GraphDiffMed：融合药理图先验与差分注意力机制，实现更可靠的药物推荐
药物推荐是临床AI的核心难题之一。电子健康记录（EHR）中的患者轨迹往往冗长、充满噪声且临床异质性高，现有方法要么擅长跨就诊时序建模，要么擅长整合药理知识（如药物相互作用DDI），但鲜有两者兼顾且能稳健抑制噪声的解决方案。近日，来自日本的研究团队提出了 GraphDiffMed，一个知识约束下的药物推荐框架，核心创新在于引入了双尺度差分注意力机制，在就诊内和就诊间两个层面过滤虚假信号，同时将药理约束融入学习过程。
技术亮点：差分注意力 + 药理先验
GraphDiffMed 基于 Differential Attention v2 构建。传统注意力机制容易在长序列中放大噪声，而差分注意力通过计算两个注意力分布的差异，有效识别并抑制与临床决策无关的干扰信息。具体而言，模型分别在单个就诊内的用药组合（intra-visit）和跨就诊的长期历史（inter-visit）上应用差分注意力，从而在时间维度和用药组合维度上实现双重降噪。
与此同时，模型引入了药理图先验，将药物-药物相互作用（DDI）等知识以图结构的形式嵌入到推荐过程中。这种做法不同于以往仅在损失函数中惩罚DDI的“事后修正”策略，而是让药理知识直接参与特征学习，使得推荐结果在疗效和安全性之间取得更优平衡。
实验表现：安全性与有效性双提升
研究团队在 MIMIC-III 数据集上进行了全面评估。实验结果显示，GraphDiffMed 在推荐质量（如Jaccard相似度、F1分数）和排序指标（如NDCG）上均显著优于多个强基线模型，包括基于RNN、Transformer以及结合图神经网络的方法。特别值得注意的是，在DDI率这一安全指标上，GraphDiffMed 实现了更低的药物冲突概率，表明其能够在保持高疗效的同时降低不良反应风险。
消融实验进一步揭示了关键发现：仅使用人口统计学辅助特征时，模型性能达到最佳。这意味着GraphDiffMed 能够从最简单的输入中提取足够有效的信号，而无需依赖复杂的临床特征工程，降低了实际部署的门槛。
行业启示与开源贡献
当前，临床AI系统面临的最大挑战之一是“噪声-知识”两难：时序模型容易受数据噪声干扰，而知识驱动模型又缺乏对动态变化捕捉能力。GraphDiffMed 提供了一条可行的融合路径——通过差分注意力机制从数据中自动过滤噪声，再通过药理图先验注入领域知识，两者协同工作。
该工作已在 arXiv 上公开，代码也已开源（见论文链接），为后续研究提供了可复现的基准。未来，这一框架有望扩展到更广泛的临床决策支持场景，例如合并症患者的治疗方案优化，或结合基因组学数据的个性化用药。
对于关注医疗AI落地的从业者而言，GraphDiffMed 的思路值得借鉴：与其追求更复杂的模型，不如在注意力机制上做减法，在知识融合上做加法。