[发明专利]一种应用于药物推荐的深度学习方法、系统、设备及介质

说明书

一种应用于药物推荐的深度学习方法、系统、设备及介质，方法包括：药物表示的建立；病人表示的建立；产生药物预测结果；这三个步骤首先利用RNN建立病人表示，后融合病人的诊断信息、诊疗信息、历史用药信息利用双重注意力分别在病人历史来访与单次来访的不同元素层次上赋予权重，后利用神经网络进行药物推荐，还可结合病人相似度进行药物推荐，有效提升了药物推荐的准确性和安全性；其系统、设备及介质通过对相关功能模块的存储利用，实现以深度学习方法进行药物推荐；作为医学辅助工具，能显著提高病理学家的判别质量和工作效率。

技术领域

本发明属于数字化病理图像处理与辅助决策技术领域，具体涉及一种应用于药物推荐的深度学习方法、系统、设备及介质。

背景技术

药物推荐是人工智能在医疗领域的重要应用。药物推荐的目标是基于病人的当前诊疗手段与诊断结果，结合病人的病历历史，给出合适的药物组合，辅助医生的诊疗过程。然而，药物之间存在反应，当病人病情复杂时，为病人推荐有效、安全的药物组合十分具有挑战性。

循环神经网络(RNN)是一系列利用顺序和时间序列数据对数据进行学习的深度学习模型。注意力机制可以为序列中的不同元素根据序列内在的相关性赋予不同权重。越大的权重表示对应分量与最终生成的表示结果越相关。现有方法根据病人当前的诊断结果进行药物推荐，通过使用内容注意力机制，按照多实例多标签的学习框架，根据病人的诊断结果对药物组合端到端开展预测。然而这种方法忽视了病人的历史病情以及病人病情随时间的变化。目前，一些研究开始利用RNN建立双重注意力的机制，分别在病人的不同来访与单次来访中病人的诊断结果与诊疗手段赋予不同权重，对病人进行综合表示，然而，这些方法未考虑过去药物使用对患者的影响，也未利用病人相似度对药物推荐结果进行优化。

专利申请CN111753543A公开的药物推荐方法，通过获得目标对象相关信息并利用后续模型一进行药物预测，运用后续模型二提供反馈的方法利用强化学习按照actor-critic范式进行药物推荐，需要对模型一、二两个模型进行训练，需要设置两种奖励，模型架构较复杂。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提出了一种应用于药物推荐的深度学习方法、系统、设备及介质，通过将双重注意力机制建立病人的综合表示，以获得更为全面的病人表示，同时利用病人之间的相似度优化药物预测结果，并对药物与药物反应阈值进行了控制，有效提升了药物推荐的准确性；通过建构神经网络进行药物预测，利用已有的病人信息数据与简洁的模型架构可显著加快训练进程，同时保证药物推荐效果。

为了实现上述目的，本发明采取的技术方案为：

一种应用于药物推荐的深度学习方法，具体包括以下步骤：

步骤一、药物表示的建立：通过图卷积神经网络建立药物表示，设置阈值对药物与药物反应(DDI，drug-drug interactions)进行控制；

步骤二、病人表示的建立：结合病人的历史状态与当前状态，利用病人的诊断结果、诊疗手段并整合病人的历史用药结果建立病人的综合表示，基于双重注意力机制对病人的历史状态表示与病人当前状态表示进行拼接作为最终的病人状态表示，从而获得更为全面的病人表示；

步骤三、药物预测任务：根据步骤二在对病人表示进行学习之后，直接输入单层网络进行药物预测，或将该病人与其他病人之间的相似度进行比较，利用病人之间的相似度得到优化的病人表示，对预测结果进行改进。

所述步骤一的具体方法为：

1)使用图卷积神经网络对药物表示进行处理，对于药物嵌入向量和药物对应的药物邻接矩阵/图卷积神经网络将会按照下式对药物进行处理以得到新的药物嵌入向量：

其中，是A的度矩阵，即O_ii＝∑_jA_ij；