[論文レビュー] Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network

Yuanyuan Jin, Wei Zhang+3 more|arXiv (Cornell University)|Feb 20, 2020

Traditional Chinese Medicine Studies参考文献 35被引用数 4

ひとこと要約

本稿では、症状集合から暗黙の証候表現を学習することで、漢方医学の診断プロセスにおける証候の導出を模倣する、新しいハーブ推薦モデルである Syndrome-aware Multi-Graph Convolution Network (SMGCN) を提案する。症状-症状、症状-ハーブ、ハーブ-ハーブのグラフ上でマルチグラフ畳み込みネットワークを活用することで、複雑な相互作用を捉え、公開済みの漢方医学データセットにおいて最先端の性能を達成し、既存の手法を顕著に上回る。

ABSTRACT

Herb recommendation plays a crucial role in the therapeutic process of Traditional Chinese Medicine(TCM), which aims to recommend a set of herbs to treat the symptoms of a patient. While several machine learning methods have been developed for herb recommendation, they are limited in modeling only the interactions between herbs and symptoms, and ignoring the intermediate process of syndrome induction. When performing TCM diagnostics, an experienced doctor typically induces syndromes from the patient's symptoms and then suggests herbs based on the induced syndromes. As such, we believe the induction of syndromes, an overall description of the symptoms, is important for herb recommendation and should be properly handled. However, due to the ambiguity and complexity of syndrome induction, most prescriptions lack the explicit ground truth of syndromes. In this paper, we propose a new method that takes the implicit syndrome induction process into account for herb recommendation. Given a set of symptoms to treat, we aim to generate an overall syndrome representation by effectively fusing the embeddings of all the symptoms in the set, to mimic how a doctor induces the syndromes. Towards symptom embedding learning, we additionally construct a symptom-symptom graph from the input prescriptions for capturing the relations between symptoms; we then build graph convolution networks(GCNs) on both symptom-symptom and symptom-herb graphs to learn symptom embedding. Similarly, we construct a herb-herb graph and build GCNs on both herb-herb and symptom-herb graphs to learn herb embedding, which is finally interacted with the syndrome representation to predict the scores of herbs. In this way, more comprehensive representations can be obtained. We conduct extensive experiments on a public TCM dataset, showing significant improvements over state-of-the-art herb recommendation methods.

研究の動機と目的

• 漢方医学診断における中間段階の証候誘導を無視する既存のハーブ推薦手法の限界を是正すること。
• 経験豊富な漢方医が症状パターンから証候を推論するのを模倣し、症状集合からの包括的証候表現をモデル化すること。
• 症状-症状、症状-ハーブ、ハーブ-ハーブの異種グラフを構築し、それらを活用することで、包括的な症状およびハーブ埋め込みを学習すること。
• マルチグラフGCNに基づく埋め込みと証候に配慮した表現を統合することで、ハーブ推薦の性能を向上させること。
• 実世界の漢方処方データにおける証候表現学習とマルチグラフアーキテクチャの有効性を検証すること。

提案手法

• 処方における共起パターンから症状-症状グラフを構築し、症状間の関係をモデル化する。
• 症状-症状グラフ上でグラフ畳み込みネットワーク（GCN）を構築し、症状埋め込みを学習する。
• 症状-ハーブグラフを構築し、GCNを適用することで、症状-ハーブの相互作用を捉えながらハーブ埋め込みを学習する。
• ハーブ-ハーブグラフを構築し、ハーブの相性パターンに基づいてGCNを適用してハーブ埋め込みを学習する。
• 多層パーセプトロン（MLP）を用いて複数の症状埋め込みを統合し、全体的な証候表現を生成する。
• 学習された証候表現とハーブ埋め込みを相互作用させ、ハーブ推薦スコアを予測する。

実験結果

リサーチクエスチョン

• RQ1 暗黙の証候誘導プロセスをモデル化することで、漢方医学におけるハーブ推薦性能が向上するか？
• RQ2 マルチグラフGCNアーキテクチャは、症状、ハーブ、証候間の複雑な相互作用をどれほど効果的に捉えられるか？
• RQ3 症状集合から証候表現を学習することで、症状を個別に扱うのと比較して、より優れた一般化性能が得られるか？
• RQ4 症状-症状、症状-ハーブ、ハーブ-ハーブの異なるグラフ構造は、最終的な推薦性能にどのように寄与するか？
• RQ5 提案手法は、実世界の漢方医学データセットにおいて、既存の最先端のハーブ推薦手法を上回ることができるか？

主な発見

• 提案されたSMGCNモデルは、公開済みの漢方医学データセットにおいて、最先端のハーブ推薦手法を顕著に上回る顕著な性能向上を達成した。
• アブレーションスタディの結果、証候表現学習コンponentがモデルの有効性に著しく寄与していることが確認された。
• 症状-症状、症状-ハーブ、ハーブ-ハーブのグラフを統合したマルチグラフGCNアーキテクチャは、単一のグラフのみを用いるモデルよりも優れた性能を示した。
• モデルは未学習の症状集合に対しても頑健で一般化能力に優れており、臨床的診断推論の模倣が妥当であることを裏付けた。
• 多層パーセプトロンを用いて症状埋め込みを統合し、証候表現を生成する手法は、包括的な症状パターンを効果的に捉えられていた。
• 実験結果から、ヒットレートや平均平均精度といった複数の評価指標において、提案手法がベースラインモデルを上回ることが示された。