随着药物种类增多和临床用药复杂性提升,药物相互作用可能性增加,了解药物相互作用对优化治疗方案、提高疗效和降低不良反应意义重大.前人在DDI(Drug-Drug Interaction)数据集进行关系抽取时,存在特征抽取不全、依赖数据集、正负样本数...随着药物种类增多和临床用药复杂性提升,药物相互作用可能性增加,了解药物相互作用对优化治疗方案、提高疗效和降低不良反应意义重大.前人在DDI(Drug-Drug Interaction)数据集进行关系抽取时,存在特征抽取不全、依赖数据集、正负样本数量不平衡等问题,导致模型训练性能差、准确率低.基于此,提出一种基于多模态融合特征的神经网络模型对药物实体关系抽取进行研究.该模型将文本描述、分子结构特征及药物描述等信息进行融合,首先从输入数据中抽取药物实体间的潜在关联,随后基于深度学习方法对提取的关系进行语义分类,最终利用分类器预测药物实体间的相互作用类型,并输出结构化的关系分类结果.实验显示,此模型在DDI数据集上关系抽取的效果良好,F1值达84.48%,比基于深度学习融合的BiLSTM(Bidirectional Long Short Term Memory)模型的F1值提高约1%.研究表明,该模型能更高效准确地挖掘药物的相互作用关系,为临床用药提供科学合理的指导,从而提升药物治疗效果与安全性.展开更多
文摘随着药物种类增多和临床用药复杂性提升,药物相互作用可能性增加,了解药物相互作用对优化治疗方案、提高疗效和降低不良反应意义重大.前人在DDI(Drug-Drug Interaction)数据集进行关系抽取时,存在特征抽取不全、依赖数据集、正负样本数量不平衡等问题,导致模型训练性能差、准确率低.基于此,提出一种基于多模态融合特征的神经网络模型对药物实体关系抽取进行研究.该模型将文本描述、分子结构特征及药物描述等信息进行融合,首先从输入数据中抽取药物实体间的潜在关联,随后基于深度学习方法对提取的关系进行语义分类,最终利用分类器预测药物实体间的相互作用类型,并输出结构化的关系分类结果.实验显示,此模型在DDI数据集上关系抽取的效果良好,F1值达84.48%,比基于深度学习融合的BiLSTM(Bidirectional Long Short Term Memory)模型的F1值提高约1%.研究表明,该模型能更高效准确地挖掘药物的相互作用关系,为临床用药提供科学合理的指导,从而提升药物治疗效果与安全性.
