Page 426 - 《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 1389

表 4 MIMIC-III 上病例的推荐药物示例

诊断次数 诊断 (案例x) 模型 推荐的药物组合
B05C, A07A, C07A, A06A, N02B, C02D, B01A, A02B, A12C, H03A,
真实的药物标签 (17类药)
N03A, A01A, N05A, C09A, C10A, C08C, A12B
SafeDrug (20类药) 15正确+5未见过(N06A, C10A, JO1D, A04A, HO1C) / 2遗漏
脑部恶性肿瘤、 4SDrug (17类药) 14正确+3未见过 (N05C, A04A, NO5B) / 3遗漏
第1次问诊 高脂血症、
Carmen (20类药) 15正确+5未见过 (NO2A, B01A, N06A, JO1D, NO5B) / 2遗漏
痛风
SHAPE (21类药) 16正确+5未见过 (NO2A, B01A, N06A, JO1D, A04A) / 1遗漏
VITA (21类药) 15正确+6未见过 (NO2A, B01A, N06A, C10A, A04A, HO1C) / 2遗漏
SSMD (20类药) 17正确+3未见过 (NO2A, N06A, A04A) / 0遗漏
NO2B, A01A, A02B, A06A, A12A, B05C, A12C, CO1C, A10A, NO1A,
真实的药物标签 (18类药)
C07A, C03C, A12B, NO7A, C02D, CO1B, JO1D, C10A
SafeDrug (21类药) 16正确+5未见过 (A07A, A11C, NO2A, N02A, CO1D) / 2遗漏
脑部恶性肿瘤、
脑水肿型高胆固 4SDrug (17类药) 14正确+3未见过 (A07A, NO2A, A02A) / 4遗漏
第2次问诊
醇血症、 Carmen (20类药) 15正确+5未见过 (A07A, NO2A, B01A, NO5C, CO1D) / 3遗漏
痛风 SHAPE (21类药) 17正确+4未见过 (A07A, NO2A, N02A, CO1D) / 1遗漏
VITA (20类药) 15正确+5未见过 (A07A, A11C, NO2A, B01A, CO1D) / 3遗漏
SSMD (20类药) 17正确+3未见过 (A07A, NO2A, CO1D) / 1遗漏
注: “正确”表示正确的预测, “未见过”是指不符合实际标签的预测药物, “遗漏”是指符合实际需要但未预测的药物

4 总 结

本文综合了患者的多源问诊信息, 提出了一种创新的药物推荐方法, 该方法基于结构化序列建模. 所构建的循
环注意力网络能够通过掩码注意力机制在时间维度捕捉问诊序列的全局依赖性, 动态调整历史问诊信息的权重, 有
效捕获问诊序列的纵向依赖信息. 此外, 本研究引入了图对比学习策略, 并通过知识增强的检索模块提升了模型对
药物结构关系的表征能力, 旨在降低药物相互作用 (DDI) 风险, 并构建包含全局结构信息的拓扑表征. 本研究为全
面建模患者问诊序列提供了新的视角, 并构建了一个端到端的框架, 用以生成符合患者个性化需求的药物治疗方案.
然而, 本研究也存在一些局限性. 注意力机制在处理长序列数据时可能会增加计算和内存的负担, 而掩码向量
的使用虽然有助于保护患者隐私, 但也可能对模型性能产生影响. 针对这些问题, 我们计划在未来的研究中探索更
高效的注意力机制和更灵活的隐私保护策略. 同时, 确保系统的公平性和减少偏见也是我们关注的重点, 以避免在
不同人群中产生医疗不平等. 我们将致力于通过透明的算法设计和公平的数据采样, 确保系统对所有人群的公正性
和普适性. 我们倡导建立患者参与机制, 使患者能够更深入地理解并参与到医疗决策过程中, 从而增强他们对治疗
方案的信任. 通过建立开放的沟通渠道, 积极收集并融合患者的反馈和建议, 以更精准地满足患者的个性化治疗需求.

References
[1] Overhage JM, McCallie D Jr. Physician time spent using the electronic health record during outpatient encounters: A descriptive study.
Annals of Internal Medicine, 2020, 172(3): 169–174. [doi: 10.7326/M18-3684]
[2] Tjoa E, Guan CT. A survey on explainable artificial intelligence (XAI): Toward medical XAI. IEEE Trans. on Neural Networks and
Learning Systems, 2021, 32(11): 4793–4813. [doi: 10.1109/TNNLS.2020.3027314]
[3] Hua Y, Li JX, Feng ZH, Song XN, Sun J, Yu DJ. Protein-drug interaction prediction based on attention feature fusion. Journal of
Computer Research and Development, 2022, 59(9): 2051–2065 (in Chinese with English abstract). [doi: 10.7544/issn1000-1239.
20210134]
[4] Kato S, Kim KH, Lim HJ, Boichard A, Nikanjam M, Weihe E, Kuo DJ, Eskander RN, Goodman A, Galanina N, Fanta PT, Schwab RB,
Shatsky R, Plaxe SC, Sharabi A, Stites E, Adashek JJ, Okamura R, Lee S, Lippman SM, Sicklick JK, Kurzrock R. Real-world data from a
molecular tumor board demonstrates improved outcomes with a precision N-of-one strategy. Nature Communications, 2020, 11(1): 4965.
[doi: 10.1038/s41467-020-18613-3]
[5] Liang K, Meng LY, Liu M, Liu Y, Tu WX, Wang SW, Zhou SH, Liu XW, Sun FC, He KL. A survey of knowledge graph reasoning on
graph types: Static, dynamic, and multi-modal. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2024, 46(12): 9456–9478 [doi: