Page 415 - 《软件学报》2026年第3期

1378 软件学报 2026 年第 37 卷第 3 期

这两组的表示来推荐药物. 此外, MedRec [42] 引入了知识图谱来提取症状与药物集之间的关系. 尽管如此, 这些方法
往往忽视了对患者历史健康信息的深入挖掘和利用.
为了克服这一不足, 研究者们提出了一系列基于纵向数据的推荐方法, 这些方法专注于对患者的长期健康状
况进行编码和分析, 以识别潜在的药物组合模式. 例如, DMNC 采用记忆网络来建模患者病史中诊断和程序的内
部视图和跨视图关系. MetaCare++ [43] 采用元学习技术来捕捉患者临床就诊之间的关系, 以预测冷启动诊断. Shang
等人 [35] 利用循环神经网络 (recurrent neural network, RNN) 设计了一种基于记忆的网络结构, 该结构能够将患者的
历史用药信息存储为字典形式, 从而构建出一个全面的纵向健康信息模型, 通过将长期患者记录与 EHR 图和药物
知识库作为 DDI 图联合建模来处理 DDI 冲突关系. Yang 等人 [44] 则采用了基于图的指纹消息传递神经网络 (MPNN)
来编码药物分子的功能性和连接性. 此外, Yang 等人提出了 MICRON [44] 模型, 该模型通过递归残差网络来模拟患
者纵向记录中的变化趋势. 与 MICRON 相比, COGNet 捕获当前与所有历史记录之间的关系, 并通过复制历史处
方中的药物来进行推荐. 值得注意的是, G-Bert 也采用预训练技术用于药物推荐. 具体而言, 它预训练了一个访问
编码器, 用于建模单次就诊记录, 并在多次就诊数据上进行微调. MoleRec [20] 利用分子子结构感知的注意力方法来
建模子结构之间的相互作用及其与患者健康状况的相关性. 更进一步的是, Wu 等人 [45] 介绍了一种新型的 copy-or-
predict 机制来生成药物. 然而, 这些方法并未针对患者医疗诊断和程序的时序信息和药物 DDI 相关的结构化信息
进行统一建模, 导致性能受限.
1.3 多源信息融合
在多源信息融合领域, 融合策略通常基于信息处理的不同阶段被分类为早期融合、中期融合和晚期融合. 早
期融合方法倾向于直接结合来自不同数据源的特征, 但这种方法由于在表征学习 [46] 过程的早期阶段进行, 可能不
足以解决特征维度不匹配或数据异构性问题, 从而可能导致融合后的特征空间含有冗余信息. 中期融合策略得到
了广泛应用, 它允许模型在不同层级结构中整合于非同源的特征, 这通常有助于捕获更为丰富的与任务相关的信
息. 晚期融合方法则着重于处理不同数据源之间的差异性, 通过分别对每个数据源执行特征提取和预测, 最后将得
到的预测标签或特征进行合并, 缺点是模态间的交互较少, 可能会丢失一些细节信息和潜在的深层次关系, 导致融
合结果不稳定. 多源数据的特征集成是一项具有挑战性的任务 [47] , 需要仔细考虑数据的独特属性、特定任务的需
求, 以及可用的计算资源. 例如, 早期融合可能因数据异构性和特征维度不匹配导致冗余信息, 而晚期融合可能因
模态间交互不足导致信息损失. 因此, 在选择融合策略时, 需要根据任务的具体需求、数据的特点以及计算资源的
限制进行权衡
研究人员在药物推荐系统中引入了多源信息融合方法, 旨在通过整合来自不同数据源的信息, 如临床记录、
实验室结果和基因组学数据, 以提高药物推荐系统的准确性和个性化程度. 通过综合考虑患者多方面信息, 医生可
以更全面地了解患者的健康状况, 从而制定更有针对性的治疗方案. 例如文献 [35,37,41,45], 通过将诊断、手术等
信息作为联合输入以更准确地刻画患者的健康轮廓. 在这一多源信息融合框架的支撑下, 药物推荐系统能够更精
确地预测患者对特定药物组合的反应, 有效规避潜在的药物相互作用和不良反应, 从而提高治疗的有效性并减少
患者用药风险. 此外, 多源信息的整合 [48] 能够弥补单一数据源的不足, 提供更全面的健康信息视图. 这不仅丰富了
药物推荐系统的知识基础, 也为医生在制定治疗决策时提供了更为坚实的信息支持, 增强了决策的科学性和合理
性. 在实际应用中, 多源信息融合技术为药物推荐系统带来的优势不仅体现在预测精度的提升, 还体现在对患者个
体差异的精准把握上.
2 结构化序列建模方法

为了解决现有方法在如何利用患者的历史健康信息, 以及如何处理不同输入之间的复杂关联上面临的问题,
本文提出了基于多源信息结构化序列建模的药物推荐方法, 方法的总体框架如图 3 所示. 本节首先对研究中使用
的关键术语和概念进行了明确的定义, 然后详细概述了模型的 4 个模块: EHR 信息编码、患者纵向表征、结构化
关系表征和药物表征.