基于图神经网络的医疗知识图谱推理预测方法研究.pdfVIP

基于图神经网络的医疗知识图谱推理预测方法研究.pdf

摘要

随着精准医疗的快速发展，医疗知识图谱推理在疾病预测与药物推荐方面展现出巨

大潜力。然而，在实际应用中仍存在两个问题：一是对于疾病预测任务，需要从大量异

构医学实体中提取重要的病理关联因素，但全图传播存在的噪音使其往往不能进行高效

推理；二是对于药物推荐任务，现有模型的复杂关系建模能力不足，尤其无法准确描述

知识图谱中的多跳关系依赖和全局语义关联，从而影响了个性化治疗建议的准确度。针

对这些问题，本文以糖尿病诊疗为切入点，具体工作如下：

（1）针对糖尿病领域三元组数据稀缺的问题，本文基于瑞金医院MMC人工智能辅

助构建知识图谱大赛所提供的数据，构建一个糖尿病知识图谱三元组数据集。在构建过

程中，依次经过数据采集、预处理、三元组提取和去重与过滤等步骤。该数据集包含糖

尿病相关疾病、药物、临床表现、发病机制和不良反应等实体，以及它们之间的复杂关

系，其具有多样性、结构化和扩展性强等特点，能够全面反映糖尿病的病理特征、临床

表现和治疗管理的复杂性。根据任务需求，进一步将其划分为疾病预测子集和药物推荐

子集，为后续模型验证提供数据支撑。

（2）针对疾病预测任务中冗余信息干扰的问题，本文提出一种基于动态采样和多层

感知机的知识图谱推理预测方法。该方法通过动态选择与预测任务相关的实体节点，从

根源上减少冗余信息的生成与传播问题；再引入多层感知机以增强信息传递机制，并借

助长短时记忆神经网络构建长距离依赖模型，以降低噪声对推理结果的干扰。为验证所

提方法在知识图谱推理任务中的有效性，分别在多个公开数据集实验。实验结果表明，

所提方法在MRR和Hit@1等评价指标上都优于目前的方法。其中，相对于RED-GNN

模型在FB15k-237数据集上的MRR提升约5%。此外，在提出的疾病预测数据集上，该

方法在Hit@1指标上达到93.1%的最高准确率。消融实验表明，所提动态采样及长距离

建模的模块能够有效提高模型推理效率及准确性。

（3）针对药物推荐任务中复杂关系建模的难题，本文提出一种基于路径与全局关系

双感知的知识图谱推理预测方法。该方法通过设计的两个门控单元能够对局部路径语义

与全局关系信息进行有效的融合，从而更准确地捕捉复杂知识图谱中的潜在关系信息。

实验结果表明，所提方法在WN18RR、Family及UMLS公开数据集上，多种评价指标均

展现出优于当前主流方法的性能，在所提出的药物推荐数据集上也展现出优秀的推理能

万方数据

力，其Hit@1指标达到了92.8%。最后，通过消融实验进一步验证两个门控单元对提高

模型推理能力与效率的重要性。

关键词：图神经网络；知识图谱推理；疾病预测；药物推荐；动态采样；全局关系建模

Abstract

Withtherapiddevelopmentofprecisionmedicine,medicalknowledgegraphreasoninghas

showngreatpotentialindiseasepredictionanddrugrecommendation.However,therearestilltwo

problemsinpracticalapplications:First,fordiseasepredictiontasks,itisnecessarytoextract

crucialpathologicalcorrelationfactorsfromalargenumberofheterogeneousmedicalentities,but

thenoiseexistinginthecompletegraphpropagationoftenmakesitimpossibletoperformefficient