特征增强多任务学习模型FEMTL-DR：面向中医个性化诊疗的柔性药物推荐新范式

《Neurocomputing》：FEMTL-DR: A feature-enhanced multi-task learning model for flexible drug recommendation

本文提出了一种特征增强的多任务学习模型FEMTL-DR，通过混合多实体编码、状态空间变换器（State-Space Transformer）和图神经网络（GNN）融合技术，有效解决了中医（TCM）领域基于证候的药物推荐中多实体关系建模和联合优化的难题。该模型在反流性食管炎（RE）案例中显著提升了证候分类和药物推荐的综合评估指标（如平均精度AP提升≥2.48%），为中医精准医疗提供了创新性解决方案。

　　

亮点

本研究提出了一种用于柔性药物推荐的特征增强多任务学习模型FEMTL-DR。该模型创新性地融合了混合多实体编码策略、基于状态空间变换器的特征增强机制以及图-变换器协同的多任务联合优化框架，显著提升了中医证候驱动药物推荐的准确性与鲁棒性。

结论

我们提出了FEMTL-DR，一种用于中医证候分类和药物推荐的特征增强多任务学习模型。该模型采用混合多实体编码策略，实现了对不同实体（如疾病、草药、草药属性等）的差异化编码。基于这些编码后的实体表示，提出了成对相似性计算机制，用于重构异质图的邻接矩阵。随后，采用基于状态空间变换器的策略，通过捕获长程依赖关系并提取局部和全局信息来增强节点特征。最后，构建了一个结合图神经网络和变换器模块的多任务学习框架，以联合优化证候分类和药物推荐任务。实验结果表明，FEMTL-DR在反流性食管炎（RE）案例中，其综合评估（整合证候分类和药物推荐）在平均精度（AP）、精确率（Precision）、召回率（Recall）和F1分数（F1-score）上均显著优于基线模型。本研究为中医反流性食管炎的个性化诊疗提供了一种新方案，并可视为其他疾病应用的范式。