論文の概要: Fine-grained List-wise Alignment for Generative Medication Recommendation

• arxiv url: http://arxiv.org/abs/2505.20218v1
• Date: Mon, 26 May 2025 16:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 19:27:27.026352
• Title: Fine-grained List-wise Alignment for Generative Medication Recommendation
• Title（参考訳）: 創薬勧告のための細粒度リストワイドアライメント
• Authors: Chenxiao Fan, Chongming Gao, Wentao Shi, Yaxin Gong, Zihao Zhao, Fuli Feng,
• Abstract要約: 大規模言語モデル(LLM)のための細粒度リストワイドアライメントフレームワークであるFLAMEを提案する。 FLAMEはレコメンデーションをシーケンシャルな決定プロセスとして定式化し、各ステップが1つの薬を添加または除去する。 ベンチマークデータセットの実験では、FLAMEが最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 30.397147691681607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and safe medication recommendations are critical for effective clinical decision-making, especially in multimorbidity cases. However, existing systems rely on point-wise prediction paradigms that overlook synergistic drug effects and potential adverse drug-drug interactions (DDIs). We propose FLAME, a fine-grained list-wise alignment framework for large language models (LLMs), enabling drug-by-drug generation of drug lists. FLAME formulates recommendation as a sequential decision process, where each step adds or removes a single drug. To provide fine-grained learning signals, we devise step-wise Group Relative Policy Optimization (GRPO) with potential-based reward shaping, which explicitly models DDIs and optimizes the contribution of each drug to the overall prescription. Furthermore, FLAME enhances patient modeling by integrating structured clinical knowledge and collaborative information into the representation space of LLMs. Experiments on benchmark datasets demonstrate that FLAME achieves state-of-the-art performance, delivering superior accuracy, controllable safety-accuracy trade-offs, and strong generalization across diverse clinical scenarios. Our code is available at https://github.com/cxfann/Flame.
• Abstract（参考訳）: 正確かつ安全な医薬品推奨は、特に多病性症例において、効果的な臨床的意思決定に重要である。 しかし、既存のシステムは、相乗的薬物効果や潜在的に有害な薬物・薬物相互作用(DDI)を無視するポイントワイズ予測パラダイムに依存している。 大規模言語モデル (LLM) のための詳細なリストワイド・アライメント・フレームワークであるFLAMEを提案し,ドラッグ・バイ・ドラッグ・リストの生成を可能にする。 FLAMEはレコメンデーションをシーケンシャルな決定プロセスとして定式化し、各ステップが1つの薬を添加または除去する。 そこで我々は,DDIを明示的にモデル化し,各薬剤の処方薬全体への貢献を最適化する,潜在的報酬形成を伴う段階的グループ相対政策最適化(GRPO)を考案した。 さらに、FLAMEは、構造化された臨床知識と協調情報をLCMの表現空間に統合することにより、患者のモデリングを強化する。 ベンチマークデータセットの実験では、FLAMEは最先端のパフォーマンスを実現し、より優れた精度、制御可能な安全性と精度のトレードオフ、さまざまな臨床シナリオにおける強力な一般化を実現している。 私たちのコードはhttps://github.com/cxfann/Flame.comで公開されています。

関連論文リスト

• Combating the Bucket Effect:Multi-Knowledge Alignment for Medication Recommendation [7.962835256943926]
  異なるモダリティからデータをシームレスに整列できるクロスモーダル医薬品エンコーダを提案する。 次に,マルチ知識の医薬品表現と患者記録を組み合わせて推奨する。 実験により、MKMedはデータの「バケット効果」を緩和し、推奨精度と安全性において最先端のベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2025-04-25T05:47:15Z)
• DrugImproverGPT: A Large Language Model for Drug Optimization with Fine-Tuning via Structured Policy Optimization [53.27954325490941]
  大規模言語モデル(LLM)の微調整は、特定の目的に向けて結果を生成するために不可欠である。 本研究は,薬物最適化LSMに基づく生成モデルを微調整するための新しい強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:00:21Z)
• ADEP: A Novel Approach Based on Discriminator-Enhanced Encoder-Decoder Architecture for Accurate Prediction of Adverse Effects in Polypharmacy [0.0]
  本稿では,識別器とエンコーダデコーダモデルを組み合わせた新しい手法であるADEPを紹介する。 ADEPは多薬効の悪影響を予測するために、複数の分類方法を含む3部モデルを採用している。
  論文  参考訳（メタデータ） (2024-05-31T18:20:17Z)
• CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning [10.60553153370577]
  医薬推奨は、患者の長期医療記録を統合し、正確で安全な薬品の組み合わせを提供することを目的としている。 既存の方法では、疾患や引き金や薬物の真の因果関係を深く探ることができないことが多い。 因果推論駆動型デュアルグラニュラリティメディケーション勧告法(CIDGMed)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T08:50:27Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Zero-shot Learning of Drug Response Prediction for Preclinical Drug Screening [38.94493676651818]
  ゼロショット学習ソリューションを提案する。 予防的薬物スクリーニングの課題です 具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
  論文  参考訳（メタデータ） (2023-10-05T05:55:41Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
  医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。 ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
  論文  参考訳（メタデータ） (2021-05-05T00:20:48Z)
• SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
  本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。 SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。 合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
  論文  参考訳（メタデータ） (2021-01-26T18:59:26Z)

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。