[논문 리뷰] GAMENet: Graph Augmented MEmory Networks for Recommending Medication Combination

Junyuan Shang, Cao Xiao외 3명|arXiv (Cornell University)|2018. 09. 06.

Machine Learning in Healthcare참고 문헌 25인용 수 18

한 줄 요약

GAMENet는 종단 간 딥러닝 모델로, 메모리 증강 아키텍처를 통해 종단적 환자 EHR와 약물-약물 상호작용(DDI) 지식 그래프를 그래프 컬러레이션 네트워크(GCNs)를 통해 통합하여 안전하고 개인화된 약물 조합을 추천한다. 이 모델은 최고 수준의 성능을 달성했으며, 기준 방법 대비 실제 EHR 데이터에서 DDI 비율을 3.60% 감소시켰다.

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.

연구 동기 및 목표

• 기존 약물 추천 시스템이 약물-약물 상호작용(DDI) 지식을 통합하지 못해 불안전한 처방을 초래하는 격차를 해결하기 위해.
• 질의 표현을 위한 双중 순환 신경망(Dual-RNN)을 사용해 종단적 환자 이력을 모델링하여 추천 정확도를 향상시키기 위해.
• EHR 데이터와 DDI 지식을 그래프 증강 메모리 기반으로 동시에 모델링하여 GCNs를 통해 다중 소스 정보를 융합하기 위해.
• 다중 레이블 예측과 DDI 페널티를 포함한 병합 손실 함수를 통해 효과성과 안전성을 균형 있게 확보하기 위해.
• 메모리 네트워크에 DDI 지식을 통합함으로써 유해한 약물 조합을 피하면서도 높은 추천 정확도를 유지할 수 있음을 입증하기 위해.

제안 방법

• GAMENet는 종단적 EHR 시퀀스에서 시간적 의료 이력을 캡처하기 위해 종단적 환자 질의를 생성하는 双중 순환 신경망(Dual-RNN) 인코더를 사용한다.
• 모델은 환자 EHR 그래프와 DDI 지식 그래프를 통합하는 메모리 백업(MB)을 구축하며, 노드 표현 학습을 위해 그래프 컬러레이션 네트워크(GCNs)를 사용한다.
• 지식 그래프를 메모리 백업에 통합하기 위해 후기 융합 메커니즘을 사용하여 추론 시 약물 상호작용에 대한 지식을 검색할 수 있도록 한다.
• 환자 이력은 키-밸류 형식의 동적 메모리(DM)에 저장되어, 환자 표현을 유사한 이전 사례와 매칭함으로써 사례 기반 검색이 가능하다.
• 메모리 읽기 동작은 환자 질의를 키로 사용해 그래프 증강 메모리 백업에서 관련 정보를 검색한 후, 질의와 메모리 출력을 연결하여 최종 예측을 수행한다.
• 모델는 종단 간으로 훈련되며, 효과성에 대한 다중 레이블 예측 손실과 안전성에 대한 DDI 손실을 포함한 병합 손실을 사용하여 정확도와 부작용 상호작용 감소를 동시에 최적화한다.

실험 결과

연구 질문

• RQ1 종단적 EHR 데이터와 DDI 지식을 통합하여 딥러닝 모델이 개인화된 약물 조합을 효과적으로 추천할 수 있는가?
• RQ2 메모리 증강 네트워크에 DDI 지식 그래프를 통합함으로써 약물 추천의 안전성이 어떻게 향상되는가?
• RQ3 GAMENet은 실제 세계의 EHR 데이터에서 효과성과 DDI 비율 감소 측면에서 기존 최고 수준의 모델들을 얼마나 뛰어넘는가?
• RQ4 DDI 관계를 모델링하기 위해 그래프 컬러레이션 네트워크를 사용함으로써 모델이 해로운 약물 조합을 탐지하고 피하는 능력이 향상되는가?
• RQ5 특히 EHR 데이터 내 기존의 DDI 패턴을 줄이는 데 있어, 효과성과 안전성을 동시에 최적화하는 것이 어떤 영향을 미치는가?

주요 결과

• GAMENet는 Jaccard 점수, PR-AUC, F1을 포함한 모든 효과성 지표에서 최고 성능을 기록했으며, 실제 EHR 데이터에서 모든 기준 모델을 앞섰다.
• 모델은 원시 EHR 데이터 대비 DDI 비율을 3.60% 감소시켜 과도한 처방의 안전성 향상에 있어 뚜렷한 개선을 보였다.
• 다음으로 우수한 기준 모델(DMNC)과 비교해 GAMENet는 정확도를 유지하거나 향상시키면서도 DDI 비율을 감소시켜 더 나은 안전 인지 추천을 제공함을 보였다.
• 제거 실험에서 DDI 지식을 제거한 경우(GAMENet w/o DDI)도 모든 기준 모델을 앞섰지만, DDI 지식이 포함되었을 때 성능과 안전성이 뚜렷이 향상되어 그 가치를 확인했다.
• 사례 연구에서 GAMENet는 첫 번째 방문 시 15개 약물 중 11개, 두 번째 방문 시 14개 약물 중 13개를 정확히 추천했으며, 오직 한 개의 약물만 잘못 예측(미사전된)되었고, 이는 Nearest, RETAIN, DMNC를 모두 능가하는 정확도와 안전성 확보를 보였다.
• 대부분의 경우, 모델은 지식 기반으로 유해한 N02B와 C10A 조합(근종과 연관)을 피하는 데 성공했으며, 대부분의 기준 모델들과 달리 기준 데이터에 존재하더라도 이를 추천하지 않았다.