.png){kind=icon}
返回
MKMed: Multi-Knowledge alignment framework for medication recommendation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10489-026-07337-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
用药推荐通过基于患者的电子健康记录（EHR）提供有效治疗方案，在医疗保健中发挥着关键作用。先前的研究表明，融入更多与药物相关的知识显著提高了药物表征的质量。然而，并非所有药物都与多种类型知识同时关联。例如，某些药物可能仅有文本描述，但缺乏结构化或分子数据。这种知识可用性的不平衡阻碍了现有模型的性能——这一局限性被称为药物推荐中的“桶效应”。我们进一步通过全面统计分析，量化了不同药物在模态覆盖分布上的严重程度。为解决此问题，我们提出了一个名为多知识药物推荐（MKMed）的新框架，该框架引入了一种跨模态药物编码器，能够将异构模态对齐到统一的表征空间。具体而言，我们使用五种互补知识模态（文本、图像、结构、化学性质和知识图谱）的对比学习对编码器进行预训练，并将生成的表征与患者EHR数据整合，以生成个性化药物推荐。通过有效整合不完整且分布不均的知识来源，MKMed明确缓解了桶效应，即使在知识稀疏的情况下也能实现稳健的推荐性能。在MIMIC-III和MIMIC-IV上的广泛实验表明，MKMed在多个评估指标上均持续优于当前最优基线。具体而言，在MIMIC-III上，MKMed相较于表现最佳基线，Jaccard相似度提升了1.9%，PRAUC提升了1.3%。这些结果突显了跨模态知识对齐对药物表征学习的有效性，并表明其在支持更可靠、更安全的临床决策方面具有潜力，尤其是在真实医疗场景中。
Keyword:
Medication recommendation
Molecular representation
Knowledge fusion
期刊
IF:
3.5
论文数:
7.6K
被引数:
1.7W
机构
暂无机构信息
引用论文
Context-Aware Safe Medication Recommendations with Molecular Graph and DDI Graph Embedding基于分子图和DDI图嵌入的上下文感知安全用药推荐
OAAI
.png){kind=icon}
OAAI分享收藏CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity LearningCIDGMed：基于因果推断的增强型双粒度学习药物推荐
PREAI
分享收藏GAMENet: Graph Augmented MEmory Networks for Recommending Medication CombinationGAMENet: 用于推荐药物组合的图形增强记忆网络
OAAI
OAAI分享收藏分享收藏
查看更多内容