CN110911012A - 基于效用模型的个性化诊疗方法的确定方法及系统 - Google Patents

Abstract

本发明涉及一种基于效用模型的个性化诊疗方法的确定方法及系统，所述确定方法包括：对历史用户病症特征数据进行预处理，得到用户特征；基于粒子群算法，根据所述历史用户病症数据，构建改善方法的效用矩阵；根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。本发明通过对多症状特征数据进行降维和归一化处理；并通过粒子群算法构建改善方法效用矩阵；根据效用矩阵、历史用户病症数据得到总效用值，根据历史改善情况调整判断改善效果阈值；根据历史病症情况数据调整决策策略为成本最低时的阈值，从而可有效确定针对该当前用户的个性化诊疗方法。

Description

基于效用模型的个性化诊疗方法的确定方法及系统

技术领域

本发明涉及一种人工智能技术领域，特别涉及一种基于效用模型的个性化诊疗方法的确定方法及系统。

背景技术

随着社会的不断发展，人们的物质生活越来越好，但随之而来的却是各种大小病症。医生诊断主要靠知识和经验，而现在医疗大数据的研究在一定程度上可以帮助制定个性化治疗方案，对症状和治疗手段的未知组合进行改善效果的预测，这将大大提高病症的治愈率，减小病人的治疗痛苦。

推荐技术与医疗诊断的结合意义重大，在传统的推荐技术中通常会用到聚类、协同过滤的手段进行个性化的推荐，但是这样推荐出来的诊断方案对不确定信息处理的能力较弱，当病人病症情况比较模糊时并不能为用户推荐较有效的诊疗方法，普遍性并不强。

此外，虽然神经网络算法被广泛运用在各种应用上，但是它难以被解释清楚，而医疗与人们的健康息息相关，所以我们并不希望直接使用神经网络算法应用在诊疗方法推荐上。并且目前，当医生在为病人进行诊断时，常常会针对病症罗列好几种诊疗方法，有时候还会推荐病人同时采用几种诊疗方法来解决病症，但是这样往往会忽略改善方法之间所存在的关系。因此，当为病人进行诊断时，不仅需要同时考虑几种病症的情况来罗列解决方法，还需要考虑所罗列的解决方法之间的相互影响，以此来为病人进行更好的服务。

发明内容

为了解决现有技术中的上述问题，即为了解决针对用户目前出现的多种病症问题，以确定针对该用户的个性化诊疗方法，本发明提供一种基于效用模型的个性化诊疗方法的确定方法及系统。

为解决上述技术问题，本发明提供了如下方案：

一种基于效用模型的个性化诊疗方法的确定方法，所述确定方法包括：

对历史用户病症特征数据进行预处理，得到用户特征；

基于粒子群算法，根据所述历史用户病症特征数据，构建改善方法的效用矩阵；

根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。

可选地，所述对用户病症特征数据进行预处理，得到用户特征，具体包括：

将所述历史用户病症特征数据的维度降至r维数据；

根据以下公式，对所述r维数据进行归一化处理，得到用户特征：

其中，X为r维数据中的任意值，X_min为r维数据中的最小值，X_max为r维数据中的最大值，X′为归一化处理后的用户特征，X′∈[-1，1]。

可选地，所述基于粒子群算法，根据所述用户特征，构建改善方法效用矩阵，具体包括：

根据以下两种公式，确定效用矩阵的权重w_k；i|j：

其中，d₁为改善效果为变好的阈值，d₂为改善效果为变坏的阈值，max(.)为取最大值函数，arg(.)为取自变量函数；

根据以下公式，计算所述效用矩阵的元素u_i|j：

其中，u_i|j表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，当j＝i时表示方法x_i单独作用下产生的效用，n为有方法x_i、x_j同时作用下的样本个数，

为降维和归一化处理后第t个样本的用户特征，Y^(t)为第t个样本的改善结果：Y＝1表示变好，Y＝0表示不变，Y＝-1表示变坏，w_k；i|j为样本在方法x_i和方法x_j共同作用下的第k个症状征属性的权重；

根据所述效用矩阵的元素u_i|j，确定效用矩阵U：

可选地，所述确定所述效用矩阵的权重w_k；i|j，具体包括：

各粒子拥有一个速度决定飞行的距离和方向，在粒子搜索空间维度降为r维时，第i个粒子的参数如下：

粒子i的位置为：x_i＝(x_i1，x_i2，...，x_ir)，i＝1，2，...，pop_size；

粒子i的速度为：

v_i＝(v_i1，v_i2，...，v_ir)，i＝1，2，...，pop_size；

粒子i经过的历史最好位置为：

p_i＝(p_i1，p_i2，...，p_ir)，i＝1，2，...，pop_size；

粒子群所经过的历史最好位置为：

p_g＝(p_g1，p₉₂，...，p_gr)，i＝1，2，...，pop_size；

在训练的过程中，粒子能够根据当前的位置和速度通过以下公式得到下一时刻的速度和位置：

其中，pop_size为粒子群个数，

为当前速度，

为当前位置，

为目前粒子最好位置，

为目前粒子群的最好位置，w为惯性权重，c₁，c₂为学习因子，r₁，r₂为[0，1]之间的随机数；

通过上述公式对速度与位置进行迭代训练，通过最大适应度得到粒子群最佳的位置，该位置每个维度下的值为所需要的权重大小：

(w₁，w₂，...，w_r)＝(p_g1，p_g2，...，p_gr)。

可选地，c₁，c₂取值为2。

可选地，所述根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法，具体包括：

在已知病症情况和目前所采用的改善方法的情况下，确定当前情况下改善效果的预测情况；和/或

在已知病症情况下，确定针对该当前用户的个性化诊疗方法。

可选地，所述在已知病症情况和目前所采用的改善方法的情况下，确定当前情况下改善效果的预测情况，具体包括：

通过效用矩阵U，计算出当前的总效用矩阵u^*：

其中，u_i|j表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，num表示r维数据中为1元素的个数，设d₁为改善效果为变好的阈值，d₂为改善效果为变坏的阈值，所述总效用矩阵u^*中的每一个效用值都有其对应于不同改善结果的隶属；

对总效用矩阵u^*与改善效果Y之间的关系进行模糊化建模，确定隶属度函数；

根据隶属度函数，确定当前情况下改善效果的预测情况。

可选地，所述在已知病症情况下，确定针对该当前用户的个性化诊疗方法，具体包括：

已知P＝[p_k]，p_k∈[0，1]；k＝1，2，...r的情况下，设X＝[x_i]，x_i＝0，1；i＝1，2，...n，给x_i赋值0或1使改善效果为变好，以达到该当前用户的需求，所述当前用户的需求分为：决策策略为成本最低、决策策略为准确率最高以及决策策略的成本与准确率平衡；其中，

决策策略为成本最低，计算：

时x_i为1的方法；

决策策略为准确率最高，则计算：

时x_i为1的方法；

其中，u_i|j表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，min(.)为取最小值函数，max(.)为取最大值函数，arg(.)为取自变量函数。

为解决上述技术问题，本发明提供了如下方案：

一种基于效用模型的个性化诊疗方法的确定系统，所述确定系统包括：

预处理单元，用于对用户病症特征数据进行预处理，得到用户特征；

构建单元，用于基于粒子群算法，根据历史用户病症特征数据，构建改善方法的效用矩阵；

确定单元，用于根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。

可选地，所述预处理单元包括：

降维模块，用于将所述用户病症特征数据的维度降至r维数据；

归一化处理模块，用于根据以下公式，对所述r维数据进行归一化处理，得到用户特征：

其中，X为r维数据中的任意值，X_min为r维数据中的最小值，X_max为r维数据中的最大值，X′为归一化处理后的用户特征，X′∈[-1，1]。

根据本发明的实施例，本发明公开了以下技术效果：

本发明通过对多症状特征数据进行降维和归一化处理；并通过粒子群算法构建改善方法效用矩阵；根据效用矩阵、历史用户病症数据得到总效用值，根据历史改善情况调整判断改善效果阈值；根据历史病症情况数据调整决策策略为成本最低时的阈值，从而可有效确定针对该用户的个性化诊疗方法。

附图说明

图1是本发明基于效用模型的个性化诊疗方法的确定方法的流程图；

图2为粒子群算法流程图；

图3为本发明基于效用模型的个性化诊疗方法的确定系统的模块结构示意图。

符号说明：

预处理单元-1，构建单元-2，确定单元-3。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

本发明的目的在于提供一种基于效用模型的个性化诊疗方法的确定方法，通过对多症状特征数据进行降维和归一化处理；并通过粒子群算法和历史用户病症特征数据构建改善方法效用矩阵；根据效用矩阵、历史用户病症数据得到总效用值，并根据历史改善情况调整判断改善效果阈值；根据历史病症情况数据调整决策策略为成本最低时的阈值，从而可有效确定针对该用户的个性化诊疗方法。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明基于效用模型的个性化诊疗方法的确定方法包括：

步骤100：对历史用户病症特征数据进行预处理，得到用户特征；

步骤200：基于粒子群算法，根据历史用户病症特征数据，构建改善方法的效用矩阵；

步骤300：根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。

其中，在步骤100中，所述对历史用户病症特征数据进行预处理，得到用户特征，具体包括：

步骤101：将所述用户病症特征数据的维度降至r维数据。

在本实施例中，可使用如主成分分析等方法，将维度降至r维。

步骤102：根据以下公式，对所述r维数据进行归一化处理，得到用户特征：

其中，X为r维数据中的任意值，X_min为r维数据中的最小值，X_max为r维数据中的最大值，X′为归一化处理后的用户特征，X′∈[-1，1]。

当根据用户的疾病和采用方法判断改善结果时，由于健康与医疗是一个重要的问题，对结果的可靠度和合理性有着较高的要求，故不直接采取基于神经网络的方法来对改善结果进行分类与预测。而且由于症状的数据已经被分别统计好，本发明采用一个基于症状属性的方案进行分类训练。

实际的改善方法往往都不是独立的，这里假设改善方法之间的相互影响发生于两者之间，由博弈论受到启发，把不同的改善方法共同作用理解为一个互相博弈的过程，则本发明针对不同的用户特征组合都可构建其对应的效用矩阵U。

具体地，在步骤200中，所述基于粒子群算法，根据历史用户病症特征数据，构建改善方法效用矩阵，具体包括：

步骤201：根据以下两种方案(A方案和B方案)，确定效用矩阵的权重w_k；i|j：

其中，d₁为改善效果为变好的阈值，d₂为改善效果为变坏的阈值，max(.)为取最大值函数，arg(.)为取自变量函数。

在本实施例中，B方案中的d₁，d₂可需要根据实际要求或者经验调整参数。对于权重的求解，我们采用了启发式算法种的粒子群算法来求解。这种基于权重的方法的一个优点是能够不对症状特征作独立性的假设，相较于一些贝叶斯方法更为直观，使用起来也更为方便。

粒子群算法是从随机解出发，通过迭代寻找最优解。如图2所示，在用粒子群算法求取效用矩阵中的权重时，需要传递的参数为：求解的函数(function)、变量取值边界(bound)和粒子群个数(pop_size)。粒子的速度与位置由算法随机初始化。具体步骤分别是初始化、循环更新位置、速度与最大值记录，以及输出结果。进一步可以将迭代部分的两步包在一起，形成一个函数(pso)。

粒子群算法将每个寻优的问题都想象成一只鸟，称为粒子，每个粒子拥有一个速度决定飞行的距离和方向，在d维空间进行搜索。

所述确定所述效用矩阵的权重w_k；i|j，具体包括：

各粒子拥有一个速度决定飞行的距离和方向，在粒子搜索空间维度降为r维时，第i个粒子的参数如下：

粒子i的位置为：x_i＝(x_i1，x_i2，...，x_ir)，i＝1，2，...，pop_size；

粒子i的速度为：V_i＝(v_i1，v_i2，...，v_ir)，i＝1，2，...，pop_size；

粒子i经过的历史最好位置为：

p_i＝(p_i1，p_i2，...，p_ir)，i＝1，2，...，pop_size；

粒子群所经过的历史最好位置为：

p_g＝(p_g1，p_g2，...，p_gr)，i＝1，2，...，pop_size；

在训练的过程中，粒子能够根据当前的位置和速度通过以下公式得到下一时刻的速度和位置：

其中，pop_size为粒子群个数，

为当前速度，

为当前位置，

为目前粒子最好位置，

为目前粒子群的最好位置，w为惯性权重，c₁，c₂为学习因子，r₁，r₂为[0，1]之间的随机数；在本实施例中c₁，c₂取值为2

通过上述公式对速度与位置进行迭代训练，通过最大适应度得到粒子群最佳的位置，该位置每个维度下的值为所需要的权重大小：

(w₁，w₂，...，w_r)＝(p_g1，p_g2，...，p_gr)。

步骤202：根据以下公式，计算所述效用矩阵的元素u_i|j：

其中，u_i|j表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，当j＝i时表示方法x_i单独作用下产生的效用，n为有方法x_i、x_j同时作用下的样本个数，

为降维和归一化处理后第t个样本的用户特征，Y^(t)为第t个样本的改善结果：Y＝1表示变好，Y＝0表示不变，Y＝-1表示变坏，w_k；i|j为样本在方法x_i和方法x_j共同作用下的第k个症状征属性的权重。

步骤203：根据所述效用矩阵的元素u_i|j，确定效用矩阵U：

进一步地，在步骤300中，所述根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法，具体包括：

步骤310：在已知病症情况和目前所采用的改善方法的情况下，确定当前情况下改善效果的预测情况；和/或

步骤320：在已知病症情况下，确定针对该当前用户的个性化诊疗方法。

其中，在步骤310中，所述在已知病症情况和目前所采用的改善方法的情况下，确定当前情况下改善效果的预测情况，具体包括：

步骤311：通过效用矩阵U，计算出当前的总效用矩阵u*：

其中，u_i|j表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，num表示r维数据中为1元素的个数，设d₁为改善效果为变好的阈值，d₂为改善效果为变坏的阈值，所述总效用矩阵u^*中的每一个效用值都有其对应于不同改善结果的隶属；

步骤312：对总效用矩阵u^*与改善效果Y之间的关系进行模糊化建模，确定隶属度函数；

步骤313：根据隶属度函数，确定当前情况下改善效果的预测情况。

在步骤320中，所述在已知病症情况下，确定针对该当前用户的个性化诊疗方法，具体包括：

已知P＝[p_k]，p_k∈[0，1]；k＝1，2，...r的情况下，设X＝[x_i]，x_i＝0，1；i＝1，2，...n，给x_i赋值0或1使改善效果为变好，以达到该当前用户的需求，所述当前用户的需求分为：决策策略为成本最低、决策策略为准确率最高以及决策策略的成本与准确率平衡；其中，

决策策略为成本最低，计算：

时x_i为1的方法；

决策策略为准确率最高，则计算：

时x_i为1的方法；

其中，u_i|j表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，min(.)为取最小值函数，max(.)为取最大值函数，arg(.)为取自变量函数。

本发明具有以下优点：

由于本发明是将不同的改善方法共同作用理解为一个互相博弈的过程，并未对病症特性的独立性做要求，是基于症状特征属性进行分类训练的，因此，结果的可行度与可读度比较高。此外，通过构建的效用矩阵得到的效用模型具有普遍性，因此当用户的症状特征模糊化的情况下，该模型仍然能够为用户有效地进行预测与推荐。

并且对于训练后所得到的效用矩阵中的效用值，还可以为病人以及医生了解相关改善方法之间的相互联系。在进行方案推荐时，可根据用户对实际的成本与效果之间的权衡进行个性化的推荐，对不同方案进行排序。

此外，本发明还提供一种基于效用模型的个性化诊疗方法的确定系统，可针对用户目前出现的多种病症问题，以确定针对该用户的个性化诊疗方法。

如图3所示，本发明基于效用模型的个性化诊疗方法的确定系统包括预处理单元1、构建单元2及确定单元3。

具体地，所述预处理单元1用于对历史用户病症特征数据进行预处理，得到用户特征；所述构建单元2用于基于粒子群算法，根据所述历史用户病症特征数据，构建改善方法的效用矩阵；所述确定单元3用于根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。

优选地，所述预处理单元1包括降维模块及归一化处理模块。

其中，所述降维模块用于将所述用户病症特征数据的维度降至r维数据；

所述归一化处理模块用于根据以下公式，对所述r维数据进行归一化处理，得到用户特征：

其中，X为r维数据中的任意值，X_min为r维数据中的最小值，X_max为r维数据中的最大值，X′为归一化处理后的用户特征，X′∈[-1，1]。

相对于现有技术，本发明基于效用模型的个性化诊疗方法的确定系统与上述基于效用模型的个性化诊疗方法的确定方法的有益效果相同，在此不再赘述。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述确定方法包括：

对历史用户病症特征数据进行预处理，得到用户特征；

基于粒子群算法，根据所述历史用户病症特征数据，构建改善方法的效用矩阵；

根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。

2.根据权利要求1所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述对历史用户病症特征数据进行预处理，得到用户特征，具体包括：

将所述历史用户病症特征数据的维度降至r维数据；

根据以下公式，对所述r维数据进行归一化处理，得到用户特征：

其中，X为r维数据中的任意值，X_min为r维数据中的最小值，X_max为r维数据中的最大值，X′为归一化处理后的用户特征，X′∈[-1,1]。

3.根据权利要求1所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述基于粒子群算法，根据所述历史用户病症特征数据，构建改善方法效用矩阵，具体包括：

根据以下两种公式，确定效用矩阵的权重w_k：i|j：

其中，d₁为改善效果为变好的阈值，d₂为改善效果为变坏的阈值，max(.)为取最大值函数，arg(.)为取自变量函数；

根据以下公式，计算所述效用矩阵的元素u_ij：

其中，u_ij表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，当j＝i时表示方法x_i单独作用下产生的效用，n为有方法x_i、x_j同时作用下的样本个数，

为降维和归一化处理后第t个样本的用户特征，Y^(t)为第t个样本的改善结果：Y＝1表示变好，Y＝0表示不变，Y＝-1表示变坏，w_k；i|j为样本在方法x_i和方法x_j共同作用下的第k个症状征属性的权重；

根据所述效用矩阵的元素u_ij，确定效用矩阵U：

4.根据权利要求3所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述确定所述效用矩阵的权重w_k；i|j，具体包括：

各粒子拥有一个速度决定飞行的距离和方向，在粒子搜索空间维度降为r维时，第i个粒子的参数如下：

粒子i的位置为：x_i＝(x_i1，x_i2，...，x_ir)，i＝1，2，...，pop_size；

粒子i的速度为：v_i＝(v_i1，v_i2，...，v_ir)，i＝1，2，...，pop_size；

粒子i经过的历史最好位置为：

p_i＝(p_i1，p_i2，...，p_ir)，i＝1，2，...，pop_size；

粒子群所经过的历史最好位置为：

p_g＝(p_g1，p_g2，...，p_gr)，i＝1，2，...，pop_size；

在训练的过程中，粒子能够根据当前的位置和速度通过以下公式得到下一时刻的速度和位置：

其中，pop_size为粒子群个数，

为当前速度，

为当前位置，

为目前粒子最好位置，

为目前粒子群的最好位置，W为惯性权重，c₁，c₂为学习因子，r₁，r₂为[0,1]之间的随机数；

通过上述公式对速度与位置进行迭代训练，通过最大适应度得到粒子群最佳的位置，该位置每个维度下的值为所需要的权重大小：

(w₁，w₂，...，w_r)＝(p_g1，p_g2，...，p_gr)。

5.根据权利要求1所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，c₁，c₂取值为2。

6.根据权利要求1所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法，具体包括：

在已知病症情况和目前所采用的改善方法的情况下，确定当前情况下改善效果的预测情况；和/或

在已知病症情况下，确定针对该当前用户的个性化诊疗方法。

7.根据权利要求6所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述在已知病症情况和目前所采用的改善方法的情况下，确定当前情况下改善效果的预测情况，具体包括：

通过效用矩阵U，计算出当前的总效用矩阵u^*：

其中，u_ij表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，num表示r维数据中为1元素的个数，设d₁为改善效果为变好的阈值，d₂为改善效果为变坏的阈值，所述总效用矩阵u^*中的每一个效用值都有其对应于不同改善结果的隶属；

对总效用矩阵u^*与改善效果Y之间的关系进行模糊化建模，确定隶属度函数；

根据隶属度函数，确定当前情况下改善效果的预测情况。

8.根据权利要求6所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述在已知病症情况下，确定针对该当前用户的个性化诊疗方法，具体包括：

已知P＝[p_k]，p_k∈[0，1]；k＝1，2，...r的情况下，设X＝[x_i]，x_i＝0，1；i＝1，2，...n，给x_i赋值0或1使改善效果为变好，以达到该当前用户的需求，所述当前用户的需求分为：决策策略为成本最低、决策策略为准确率最高以及决策策略的成本与准确率平衡；其中，

决策策略为成本最低，计算：

时x_i为1的方法；

决策策略为准确率最高，则计算：

时x_i为1的方法；

其中，u_i|j表示在方法x_j作用的前提下方法x_i对目标特征产生的效用，min(.)为取最小值函数，max(.)为取最大值函数，arg(.)为取自变量函数。

9.一种基于效用模型的个性化诊疗方法的确定系统，其特征在于，所述确定系统包括：

预处理单元，用于对历史用户病症特征数据进行预处理，得到用户特征；

构建单元，用于基于粒子群算法，根据所述历史用户病症数据，构建改善方法的效用矩阵；

确定单元，用于根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。

10.根据权利要求9所述的基于效用模型的个性化诊疗方法的确定系统，其特征在于，所述预处理单元包括：

降维模块，用于将所述历史用户病症特征数据的维度降至r维数据；

归一化处理模块，用于根据以下公式，对所述r维数据进行归一化处理，得到用户特征：

其中，X为r维数据中的任意值，X_min为r维数据中的最小值，X_max为r维数据中的最大值，X′为归一化处理后的用户特征，X′∈[-1,1]。

Images