Natural Language-Assisted Multi-modal Medication Recommendation

香港中国大学&阿里巴巴集团：自然语言辅助的多模态药物推荐

🎯 推荐指数：🌟🌟🌟
📖 title：Natural Language-Assisted Multi-modal Medication Recommendation
🔥 code：https://github.com/jtan1102/NLA-MMR_CIKM_2024
🌟 概述：本文提出了自然语言辅助的多模态药物推荐框架（NLA-MMR），该框架通过整合电子健康记录、化学结构和文本描述，利用预训练语言模型增强组合药物推荐，从而提高临床实践中的准确性和个性化。

🔍 解决的问题：

本文试图解决以下问题：

1. 任务

   • 本文针对**组合药物推荐（CMR）**任务，旨在为患者提供精确的药物处方，特别是那些需要长期护理的复杂健康状况患者。

2. 当前困难与挑战

   • 文本描述的低利用率
     现有方法主要利用电子健康记录（EHRs）和药物的分子结构，但忽视了传达功能和治疗目的的丰富文本药物描述。
   • 结构化数据中的信息损失
     目前的方法由于预处理阶段的固有偏差和信息损失，导致药物推荐中的预测不准确。
   • 模态整合的局限性
     现有模型未能有效整合患者和药物模态，未能建立患者与药物文本描述之间的语义关系。

3. 研究动机

   • 提高推荐准确性
     本研究的动机在于通过结合文本描述和化学结构，提高药物推荐的准确性和有效性，从而改善药物和患者的表征。
   • 利用预训练语言模型（PLMs）
     本研究旨在利用预训练语言模型从文本描述中提取领域知识，以提供额外的见解并提高药物推荐的整体性能。
     

👉文章方法：

本文提出了自然语言辅助的多模态药物推荐框架（NLA-MMR），该框架由以下几个关键方法逐步概述：

1. 患者表征模块

   • 关键词： PLM编码
   • 描述： 利用预训练语言模型（PLM）对诊断、程序和症状的文本进行编码，以创建患者的综合表征。

2. 药物表征模块

   • 关键词： GNN与PLM集成
   • 描述： 通过采用图神经网络（GNN）来结合分子结构层级信息，并利用PLM整合药物描述中的文本知识，从而生成药物表征。

3. 跨模态对齐模块

   • 关键词： 相似性计算
   • 描述： 负责通过使用两个投影层计算患者表征与药物表征在联合潜在空间中的相似性来制定处方。

4. 历史信息整合

   • 关键词： 时间模式
   • 描述： 整合患者的用药历史，以捕捉依赖关系并提高药物推荐的准确性。

5. 跨注意力融合

   • 关键词： 文本信息融合
   • 描述： 结合患者模态中存在的不同类型的文本信息，充分利用可用数据以改善表征。

6. 相似性检索转换

   • 关键词： 推荐问题
   • 描述： 将药物推荐任务转化为相似性检索问题，旨在根据患者的表征找到最相似的药物表征。

这些方法通过整合各种数据模态并利用先进的机器学习技术，共同增强了组合药物推荐过程。

👉实验：

每日Paper内容分享：关注小红书《AI届吗喽》