論文の概要: Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network
- arxiv url: http://arxiv.org/abs/2002.08575v1
- Date: Thu, 20 Feb 2020 05:56:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 08:21:22.863537
- Title: Syndrome-aware Herb Recommendation with Multi-Graph Convolution Network
- Title（参考訳）: マルチグラフ畳み込みネットワークを用いたシンドロームアウェアハーブレコメンデーション
- Authors: Yuanyuan Jin, Wei Zhang, Xiangnan He, Xinyu Wang and Xiaoling Wang
- Abstract要約: ハーブレコメンデーションは、中国伝統医学の治療過程において重要な役割を担っている。
ハーブ推薦を考慮した暗黙的シンドローム誘導法を提案する。
- 参考スコア（独自算出の注目度）: 49.85331664178196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Herb recommendation plays a crucial role in the therapeutic process of
Traditional Chinese Medicine(TCM), which aims to recommend a set of herbs to
treat the symptoms of a patient. While several machine learning methods have
been developed for herb recommendation, they are limited in modeling only the
interactions between herbs and symptoms, and ignoring the intermediate process
of syndrome induction. When performing TCM diagnostics, an experienced doctor
typically induces syndromes from the patient's symptoms and then suggests herbs
based on the induced syndromes. As such, we believe the induction of syndromes,
an overall description of the symptoms, is important for herb recommendation
and should be properly handled. However, due to the ambiguity and complexity of
syndrome induction, most prescriptions lack the explicit ground truth of
syndromes. In this paper, we propose a new method that takes the implicit
syndrome induction process into account for herb recommendation. Given a set of
symptoms to treat, we aim to generate an overall syndrome representation by
effectively fusing the embeddings of all the symptoms in the set, to mimic how
a doctor induces the syndromes. Towards symptom embedding learning, we
additionally construct a symptom-symptom graph from the input prescriptions for
capturing the relations between symptoms; we then build graph convolution
networks(GCNs) on both symptom-symptom and symptom-herb graphs to learn symptom
embedding. Similarly, we construct a herb-herb graph and build GCNs on both
herb-herb and symptom-herb graphs to learn herb embedding, which is finally
interacted with the syndrome representation to predict the scores of herbs. In
this way, more comprehensive representations can be obtained. We conduct
extensive experiments on a public TCM dataset, showing significant improvements
over state-of-the-art herb recommendation methods.
- Abstract（参考訳）: ハーブ・リコメンデーション(ハーブ・リコメンデーション)は、患者の症状を治療するためのハーブのセットを推奨する伝統的な中国医学(TCM)の治療プロセスにおいて重要な役割を果たす。
ハーブレコメンデーションのためにいくつかの機械学習手法が開発されているが、ハーブと症状の相互作用のみをモデル化し、シンドローム誘導の中間過程を無視している。
TCM診断を行う際、経験豊富な医師は患者の症状から症候群を誘導し、誘導された症候群に基づいてハーブを提案する。
このようなことから,症状の全体的記述であるシンドロームの誘導はハーブ推奨に重要であると考え,適切に治療すべきである。
しかしながら、シンドローム誘発の曖昧さと複雑さのため、ほとんどの処方はシンドロームの明確な根本的真実を欠いている。
本稿では,暗黙的シンドロームの誘発過程を考慮した新しい方法を提案する。
治療対象の症状が一組ある場合, 医師がどのように症状を誘発するかを模擬して, 全症状の埋め込みを効果的に融合させることにより, 総合的な症候群表現を創出することを目的とする。
さらに,症状の埋め込み学習に向けて,症状間の関係を捉えるための入力処方薬から症状シンボリックグラフを構築し,症状シンボリックグラフと症状ヘルブグラフの両方にグラフコンボリューションネットワーク(gcns)を構築し,症状の埋め込みを学ぶ。
同様に、ハーブ-ハーブグラフを構築し、ハーブ-ハーブグラフと症状-ハーブグラフの両方にGCNを構築し、ハーブの埋め込みを学習し、最終的に症候群表現と相互作用してハーブのスコアを予測する。
このように、より包括的な表現が得られる。
パブリックなtcmデータセットで広範な実験を行い,最先端のハーブレコメンデーション法に対する大幅な改善を示した。
関連論文リスト
- TCM-FTP: Fine-Tuning Large Language Models for Herbal Prescription Prediction [17.041413449854915]
伝統的な中国の医学は、症状や徴候を治療するために処方薬中のハーブの特定の組み合わせに依存している。
本稿では,消化器疾患の経験者による医療記録を含む新しいデータセットであるDigestDSを紹介する。
また、DigDSの教師付き微調整により、事前訓練された大規模言語モデル(LLM)を活用するためのTCM-FTP(TCM Fine-Tuning Pre-trained)を提案する。
論文 参考訳（メタデータ） (2024-07-15T08:06:37Z) - Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。
入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。
稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文 参考訳（メタデータ） (2024-03-26T14:36:22Z) - RoKEPG: RoBERTa and Knowledge Enhancement for Prescription Generation of
Traditional Chinese Medicine [2.1098688291287475]
漢方薬の処方生成のためのRoBERTaと知識強化モデル(RoKEPG)を提案する。
RoKEPGは、アテンションマスクマトリックスを通して、TCMの知識の4つのクラスを導入することで、TCM処方薬を生成するためにガイドされる。
一般に公開されているTCM処方データセットの実験結果から、RoKEPGはベースラインモデルよりも約2%改善していることがわかった。
論文 参考訳（メタデータ） (2023-11-29T01:59:38Z) - Sequential Condition Evolved Interaction Knowledge Graph for Traditional
Chinese Medicine Recommendation [9.953064118341812]
伝統的な中国医学(TCM)は、病気の多様性を治療するために天然のハーブを利用する豊富な歴史を持っている。
既存のTCM推奨アプローチは、患者の状態の変化を見落とし、症状と処方薬の間の潜在的なパターンのみを探索する。
本稿では,患者の症状の動態を考慮し,モデルを逐次処方薬製造問題として扱う新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-05-29T03:13:39Z) - KNSE: A Knowledge-aware Natural Language Inference Framework for
Dialogue Symptom Status Recognition [69.78432481474572]
症状状態認識(SSR)のための新しいフレームワークKNSEを提案する。
対話ウィンドウ内の各症状について、まず、症状の状態に関する症状と仮説に関する知識を生成し、(前提、知識、仮説)三重項を形成する。
次にBERTモデルを使用して三重項を符号化し、さらに発話アグリゲーション、自己アテンション、横断アテンション、GRUなどのモジュールで処理して症状状態を予測する。
論文 参考訳（メタデータ） (2023-05-26T11:23:26Z) - Symptom Identification for Interpretable Detection of Multiple Mental
Disorders [22.254532020321925]
ソーシャルメディアからの精神疾患の検出は、一般化性や解釈性に乏しい。
PsySymは,多発性精神疾患の最初の症状同定コーパスである。
論文 参考訳（メタデータ） (2022-05-23T13:51:48Z) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2020-12-22T13:20:23Z) - Learning-based Computer-aided Prescription Model for Parkinson's
Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。
そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。
新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文 参考訳（メタデータ） (2020-07-31T14:34:35Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。