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 PDF

Info

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
Application number
CN202310428836.0A
Other languages
English (en)
Other versions
CN116153528B (zh
Inventor
朱强
韩枫
孟亚洁
孙毅
刘军平
彭涛
胡新荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Textile University
Original Assignee
Wuhan Textile University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Textile University filed Critical Wuhan Textile University
Priority to CN202310428836.0A priority Critical patent/CN116153528B/zh
Publication of CN116153528A publication Critical patent/CN116153528A/zh
Application granted granted Critical
Publication of CN116153528B publication Critical patent/CN116153528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于注意力机制和全局检索的药物推荐方法
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：
步骤S13，通过多头自注意力机制、残差连接和层归一化对诊断信息嵌入进行编码，给定三个输入矩阵
Figure SMS_1
，/>
Figure SMS_2
和/>
Figure SMS_3
，多头注意力函数/>
Figure SMS_4
可被定义为：
Figure SMS_5
Figure SMS_6
Figure SMS_7
其中，参数矩阵
Figure SMS_8
，/>
Figure SMS_9
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/>
Figure SMS_10
：
Figure SMS_11
Figure SMS_12
其中，
Figure SMS_13
的目的是从多个视图捕获诊断信息内部的交互信息，
Figure SMS_14
表示诊断信息嵌入，/>
Figure SMS_15
为前馈神经网络，/>
Figure SMS_16
为可学习权重；
利用同样的方法得到手术信息最终表示
Figure SMS_17
；
步骤S14，将诊断信息最终表示和手术信息最终表示进行连接，第i个患者的第t次访问的当前健康表示可以通过前馈神经网络
Figure SMS_18
表示：
Figure SMS_19
其中，
Figure SMS_20
是可学习参数，/>
Figure SMS_21
是连接操作；
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：
Figure SMS_22
。
进一步的，步骤S11的具体实现方式如下；
定义
Figure SMS_24
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/>
Figure SMS_26
共有/>
Figure SMS_28
次访问医院的记录，定义诊断集/>
Figure SMS_25
、手术集/>
Figure SMS_27
以及药物集/>
Figure SMS_29
，其中/>
Figure SMS_30
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
Figure SMS_23
；
对于患者i第t次访问的诊断信息
Figure SMS_31
和手术信息/>
Figure SMS_32
，通过向量矩阵点积将相应的信息投影到嵌入空间中：
Figure SMS_33
Figure SMS_34
其中
Figure SMS_35
分别是所有诊断集、手术集的数量；这里得到了诊断信息和手术信息嵌入后的结果/>
Figure SMS_36
、/>
Figure SMS_37
，/>
Figure SMS_38
是诊断信息嵌入矩阵，/>
Figure SMS_39
是手术信息嵌入矩阵，s表示嵌入空间的维数，表中每一行都是不同信息编码的嵌入向量。
进一步的，利用对齐余弦相似度来获取每个诊断信息
Figure SMS_40
与每个手术信息/>
Figure SMS_41
之间的关联：
Figure SMS_42
Figure SMS_43
其中，
Figure SMS_44
表示当前患者一个诊断信息与所有手术信息之间的关联，/>
Figure SMS_45
和/>
Figure SMS_46
分别表示诊断集和手术集的大小，LN(·)表示层归一化函数，/>
Figure SMS_47
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/>
Figure SMS_48
：
Figure SMS_49
Figure SMS_50
其中，
Figure SMS_51
表示当前患者一个手术与所有诊断信息之间的关联；
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：
Figure SMS_52
Figure SMS_53
其中，
Figure SMS_54
和/>
Figure SMS_55
为可训练的参数，/>
Figure SMS_56
表示元素的数乘。
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
Figure SMS_57
，这里的/>
Figure SMS_58
是/>
Figure SMS_59
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，/>
Figure SMS_60
为药物集的总数，则EHR图的邻接矩阵表示为/>
Figure SMS_61
，DDI图的邻接矩阵/>
Figure SMS_62
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
Figure SMS_66
和/>
Figure SMS_68
分别表示EHR图和DDI图，其中，M是药物集，/>
Figure SMS_72
和/>
Figure SMS_64
分别为EHR图和DDI图的边缘集，使用邻接矩阵/>
Figure SMS_70
表示/>
Figure SMS_73
和/>
Figure SMS_75
中的信息，
Figure SMS_63
意味着第/>
Figure SMS_67
个药物与第/>
Figure SMS_71
个药物出现在同一次开药中，/>
Figure SMS_74
意味着第
Figure SMS_65
个药物与第/>
Figure SMS_69
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：
Figure SMS_76
Figure SMS_77
Figure SMS_78
其中，
Figure SMS_80
表示EHR图的关系生成表示，/>
Figure SMS_83
表示DDI图的关系生成表示，/>
Figure SMS_86
是ReLU非线性激活函数，药物特征矩阵/>
Figure SMS_81
，邻接矩阵/>
Figure SMS_84
，/>
Figure SMS_87
，/>
Figure SMS_89
是单位矩阵，/>
Figure SMS_79
是
Figure SMS_82
的度矩阵，/>
Figure SMS_85
和/>
Figure SMS_88
为可学习的权重；
最后，结合两个生成关系表示
Figure SMS_90
和/>
Figure SMS_91
，得到最终的药物表示/>
Figure SMS_92
：
Figure SMS_93
其中，
Figure SMS_94
为可学习参数。
进一步的，步骤S3中，首先通过药物表示
Figure SMS_95
和患者表示/>
Figure SMS_96
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/>
Figure SMS_97
，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/>
Figure SMS_98
：
Figure SMS_99
Figure SMS_100
其中，
Figure SMS_101
是sigmoid函数，/>
Figure SMS_102
为中间变量，/>
Figure SMS_103
为可学习的参数，t表示第t次访问。
进一步的，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
Figure SMS_104
和相对应的患者的药物表示信息/>
Figure SMS_105
，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：
Figure SMS_106
其中，
Figure SMS_107
表示当前患者与患者k之间病例信息的相似度，/>
Figure SMS_108
为ReLu函数，
Figure SMS_109
，即不计算自己与自己的相似度，/>
Figure SMS_110
表示相似度函数；
进一步的，获取到患者i自身历史访问
Figure SMS_111
相似度的药物信息：
Figure SMS_112
Figure SMS_113
/>
Figure SMS_114
其中，
Figure SMS_115
表示患者i的第j次访问的健康表示与第t次访问的健康表示之间的相似度，/>
Figure SMS_116
为上述相似度所生成的药物表示，/>
Figure SMS_117
为/>
Figure SMS_118
与/>
Figure SMS_119
之间的相似度，/>
Figure SMS_120
表示第i个患者的第j次访问的真实药物表示；
患者i与其他患者
Figure SMS_121
相似度的药物推荐信息的计算结果如下：
Figure SMS_122
Figure SMS_123
Figure SMS_124
其中，
Figure SMS_125
表示患者i的第t次访问的健康表示与患者k的第j次访问的健康表示之间的相似度，/>
Figure SMS_126
为上述相似度所生成的药物表示，/>
Figure SMS_127
为/>
Figure SMS_128
与/>
Figure SMS_129
之间的相似度，/>
Figure SMS_130
表示第k个患者的第j次访问的真实药物表示；
使用一个sigmoid函数
Figure SMS_131
将两部分结合得到访问级的药物组合：
Figure SMS_132
其中，
Figure SMS_133
表示元素乘积。
进一步的，步骤S5中，将药物推荐表示与访问级的药物组合进行点乘，并使用一个sigmoid函数
Figure SMS_134
进行输出：
Figure SMS_135
其中
Figure SMS_136
表示元素乘积，/>
Figure SMS_137
是最终药物推荐组合的概率表示，最后，通过阈值/>
Figure SMS_138
实现推荐的药物组合，选择大于/>
Figure SMS_139
的项作为最终药物组合。
进一步的，步骤S6中，基于DDI邻接矩阵
Figure SMS_140
，DDI损失函数设计为：
Figure SMS_141
其中，
Figure SMS_142
和/>
Figure SMS_143
分别表示当前患者推荐结果中的第i个药物概率与第j个药物概率，
Figure SMS_144
为药物的总数；
多标签损失
Figure SMS_145
函数和二元交叉熵损失函数/>
Figure SMS_146
分别为：
Figure SMS_147
Figure SMS_148
其中，
Figure SMS_149
是当前患者真实药物集中的第i个药物，若/>
Figure SMS_150
，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/>
Figure SMS_151
，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；/>
Figure SMS_152
{·}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/>
Figure SMS_153
，/>
Figure SMS_154
{·}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/>
Figure SMS_155
，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：
Figure SMS_156
其中，
Figure SMS_157
和/>
Figure SMS_158
为两个超参数。
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
Figure SMS_161
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/>
Figure SMS_162
共有/>
Figure SMS_165
次访问医院的记录，定义诊断集/>
Figure SMS_160
、手术集/>
Figure SMS_163
以及药物集/>
Figure SMS_166
，其中/>
Figure SMS_168
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/>
Figure SMS_159
。在本实例中，获取患者i的诊断信息/>
Figure SMS_164
和手术信息/>
Figure SMS_167
。
进一步的，建立的两个嵌入矩阵—诊断信息嵌入矩阵
Figure SMS_169
和手术信息嵌入矩阵/>
Figure SMS_170
，其中每一行都是不同信息代码的嵌入向量，s表示嵌入空间的维数，这里通过pytorch中的embedding方法来创建两个矩阵。
对于患者i当前的诊断信息
Figure SMS_171
和手术信息/>
Figure SMS_172
，可通过向量矩阵点积将相应的诊断编码投影到嵌入空间中：
Figure SMS_173
Figure SMS_174
/>
这里得到了诊断信息和手术信息嵌入后的结果
Figure SMS_175
、/>
Figure SMS_176
，/>
Figure SMS_177
是诊断信息嵌入矩阵，/>
Figure SMS_178
是手术信息嵌入矩阵，s表示嵌入空间的维数，表中每一行都是不同信息编码的嵌入向量。
在真实情况下，医生都是通过诊断信息来决定手术信息的，所以诊断信息和手术信息是有多对多的联系的，我们设计了对齐余弦相似度来获取每个诊断信息
Figure SMS_179
与每个手术信息/>
Figure SMS_180
之间的关联：
Figure SMS_181
Figure SMS_182
其中，
Figure SMS_183
表示当前患者一个诊断信息与所有手术信息之间的关联，/>
Figure SMS_184
和/>
Figure SMS_185
分别表示诊断集和手术集的大小，LN(·)表示层归一化函数，/>
Figure SMS_186
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/>
Figure SMS_187
：
Figure SMS_188
Figure SMS_189
其中，
Figure SMS_190
表示当前患者一个手术与所有诊断信息之间的关联；
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：
Figure SMS_191
Figure SMS_192
其中，
Figure SMS_193
和/>
Figure SMS_194
为可训练的参数，/>
Figure SMS_195
表示元素的数乘。
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
Figure SMS_196
，/>
Figure SMS_197
和/>
Figure SMS_198
，多头注意力函数/>
Figure SMS_199
可被定义为：
Figure SMS_200
Figure SMS_201
Figure SMS_202
其中，参数矩阵
Figure SMS_203
，/>
Figure SMS_204
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。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/>
Figure SMS_205
：
Figure SMS_206
Figure SMS_207
其中，
Figure SMS_208
的目的是从多个视图捕获诊断信息内部的交互信息，/>
Figure SMS_209
为前馈神经网络，/>
Figure SMS_210
为可学习权重。
同理，也可以得到手术信息最终表示
Figure SMS_211
。
第i个患者的第t次访问的当前健康表示可以通过前馈神经网络
Figure SMS_212
表示：
Figure SMS_213
其中，
Figure SMS_214
是可学习参数，/>
Figure SMS_215
是连接操作。
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：
Figure SMS_216
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
Figure SMS_217
，这里的/>
Figure SMS_218
是/>
Figure SMS_219
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，/>
Figure SMS_220
为药物集的总数， 则EHR图的邻接矩阵可以表示为/>
Figure SMS_221
。DDI图的邻接矩阵/>
Figure SMS_222
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
Figure SMS_224
和/>
Figure SMS_227
分别表示EHR图和DDI图，其中，M是药物集，/>
Figure SMS_231
和/>
Figure SMS_223
分别为EHR图和DDI图的边缘集，使用邻接矩阵/>
Figure SMS_228
表示/>
Figure SMS_232
和/>
Figure SMS_234
中的信息，/>
Figure SMS_225
意味着第/>
Figure SMS_229
个药物与第/>
Figure SMS_233
个药物出现在同一次开药中，/>
Figure SMS_235
意味着第/>
Figure SMS_226
个药物与第/>
Figure SMS_230
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：
Figure SMS_236
Figure SMS_237
Figure SMS_238
其中，
Figure SMS_240
表示EHR图的关系生成表示，/>
Figure SMS_243
表示DDI图的关系生成表示。/>
Figure SMS_246
是ReLU非线性激活函数。药物特征矩阵/>
Figure SMS_241
，邻接矩阵/>
Figure SMS_242
，/>
Figure SMS_245
，/>
Figure SMS_248
是单位矩阵，/>
Figure SMS_239
是
Figure SMS_244
的度矩阵，/>
Figure SMS_247
和/>
Figure SMS_249
为可学习的权重。
最后，结合两个生成关系表示
Figure SMS_250
和/>
Figure SMS_251
，得到最终的药物表示/>
Figure SMS_252
：/>
Figure SMS_253
其中，
Figure SMS_254
为可学习参数。
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。
首先通过药物表示
Figure SMS_255
和患者表示/>
Figure SMS_256
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/>
Figure SMS_257
，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/>
Figure SMS_258
：
Figure SMS_259
Figure SMS_260
其中，
Figure SMS_261
是sigmoid函数，/>
Figure SMS_262
为可学习的参数。
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。
这里构建了一个患者记忆模块来存储所有患者的健康信息
Figure SMS_263
和相对应的患者的药物信息/>
Figure SMS_264
。
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：
Figure SMS_265
其中，
Figure SMS_266
表示当前患者与患者k之间病例信息的相似度，/>
Figure SMS_267
为ReLu函数，
Figure SMS_268
，即不计算自己与自己的相似度。
进一步的，获取到患者i自身历史访问
Figure SMS_269
相似度的药物信息：
Figure SMS_270
Figure SMS_271
Figure SMS_272
其中，
Figure SMS_273
表示患者i的第j次访问的健康表示与第t次访问的健康表示之间的相似度，/>
Figure SMS_274
为上述相似度所生成的药物表示，/>
Figure SMS_275
为/>
Figure SMS_276
与/>
Figure SMS_277
之间的相似度，/>
Figure SMS_278
表示第i个患者的第j次访问的药物表示。
相似的，患者i与其他患者
Figure SMS_279
相似度的药物推荐信息的计算结果如下：
Figure SMS_280
Figure SMS_281
Figure SMS_282
其中，
Figure SMS_283
表示患者i的第t次访问的健康表示与患者k的第j次访问的健康表示之间的相似度，/>
Figure SMS_284
为上述相似度所生成的药物表示，/>
Figure SMS_285
为/>
Figure SMS_286
与/>
Figure SMS_287
之间的相似度，/>
Figure SMS_288
表示第k个患者的第j次访问的真实药物表示；
使用一个sigmoid函数
Figure SMS_289
将两部分结合得到访问级的药物组合：
Figure SMS_290
其中，
Figure SMS_291
表示元素乘积。
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。
在得到健康药物级表示和访问级的药物表示后，需要找到与当前患者疾病状态最相关的药物组合，最终使用一个sigmoid函数
Figure SMS_292
作为输出：
Figure SMS_293
其中，
Figure SMS_294
是最终药物推荐组合的概率表示，最后，通过阈值/>
Figure SMS_295
可以实现推荐的药物组合，选择大于/>
Figure SMS_296
的项作为最终药物组合。
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；
为简化公式，以下都是对当前患者做计算，对于药物组合，我们希望达到更低的DDI率，从而减少不良反应，实现安全推荐药物的预测。假设
Figure SMS_297
为药物的总数，基于DDI邻接矩阵/>
Figure SMS_298
，将DDI损失函数设计为：
Figure SMS_299
其中，
Figure SMS_300
和/>
Figure SMS_301
分别表示当前患者推荐结果中的第i个药物概率与第j个药物概率。
药物推荐是一个多标签二元分类任务，为了使结果更健壮，我们使用
Figure SMS_302
表示目标多热药物推荐，将每种药物预测视为一个子问题，并使用多标签损失函数和二元交叉熵损失函数，这能获取到更准确的药物组合：
Figure SMS_303
Figure SMS_304
其中，
Figure SMS_305
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/>
Figure SMS_306
，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/>
Figure SMS_307
，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。/>
Figure SMS_308
{·}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/>
Figure SMS_309
，/>
Figure SMS_310
{·}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：
Figure SMS_311
其中，
Figure SMS_312
和/>
Figure SMS_313
为两个超参数。
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
Figure SMS_314
进入模型，模型在处理完这些信息后会生成药物推荐/>
Figure SMS_315
，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：
步骤S13，通过多头自注意力机制、残差连接和层归一化对诊断信息嵌入进行编码，给定三个输入矩阵
Figure QLYQS_1
，/>
Figure QLYQS_2
和/>
Figure QLYQS_3
，多头注意力函数/>
Figure QLYQS_4
可被定义为：
Figure QLYQS_5
；
Figure QLYQS_6
；
Figure QLYQS_7
；
其中，参数矩阵
Figure QLYQS_8
，/>
Figure QLYQS_9
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/>
Figure QLYQS_10
：
Figure QLYQS_11
；
Figure QLYQS_12
；
其中，
Figure QLYQS_13
的目的是从多个视图捕获诊断信息内部的交互信息，/>
Figure QLYQS_14
表示诊断信息嵌入，/>
Figure QLYQS_15
为前馈神经网络，/>
Figure QLYQS_16
为可学习权重；
利用同样的方法得到手术信息最终表示
Figure QLYQS_17
；/>
步骤S14，将诊断信息最终表示和手术信息最终表示进行连接，第i个患者的第t次访问的当前健康表示可以通过前馈神经网络
Figure QLYQS_18
表示：
Figure QLYQS_19
；
其中，
Figure QLYQS_20
是可学习参数，/>
Figure QLYQS_21
是连接操作；
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：
Figure QLYQS_22
。
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
Figure QLYQS_24
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/>
Figure QLYQS_27
共有/>
Figure QLYQS_29
次访问医院的记录，定义诊断集
Figure QLYQS_25
、手术集/>
Figure QLYQS_26
以及药物集/>
Figure QLYQS_28
，其中/>
Figure QLYQS_30
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
Figure QLYQS_23
；
对于患者i第t次访问的诊断信息
Figure QLYQS_31
和手术信息/>
Figure QLYQS_32
，通过向量矩阵点积将相应的信息投影到嵌入空间中：
Figure QLYQS_33
；
Figure QLYQS_34
；
其中
Figure QLYQS_35
分别是所有诊断集、手术集的数量；这里得到了诊断信息和手术信息嵌入后的结果/>
Figure QLYQS_36
、/>
Figure QLYQS_37
，/>
Figure QLYQS_38
是诊断信息嵌入矩阵，/>
Figure QLYQS_39
是手术信息嵌入矩阵，s表示嵌入空间的维数，表中每一行都是不同信息编码的嵌入向量。
4.如权利要求3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：利用对齐余弦相似度来获取每个诊断信息
Figure QLYQS_40
与每个手术信息/>
Figure QLYQS_41
之间的关联：
Figure QLYQS_42
；
Figure QLYQS_43
；
其中，
Figure QLYQS_44
表示当前患者一个诊断信息与所有手术信息之间的关联，/>
Figure QLYQS_45
和/>
Figure QLYQS_46
分别表示诊断集和手术集的大小，LN(·)表示层归一化函数，/>
Figure QLYQS_47
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/>
Figure QLYQS_48
：
Figure QLYQS_49
；/>
Figure QLYQS_50
；
其中，
Figure QLYQS_51
表示当前患者一个手术与所有诊断信息之间的关联；
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：
Figure QLYQS_52
；
Figure QLYQS_53
；
其中，
Figure QLYQS_54
和/>
Figure QLYQS_55
为可训练的参数，/>
Figure QLYQS_56
表示元素的数乘。
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
Figure QLYQS_57
，这里的/>
Figure QLYQS_58
是/>
Figure QLYQS_59
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，/>
Figure QLYQS_60
为药物集的总数，则EHR图的邻接矩阵表示为
Figure QLYQS_61
，DDI图的邻接矩阵/>
Figure QLYQS_62
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
Figure QLYQS_63
和/>
Figure QLYQS_68
分别表示EHR图和DDI图，其中，M是药物集，/>
Figure QLYQS_72
和/>
Figure QLYQS_65
分别为EHR图和DDI图的边缘集，使用邻接矩阵/>
Figure QLYQS_69
表示/>
Figure QLYQS_73
和/>
Figure QLYQS_75
中的信息，
Figure QLYQS_64
意味着第/>
Figure QLYQS_67
个药物与第/>
Figure QLYQS_71
个药物出现在同一次开药中，/>
Figure QLYQS_74
意味着第
Figure QLYQS_66
个药物与第/>
Figure QLYQS_70
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：
Figure QLYQS_76
；
Figure QLYQS_77
；
Figure QLYQS_78
；
其中，
Figure QLYQS_80
表示EHR图的关系生成表示，/>
Figure QLYQS_84
表示DDI图的关系生成表示，/>
Figure QLYQS_87
是ReLU非线性激活函数，药物特征矩阵/>
Figure QLYQS_81
，邻接矩阵/>
Figure QLYQS_82
，/>
Figure QLYQS_85
，/>
Figure QLYQS_88
是单位矩阵，/>
Figure QLYQS_79
是/>
Figure QLYQS_83
的度矩阵，/>
Figure QLYQS_86
和/>
Figure QLYQS_89
为可学习的权重；
最后，结合两个生成关系表示
Figure QLYQS_90
和/>
Figure QLYQS_91
，得到最终的药物表示/>
Figure QLYQS_92
：
Figure QLYQS_93
；
其中，
Figure QLYQS_94
为可学习参数。
6.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S3中，首先通过药物表示
Figure QLYQS_95
和患者表示/>
Figure QLYQS_96
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/>
Figure QLYQS_97
，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/>
Figure QLYQS_98
：
Figure QLYQS_99
；/>
Figure QLYQS_100
；
其中，
Figure QLYQS_101
是sigmoid函数，/>
Figure QLYQS_102
为中间变量，/>
Figure QLYQS_103
为可学习的参数，t表示第t次访问。
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
Figure QLYQS_104
和相对应的患者的药物表示信息/>
Figure QLYQS_105
，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：
Figure QLYQS_106
；
其中，
Figure QLYQS_107
表示当前患者与患者k之间病例信息的相似度，/>
Figure QLYQS_108
为ReLu函数，/>
Figure QLYQS_109
，即不计算自己与自己的相似度，/>
Figure QLYQS_110
表示相似度函数；
进一步的，获取到患者i自身历史访问
Figure QLYQS_111
相似度的药物信息：
Figure QLYQS_112
；
Figure QLYQS_113
；
Figure QLYQS_114
；
其中，
Figure QLYQS_115
表示患者i的第j次访问的健康表示与第t次访问的健康表示之间的相似度，/>
Figure QLYQS_116
为上述相似度所生成的药物表示，/>
Figure QLYQS_117
为/>
Figure QLYQS_118
与/>
Figure QLYQS_119
之间的相似度，/>
Figure QLYQS_120
表示第i个患者的第j次访问的真实药物表示；
患者i与其他患者
Figure QLYQS_121
相似度的药物推荐信息的计算结果如下：
Figure QLYQS_122
；
Figure QLYQS_123
；
Figure QLYQS_124
；
其中，
Figure QLYQS_125
表示患者i的第t次访问的健康表示与患者k的第j次访问的健康表示之间的相似度，/>
Figure QLYQS_126
为上述相似度所生成的药物表示，/>
Figure QLYQS_127
为/>
Figure QLYQS_128
与/>
Figure QLYQS_129
之间的相似度，/>
Figure QLYQS_130
表示第k个患者的第j次访问的真实药物表示；
使用一个sigmoid函数
Figure QLYQS_131
将两部分结合得到访问级的药物组合：
Figure QLYQS_132
；
其中，
Figure QLYQS_133
表示元素乘积。
8.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S5中，将药物推荐表示与访问级的药物组合进行点乘，并使用一个sigmoid函数
Figure QLYQS_134
进行输出：
Figure QLYQS_135
；
其中
Figure QLYQS_136
表示元素乘积，/>
Figure QLYQS_137
是最终药物推荐组合的概率表示，最后，通过阈值/>
Figure QLYQS_138
实现推荐的药物组合，选择大于/>
Figure QLYQS_139
的项作为最终药物组合。
9.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S6中，基于DDI邻接矩阵
Figure QLYQS_140
，DDI损失函数设计为：
Figure QLYQS_141
；
其中，
Figure QLYQS_142
和/>
Figure QLYQS_143
分别表示当前患者推荐结果中的第i个药物概率与第j个药物概率，/>
Figure QLYQS_144
为药物的总数；
多标签损失
Figure QLYQS_145
函数和二元交叉熵损失函数/>
Figure QLYQS_146
分别为：
Figure QLYQS_147
；
Figure QLYQS_148
；
其中，
Figure QLYQS_149
是当前患者真实药物集中的第i个药物，若/>
Figure QLYQS_150
，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/>
Figure QLYQS_151
，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；/>
Figure QLYQS_152
{·}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/>
Figure QLYQS_153
，/>
Figure QLYQS_154
{·}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/>
Figure QLYQS_155
，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：
Figure QLYQS_156
；
其中，
Figure QLYQS_157
和/>
Figure QLYQS_158
为两个超参数。/>
CN202310428836.0A 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 Active CN116153528B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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