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

提出了一种基于 EHR 数据的注意力引导协同决策网络 (ACDNet) 进行药物推荐的方法，ACDNet 利用注意力机制和 Transformer 模型，全面、局部地建模患者的健康状况和药物记录，并利用药物记录与药物表示之间的相似性促进推荐过程；实验结果表明，ACDNet 在 Jaccard、PR-AUC 和 F1 分数等指标上优于最先进的模型，并且消融实验进一步验证了 ACDNet 每个模块的有效性，实证了其在基于 EHR 数据的药物推荐中的实用性。

Jul, 2023

本文提出了一种名为 KnowAugNet 的多源医学知识增强药物预测网络，通过多级图对比学习框架充分捕获医疗代码之间的多样化关系，结合医学本体图和构建的医学先验关系图，输入顺序学习网络以捕捉医学代码的时间关系，从而达到预测患者药物的目的。

Apr, 2022

本文介绍了一种基于 COGNet 的自动化药物推荐模型，通过引入新的复制或预测机制，有效减少药物推荐错误率，并在实验中验证了该模型的有效性。

Feb, 2022

本文介绍了轻量动态图卷积网络（LDGCNs），应用于 AMR-to-text 生成任务中。LDGCNs 采用动态融合机制，利用高阶信息从输入图中合成更丰富的非局部交互，并采用组图卷积和权重共享卷积来减少内存使用和模型复杂度，并通过实验验证了它在 AMR-to-text 生成任务中优于其他同类模型且具有显著较少的参数。

Oct, 2020

利用图神经网络（GNN）算法，该研究在医学和健康领域创新性地整合了图神经网络技术，并通过挖掘患者的临床特征、基因信息和生活习惯之间的复杂关联，构建了高精度的患者健康状况表示模型。实验证实，相比传统机器学习方法和单一图神经网络模型，该个性化医学决策算法在疾病预测准确性、治疗效果评估和患者风险分层等方面表现出显著优越性。

May, 2024

提出了 DGMed，一种应用因果推断解决药物推荐系统中异质性问题的框架，通过分析历史记录中药物对特定疾病的量化治疗效果，揭示医学实体之间的潜在联系，利用分子层次的知识进行特征对齐，最终根据患者的当前健康状况自适应调整药物推荐概率并推荐药物组合，实验证明该方法在准确性、安全性和时间效率方面优于现有的基线模型。

Mar, 2024

该论文提出了一种医生推荐系统，采用时间嵌入和异构图注意力网络，重建患者和医生之间的潜在连接，并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2％，联邦去中心化算法不仅能够实现虚拟融合中心的性能，而且具有 O（1/T）的收敛速率。

Jul, 2022

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

提出了 EmerGNN，一种利用生物医学网络中丰富信息能够有效预测新兴药物相互作用的图神经网络。EmerGNN 通过提取药物对之间的路径、在药物之间传播信息，并结合路径上的相关生物医学概念来学习药物的成对表示。权重不同的生物医学网络边指示了目标药物相互作用预测的相关性。总体而言，EmerGNN 在预测新兴药物相互作用方面具有比现有方法更高的准确性，并能识别出生物医学网络上最相关的信息。

Nov, 2023