In recent years, numerous machine learning models which attempt to solve polypharmacy side effect identification, drug-drug interaction prediction and combination therapy design tasks have been proposed. Here, we present a unified theoretical view of relational machine learning models which can address these tasks. We provide fundamental definitions, compare existing model architectures and discuss performance metrics, datasets and evaluation protocols. In addition, we emphasize possible high impact applications and important future research directions in this domain.

我们提出了分子法律网络（MOOMIN）一种由阿斯利康肿瘤学家使用的多模式图神经网络，以预测用于癌症治疗的药物组合的协同作用。我们的模型基于药物蛋白质相互作用网络和元数据以多种尺度学习药物表示。对化合物和蛋白质的结构特性进行编码，以创建在双方相互作用图上运行的消息通话方案的顶点特征。传播消息形成多分辨率的药物表示，我们用来创建药物对描述符。通过调节癌细胞类型的药物组合表示形式，我们定义了一种协同评分功能，该功能可以感应地评分看不见的药物对。有关协同评分任务的实验结果表明，穆明的表现优于最先进的图形指纹，保持节点嵌入以及现有的深度学习方法。进一步的结果表明，我们的模型的预测性能对超参数变化是可靠的。我们证明该模型可以在癌细胞系组织中进行高质量的预测，样本外预测可以通过外部协同效应数据库进行验证，并且所提出的模型在学习方面有效。

Artificial Intelligence (AI) is having a tremendous impact across most areas of science. Applications of AI in healthcare have the potential to improve our ability to detect, diagnose, prognose, and intervene on human disease. For AI models to be used clinically, they need to be made safe, reproducible and robust, and the underlying software framework must be aware of the particularities (e.g. geometry, physiology, physics) of medical data being processed. This work introduces MONAI, a freely available, community-supported, and consortium-led PyTorch-based framework for deep learning in healthcare. MONAI extends PyTorch to support medical data, with a particular focus on imaging, and provide purpose-specific AI model architectures, transformations and utilities that streamline the development and deployment of medical AI models. MONAI follows best practices for software-development, providing an easy-to-use, robust, well-documented, and well-tested software framework. MONAI preserves the simple, additive, and compositional approach of its underlying PyTorch libraries. MONAI is being used by and receiving contributions from research, clinical and industrial teams from around the world, who are pursuing applications spanning nearly every aspect of healthcare.

Federated learning (FL) enables the building of robust and generalizable AI models by leveraging diverse datasets from multiple collaborators without centralizing the data. We created NVIDIA FLARE as an open-source software development kit (SDK) to make it easier for data scientists to use FL in their research and real-world applications. The SDK includes solutions for state-of-the-art FL algorithms and federated machine learning approaches, which facilitate building workflows for distributed learning across enterprises and enable platform developers to create a secure, privacy-preserving offering for multiparty collaboration utilizing homomorphic encryption or differential privacy. The SDK is a lightweight, flexible, and scalable Python package, and allows researchers to bring their data science workflows implemented in any training libraries (PyTorch, TensorFlow, XGBoost, or even NumPy) and apply them in real-world FL settings. This paper introduces the key design principles of FLARE and illustrates some use cases (e.g., COVID analysis) with customizable FL workflows that implement different privacy-preserving algorithms. Code is available at https://github.com/NVIDIA/NVFlare.

基于模拟的推理的神经后验估计方法可能不适合通过在多个观测值上进行条件来处理后验分布，因为它们可能需要大量的模拟器调用以产生准确的近似值。神经可能性估计方法可以自然处理多个观察结果，但需要单独的推论步骤，这可能会影响其效率和性能。我们引入了一种基于模拟的推理的新方法，该方法享有两种方法的好处。我们建议对单个观察值引起的后验分布进行建模，并引入采样算法，该算法将学习分数结合在一起以有效地从目标中进行样本。

强化学习（RL）旨在在给定环境中从奖励功能中训练代理商，但逆增强学习（IRL）试图从观察专家的行为中恢复奖励功能。众所周知，总的来说，各种奖励功能会导致相同的最佳政策，因此，IRL定义不明。但是，（Cao等，2021）表明，如果我们观察到两个或多个具有不同折现因子或在不同环境中起作用的专家，则可以在某些条件下确定奖励功能，直至常数。这项工作首先根据等级条件显示了表格MDP的多位专家的等效可识别性声明，该声明易于验证，也被证明是必要的。然后，我们将结果扩展到各种不同的方案，即，在奖励函数可以表示为给定特征的线性组合，使其更容易解释，或者当我们可以访问近似过渡矩阵时，我们会表征奖励可识别性。即使奖励无法识别，我们也提供了特征的条件，当给定环境中的多个专家的数据允许在新环境中概括和训练最佳代理。在各种数值实验中，我们对奖励可识别性和概括性的理论结果得到了验证。

头颈肿瘤分割挑战（Hecktor）2022为研究人员提供了一个平台，可以将其解决方案与3D CT和PET图像的肿瘤和淋巴结分割。在这项工作中，我们描述了针对Hecktor 2022分割任务的解决方案。我们将所有图像重新样本为共同的分辨率，在头颈部和颈部区域周围的作物，并从Monai训练Segresnet语义分割网络。我们使用5倍的交叉验证来选择最佳模型检查点。最终提交是3次运行中的15个型号的合奏。我们的解决方案（NVAUTO团队名称）以0.78802的汇总骰子得分在Hecktor22挑战排行榜上获得第一名。

颅内出血分割挑战（实例2022）为研究人员提供了一个平台，以将其解决方案与3D CTS的出血中风区域进行分割。在这项工作中，我们将解决方案描述为实例2022。我们使用2D分割网络，来自Monai的Segresnet，在不重采样的情况下操作切片。最终提交是18个模型的合奏。我们的解决方案（NVAUTO团队名称）在骰子度量标准（0.721）和总排名2方面获得了最高位置。

缺血性中风病变细分挑战（Isles 2022）为研究人员提供了一个平台，可以将其解决方案与3D MRI的缺血性中风区域进行比较。在这项工作中，我们描述了我们对2022分段任务的解决方案。我们将所有图像重新样本为一个共同的分辨率，使用两种输入MRI模式（DWI和ADC），并使用MONAI的Train Segresnet语义分割网络。最终提交是15个模型的合奏（来自3倍交叉验证的3次运行）。我们的解决方案（NVAUTO团队名称）在骰子度量标准（0.824）和总排名第2（基于合并的度量排名）方面获得了最高位置。

已经提出了分裂学习（SL）以分散的方式训练深度学习模型。对于具有垂直数据分配的分散医疗保健应用，SL可以有益，因为它允许具有互补功能或图像的机构为一组共享的患者共同开发更强大且可推广的模型。在这项工作中，我们提出了“ split-u-net”，并成功地将SL应用于协作生物医学图像分割。但是，SL需要交换中间激活图和梯度，以允许跨不同特征空间的训练模型，这可能会泄漏数据并提高隐私问题。因此，我们还量化了用于生物医学图像分割的常见SL情况下的数据泄漏量，并通过应用适当的防御策略提供了抵消此类泄漏的方法。