CN116153528A - 一种基于注意力机制和全局检索的药物推荐方法 - Google Patents
一种基于注意力机制和全局检索的药物推荐方法 Download PDFInfo
- Publication number
- CN116153528A CN116153528A CN202310428836.0A CN202310428836A CN116153528A CN 116153528 A CN116153528 A CN 116153528A CN 202310428836 A CN202310428836 A CN 202310428836A CN 116153528 A CN116153528 A CN 116153528A
- Authority
- CN
- China
- Prior art keywords
- drug
- patient
- information
- representation
- medicine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003814 drug Substances 0.000 title claims abstract description 233
- 229940079593 drug Drugs 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000007246 mechanism Effects 0.000 title claims abstract description 23
- 230000036541 health Effects 0.000 claims abstract description 52
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000014509 gene expression Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000000890 drug combination Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000003211 malignant effect Effects 0.000 claims description 5
- 238000012377 drug delivery Methods 0.000 claims description 4
- 238000002483 medication Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000005096 rolling process Methods 0.000 claims description 2
- 208000024891 symptom Diseases 0.000 claims description 2
- 230000008406 drug-drug interaction Effects 0.000 description 20
- 238000012549 training Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Toxicology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于注意力机制和全局检索的药物推荐方法,所述药物推荐方法包括患者信息编码、药物信息图编码、患者记忆模块和药物推荐模块,患者信息编码的目标是基于诊断代码和手术代码以及这两者之间的关系来表示患者的健康状况,药物信息图编码旨在模拟两种药物之间的关系,通过EHR图和DDI图之间的运算,最大程度的控制DDI在控制范围内,以保证推荐药物的安全性,患者记忆模块是获取了其他患者访问医院的健康情况与当前患者的健康情况的相似性,再通过计算当前患者的健康状态与所有病人之间的权重,以提高药物推荐的准确性,药物推荐模块会基于患者的健康状态以及安全的药物为患者推荐药物。
Description
技术领域
本发明属于药物推荐领域,具体涉及一种基于注意力机制和全局检索的药物推荐方法。
背景技术
随着人工智能和大数据技术的不断发展,药物推荐算法正在成为医疗领域中的一项重要技术。药物推荐是指利用人工智能和数据分析等技术,根据患者的病情、用药历史、生理特征和药物特征等信息,为医生和患者提供个性化的药物推荐服务。这种算法有助于提高医疗质量、减少不必要的用药和副作用,并且可以降低医疗成本和提高医疗效率。
目前,现有技术是使用多层神经网络来获取患者的健康表征,以获取充分的信息,但是这会造成信息的冗余;另一方面,如公开号CN114628002A的中国专利公开了一种基于复制机制和层级选择策略的药物推荐方法,该发明提出了一种层级式的选择机制来计算复制概率,提高了药物推荐的准确率,但没有考虑到患者与患者之间的联系;如公开号CN115565636A的中国专利公开了一种药物推荐模型构建方法、装置、设备及可读存储介质,该发明提出了计算当前患者的健康表征与所有患者的健康表征之间的相似度来辅助药物推荐,但没有考虑到患者的诊断信息与手术信息之间的关联。
发明内容
为了解决上述问题,本发明提出了基于注意力机制和全局检索的药物推荐方法,所述药物推荐方法包括患者信息编码、药物信息图编码、患者记忆模块和药物推荐模块,患者信息编码的目标是基于诊断代码和手术代码以及这两者之间的关系来表示患者的健康状况,药物信息图编码旨在模拟两种药物之间的关系,通过EHR图和DDI图之间的运算,最大程度的控制DDI在控制范围内,以保证推荐药物的安全性,患者记忆模块是获取了其他患者访问医院的健康情况与当前患者的健康情况的相似性,再通过计算当前患者的健康状态与所有病人之间的权重,以提高药物推荐的准确性,药物推荐模块会基于患者的健康状态以及安全的药物为患者推荐药物。具体实现方式包括以下步骤:
步骤S1,基于注意力机制获取数据库中的患者健康表示,所述患者健康表示包括患者的诊断信息和手术信息;
步骤S2,基于图卷积网络获取数据库中的药物表示,所述药物表示通过整合HER图与DDI图获得;
步骤S3,通过步骤S2得到的药物表示和步骤S1得到的患者健康表示点积,从而获取到针对某一患者的健康药物级药物推荐表示;
步骤S4,构建一个患者记忆模块表示存储每个患者的健康表示和药物表示信息,获取患者自身的历史访问药物推荐表示的相似度,再通过全局检索获取患者与其他同病症患者的药物推荐表示的相似度,最后得到访问级的药物组合;
步骤S5,结合步骤S3中的药物推荐表示和步骤S4中的访问级的药物组合,得到最终的药物推荐表示;
步骤S6,构建损失函数对步骤S1-S5构成的整体药物推荐网络进行训练,包括DDI损失、多标签损失和二元交叉熵损失;
步骤S7,将测试患者的诊断信息和手术信息以及历史诊断信息、历史手术信息和历史药物表示输入到训练好的整体药物推荐网络中,获得预测的药物推荐表示。
进一步的,步骤S1的具体实现方式如下;
步骤S11,从MIMIC-III数据库中获取患者的诊断信息和手术信息,并将患者的诊断信息和手术信息投影到嵌入空间;
步骤S12,利用对齐余弦相似度来获取每个诊断信息与每个手术信息之间的关联,并通过残差计算得到更为准确的诊断信息嵌入和手术信息嵌入:
其中,参数矩阵,/>是可学习的,h为头的个数,Q表示query向量,K表示key向量,V表示value向量,s表示嵌入空间的维数;经过多头注意力处理后,再利用残差连接和层归一化来得到诊断信息最终表示/>:
为了获取更为全面的病例信息,设计循环神经网络RNN来动态获取患者的历史访问信息,得到患者的病例信息:
进一步的,步骤S11的具体实现方式如下;
定义为MIMIC-III数据库中所有患者的电子健康档案,其中N为患者总数,第i个患者/>共有/>次访问医院的记录,定义诊断集/>、手术集/>以及药物集/>,其中/>分别是所有诊断、手术和药物的数量,那么患者的每次就诊表示为;
其中,表示当前患者一个诊断信息与所有手术信息之间的关联,/>和/>分别表示诊断集和手术集的大小,LN(·)表示层归一化函数,/>为手术集权重,是由当前诊断集计算得出的,再通过相同的方式计算得出诊断集权重/>:
最后,通过残差计算计算得到更为准确的诊断信息嵌入和手术信息嵌入:
进一步的,步骤S2中,所述EHR图是电子健康记录中开药信息所构成的图,每个节点表示一种药,若两种药在同一次开药中,则这两个节点有一条边,获取MIMIC-III数据库中患者的用药信息为,这里的/>是/>的列向量,数值1表示药物出现在此次用药信息中,数值0表示药物未出现在此次用药信息中,/>为药物集的总数,则EHR图的邻接矩阵表示为/>,DDI图的邻接矩阵/>通过数据集MIMIC-III中获得发生恶性反应的药物对来表示;
使用和/>分别表示EHR图和DDI图,其中,M是药物集,/>和/>分别为EHR图和DDI图的边缘集,使用邻接矩阵/>表示/>和/>中的信息,意味着第/>个药物与第/>个药物出现在同一次开药中,/>意味着第个药物与第/>个药物会发生恶性反应;
使用两层图卷积网络GCN来嵌入图信息:
进一步的,步骤S3中,首先通过药物表示和患者表示/>点积计算得到健康药物级的得分,得分再进行残差连接的前馈神经网络/>,得到的结果再通过层归一化LN进一步参数化,得到患者i的健康药物级的药物表示/>:
首先获取当前患者与其他患者的病例相似情况,这里筛选出相似病例的患者,减少信息冗余,采用Cosine相似度计算:
其中,是当前患者真实药物集中的第i个药物,若/>,则说明真实药物集中的第i个药物是真实给患者开出的药物,反之/>,则说明真实药物集中的第i个药物是没有给患者开出的药物;/>{·}表示只获取满足大括号内表达式的第i个药物所对应的推荐结果的概率/>,/>{·}表示只获取满足大括号内表达式的第j个药物所对应的推荐结果的概率/>,上面的损失函数是为一次访问定义的,在训练期间,损失反向传播将在患者水平上通过所有访问的平均损失进行;
最终的损失函数如下:
本发明有以下优势:创新性的引入手术信息和诊断信息之间的关系,以增加患者的健康表示中更为有用的信息;获取相似病例的病人之间的权重,以提升药物推荐***的准确性。
附图说明
图1是本发明实施例的流程图。
具体实施方式
以下结合实例和说明书附图,详细说明本发明的整个流程:
本实施例提供了一种基于注意力机制和全局检索的药物推荐方法,包括以下步骤:
步骤S1,患者信息编码:从MIMIC-III数据库中获取患者的诊断信息和手术信息的ICD编码,再通过获取诊断信息和手术信息的关系增加编码中的有用信息,最后使用注意力机制获取诊断信息和手术信息自身的内部联系,再将处理后的手术信息和诊断信息通过前馈神经网络,以获得更为准确的患者健康表示。
具体来说,定义为所有患者的电子健康档案,其中N为患者总数,第i个患者/>共有/>次访问医院的记录,定义诊断集/>、手术集/>以及药物集/>,其中/>分别是所有诊断、手术和药物的数量,那么患者的每次就诊可以表示为/>。在本实例中,获取患者i的诊断信息/>和手术信息/>。
其中,表示当前患者一个诊断信息与所有手术信息之间的关联,/>和/>分别表示诊断集和手术集的大小,LN(·)表示层归一化函数,/>为手术集权重,是由当前诊断集计算得出的,再通过相同的方式计算得出诊断集权重/>:
最后,通过残差计算计算可以得到更为准确的诊断信息嵌入和手术信息嵌入:
自注意力在计算过程中会将句子中任意两个单词的联系通过一个计算步骤直接联系起来,所以远距离依赖特征之间的距离被极大缩短,这有利于有效地利用这些特征,这里通过多头自注意力机制、残差连接和层归一化对诊断信息进行编码,给定三个输入矩阵,/>和/>,多头注意力函数/>可被定义为:
为了获取更为全面的病例信息,设计了RNN来动态获取患者的历史访问信息,得到患者的病例信息:
步骤S2,药物信息图编码:对EHR(Electrical Health Records,电子健康记录)图和DDI(Drug-Drug Interactions,药物与药物相互作用)图进行编码并做运算,以获取安全的药物表示。
电子健康记录(EHR)是病人的纸质记录的电子化版本。EHR是以患者为中心的实时记录,可让授权用户立即安全地获取信息。虽然EHR确实包含患者的医疗和治疗历史记录,但EHR***的构建超越了在办公室收集的标准临床数据,并且可以包含患者护理的更广阔视野。
EHR图是电子健康记录中开药信息所构成的图,每个节点表示一种药,若两种药在同一次开药中,则这两个节点有一条边,我们获取数据集中患者的用药信息为,这里的/>是/>的列向量,数值1表示药物出现在此次用药信息中,数值0表示药物未出现在此次用药信息中,/>为药物集的总数, 则EHR图的邻接矩阵可以表示为/>。DDI图的邻接矩阵/>可以用数据集MIMIC-III中获得发生恶性反应的药物对来表示。
在这里使用和/>分别表示EHR图和DDI图,其中,M是药物集,/>和/>分别为EHR图和DDI图的边缘集,使用邻接矩阵/>表示/>和/>中的信息,/>意味着第/>个药物与第/>个药物出现在同一次开药中,/>意味着第/>个药物与第/>个药物会发生恶性反应。
图卷积神经网络GCN可以将图中的节点和边特征进行有效地整合,从而得到节点的高维表征。这些表征能够充分表示节点的邻居信息,并且具有一定的泛化能力,所以我们使用两层GCN来嵌入图信息:
步骤S3,通过步骤S2得到的药物表示和步骤S1得到的患者健康表示点积,从而获取到针对某一患者的健康药物级药物推荐表示。
步骤S4,构建一个患者记忆模块表示存储每个患者的健康表示和药物表示信息,获取患者自身的历史访问药物推荐表示的相似度,再通过全局检索获取患者与其他患者的药物推荐表示的相似度,最后得到访问级的药物组合。
首先获取当前患者与其他患者的病例相似情况,这里筛选出相似病例的患者,减少信息冗余,我们采用Cosine相似度计算:
步骤S5,药物推荐模块:结合步骤S3中的药物推荐表示和步骤S4中的访问级的药物组合,得到最终的药物推荐表示。
步骤S6,构建损失函数,包括DDI损失、多标签损失和二元交叉熵损失;
其中,是当前患者真实药物集中的第i个药物,真实药物集与步骤S2中的患者用药信息类似,若/>,则说明真实药物集中的第i个药物是真实给患者开出的药物,反之/>,则说明真实药物集中的第i个药物是没有给患者开出的药物。/>{·}表示只获取满足大括号内表达式的第i个药物所对应的推荐结果的概率/>,/>{·}同上。需要注意的是,上面的损失函数是为一次访问定义的。在训练期间,损失反向传播将在患者水平上通过所有访问的平均损失进行。
使用多个损失函数进行训练的标准方法是通过损失测量项的加权和,将上个损失函数通过两个超参数结合在一起作为***的损失函数,通过最小化以下函数来训练模型:
步骤S7,将测试患者的诊断信息和手术信息以及历史诊断信息、历史手术信息和历史药物表示输入到训练好的整体药物推荐网络中,获得预测的药物推荐表示。
我们将数据库中的数据分为训练集、验证集、测试集,训练集、验证集、测试集的比例是6:2:2。训练时,我们输入患者的诊断信息、手术信息、药物信息以及模型中所有可学习的权重进入模型,模型在处理完这些信息后会生成药物推荐/>,在这时计算损失函数并通过反向传播去更新各个参数,来降低真实值与预测值之间的损失,使得模型生成的预测值往真实值方向靠拢,从而达到学习的目的。之后再通过验证集去调整模型中的超参数,根据验证集在模型上几组表现决定哪组超参数拥有最好的性能。测试时,选用一些在训练和验证过程中未出现的数据作为模型的输入,以获取预测的药物推荐表示。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.基于注意力机制和全局检索的药物推荐方法,其特征在于,包括如下步骤:
步骤S1,基于注意力机制获取数据库中的患者健康表示,所述患者健康表示包括患者的诊断信息和手术信息;
步骤S2,基于图卷积网络获取数据库中的药物表示,所述药物表示通过整合HER图与DDI图获得;
步骤S3,通过步骤S2得到的药物表示和步骤S1得到的患者健康表示点积,从而获取到针对某一患者的健康药物级药物推荐表示;
步骤S4,构建一个患者记忆模块表示存储每个患者的健康表示和药物表示信息,获取患者自身的历史访问药物推荐表示的相似度,再通过全局检索获取患者与其他同病症患者的药物推荐表示的相似度,最后得到访问级的药物组合;
步骤S5,结合步骤S3中的药物推荐表示和步骤S4中的访问级的药物组合,得到最终的药物推荐表示;
步骤S6,构建损失函数对步骤S1-S5构成的整体药物推荐网络进行训练,包括DDI损失、多标签损失和二元交叉熵损失;
步骤S7,将测试患者的诊断信息和手术信息以及历史诊断信息、历史手术信息和历史药物表示输入到训练好的整体药物推荐网络中,获得预测的药物推荐表示。
2.如权利要求1所述的基于注意力机制和全局检索的药物推荐方法,其特征在于:步骤S1的具体实现方式如下;
步骤S11,从MIMIC-III数据库中获取患者的诊断信息和手术信息,并将患者的诊断信息和手术信息投影到嵌入空间;
步骤S12,利用对齐余弦相似度来获取每个诊断信息与每个手术信息之间的关联,并通过残差计算得到更为准确的诊断信息嵌入和手术信息嵌入:
其中,参数矩阵,/>是可学习的,h为头的个数,Q表示query向量,K表示key向量,V表示value向量,s表示嵌入空间的维数;经过多头注意力处理后,再利用残差连接和层归一化来得到诊断信息最终表示/>:
为了获取更为全面的病例信息,设计循环神经网络RNN来动态获取患者的历史访问信息,得到患者的病例信息:
3.如权利要求2所述的基于注意力机制和全局检索的药物推荐方法,其特征在于:步骤S11的具体实现方式如下;
定义为MIMIC-III数据库中所有患者的电子健康档案,其中N为患者总数,第i个患者/>共有/>次访问医院的记录,定义诊断集、手术集/>以及药物集/>,其中/>分别是所有诊断、手术和药物的数量,那么患者的每次就诊表示为;
5.如权利要求1所述的基于注意力机制和全局检索的药物推荐方法,其特征在于:步骤S2中,所述EHR图是电子健康记录中开药信息所构成的图,每个节点表示一种药,若两种药在同一次开药中,则这两个节点有一条边,获取MIMIC-III数据库中患者的用药信息为,这里的/>是/>的列向量,数值1表示药物出现在此次用药信息中,数值0表示药物未出现在此次用药信息中,/>为药物集的总数,则EHR图的邻接矩阵表示为,DDI图的邻接矩阵/>通过数据集MIMIC-III中获得发生恶性反应的药物对来表示;
使用和/>分别表示EHR图和DDI图,其中,M是药物集,/>和/>分别为EHR图和DDI图的边缘集,使用邻接矩阵/>表示/>和/>中的信息,意味着第/>个药物与第/>个药物出现在同一次开药中,/>意味着第个药物与第/>个药物会发生恶性反应;
使用两层图卷积网络GCN来嵌入图信息:
7.如权利要求1所述的基于注意力机制和全局检索的药物推荐方法,其特征在于:步骤S4中,构建一个患者记忆模块来存储所有患者的健康表示信息和相对应的患者的药物表示信息/>,其中上标表示患者编号,下标表示访问次数;
首先获取当前患者与其他患者的病例相似情况,这里筛选出相似病例的患者,减少信息冗余,采用Cosine相似度计算:
其中,是当前患者真实药物集中的第i个药物,若/>,则说明真实药物集中的第i个药物是真实给患者开出的药物,反之/>,则说明真实药物集中的第i个药物是没有给患者开出的药物;/>{·}表示只获取满足大括号内表达式的第i个药物所对应的推荐结果的概率/>,/>{·}表示只获取满足大括号内表达式的第j个药物所对应的推荐结果的概率/>,上面的损失函数是为一次访问定义的,在训练期间,损失反向传播将在患者水平上通过所有访问的平均损失进行;
最终的损失函数如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428836.0A CN116153528B (zh) | 2023-04-20 | 2023-04-20 | 一种基于注意力机制和全局检索的药物推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310428836.0A CN116153528B (zh) | 2023-04-20 | 2023-04-20 | 一种基于注意力机制和全局检索的药物推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116153528A true CN116153528A (zh) | 2023-05-23 |
CN116153528B CN116153528B (zh) | 2023-07-14 |
Family
ID=86341071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310428836.0A Active CN116153528B (zh) | 2023-04-20 | 2023-04-20 | 一种基于注意力机制和全局检索的药物推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116153528B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798954A (zh) * | 2020-06-11 | 2020-10-20 | 西北工业大学 | 基于时间注意力机制和图卷积网络的药物组合推荐方法 |
CN113223656A (zh) * | 2021-05-28 | 2021-08-06 | 西北工业大学 | 一种基于深度学习的药物组合预测方法 |
CN113257383A (zh) * | 2021-06-16 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
CN113808693A (zh) * | 2021-09-10 | 2021-12-17 | 浙江科技学院 | 一种基于图神经网络和注意力机制的药物推荐方法 |
CN114628002A (zh) * | 2022-03-18 | 2022-06-14 | 东南大学 | 一种基于复制机制和层级选择策略的药物推荐方法 |
KR102452433B1 (ko) * | 2022-03-07 | 2022-10-11 | 주식회사 스탠다임 | 시계열적 정보를 인코딩하는 모델을 사용하여 질의되는 개체-쌍 사이의 연관성 관련 정보를 예측하는 방법 및 이를 이용하여 구축되는 예측 시스템 |
CN115457345A (zh) * | 2022-08-06 | 2022-12-09 | 武汉纺织大学 | 一种利用基于Graphormer的上下文推理网络进行图片预测分类的方法 |
CN115565636A (zh) * | 2022-10-31 | 2023-01-03 | 电子科技大学 | 一种药物推荐模型构建方法、装置、设备及可读存储介质 |
CN115862893A (zh) * | 2022-12-29 | 2023-03-28 | 西安交通大学 | 一种应用于药物推荐的深度学习方法、***、设备及介质 |
-
2023
- 2023-04-20 CN CN202310428836.0A patent/CN116153528B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798954A (zh) * | 2020-06-11 | 2020-10-20 | 西北工业大学 | 基于时间注意力机制和图卷积网络的药物组合推荐方法 |
CN113223656A (zh) * | 2021-05-28 | 2021-08-06 | 西北工业大学 | 一种基于深度学习的药物组合预测方法 |
CN113257383A (zh) * | 2021-06-16 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
CN113808693A (zh) * | 2021-09-10 | 2021-12-17 | 浙江科技学院 | 一种基于图神经网络和注意力机制的药物推荐方法 |
KR102452433B1 (ko) * | 2022-03-07 | 2022-10-11 | 주식회사 스탠다임 | 시계열적 정보를 인코딩하는 모델을 사용하여 질의되는 개체-쌍 사이의 연관성 관련 정보를 예측하는 방법 및 이를 이용하여 구축되는 예측 시스템 |
CN114628002A (zh) * | 2022-03-18 | 2022-06-14 | 东南大学 | 一种基于复制机制和层级选择策略的药物推荐方法 |
CN115457345A (zh) * | 2022-08-06 | 2022-12-09 | 武汉纺织大学 | 一种利用基于Graphormer的上下文推理网络进行图片预测分类的方法 |
CN115565636A (zh) * | 2022-10-31 | 2023-01-03 | 电子科技大学 | 一种药物推荐模型构建方法、装置、设备及可读存储介质 |
CN115862893A (zh) * | 2022-12-29 | 2023-03-28 | 西安交通大学 | 一种应用于药物推荐的深度学习方法、***、设备及介质 |
Non-Patent Citations (3)
Title |
---|
C PARK: "AGCN:attention-based graph convolutional networks for drug-drug interaction extraction", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
江钰哲: "图嵌入式双层图卷积网络药物推荐模型", 《计算机工程与应用》 * |
黄兆孟: "基于深度学习的药物治疗知识挖掘方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116153528B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729710A (zh) | 医学***、医学方法及非暂态计算机可读取媒体 | |
CN111798954A (zh) | 基于时间注意力机制和图卷积网络的药物组合推荐方法 | |
US20220115135A1 (en) | Machine Learning Systems and Methods for Assessing Medical Interventions for Utilization Review | |
JP2007512588A (ja) | 医療助言システム | |
CN116189847B (zh) | 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 | |
Yang et al. | Predictive modeling of therapy decisions in metastatic breast cancer with recurrent neural network encoder and multinomial hierarchical regression decoder | |
Woodman et al. | A comprehensive review of machine learning algorithms and their application in geriatric medicine: present and future | |
Hannan et al. | Prediction of heart disease medical prescription using radial basis function | |
CN109887606B (zh) | 一种基于注意力的双向递归神经网络的诊断预测方法 | |
EP3796226A1 (en) | Data conversion/symptom scoring | |
CN114628002A (zh) | 一种基于复制机制和层级选择策略的药物推荐方法 | |
CN113223656A (zh) | 一种基于深度学习的药物组合预测方法 | |
Wang et al. | Medication combination prediction using temporal attention mechanism and simple graph convolution | |
Chowdhury et al. | Mixed pooling multi-view attention autoencoder for representation learning in healthcare | |
CN116153528B (zh) | 一种基于注意力机制和全局检索的药物推荐方法 | |
Mehrankia et al. | Prediction of heart attacks using biological signals based on recurrent GMDH neural network | |
Aljawarneh et al. | Pneumonia detection using enhanced convolutional neural network model on chest x-ray images | |
Wang et al. | Predicting clinical visits using recurrent neural networks and demographic information | |
Alnsour et al. | Predicting patient length of stay using artificial intelligence to assist healthcare professionals in resource planning and scheduling decisions | |
Deepa et al. | Action fuzzy rule based classifier for analysis of dermatology databases | |
Gupta et al. | An overview of clinical decision support system (cdss) as a computational tool and its applications in public health | |
CN115240811A (zh) | 一种基于图神经网络的隐式关系药物推荐模型的构建方法和应用 | |
AKBAR et al. | Machine learning classifiers for asthma disease prediction: a practical illustration | |
Kamra et al. | An experimental outlook to design and measure efficacy of an artificial intelligence based medical diagnosis support system | |
Melek et al. | A theoretic framework for intelligent expert systems in medical encounter evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |