[发明专利]基于表示学习的多结局疗效预测方法、装置及存储介质

权利要求书

1.一种基于表示学习的多结局疗效预测方法，其特征在于，包括：

获取患者历史数据，并基于所述历史数据构建训练数据；

基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；

其中，所述基于所述训练数据训练治疗效果预测模型，包括：

构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络；

将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征；

基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型；

基于所述治疗效果预测模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。

2.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述获取患者历史数据，并基于所述历史数据构建训练数据，包括：

从电子病历数据库中抽取患者历史数据；

基于疾病种类对所述患者历史数据进行分类处理，获取与不同疾病种类分别对应的分类文档；

基于所述分类文档确定与不同疾病种类分别对应的训练数据。

3.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述疗效预测网络包括多个相互独立的神经网络；其中，

基于预设治疗方案的种类构建与所述治疗方案的种类个数相对应的神经网络，且所述各神经网络之间相互独立。

4.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述直至所述神经网络模型收敛在预设范围内，包括：

获取所述神经网络模型的损失函数，并当所述损失函数不再减小或符合预设阈值时，确定所述神经网络模型收敛在预设范围内；

所述损失函数包括：MAE平均绝对误差、MSE均方误差、交叉熵函数和复合损失函数；

所述复合损失函数的表示公式如下：

其中，N表示所述训练数据的个数或患者的总个数，φ_n表示第n个患者的编码特征，t_n表示治疗方案，F表示第一种结局的预测结果，G表示第二种结局的预测结果，y_1n表示所述第一种结局的临床结果，y_2n表示所述第二种结局的临床结果。

5.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述患者的历史数据包括相互对应的基本特征、治疗方案和临床结局；

所述基本特征包括性别、年龄、疾病史、实验室检查指标；

所述治疗方案包括治疗方案的类别或种类；

所述临床结局包括与所述治疗方案相对应的疾病的好转、恢复或恶化的治疗结果。

6.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，在获取待预测患者在多治疗方案下的疗效预测结果之后，还包括：

对所述疗效预测结果进行评估；

基于所述评估的结果确定所述疗效预测结果中的目标预测结果；

基于所述目标预测结果确定与所述待预测患者的基本特征对应的目标治疗方案。

7.一种基于表示学习的多结局疗效预测装置，其特征在于，所述装置包括：

训练数据构建单元，用于获取患者历史数据，并基于所述历史数据构建训练数据；

治疗效果预测模型训练单元，用于基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；

其中，所述基于所述训练数据训练治疗效果预测模型，包括：

构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络；

将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征；

基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型；

治疗预测结果获取单元，用于基于所述治疗效果预测模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。