[论文解读] GAMENet: Graph Augmented MEmory Networks for Recommending Medication Combination

Junyuan Shang, Cao Xiao+3 more|arXiv (Cornell University)|Sep 6, 2018

Machine Learning in Healthcare参考文献 25被引用 18

一句话总结

GAMENet 是一种端到端的深度学习模型，通过在记忆增强架构中使用图卷积网络（GCNs）将纵向患者电子健康记录（EHR）与药物-药物相互作用（DDI）知识图谱相结合，以推荐安全且个性化的药物组合。该模型在真实EHR数据上相较于基线方法将DDI率降低了3.60%，实现了最先进性能。

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.

研究动机与目标

• 为解决现有药物推荐系统未能整合药物-药物相互作用（DDI）知识而导致处方不安全的问题。
• 通过使用双循环神经网络（Dual-RNN）建模纵向患者病史，提升查询表征的准确性。
• 通过图增强记忆机制联合建模EHR数据与DDI知识，利用GCNs融合多源信息。
• 通过结合多标签预测与DDI惩罚的损失函数，平衡药物组合推荐的有效性与安全性。
• 证明将DDI知识整合到记忆网络中可减少有害药物组合，同时保持高推荐准确性。

提出的方法

• GAMENet 使用双RNN编码器从纵向EHR序列生成动态患者查询，捕捉医疗历史中的时间依赖性。
• 构建记忆库（MB），通过图卷积网络（GCNs）对患者EHR图和DDI知识图进行节点表征学习，整合两个图。
• 采用晚期融合机制将DDI图嵌入记忆库，使系统在推理过程中能够检索药物相互作用知识。
• 患者病史以键值对形式存储在动态记忆（DM）中，支持通过匹配患者表征与相似历史病例实现基于案例的检索。
• 通过记忆读取操作，使用患者查询作为键从图增强记忆库中检索相关信息，随后将查询与记忆输出拼接，用于最终预测。
• 模型采用端到端训练，损失函数结合多标签预测损失（用于有效性）与DDI损失（用于安全性），同时优化准确率与不良相互作用的减少。

实验结果

研究问题

• RQ1 深度学习模型能否通过整合纵向EHR数据与DDI知识，有效推荐个性化药物组合？
• RQ2 将DDI知识图谱整合到记忆增强网络中，如何提升药物推荐的安全性？
• RQ3 GAMENet在真实世界EHR数据上，相较于现有最先进模型，在有效性与DDI率降低方面表现如何？
• RQ4 使用图卷积网络建模DDI关系是否能增强模型检测并避免有害药物组合的能力？
• RQ5 在药物推荐中联合优化有效性与安全性，特别是减少EHR数据中既存的DDI模式，会产生何种影响？

主要发现

• GAMENet在所有有效性指标上均表现最佳，包括Jaccard分数、PR-AUC和F1，在真实EHR数据上优于所有基线模型。
• 与原始EHR数据相比，该模型将DDI率降低了3.60%，显著提升了处方安全性。
• 相较于次优基线模型（DMNC），GAMENet在保持或提升准确率的同时降低了DDI率，表明其具备更强的安全感知推荐能力。
• 消融研究显示，移除DDI知识（GAMENet w/o DDI）后仍优于所有基线，但加入DDI知识后性能与安全性均显著提升，证实其价值。
• 在案例研究中，GAMENet在首次就诊时正确推荐了15种药物中的11种，在第二次就诊时正确推荐了14种中的13种，仅有一种预测错误（未见过的药物），在准确率与安全性上均优于Nearest、RETAIN和DMNC。
• 在多数情况下，模型成功避免推荐与子宫肌瘤相关的有害N02B与C10A药物组合，而大多数基线模型即使在真实数据中存在该组合也未能避免。