[論文レビュー] THCluster: herb supplements categorization for precision traditional Chinese medicine

Chunyang Ruan, Ye Wang+6 more|arXiv (Cornell University)|Nov 19, 2020

Traditional Chinese Medicine Studies参考文献 22被引用数 13

ひとこと要約

THClusterは、ランダムウォーク、ベイズ規則、および期待値最大化（EM）を統合した画期的なクラスタリングモデルを提案する。このモデルは、異種情報ネットワークにおけるハーブ補助食品の分類を可能にし、意味のあるハーブの規則性や処方パターンを解明することで、精密な漢方医学の実現を支援する。本手法は、ベースラインアルゴリズムおよび専門家による評価を大きく上回り、生物学的・臨床的に有意義なハーブグループの同定に優れた性能を示した。

ABSTRACT

There has been a continuing demand for traditional and complementary medicine worldwide. A fundamental and important topic in Traditional Chinese Medicine (TCM) is to optimize the prescription and to detect herb regularities from TCM data. In this paper, we propose a novel clustering model to solve this general problem of herb categorization, a pivotal task of prescription optimization and herb regularities. The model utilizes Random Walks method, Bayesian rules and Expectation Maximization(EM) models to complete a clustering analysis effectively on a heterogeneous information network. We performed extensive experiments on the real-world datasets and compared our method with other algorithms and experts. Experimental results have demonstrated the effectiveness of the proposed model for discovering useful categorization of herbs and its potential clinical manifestations.

研究の動機と目的

• 漢方処方の最適化を図るため、一貫性のあるハーブグループの同定に取り組む。
• 実世界の漢方データからハーブ使用の背後にある規則性を同定する。
• ハーブ補助食品の異種情報ネットワークを効果的に処理できる堅牢なクラスタリングモデルの開発。
• 既存のアルゴリズムおよび専門家の判断を上回る臨床的関連性と分類精度の向上。

提案手法

• モデルは、多様なハーブ関連エンティティと関係性を統合した異種情報ネットワークを構築する。
• ランダムウォーク法を用いてネットワーク全体に情報を伝搬させ、潜在的なハーブクラスタを同定する。
• ハーブ相互作用および性質からの確率的証拠に基づき、ベイズ規則を用いてクラスタ割り当てを精緻化する。
• 期待値最大化（EM）アルゴリズムを繰り返し適用し、観測されたハーブ共起パターンの尤度を最大化することで、クラスタ割り当てを改善する。
• これらの要素を統合し、漢方データの異種性に特化した統合型クラスタリングパイプラインを構築する。
• 臨床的関連性を保証するため、実世界のハーブ補助食品データセットを用いてモデルを学習および評価する。

実験結果

リサーチクエスチョン

• RQ1 複雑な漢方データから、生物学的に意味のあるハーブカテゴリーをクラスタリングモデルが効果的に同定できるか？
• RQ2 ランダムウォーク、ベイズ推論、およびEMの統合が、ベースライン手法と比較して、ハーブ分類精度をどの程度向上させるか？
• RQ3 提案手法が、ハーブグループや処方パターンにおいて、専門家の知識とどの程度整合性を示すか？
• RQ4 臨床医が直ちに気づかないような、ハーブ使用の潜在的規則性をモデルが解明できるか？

主な発見

• THClusterモデルは、実世界のデータセットにおいて、多数のベースラインアルゴリズムを上回る優れたハーブ分類性能を達成した。
• モデルは専門家がアノテートしたハーブグループと強く整合しており、臨床的関連性が裏付けられた。
• ランダムウォーク、ベイズ規則、およびEMの統合により、クラスタリングの精度と頑健性が顕著に向上した。
• 本手法は、治療効果に基づく機能的グループ化や相性の良い組み合わせといった、非自明なハーブの規則性を効果的に同定した。
• 多数の評価指標において一貫した改善が実験で確認され、モデルの結果は妥当性が裏付けられた。