从个体评分到可接受集合：DDI 约束下的全局解码

问题设定：从评分到可行集合

药物推荐不仅要求药物得分高，还要求药物集合在 DDI 相互作用方面可行。arXiv:2610.29228 的研究发表于 2026 年 10 月 21 日。该研究比较了局部修正与精确全局解码。在所有比较中，药物得分、输出集合大小和 DDI 限制均保持不变。

研究使用了基于 MIMIC-III 的冻结分类器 FLAME 的药物评分。比较的关键条件如下：

• 药物评分固定；
• 输出集合大小固定；
• DDI 限制固定。

结论：只有在药物评分、集合大小和 DDI 限制相同的情况下，比较不同方法才有意义。否则，Jaccard 差异无法反映方法本身的贡献。

通过 MILP 进行全局解码

全局解码器会联合选择一个可行的药物集合。在 DDI 限制下，它会选择得分最高的可行集合。为此，研究采用混合整数线性规划。文章将这种方法称为精确全局解码。

步骤：

• 获取药物评分；
• 设定输出集合大小；
• 设定 DDI 限制；
• 通过 MILP 找到得分最高的可行集合。

结论：全局解码会整体解决集合选择问题。实际选择标准是：当 DDI 限制严格且需要精确满足可行性要求时，采用全局解码。

局部修正策略

局部方法会修正集合中的 DDI 违规。研究比较了三种策略。贪心修正采用贪心方式进行修正。度数感知修正会考虑节点度数。增强版则加入了穷举式 1-swap 局部搜索。

策略：

• 贪心修正；
• 度数感知修正；
• 加入穷举式 1-swap 局部搜索的增强版度数感知修正。

结论：局部方法在考虑结构的方式和局部搜索范围方面有所不同。选择标准是：检查策略如何修正 DDI 违规，以及如何保留药物评分。

在验证集和测试集划分上的比较

在验证集和测试集划分上，与局部方法相比，全局解码始终能取得更高的 Jaccard 相似度。

结论：从 Jaccard 相似度来看，全局解码在验证集和测试集上的表现优于局部方法。选择标准是：选择方法时参考 Jaccard 相似度。

DDI 限制的严格程度与错误构成

在 DDI 限制较宽松时，全局解码的优势不大；随着限制收紧，其优势会扩大。在测试集的严格 DDI 运行点上，与表现最好的局部基线相比，Jaccard 提高了 +0.0064。

这一结果在以下条件下仍然成立：

• 在匹配实际 DDI 暴露量的精细准确率–DDI 扫描中；
• 对三种评分表示均成立。

在严格设置下，全局解码会保留更多真阳性药物，同时也会移除更多假阳性。

结论：DDI 限制越严格，全局集合选择就越重要。实际选择标准是：在严格模式下，依据 Jaccard、真阳性药物的保留情况以及假阳性的移除情况评估方法。