[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

说明书

本发明涉及人工智能技术领域，揭露一种基于表示学习的多结局疗效预测方法，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；基于所述治疗效果评估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。本发明可以实现对多种治疗方案的多结局疗的同时预测，可有效提高预测的效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于表示学习的多结局疗效预测的方法、装置、电子设备及计算机可读存储介质。

背景技术

在目前的医疗人工智能研究中，智能化的辅助诊断系统在医疗诊断应用中越来越普及，辅助诊断系统可以帮助医生做出病情的分析和诊断，有助于提高就医效率，缩短病人的治疗周期。

由于药物的多样性和患者的自身特点的差异性，导致药物治疗效果的复杂多样化，为此，在现有的辅助诊断系统中，通常采用倾向评分加权、倾向评分分层、倾向评分匹配等方法去除混杂因子对结果的影响。但是，这些方法有以下几个缺点：1)都需要先识别出混杂因子，再用相应的办法去除混杂因子的影响。2)干预方式(治疗方案)往往只有两种，不易扩展为多治疗方案的情况。3)只能估计人群的整体治疗效果ATE(Average TreatmentEffect)，不能估计个体的治疗效果ITE(Individual Treatment Effect)。

此外，基于表示学习的因果推断方法，虽然不需要提前识别混杂因子，但都是针对单一结局的模型，临床中采用某种治疗方案可能会有两种或多种不同类型的结局，且各结局之间可能是相互矛盾的，因此不能将多种结局合并后建模，进而影响模型的通用性及预测效率；此外，现有的用药决策方法一般仅通过患者历史用药记录的分析来给患者推荐下一次的用药方案，也会限制模型的性能，影响预测的准确性。

发明内容

本发明提供一种基于表示学习的多结局疗效预测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高了基于表示学习的多结局疗效预测的预测效率和准确性。

为实现上述目的，本发明提供的一种基于表示学习的多结局疗效预测方法，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；

基于所述治疗效果评估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。

此外，可选的技术方案是，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。

此外，可选的技术方案是，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。

此外，可选的技术方案是，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。