精选理由
这篇论文用一个改进的损失函数让药物相互作用预测准了将近20个百分点，读来很有启发。
论文提出ClinicalFocal损失函数，集成到关系感知图卷积网络（RGCN）中，用于预测药物-药物相互作用。在TWOSIDES数据集上，五折交叉验证下，该方法将准确率从0.699提升至0.892（+19.3个百分点），F1分数从0.700提升至0.894。AUROC从0.766升至0.914，AUCPR从0.714升至0.860。假阴性率从29.8%降至9.1%，特异性从69.6%增至87.5%，整体分类错误降低64.1%。
AI 翻译 · 中文
论文提出ClinicalFocal损失函数，集成到关系感知图卷积网络（RGCN）中，用于预测药物-药物相互作用。在TWOSIDES数据集上，五折交叉验证下，该方法将准确率从0.699提升至0.892（+19.3个百分点），F1分数从0.700提升至0.894。AUROC从0.766升至0.914，AUCPR从0.714升至0.860。假阴性率从29.8%降至9.1%，特异性从69.6%增至87.5%，整体分类错误降低64.1%。
Background: Graph neural networks improve computational prediction of polypharmacy side effects, but standard binary cross-entropy training allocates equal capacity to well-classified and difficult examples, potentially …