Page 422 - 《软件学报》2026年第3期

邹鑫 等: 基于多源信息结构化序列建模的药物推荐方法 1385

多标签预测. 通过 scikit-learn 包实现.
3) RETAIN [56] : 基于 RNN 的序列预测模型, 利用注意机制和门控机制来提高预测的可解释性. 实现了两个 64
维的 GRU 作为双层 RNN, 采用 Adam 作为优化器, 学习速率范围为{1E–5, 5E–5, 1E–4}.
4) LEAP [39] : 采用基于 LSTM 的生成模型, 根据诊断信息来进行药物组合推荐. 因为 LEAP 是一个基于序列的
模型, 最大药物组合大小被设置为 20.
5) DMNC [57] : 依靠深度记忆网络结构来捕捉长期依赖关系, 增强模型编码能力. 采用 64 维的嵌入表来表示医
疗代码, 解码器是一个 64 维的 GRU. 与 LEAP 相同, 最大药物组合大小同样设置为 20.
6) GAMENet [35] : 进一步结合记忆增强神经网络和图神经网络, 以此推荐药物组合. 使用了原文提供的超参数,
采用 64 维的嵌入和 64 维的 GRU 作为 RNN.
7) MICRON [44] : 采用循环残差学习来预测药物变化的模型, 根据药物变化和最后一次问诊的用药进行药物推
荐. 学习速率范围为{1E–5, 5E–5, 1E–4}.
8) SafeDrug [37] : 使用局部和全局编码器捕获药物分子的结构信息, 来预测安全的用药组合. 学习速率范围
为{1E–5, 5E–5, 1E–4}.
9) 4SDrug [41] : 用于推荐小型药物集, 以确保更少的 DDI. 学习速率在{1E–5, 5E–5, 1E–4}.
10) Carmen [58] : 设计了一种上下文感知的图神经网络, 并提出了一种非传递 DDI 编码方案, 以此学习更好和更
高可区分性的药物嵌入.
11) SHAPE [50] : 提出药物推荐的分级编码机制, 可以从患者的各种记录中挖掘更准确的表示, 同时设计了一个
自适应课程学习模块, 用于可变的患者访问记录. 学习速率在{1E–5, 5E–5, 1E–4}.
12) AKA-SafeMed [59] : 基于注意力机制和知识扩充策略的药物推荐模型, 采用自关注机制从患者的历史就诊
中学习诊断和过程向量的权重. 学习率为原论文设置的 2E–4, 采用 Adam 优化器, 训练 50 epoch.
13) VITA [60] : 基于相关就诊选择和目标意识注意力机制以捕捉当前和过去就诊之间的关系 (即相关性的程
度). 应用原论文表格中展示的实验结果.
3.3 实验结果与分析
表 2 展示了不同对比方法在 MIMIC-III 和 MIMIC-IV 数据集上的实验结果. 可以看出本研究提出的 SSMD,
在性能上超越了其他基准模型. 进一步观察发现, 将药物推荐视作序列生成问题的方法, 如 ECC、LEAP 以及
DMNC 模型, 其性能并未达到预期水平. 相对而言, 将药物推荐任务视为多标签分类问题的处理方式, 展现出更高
的效率和效果. 这表明, 构建药物推荐任务为多标签分类问题可能是一种更为直观且合理的策略. 值得注意的是,
LR 和 RETAIN 模型在推荐过程中并未充分考虑 DDI 知识, 这可能是其推荐药物组合中 DDI 风险较高的原因. 尽
管 GAMENet 是基于患者的既往医疗历史数据进行预测, 但实际医疗记录中较高的基础 DDI 率对其预测安全性
构成了挑战. 与此同时, SafeDrug 模型在确保推荐安全性的同时, 有效利用了 DDI 知识, 保持了良好的治疗效果.
然而, 4SDrug 和 Carmen 模型在挖掘患者与药物间的相互作用信息方面的能力则尚显不足. SHAPE 模型则因仅考
虑时序信息而未考虑药物间的结构化关系, 导致其性能受限. AKA-SafeMed 和 VITA 方法均未考虑对时序依赖关
系和结构化信息的统一建模, 导致模型存在较低的性能.

表 2 在 MIMIC-III 和 MIMIC-IV 数据集上不同方法的性能比较

MIMIC-III MIMIC-IV
模型
Jaccard F1-score PRAUC Jaccard F1-score PRAUC
LR 0.4865±0.0021 0.6434±0.0019 0.7509±0.0018 0.4732±0.0018 0.6303±0.0017 0.7380±0.0016
ECC 0.4857±0.0035 0.6438±0.0031 0.7590±0.0029 0.4403±0.0010 0.6016±0.0009 0.7139±0.0006
RETAIN 0.4887±0.0028 0.6481±0.0027 0.7556±0.0033 0.4398±0.0014 0.6013±0.0008 0.7140±0.0002
LEAP 0.4521±0.0024 0.6138±0.0026 0.6467±0.0034 0.4350±0.0023 0.5963±0.0020 0.6321±0.0040
DMNC 0.4864±0.0025 0.6529±0.0030 0.7580±0.0039 0.4673±0.0025 0.6322±0.0022 0.7389±0.0034
GAMENet 0.5037±0.0018 0.6601±0.0019 0.7653±0.0026 0.4784±0.0017 0.6364±0.0017 0.7395±0.0028