GraphCare：通过个性化知识图谱增强医疗保健预测
发表评论
164 views

中文标题：GraphCare: 通过个性化知识图谱增强医疗保健预测

英文标题：GraphCare: Enhancing Healthcare Predictions with Personalized Knowledge Graphs

发布平台：ICLR

ICLR

发布日期：2024-01-17

引用量（非实时）：

DOI：

作者：Pengcheng Jiang, Cao Xiao, Adam Cross, Jimeng Sun

关键字： #GraphCare

文章类型：preprint

品读时间：2024-02-18 10:37

1 文章萃取

1.1 核心观点

GraphCare 是一个开放世界的框架，利用外部 KG 来改进基于 EHR 的预测。具体来说，GraphCare 从大型语言模型（LLMs/GPT 4）和外部生物医学知识图谱中提取知识，以生成特定于患者的知识图谱，然后将其用于训练基于双注意力增强（BAT）图神经网络（GNN）的医疗保健预测

实验分析表明，GraphCare 在四个重要的医疗预测任务中优于基线模型：死亡率、再入院、住院时间和药物推荐，将 MIMIC-III 上的 AUROC 平均提高分别为 10.4%、3.8%、2.0% 和 1.5%

1.2 综合评价

  • 从两个不同就诊间和单次就诊内两个层次考虑注意力的计算，显著改善了模型性能
  • 构建了多种形式的图，即包含了医疗概念的局部，也有面向患者的个性化知识图谱
  • 借助 LLMs 进行了知识图的抽取，效果优于传统图的抽样（值得思考传统图的变革）
  • 可以从更丰富的角度纳入更多的医疗实体，建立更全面的数据视角来辅助模型学习

1.3 主观评分：⭐⭐⭐⭐⭐

2 精读笔记

2.1 算法细节

整体框架设计：

  1. 通过 LLMs 从文本中抽取三元组或从现有知识图（KG）中进行采样的方式，针对数据集中的每个医疗概念（诊断 conditions、治疗措施 procedure、药物 drug）生成一个特定的 KG
  2. 使用聚合方法，将所有医疗概念子图的进行节点或边的聚类，得到全局的知识图
  3. 根据每个患者的诊治流程，为每位患者构建个性化的 KG（三元组序列）
  4. 基于个性化知识图谱应用双注意力增强 (BAT) 的图神经网络 (GNN) 实现医疗预测
2.1.1 知识图的生成

患者的诊治流程与相关医疗概念： 针对特定概念的知识图生成主要有两种方式：

  1. 借助 GPT 4 直接生成并收集知识三元组，相应的 Prompt 示例如下：
  2. 从英文医疗知识图谱 UMLS 中进行随机采样，选择对应实体的 k 跳子图

聚合医疗概念子图，初始化不同节点和边的全局嵌入表示：

  • 借助凝聚聚类算法根据词嵌入（from GPT 3）的余弦相似性聚合节点和边
  • 最终每个节点/边的初始嵌入表示是每个聚合后簇内所有相似节点/边的嵌入均值
  • 知识图的三元组示例：[结核病，治疗方式，抗生素]，[结核病，影响，肺]

根据全局化后的概念子图构建患者的个性化知识图：

  • 假如患者 $i$ 在诊治过程中，产生了 $J$ 条包含医疗概念实体的就诊记录
  • 拼接每个实体对应的概念子图后，患者 $i$ 的访问子图可以表示为 $$G_{pat(i)}={G_{i,1},G_{i,2},...,G_{i,J}}={(V_{i,1},E_{i,1}),...,(V_{i,J},E_{i,J})}$$

其中 V 和 E 分别表示不同医疗概念子图的节点和边

2.1.2 双注意力增强的图神经网络

首先将词嵌入表示转化为隐藏嵌入，减少节点和边嵌入的大小，以提高模型的效率并处理稀疏问题。其中第 $i$ 个患者在第 $j$ 次就诊记录中的第 $k$ 个实体的节点和边嵌入转化公式如下： $$ \mathbf{h}_{i,j,k}=\mathbf{W}_{v}\mathbf{h}_{(i,j,k)}^{\mathcal{V}}+\mathbf{b}_{v}\quad ;\quad \mathbf{h}_{(i,j,k)\leftrightarrow(i,j^{'},k^{'})}=\mathbf{W}_{r}\mathbf{h}_{(i,j,k)\leftrightarrow(i,j^{'},k^{'})}^{\mathcal{R}}+\mathbf{b}_{r} $$

  • 其中 $W$ 和 $b$ 均为可学习的网络参数；
  • $(i,j,k)\leftrightarrow(i,j^{'},k^{'})$ 表示节点 $(i,j,k)$ 到节点 $(i,j^{'},k^{'})$ 之间的边
  • $\mathbf{h}^{\mathcal{V}}_{(i,j,k)}$ 表示节点的原始嵌入；$\mathbf{h}_{(i,j,k)}$ 表示节点的隐藏嵌入
  • $\mathbf{h}_{(i,j,k)\leftrightarrow(i,j^{'},k^{'})}^{\mathcal{R}}$ 表示边的原始嵌入；$\mathbf{h}_{(i,j,k)\leftrightarrow(i,j^{'},k^{'})}$ 表示边的隐藏嵌入

然后根据边和关系的隐藏嵌入，模型从 2 种层次分别计算注意力，注意力 $\alpha$ 针对同一次就诊记录中的不同实体（诊断/治疗/用药）进行重要性评估（node-level）；注意力 $\beta$ 针对不同的就诊记录进行重要性评估（subgraph-level）。二者的计算公式如下： $$ \begin{aligned}\alpha_{i,j,1},...,\alpha_{i,j,M}&=\text{Softmax}(\mathbf{W}_{\alpha}\mathbf{g}_{i,j}+\mathbf{b}_{\alpha}), \\\beta_{i,1},...,\beta_{i,N}&=\lambda^\top\text{Tanh}(\mathbf{w}_{\beta}^\top\mathbf{G}_i+\mathbf{b}_{\beta}),\quad\text{where}\quad\lambda=[\lambda_1,...,\lambda_N]\end{aligned} $$

  • $\alpha_{i,j,k}$ 描述了患者 $i$ 的第 $j$ 次就诊记录的第 $k$ 个节点的重要性，$M$ 是全局的节点数
  • $g_{i,j}$ 是患者 $i$ 的第 $j$ 次就诊记录对应子图的多热（multi-hot）向量表示
  • $\beta_{i,j}$ 描述了患者 $i$ 的第 $j$ 次就诊记录的权重重要性，$N$ 是患者的最大就诊次数
  • $\lambda$ 是时间衰减系数； $G_i$ 是患者 $i$ 的访问子图（所有就诊记录）的多热向量表示

双注意力增强 (BAT) 层通过聚合所有访问子图中的相邻节点来更新节点嵌入： $$ \mathbf{h}_{i,j,k}^{(l+1)}=\sigma\left(\mathbf{W}^{(l)}\sum_{j^{\prime}\in J,k^{\prime}\in\mathcal{N}(k)\cup{k}}\left(\underbrace{\alpha_{i,j^{\prime},k^{\prime}}^{(l)}\beta_{i,j^{\prime}}^{(l)}\mathbf{h}_{i,j^{\prime}}^{(l)},k^{\prime}}_{\text{Node aggregation lerm}}+\underbrace{\mathrm{w}_{\mathcal{R}(k,k^{\prime})}^{(l)}(i_{i,j,k^{\prime})\leftrightarrow(i,j^{\prime},k^{\prime})}}_{\text{Elge aggregation lerm}}\right)+\mathbf{b}^{(l)}\right) $$

节点聚合项捕获了注意力加权节点的贡献，而边聚合项表示连接节点的边的影响。该卷积层集成了节点和边缘特征，使模型能够学习患者 EHR 数据的丰富表示

假设经过 L 层 BAT 后的节点嵌入表示为 $\mathbf{h}_{i,j,k}^{(L)}$，而患者 $i$ 的最终嵌入表示有以下三种形式： $$ \begin{aligned} z_i^{graph}&=MLP(\mathbf{h}_i^{G_{pat}})=MLP(\text{MEAN}(\sum_{j=1}^{J}\sum_{k=1}^{K_j}\mathbf{h}_{i,j,k}^{(L)})) \\ z_i^{node}&=MLP(\mathbf{h}_i^{G_{p}})=MLP(\text{MEAN}(\sum_{j=1}^{J}\sum_{k=1}^{K_j}1^{\Delta}_{i,j,k}\mathbf{h}_{i,j,k}^{(L)})) \\ \mathbf{z}_i^{\mathrm{joint}}&=\mathrm{MLP}(\mathbf{h}_i^{G_{pat}}\oplus\mathbf{h}_i^{\mathcal{P}})\end{aligned}

$$

患者 $i$ 的最终嵌入表示，可以来自患者所有就诊记录的节点嵌入均值 $\mathbf{h}_i^{G_{pat}}$，也可以来自所有与患者直接相关的节点嵌入均值 $\mathbf{h}_i^{G_{p}}$，还可以是以上二者的综合

训练模型的四种预测任务：

  1. 死亡预测（MT）：二分类任务
  2. 15 天内再入院预测（RA）：二分类
  3. 住院时长预测（LOS）：多分类（8 表示 1~2 周，9 表示 2 周以上）
  4. 药物推荐（Drug recommendation）：多标签

最终损失函数为二元交叉熵损失+交叉熵损失（公式略）

本文模型中还使用了权重初始化技巧，主要思想是根据不同节点嵌入与特定任务关键词（如"死亡"）对应嵌入间的余弦相似度，来初始化该节点对应的权重。此处不再赘述细节。

后续实验表明：该方法有助于模型的快速收敛，并改善了最终模型在不同任务上的性能

2.2 实验分析

数据说明：

  • 根据 GPT4+提示，生成了42,056个实体、9,404种关系、85,387个三元组
  • 通过已有 KG 中抽样，生成了82,628个实体、80种关系、247,069个三元组
  • EHR 数据主要考虑公开的 MIMIC-III 和 MIMIC-IV 数据集

评价指标：准确率、F1、Jaccard 相似度、AUPRC、AUROC、Kappa 一致性

不同任务不同模型的表现：

  • 每个模型在 MIMIC-III 运行> 100 次和 MIMIC-IV 运行> 50 次以计算均值和标准差
  • 基于 BAT 层的 GraphCare 模型在不同任务、不同数据上均表现出色，超过其他 baseline

训练样本量分析：GraphCare 达到同样的性能所需样本量远少于其他模型

不同知识图谱的效用分析：GPT4 生成的 KG 作用比 UMLS 抽样子图的作用好

消融实验：BAT 层的不同模块和组件对不同任务的影响

模型的可解释性分析：被正确预测为死亡的患者的相关重要节点

  • 图 a 显示了对死亡预测有重要贡献的节点，比如 “deadly cancer”，“life-threatening"等
  • 图 b 显示了患者直接相关的实体，如"bronchiectasis”(支气管扩张)和"pneumonia"(肺炎)
  • c, d, e 图则展开这些重要节点的相关节点信息

不同患者表示方式的在不同任务上的效果差异：

相关资源

往年同期文章