本文介绍2022年1月被Cell Pattern杂志发表的论论文“HINT: Hierarchical interaction network for clinical-trial-outcome predictions”。该工作发布了首个临床试验结果预测公开数据集，提出了基于深度学习（图神经网络）的临床试验结果预测方法。该工作由佐治亚理工学院的Tianfan Fu，斯坦福大学的Kexin Huang，Amplitude的Dr. Cao Xiao，IQVIA（艾昆玮）的Dr. Lucas M.Glass和伊利诺伊大学香槟分校的Prof. Jimeng Sun合作完成。

论文链接：

https://www.sciencedirect.com/science/article/pii/S2666389922000186#

数据和代码：

https://github.com/futianfan/clinical-trial-outcome-prediction

本文主要包含以下内容：

  • 问题定义：本文正式定义了一个用于一般临床试验结果预测任务的模型框架，它可以学习各种有用的特征，包括药物安全性、治疗效率(treatment efficiency)和试验招募(trial recruitment)。

  • 基准数据集(benchmark dataset)：为了实现通用的临床试验结果预测，本文整合了一个包括药物分子、疾病代码和临床试验记录的基准数据集(Benchmark dataset)。

  • 方法：本文设计了一种基于图神经网络的深度学习方法，可以显式地模拟不同的临床试验因素及其交互关系，从而预测试验结果，该方法被命名为Hierarchical interaction network (HINT)。

  • 实验结果（精确度）：我们在这个数据集上和最先进的方法做了比较。HINT 在临床 I 期、II 期和 III 期的预测中分别获得了 0.665、0.620和0.847 的 F1 分数。此外，与最佳基线方法（Cross-Modal Psuedo-Siamese Network [COMPOSE]）相比，HINT 取得了统计意义显著的提升。此外，本文进行了一个案例研究，通过成功预测一些著名的临床试验结果来展示 HINT 对现实世界的潜在影响。

  • 讨论和未来工作展望指出了本文的局限和未来可能的方向。

内容中包含的图片若涉及版权问题，请及时与我们联系删除