AMIUgraph：基于实用性的图模型基准测试中交互作用的分析与建模

《BMC Medical Informatics and Decision Making》：AMIUgraph: analysis and modeling of interactions for utility-driven benchmarking of graph-based models in healthcare

　　

摘要

背景

基于图的机器学习方法，包括知识图谱嵌入（KGE）方法和图神经网络（GNN），已成为用于建模复杂生物医学数据的强大工具。然而，目前仍缺乏在异构医疗健康图上对这些方法进行系统且具有临床依据的比较，未能同时考虑其预测性能和实际应用中的限制条件。

方法

我们提出了AMIUGraph，这是一个用于医疗健康关联预测的全面基准测试框架，它将真实世界临床数据与外部生物医学知识库相结合。AMIUGraph对八种最先进的模型进行了评估，其中四种为知识图谱嵌入（KGE）方法，分别是DistMult、CP、ComplEx和ConvE；另外四种为图神经网络（GNN）架构，即GCN、GraphSAGE、GAT和GIN。这些模型在代表患者–疾病、疾病–药物以及药物–靶标相互作用的三种异构二分图上进行了测试。评估时采用了传递学习和归纳学习两种场景，以准确率、AUC、精确度、召回率、F1分数以及训练时间作为评价指标。

结果

实验结果表明，模型性能受到图结构及稀疏性的显著影响。在稀疏的交互图中，GNN在疾病–药物以及药物–靶标预测任务上始终展现出更出色的预测性能。相比之下，在涉及未见过患者的归纳式临床场景中，KGE模型虽精度相当，但计算成本要低得多。在以多种疾病共存为特征的临床现实环境中，如胃肠道疾病和肝脏疾病，这种情况更为明显，因为这类情况下患者信息会频繁更新，且治疗相互作用十分复杂。

结论

AMIUGraph提供了一个具有临床依据且以实用性为导向的基准测试框架，可针对多种医疗健康图类型及不同的学习场景同时评估KGE和GNN模型。这些研究结果为在医疗决策支持系统中选择基于图的模型提供了实用指导，尤其适用于胃肠道疾病相关的医疗领域。此外，通过公开所有数据集、实验方案和代码，该框架还有助于提升研究的透明度与可重复性。