論文の概要: GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation

• arxiv url: http://arxiv.org/abs/2605.20188v1
• Date: Sat, 21 Mar 2026 15:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.950412
• Title: GraphDiffMed: Knowledge-Constrained Differential Attention with Pharmacological Graph Priors for Medication Recommendation
• Title（参考訳）: GraphDiffMed: 薬理学的グラフを用いた医薬勧告のための知識制約付き差分注意
• Authors: Krati Saxena, Tomohiro Shibata,
• Abstract要約: 両スケールの差分注意(differial Attention) v2 上に構築された知識に制約のある薬剤推奨フレームワークである GraphDiffMed を提案する。 MIMIC-IIIおよびアブレーション実験により、この設計は推奨品質を一貫して改善し、強い基準線よりもランク付けすることを示した。
• 参考スコア（独自算出の注目度）: 0.0828720658988688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recommending safe and effective medication combinations from electronic health records (EHRs) is a core clinical AI problem, yet it remains difficult because patient trajectories are long, noisy, and clinically heterogeneous. Existing methods typically excel at either temporal modeling across visits or pharmacological knowledge integration (e.g., drug-drug interactions, DDIs), but rarely achieve both while robustly suppressing noise. We present GraphDiffMed, a knowledge-constrained medication recommendation framework built on dual-scale Differential Attention v2. Differential attention is applied at both intra-visit and inter-visit levels to filter spurious signals within encounters and across longitudinal history, while pharmacological constraints are incorporated during learning. Experiments on MIMIC-III and ablation studies show that this design consistently improves recommendation quality and ranking over strong baselines while achieving a more favorable safety performance balance. We further find that the strongest-performing configuration uses only demographic auxiliary features under our experimental setting. Overall, GraphDiffMed demonstrates that combining noise-aware attention with pharmacological constraints yields more reliable and clinically meaningful medication recommendation. We open-source our code at https://github.com/saxenakrati09/GraphDiffMed.
• Abstract（参考訳）: 電子健康記録(EHR)から安全かつ効果的な薬剤の組み合わせを推奨することは、中核的な臨床AI問題であるが、患者の軌跡が長く、騒々しく、臨床的に不均一であるため、依然として困難である。 既存の方法は通常、訪問や薬理学的知識の統合(例えば、薬物と薬物の相互作用、DDI)の時間的モデリングに優れるが、ノイズを頑健に抑制しながらも、両方を達成することは滅多にない。 両スケールの差分注意(differial Attention) v2 上に構築された知識に制約のある薬剤推奨フレームワークである GraphDiffMed を提示する。 視線内および視線間の両方で異なる注意力を適用して、遭遇や縦断的履歴をフィルターし、学習中に薬理学的制約が組み込まれている。 MIMIC-IIIおよびアブレーション実験により、この設計は、より良好な安全性能のバランスを保ちながら、推奨品質と強力なベースライン以上のランキングを一貫して改善することが示された。 さらに, 最強性能構成では, 実験条件下では, 人口統計学的補助機能のみを用いていることがわかった。 全体として、GraphDiffMedは、ノイズ対応の注意と薬理学的制約を組み合わせることで、より信頼性が高く臨床的に有意義な薬剤の推奨をもたらすことを実証している。 ソースコードはhttps://github.com/saxenakrati09/GraphDiffMed.orgで公開しています。

関連論文リスト

• HypeMed: Enhancing Medication Recommendations with Hypergraph-Based Patient Relationships [42.256653836522936]
  HypeMedは2段階のハイパーグラフベースのフレームワークで、ビジット内コヒーレンスモデリングとビジット間の拡張を統合している。 第一段階では、MedRepは知識を意識した対照的な事前トレーニングを通じて、臨床訪問をハイパーエッジとしてエンコードし、グローバルに一貫した検索フレンドリーな埋め込みスペースを作り出す。 第2段階では、SimMRはこの領域内で動的検索を行い、検索された参照を患者の経時的データと融合させ、薬の予測を洗練させる。
  論文  参考訳（メタデータ） (2026-03-19T03:40:02Z)
• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• 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)
• 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)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)

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。