基于规则或实例的药物推荐方法，仅关注患者当前的诊断和治疗信息，忽略了疾病的进展和患者的用药历史。近年来，纵向模型开始利用患者历史数据，捕捉时间关系，但仍存在一些不足：

未能捕捉药物之间的纵向关系： 过去的药物是否仍然有效？如何评估历史用药对当前病情的影响？这些问题尚未得到充分解决。
忽视药物相互作用的复杂性： 尽管医生会尽量避免药物间的相互作用，但 EHR 数据显示，许多患者同时服用多种药物，存在潜在的 DDI 风险。尤其是在 MIMIC-III 数据集中，患者平均使用约 20 种药物，消除所有潜在的相互作用极具挑战性。

FastRx 登场：捕捉纵向信息，融合图神经网络

为了克服上述局限，Nguyen Minh Thao Phan 等人在 2024 年发表于 ACM Transactions on Intelligent Systems and Technology 的论文中，提出了名为 FastRx 的新型个性化用药推荐模型。该模型的核心思想是：利用 Fastformer 捕捉患者病史的纵向信息，并结合图卷积网络 (GCN) 处理 DDI 和共同处方药物，从而实现更精准、更安全的药物推荐。

FastRx 的三大核心组件：

患者表示编码器：
- 数据输入： 接收患者的诊断 (Di)、程序 (Pi) 和药物 (Mi) 历史数据。
- 嵌入层： 将诊断和程序代码转换为嵌入向量 ed 和 ep。
- 卷积层 (CNN)： 对嵌入向量进行卷积操作，提取局部特征，生成特征图 Cd 和 Cp。
- Fastformer： 将 CNN 输出的特征图输入到 Fastformer 中，通过注意力机制整合全局信息，生成患者表示 hi。这一步是 FastRx 的亮点之一，Fastformer 能够高效地捕捉长距离依赖关系，从而更好地理解患者的病情演变。
药物图编码器：
- 构建图谱： 构建 EHR 图和 DDI 图，分别表示药物共现关系和药物相互作用。
- 图卷积 (Graph Conv)： 对 EHR 图和 DDI 图分别应用图卷积网络，提取药物特征。GCN 的引入，使得模型能够充分利用药物间的关系信息，从而更准确地评估药物的适用性和潜在风险。
- 特征融合： 将 EHR 图和 DDI 图的特征进行融合，生成药物表示。
动态记忆与推荐生成：
- 动态记忆 (Dynamic Memory)： 结合患者的当前表示和历史信息，通过动态记忆模块更新记忆状态。这一模块类似于一个“记忆单元”，用于存储和更新患者的长期用药信息。
- 记忆库 (Memory Bank)： 存储药物预训练嵌入，用于与动态记忆模块的输出进行交互。
- 推荐生成： 通过记忆库和动态记忆的交互，生成药物推荐分数。
- 阈值处理： 将推荐分数通过阈值转换为最终的药物推荐列表。

实验验证：FastRx 表现出色

作者在 MIMIC-III 数据集上进行了大量实验，评估指标包括 DDI 发生率、Jaccard 相似度、PRAUC 和 F1 分数。实验结果表明，FastRx 在各项指标上均优于现有的最先进模型，证明了其有效性。

下表总结了 FastRx 与对比方法在 MIMIC-III 数据集上的实验结果：
模型 | DDI | Jaccard | PRAUC | F1
------- | -------- | -------- | -------- | --------
RETAIN | 0.867 | 0.212 | 0.332 | 0.297
Leap | 0.729 | 0.318 | 0.464 | 0.408
GAMENet | 0.570 | 0.420 | 0.576 | 0.510
SafeDrug | 0.539 | 0.438 | 0.587 | 0.523
MICRON | 0.535 | 0.463 | 0.605 | 0.545
FastRx | 0.508 | 0.485 | 0.635 | 0.567

从表中可以看出，FastRx 在所有指标上均优于其他对比方法，这表明：

FastRx 能够有效地降低 DDI 发生率，提高药物推荐的安全性。 这得益于药物图编码器对 DDI 信息的有效利用。
FastRx 能够生成更准确的药物推荐，与真实的药物组合更相似。 这得益于 Fastformer 对患者病史纵向信息的捕捉和动态记忆模块对历史用药信息的有效利用。
FastRx 的整体性能优于其他最先进的模型。 这证明了 FastRx 模型的有效性和优越性。

迈向更智能的个性化用药推荐

FastRx 模型通过巧妙地融合 Fastformer 和 GCN，并结合动态记忆机制，有效地捕捉了患者病史的纵向信息，并考虑了药物间的复杂相互作用。这使得 FastRx 能够生成更精准、更安全的药物推荐，为实现个性化医疗迈出了重要一步。

FastRx 的开源代码和数据集已发布在 GitHub 上 (https://github.com/pnmthaoct/FastRx)

FastRx 在其他医疗数据集上的应用，并研究如何将更多的临床信息 (如基因信息、实验室检查结果等) 纳入模型，进一步提高药物推荐的准确性和安全性。

关键词： FastRx, 药物推荐, 深度学习, Fastformer, 图卷积网络, GCN, 电子健康记录, EHR, 药物相互作用, DDI, 个性化医疗, MIMIC-III, 纵向模型, 动态记忆

往期内容荐读：

数智药学的崛起：人工智能赋能药学新未来

数智药师：AI时代药学服务的引领者

智能决策助力药物安全：大模型在临床处方审核中的突破

数字人技术在药学服务中的应用

药师必备：掌握AI，引领药学服务新时代

LEADER - 大模型蒸馏的药物推荐模型