该论文介绍了一种名为 medicX 的端到端框架，它将来自公共药物库的多种药物特征集成到一个知识图谱中，并使用各种翻译、分解和神经网络方法嵌入图谱中的节点，最终使用机器学习算法来预测未知的药物相互作用。

Aug, 2023

该研究提出了一种基于知识的医药处方网络 (KindMed) 框架，利用外部医学知识源将电子健康记录 (EHR) 丰富为医学知识图谱 (KG)，借助关系感知图表示学习和分层顺序学习的方法，探索个性化推荐。实验证明，该方法在增强现实世界的 EHR 数据集上相较于图驱动的基准方法取得了领先的性能。

Oct, 2023

提出了一种名为 GraphCare 的基于开放框架的方法，其结合了外部知识图和医疗健康记录，旨在提高医疗预测的精度。使用大型语言模型和外部生物医学知识图生成个性化图知识，并使用提出的双重注视增强的 BAT 图神经网络用于医疗保健预测。实验结果表明，GraphCare 方法在几个重要的医疗预测任务中的性能都优于基线模型，尤其是在数据稀缺的情况下表现优异。

May, 2023

本篇论文介绍一种基于深度学习的药物推荐方案：Graph Augmented Memory Networks。该方案将关于药品之间相互影响的知识图谱纳入记忆模块，并使用纵向患者记录作为查询，从而为患者自定义药物组合提供安全且个性化的推荐。在真实的电子健康记录数据中，GAMENet 凭借其优异的效能表现和 3.60% 的 DDI 率降低值，在所有有效性度量方面均优于基线算法。

Sep, 2018

本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

Aug, 2019

通过结合医学知识图谱和新颖的图模型 Dr.Knows，我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力，从而消除预训练的需要，提高自动诊断生成的准确性。

Aug, 2023

使用异质文本图形，借助统一医学语言系统中的医学知识，提出了一种基于概念感知注意机制的自然语言处理方法，结合预训练语言模型的上下文化嵌入和卷积图神经网络进行特征表示和关系学习，能有效地自动从文本中检测不良药物事件，表现和最近进展竞争性相当。

Jan, 2023

提出了一种名为 ALGNet 的新型模型，利用轻量级图卷积网络（LGCN）和增强型记忆网络（AMN）来增强药物推荐，研究结果表明，ALGNet 在推荐准确性和避免药物相互作用方面优于多种基准方法。

Dec, 2023

本研究使用多视图图形自编码器模型和注意机制来整合多种药物特征，从而学习准确和可解释的药物相似性度量，实验证明模型能够显著提高预测准确性和模型容量。

Apr, 2018

机器学习在医生对病人的发展趋势获得洞察力方面受到越来越多的关注。我们提出了一种名为多模态 UMLS 图神经网络学习（MMUGL）的新方法，用于使用基于统一医学语言系统的知识图上的图神经网络学习医学概念的有意义的表示。这些表示被聚合表示整个病人就诊情况，然后输入到序列模型中以在病人的多次医院就诊的粒度上进行预测。我们通过整合先前的医学知识并考虑多种模态来提高性能。我们将我们的方法与用于不同粒度上学习表示的现有架构在 MIMIC-III 数据集上进行比较，并展示出我们的方法优于这些方法。结果表明了基于先前的医学知识的多模态医学概念表示的重要性。

Jul, 2023