[논문 리뷰] Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network

Yuanyuan Jin, Wei Zhang외 3명|arXiv (Cornell University)|2020. 02. 20.

Traditional Chinese Medicine Studies참고 문헌 35인용 수 4

한 줄 요약

이 논문은 전통적인 중국의학(TCM) 전문의의 병태 유도 과정을 모방하기 위해 증상 집합에서 암묵적인 병태 표현을 학습하는 새로운 허브 추천 모델인 병태 인지 다중 그래프 컨볼루션 네트워크(SMGCN)를 제안한다. 증상-증상, 증상-허브, 허브-허브 그래프에 기반한 다중 그래프 컨볼루션 네트워크를 활용하여 복잡한 상호작용을 포착하고, 공개된 TCM 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하며 기존 방법들을 뛰어넘는 성능을 보인다.

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.

연구 동기 및 목표

• 기존의 허브 추천 방법들이 TCM 진단 과정에서 중간 단계인 병태 유도 단계를 忽略하는 한계를 해결하기 위해.
• 경험이 많은 TCM 전문의가 증상 패턴으로부터 병태를 유추하는 방식을 모방하여 증상 집합으로부터 통합적인 병태 표현을 모델링하기 위해.
• 다양한 이질적인 그래프(증상-증상, 증상-허브, 허브-허브)를 구축하고 활용하여 증상과 허브의 포괄적인 임베딩을 학습하기 위해.
• 병태 인지 표현을 다중 그래프 GCN 기반 임베딩과 통합하여 허브 추천 성능을 향상시키기 위해.
• 실제 TCM 처방 데이터에서 병태 표현 학습 및 다중 그래프 아키텍처의 효과성을 검증하기 위해.

제안 방법

• 처방 데이터에서의 동시 발생 패턴을 기반으로 증상-증상 그래프를 구축하여 증상 간 관계를 모델링한다.
• 증상-증상 그래프에 기반한 그래프 컨볼루션 네트워크(GCN)를 적용하여 증상 임베딩을 학습한다.
• 증상-허브 그래프를 구축하고 GCN을 적용하여 증상-허브 상호작용을 포착하면서 허브 임베딩을 학습한다.
• 허브-허브 그래프를 구축하고 GCN을 적용하여 허브 상호작용 패턴에 기반한 허브 임베딩을 학습한다.
• 다중 층 퍼셉트론(MLP)을 통해 다수의 증상 임베딩을 융합하여 종합적인 병태 표현을 생성한다.
• 학습된 병태 표현을 허브 임베딩과 상호작용시켜 허브 추천 점수를 예측한다.

실험 결과

연구 질문

• RQ1 암묵적인 병태 유도 과정을 모델링하면 TCM에서의 허브 추천 성능 향상에 기여하는가?
• RQ2 다중 그래프 GCN 아키텍처는 증상, 허브, 병태 간의 복잡한 상호작용을 얼마나 효과적으로 포착하는가?
• RQ3 증상 집합에서 병태 표현을 학습하는 것이 증상들을 개별적으로 다루는 것보다 더 나은 일반화 성능을 이끌어내는가?
• RQ4 다양한 그래프 구조(증상-증상, 증상-허브, 허브-허브)가 최종 추천 성능에 각각 어떤 기여를 하는가?
• RQ5 제안된 방법은 실제 TCM 데이터셋에서 기존 최신 기술 수준의 허브 추천 방법들을 능가할 수 있는가?

주요 결과

• 제안된 SMGCN 모델은 공개 TCM 데이터셋에서 최신 기술 수준의 허브 추천 방법들보다 뚜렷한 성능 향상을 달성한다.
• 제거 실험을 통해 병태 표현 학습 모듈이 모델의 효과성에 상당한 기여를 한다는 것이 확인된다.
• 증상-증상, 증상-허브, 허브-허브 그래프를 통합한 다중 그래프 GCN 아키텍처는 단일 그래프만을 사용하는 모델보다 더 높은 성능을 낸다.
• 모델은 미리 보지 않은 증상 집합에 대해서도 강건성과 일반화 능력을 보이며, 임상 진단 추론 방식을 효과적으로 모방하고 있음을 입증한다.
• 다층 퍼셉트론을 사용하여 증상 임베딩을 융합하여 병태 표현을 생성하는 방식은 통합적인 증상 패턴을 효과적으로 포착한다.
• 실험 결과, 히트 레이트 및 평균 평균 정밀도를 포함한 다수의 평가 지표에서 제안된 방법이 베이스라인 모델들을 능가하는 것으로 나타났다.