[논문 리뷰] THCluster: herb supplements categorization for precision traditional Chinese medicine

Chunyang Ruan, Ye Wang외 6명|arXiv (Cornell University)|2020. 11. 19.

Traditional Chinese Medicine Studies참고 문헌 22인용 수 13

한 줄 요약

THCluster는 이질적인 정보 네트워크 내에서 허브 보충제를 분류하기 위해 랜덤 워크, 베이지안 규칙 및 기대 최대화(EM)를 통합한 새로운 클러스터링 모델을 제안한다. 이는 생물학적·임상적으로 의미 있는 허브 규칙성과 처방 패턴을 드러내어 정밀한 전통중의학을 가능하게 한다. 이 방법은 기초 알고리즘과 전문가 평가를 크게 능가하여 생물학적·임상적으로 관련성이 있는 허브 군집을 식별하는 데 성공한다.

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.

연구 동기 및 목표

• 복잡한 TCM 데이터에서 일관된 허브 군집을 식별하여 전통중의학 처방 최적화 문제를 해결하기 위해.
• 실제 세계의 TCM 데이터로부터 허브 사용의 잠재적 규칙성을 발견하기 위해.
• 허브 보충제의 이질적인 정보 네트워크를 처리할 수 있는 강력한 클러스터링 모델을 개발하기 위해.
• 기존 알고리즘과 전문가 판단을 초월하여 허브 분류의 임상적 관련성과 정확도를 향상시키기 위해.

제안 방법

• 모델은 다양한 허브 관련 실체와 관계를 통합한 이질적인 정보 네트워크를 구축한다.
• 랜덤 워크 방법을 적용하여 네트워크 전역으로 정보를 전파하고 잠재적 허브 클러스터를 식별한다.
• 베이지안 규칙을 사용하여 허브 상호작용 및 특성에서 유래한 확률적 증거를 바탕으로 클러스터 할당을 정밀하게 조정한다.
• 기대 최대화(EM) 알고리즘은 관측된 허브 동시출현 패턴의 가능도를 최대화함으로써 반복적으로 클러스터 할당을 향상시킨다.
• 이러한 구성 요소들을 통합하여 TCM 데이터의 이질성에 특화된 유일한 클러스터링 파이프라인을 구성한다.
• 임상적 관련성을 확보하기 위해 실제 허브 보충제 데이터셋을 기반으로 모델을 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 복잡한 TCM 데이터에서 생물학적으로 의미 있는 허브 군집을 효과적으로 식별할 수 있는 클러스터링 모델이 존재하는가?
• RQ2 랜덤 워크, 베이지안 추론 및 EM의 통합은 기초 방법 대비 허브 분류 정확도를 어떻게 향상시키는가?
• RQ3 제안된 모델이 허브 군집 및 처방 패턴에서 전문가 지식과 어느 정도 일치하는가?
• RQ4 의사들이 즉시 인지하지 못하는 허브 사용의 숨겨진 규칙성을 모델이 드러낼 수 있는가?

주요 결과

• THCluster 모델은 실제 데이터셋에서 여러 기초 알고리즘 대비 허브 분류 성능에서 뛰어난 성과를 달성했다.
• 모델는 전문가가 주석 처리한 허브 군집과 강한 일치를 보이며 임상적 관련성을 입증했다.
• 랜덤 워크, 베이지안 규칙 및 EM의 통합은 클러스터링 정확도와 강건성을 크게 향상시켰다.
• 이 방법은 치료 효과 기반 기능 군집화 및 호환성과 같은 비직관적인 허브 규칙성을 성공적으로 드러냈다.
• 다양한 평가 지표에서 일관된 향상이 관찰된 광범위한 실험을 통해 모델의 결과가 검증되었다.