[論文レビュー] GAMENet: Graph Augmented MEmory Networks for Recommending Medication Combination

Junyuan Shang, Cao Xiao+3 more|arXiv (Cornell University)|Sep 6, 2018

Machine Learning in Healthcare参考文献 25被引用数 18

ひとこと要約

GAMENet は、記録された患者の EHR を時系列にわたって統合し、薬物同士の相互作用（DDI）知識グラフをグラフ畳み込みネットワーク（GCNs）を用いてメモリ拡張アーキテクチャで統合するエンドツーエンドの深層学習モデルであり、安全でパーソナライズされた薬剤の組み合わせを推薦する。実際の EHR データにおいて、ベースライン手法と比較して DDI 率を 3.60% 減少させ、最先端の性能を達成した。

ABSTRACT

Recent progress in deep learning is revolutionizing the healthcare domain including providing solutions to medication recommendations, especially recommending medication combination for patients with complex health conditions. Existing approaches either do not customize based on patient health history, or ignore existing knowledge on drug-drug interactions (DDI) that might lead to adverse outcomes. To fill this gap, we propose the Graph Augmented Memory Networks (GAMENet), which integrates the drug-drug interactions knowledge graph by a memory module implemented as a graph convolutional networks, and models longitudinal patient records as the query. It is trained end-to-end to provide safe and personalized recommendation of medication combination. We demonstrate the effectiveness and safety of GAMENet by comparing with several state-of-the-art methods on real EHR data. GAMENet outperformed all baselines in all effectiveness measures, and also achieved 3.60% DDI rate reduction from existing EHR data.

研究の動機と目的

• 既存の薬剤推薦システムが薬物同士の相互作用（DDI）知識を組み込めておらず、結果として不適切な処方が生じるというギャップを解消すること。
• クエリ表現として二重再帰的ニューラルネットワーク（Dual-RNN）を用いて、時系列的患者履歴をモデル化することで、推薦の正確性を向上させること。
• EHR データと DDI 知識を、GCNs を介して複数の情報源を統合するグラフ拡張メモリ機構を用いて、同時にモデル化すること。
• 多値予測と DDI ペナルティを組み合わせた結合損失関数を用いることで、有効性と安全性のバランスを取った薬剤の組み合わせ推薦を実現すること。
• メモリネットワークに DDI 知識を統合することで、有害な薬剤の組み合わせを回避しながらも高い推薦正確性を維持できることを実証すること。

提案手法

• GAMENet は、時系列的 EHR シーケンスから動的患者クエリを生成するため、二重再帰的ニューラルネットワーク（Dual-RNN）エンコーダーを採用し、医療履歴における時間的依存性を捉える。
• モデルは、患者 EHR グラフと DDI 知識グラフの二つを統合するメモリバンク（MB）を構築し、ノード表現学習のためにグラフ畳み込みネットワーク（GCNs）を用いる。
• 後方統合（late-fusion）メカニズムを用いて、DDI グラフをメモリバンクに埋め込み、推論時に薬物相互作用に関する知識を取得可能にする。
• 患者履歴は、キーバリュー形式の動的メモリ（DM）に格納され、患者表現と類似した歴史的ケースを照合することで、ケースベースの検索が可能になる。
• メモリリード操作により、患者クエリをキーとして用いて、グラフ拡張メモリバンクから関連情報を取得し、クエリ出力とメモリ出力を連結して最終予測を行う。
• モデルは、有効性のための多値予測損失と、安全性のための DDI 損失を組み合わせた結合損失関数を用いてエンドツーエンドで学習され、正確性と有害な相互作用の低減の両方を最適化する。

実験結果

リサーチクエスチョン

• RQ1 時系列的 EHR データと DDI 知識を統合することで、深層学習モデルがパーソナライズされた薬剤の組み合わせを効果的に推薦できるか？
• RQ2 メモリ拡張ネットワークに DDI 知識グラフを統合することで、薬剤の推薦の安全性がどのように向上するか？
• RQ3 GAMENet は、実世界の EHR データにおいて、既存の最先端モデルと比較して、有効性と DDI 率の低減の両面でどれほど優れているか？
• RQ4 DDI 関係をモデル化するためにグラフ畳み込みネットワークを用いることで、有害な薬剤の組み合わせを検出し、回避する能力が向上するか？
• RQ5 有効性と安全性の両方を同時に最適化することの影響は何か、特に EHR データに既存する DDI パatters の低減に寄与するか？

主な発見

• GAMENet は、実際の EHR データにおいて、すべての有効性指標（ジャカードスコア、PR-AUC、F1）で最高のパフォーマンスを達成し、すべてのベースラインを上回った。
• モデルは、生の EHR データと比較して DDI 率を 3.60% 減少させ、処方の安全性の向上を顕著に示した。
• 次に優れたベースライン（DMNC）と比較して、GAMENet は DDI 率を低減しながらも、正確性を維持または向上させたため、より安全性に配慮した推薦が可能であることが示された。
• アブレーションスタディの結果、DDI 知識を除いた場合（GAMENet w/o DDI）でも、すべてのベースラインを上回ったが、DDI 知識を含めた場合に正確性と安全性の両方が顕著に向上したため、その価値が確認された。
• ケーススタディでは、GAMENet は初診時に 15 件中 11 件の薬剤を正しく推薦し、2 回目の診察では 14 件中 13 件を正しく予測した（1 件のみ未確認薬で誤検出）。Nearest や RETAIN、DMNC よりも正確性と安全性の両面で優れていた。
• モデルは、筋腫（myoma）と関連する有害な N02B と C10A の組み合わせを、ほとんどの場合で回避したが、多くのベースラインは、正解データに存在してもこれを回避できなかった。