AI医药论文阅读笔记-Extracting Drug-drug Interactions with a Dependency-based Graph Convolution Neural Networ

基于依赖图的图卷积神经网络提取药物相互作用

Extracting Drug-drug Interactions with a Dependency-based Graph Convolution Neural Network

2019.11 2019 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)

目录

基于依赖图的图卷积神经网络提取药物相互作用

1.摘要

2.INTRODUCTION

relate

3.方法​编辑

3.1 BiLSTM层

3.2 GCN层

3.3 输出层

4.实验

4.1 Dataset

4.2 比较实验

4.3 消融实验

5 结论

---

1.摘要

药物相互作用（DDI）在药物警戒等生物医学的各种应用中发挥着关键作用。生物医学出版物中经常报道DDI，使其成为提取DDI的有效来源。尽管神经网络在DDI提取方面取得了竞争优势，但之前的工作依赖依赖路径来去除生物医学出版物句子中的噪声。然而，这种方法可能会忽略关于DDI的关键信息。有效地利用大量依赖信息可以改进DDI提取。在这篇文章中，我们提出了一个模型，该模型结合了图卷积神经网络（GCN）和双向长短记忆（BiLSTM），从句子的整个依赖图中提取DDI交互。我们在该领域的基准语料库中评估了我们的模型，即DDIExtraction 2013语料库。我们的模型获得了最先进的结果（F1的77.0%），这优于之前工作中报告的结果。

结合了图卷积神经网络（GCN）和双向长短记忆（BiLSTM），从句子的整个依赖图中提取DDI交互。

2.INTRODUCTION

生物医学文献中包含了大量关于DDI的最新信息。生物医学文献的快速增长使得手动DDI提取变得不可能。因此，开发从生物医学文献中自动提取DDI的系统对于正在进行的临床研究具有重要意义。

1. 机器学习方法：传统的基于特征的方法。

2. 基于神经网络的方法优于传统的基于特征的方法[6]，[7]。然而，神经网络无法有效地从长而复杂的句子中学习。例如，DDIExtraction 2013语料库中最长的句子包含150多个单词。因此，神经网络很难捕获有用的信息，同时忽略长句子中的噪声。

3. 一些研究将最短依赖路径（SDP）[8]、[9]纳入深度神经网络，这可以提高性能，因为SDP能够去除噪声，但在句子中保留有效信息。最近的研究[10]证明了这种方法在DDI提取中的有效性。然而，依赖路径可能会从句子中丢失某些关键信息。

将整个依赖图集成到深度神经网络中：

1. 双向长短记忆（BiLSTM）被用于学习每个单词的表示，并将其应用于整个句子。

2. 将句子的整个依赖图送入图卷积神经网络（GCN）[11]、[12]，以将依赖信息集成到单词表示中。

3. 使用最大池层从单词表示中捕获显著信息，并生成句子和两个目标药物实体的表示。

4. 这些