論文の概要: A Hierarchical Structure-Enhanced Personalized Recommendation Model for Traditional Chinese Medicine Formulas Based on KG Diffusion Guidance

• arxiv url: http://arxiv.org/abs/2509.23560v1
• Date: Sun, 28 Sep 2025 01:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.288976
• Title: A Hierarchical Structure-Enhanced Personalized Recommendation Model for Traditional Chinese Medicine Formulas Based on KG Diffusion Guidance
• Title（参考訳）: KG拡散誘導に基づく中国伝統医学公式の階層構造強化型パーソナライズドレコメンデーションモデル
• Authors: ChaoBo Zhang, Long Tan,
• Abstract要約: 本稿では,知識グラフ拡散誘導,すなわちTCM-HEDPRに基づく,新しい階層構造付きパーソナライズドレコメンデーションモデルを提案する。 具体的には,患者対人的なプロンプトシーケンスを用いた症状表現を事前訓練し,データ拡張にプロンプト指向のコントラスト学習を適用した上で,KG誘導の同種グラフ拡散法と自己認識機構を統合し,非線形症状-ハーブ関係をグローバルに捉えた。
• 参考スコア（独自算出の注目度）: 3.17076026949853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence technology plays a crucial role in recommending prescriptions for traditional Chinese medicine (TCM). Previous studies have made significant progress by focusing on the symptom-herb relationship in prescriptions. However, several limitations hinder model performance: (i) Insufficient attention to patient-personalized information such as age, BMI, and medical history, which hampers accurate identification of syndrome and reduces efficacy. (ii) The typical long-tailed distribution of herb data introduces training biases and affects generalization ability. (iii) The oversight of the 'monarch, minister, assistant and envoy' compatibility among herbs increases the risk of toxicity or side effects, opposing the 'treatment based on syndrome differentiation' principle in clinical TCM. Therefore, we propose a novel hierarchical structure-enhanced personalized recommendation model for TCM formulas based on knowledge graph diffusion guidance, namely TCM-HEDPR. Specifically, we pre-train symptom representations using patient-personalized prompt sequences and apply prompt-oriented contrastive learning for data augmentation. Furthermore, we employ a KG-guided homogeneous graph diffusion method integrated with a self-attention mechanism to globally capture the non-linear symptom-herb relationship. Lastly, we design a heterogeneous graph hierarchical network to integrate herbal dispensing relationships with implicit syndromes, guiding the prescription generation process at a fine-grained level and mitigating the long-tailed herb data distribution problem. Extensive experiments on two public datasets and one clinical dataset demonstrate the effectiveness of TCM-HEDPR. In addition, we incorporate insights from modern medicine and network pharmacology to evaluate the recommended prescriptions comprehensively. It can provide a new paradigm for the recommendation of modern TCM.
• Abstract（参考訳）: 人工知能技術は、伝統的な中国医学(TCM)の処方薬を推奨する上で重要な役割を担っている。 これまでの研究は、処方薬の症状とハーブの関係に着目して大きな進歩を遂げてきた。 しかし、いくつかの制限はモデルのパフォーマンスを妨げます。 一 年齢、BMI、医療史等の患者個人化情報に十分な注意を払わず、症候群の正確な特定を妨げ、効果を低下させる。 (II)草本データの典型的長期分布は,訓練バイアスを導入し,一般化能力に影響を与える。 三 薬草間の「モナーキ、大臣、補佐及び使者」の相違の監視は、臨床TCMにおける「症候群分化に基づく治療」の原則に反対して、毒性又は副作用のリスクを高める。 そこで本研究では,知識グラフ拡散誘導に基づくTCM公式の階層構造強化型パーソナライズレコメンデーションモデル,すなわちTCM-HEDPRを提案する。 具体的には、患者個人化されたプロンプトシーケンスを用いた症状の事前訓練を行い、データ拡張にプロンプト指向のコントラスト学習を適用した。 さらに,KG誘導同次グラフ拡散法と自己アテンション機構を統合し,非線形シンプレム-ハーブ関係を世界規模で捉える。 最後に,ヘテロジニアスなグラフ階層ネットワークを設計し,暗黙のシンドロームと関係を付与するハーバルを統合し,処方薬の生成プロセスをきめ細かいレベルで指導し,長いハーブデータ分布問題を緩和する。 2つの公開データセットと1つの臨床データセットに関する大規模な実験は、TCM-HEDPRの有効性を実証している。 さらに,近代医学とネットワーク薬理学の知見を取り入れ,推奨処方薬を包括的に評価する。 最新のTCMの推奨のために、新しいパラダイムを提供することができます。

関連論文リスト

• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• StratMed: Relevance Stratification between Biomedical Entities for Sparsity on Medication Recommendation [9.296433860766165]
  StratMedは、長い尾の問題を克服し、スパースデータの完全な学習を実現する成層戦略である。 また、薬品の組み合わせの安全性と正確性に関する相互制約の問題に対処するために、デュアルプロパティネットワークを利用する。 本モデルでは,安全性リスクを15.08%削減し,精度を0.36%向上し,トレーニング時間消費を81.66%削減する。
  論文  参考訳（メタデータ） (2023-08-31T14:59:32Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• 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)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)

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。