CN111627515B - 药物推荐方法、装置、电子设备及介质 - Google Patents

药物推荐方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111627515B
CN111627515B CN202010478134.XA CN202010478134A CN111627515B CN 111627515 B CN111627515 B CN 111627515B CN 202010478134 A CN202010478134 A CN 202010478134A CN 111627515 B CN111627515 B CN 111627515B
Authority
CN
China
Prior art keywords
node
drug
patient
pathology
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.)
Active
Application number
CN202010478134.XA
Other languages
English (en)
Other versions
CN111627515A (zh
Inventor
张捷
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent Technology Co Ltd
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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202010478134.XA priority Critical patent/CN111627515B/zh
Publication of CN111627515A publication Critical patent/CN111627515A/zh
Application granted granted Critical
Publication of CN111627515B publication Critical patent/CN111627515B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开实施例提供一种药物推荐方法、装置、电子设备及介质，其中，该方法包括：根据患者的患者病理数据，确定对应所述患者病理数据的患者信息向量，其中，所述患者信息向量是基于所述患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到，所述关联节点与目标节点之间存在影响用药的病理作用关系；根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，所述药物信息向量是根据影响用药的药物作用关系得到。

Description

药物推荐方法、装置、电子设备及介质
技术领域
本公开涉及机器学习技术，具体涉及一种药物推荐方法、装置、电子设备及介质。
背景技术
对于不同的疾病，使用的药物治疗方案也不同。并且，在考虑药物使用方面，影响因素众多，而当前医生在给病人开药时，通常只是针对不同的疾病使用不同的药物治疗，无法面面俱到的考虑众多的用药影响因素。因此，在用药时医生很难快速合理的进行用药推荐，容易造成用药不准确，甚至用药错误。
发明内容
本公开实施例至少提供一种药物推荐方法、装置、电子设备及介质。
第一方面，提供一种药物推荐方法，所述方法包括：
根据患者的患者病理数据，确定对应所述患者病理数据的患者信息向量，其中，所述患者信息向量是基于所述患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到，所述关联节点与目标节点之间存在影响用药的病理作用关系；
根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，所述药物信息向量是根据影响用药的药物作用关系得到。
在一些实施例中，所述根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，包括：将所述患者信息向量输入第一融合神经网络，得到融合患者信息向量；将所述药物信息向量输入第二融合神经网络，得到融合药物信息向量；将所述融合患者信息向量和融合药物信息向量输入药物推荐网络，得到所述药物推荐网络输出的所述推荐药物信息。
在一些实施例中，所述目标节点的数量是多个，每个目标节点对应得到一个患者信息向量；所述药物信息向量的数量是多个；所述将所述患者信息向量输入第一融合神经网络，得到融合患者信息向量，包括：将所述患者的多个患者信息向量输入第一融合神经网络，得到一个融合患者信息向量；所述将所述药物信息向量输入第二融合神经网络，得到融合药物信息向量，包括：将多个所述药物信息向量输入第二融合神经网络，得到一个融合药物信息向量。
在一些实施例中，所述方法还包括：根据样本患者病理数据，确定对应的病理目标节点；获取所述病理目标节点的至少一个病理关联节点，并基于所述病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量；由药物信息图中获取药物目标节点以及对应的至少一个药物关联节点，所述药物目标节点与药物关联节点之间存在影响对患者用药的药物作用关系；并基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量；根据所述样本患者的患者信息向量和所述药物信息向量，利用神经网络得到对所述样本患者的推荐药物信息的预测值；根据预测值和标签值之间的差异调整网络参数，所述标签值是所述样本患者病理数据中包括的实际使用药物信息。
在一些实施例中，所述获取所述病理目标节点的至少一个病理关联节点，包括：由包括所述病理目标节点和至少一个病理关联节点的病理信息图中，获取与所述病理目标节点存在病理作用关系的第一病理关联节点，所述病理信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述病理作用关系；根据所述第一病理关联节点，获取与所述第一病理关联节点存在所述病理作用关系的第二病理关联节点；依序获取各个病理关联节点，直至所述病理关联节点是所述病理信息图中的根节点时，得到所述至少一个病理关联节点。
在一些实施例中，所述获取所述药物目标节点的至少一个药物关联节点，包括：由包括所述药物目标节点和至少一个药物关联节点的药物信息图中，获取与所述药物目标节点存在药物作用关系的第一药物关联节点，所述药物信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述药物作用关系；根据所述第一药物关联节点，获取与所述第一药物关联节点存在所述药物作用关系的第二药物关联节点；依序获取各个药物关联节点，直至所述药物关联节点是所述药物信息图中的根节点时，得到所述至少一个药物关联节点。
在一些实施例中，所述基于病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量，包括：对于每一个病理关联节点，根据所述病理关联节点的各个直接子节点，得到所述病理关联节点的初始嵌入向量；根据各个病理关联节点的初始嵌入向量、以及所述病理目标节点的初始化向量，通过注意力机制聚合得到所述病理目标节点对应的所述患者信息向量；所述根据预测值和标签值之间的差异调整网络参数，包括：调整所述初始嵌入向量、患者信息向量的生成参数以及所述神经网络的网络参数。
在一些实施例中，所述基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量，包括：对于每一个药物关联节点，根据所述药物关联节点的各个直接子节点，得到所述药物关联节点的初始嵌入向量；根据各个药物关联节点的初始嵌入向量、以及所述药物目标节点的初始化向量，通过注意力机制聚合得到所述药物目标节点对应的所述患者信息向量；所述根据预测值和标签值之间的差异调整网络参数，包括：调整所述初始嵌入向量、药物信息向量的生成参数以及所述神经网络的网络参数。
在一些实施例中，所述患者病理数据是肿瘤患者的靶向用药相关的病理数据；所述影响用药的病理作用关系，包括如下至少一项：基因-基因作用关系，基因-疾病作用关系、疾病-疾病间的包含关系；所述影响用药的药物作用关系，包括如下至少一项：药物-副作用间的作用关系、基因-药物作用关系、药物-药物作用关系。
第二方面，提供一种药物推荐装置，所述装置包括：
向量确定模块，用于根据患者的患者病理数据，确定对应所述患者病理数据的患者信息向量，其中，所述患者信息向量是基于所述患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到，所述关联节点与目标节点之间存在影响用药的病理作用关系；
推荐处理模块，用于根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，所述药物信息向量是根据影响用药的药物作用关系得到。
在一些实施例中，所述推荐处理模块，包括：第一融合神经网络，用于根据患者信息向量，得到融合患者信息向量；第二融合神经网络，用于根据药物信息向量，得到融合药物信息向量；药物推荐网络，用于根据所述融合患者信息向量和融合药物信息向量，得到所述推荐药物信息。
在一些实施例中，所述目标节点的数量是多个，每个目标节点对应得到一个患者信息向量；所述药物信息向量的数量是多个；所述第一融合神经网络，具体用于根据所述患者的多个患者信息向量，得到一个融合患者信息向量；所述第二融合神经网络，具体用于根据多个药物信息向量，得到一个融合药物信息向量。
在一些实施例中，所述装置还包括：训练向量确定模块，用于根据样本患者病理数据，确定对应的病理目标节点；获取所述病理目标节点的至少一个病理关联节点，并基于所述病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量；以及，由药物信息图中获取药物目标节点以及对应的至少一个药物关联节点，所述药物目标节点与药物关联节点之间存在影响对患者用药的药物作用关系；并基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量；训练预测处理模块，用于根据所述样本患者的患者信息向量和所述药物信息向量，利用神经网络得到对所述样本患者的推荐药物信息的预测值；训练参数调整模块，用于根据预测值和标签值之间的差异调整网络参数，所述标签值是所述样本患者病理数据中包括的实际使用药物信息。
在一些实施例中，所述训练向量确定模块，在用于获取所述病理目标节点的至少一个病理关联节点时，包括：由包括所述病理目标节点和至少一个病理关联节点的病理信息图中，获取与所述病理目标节点存在病理作用关系的第一病理关联节点，所述病理信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述病理作用关系；根据所述第一病理关联节点，获取与所述第一病理关联节点存在所述病理作用关系的第二病理关联节点；依序获取各个病理关联节点，直至所述病理关联节点是所述病理信息图中的根节点时，得到所述至少一个病理关联节点。
在一些实施例中，所述训练向量确定模块，在用于获取所述药物目标节点的至少一个药物关联节点时，包括：由包括所述药物目标节点和至少一个药物关联节点的药物信息图中，获取与所述药物目标节点存在药物作用关系的第一药物关联节点，所述药物信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述药物作用关系；根据所述第一药物关联节点，获取与所述第一药物关联节点存在所述药物作用关系的第二药物关联节点；依序获取各个药物关联节点，直至所述药物关联节点是所述药物信息图中的根节点时，得到所述至少一个药物关联节点。
在一些实施例中，所述训练向量确定模块，在用于基于病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量时，包括：对于每一个病理关联节点，根据所述病理关联节点的各个直接子节点，得到所述病理关联节点的初始嵌入向量；根据各个病理关联节点的初始嵌入向量、以及所述病理目标节点的初始化向量，通过注意力机制聚合得到所述病理目标节点对应的所述患者信息向量；所述训练参数调整模块，在用于根据预测值和标签值之间的差异调整网络参数时，包括：调整所述初始嵌入向量、患者信息向量的生成参数以及所述神经网络的网络参数。
在一些实施例中，所述训练向量确定模块，在用于基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量时，包括：对于每一个药物关联节点，根据所述药物关联节点的各个直接子节点，得到所述药物关联节点的初始嵌入向量；根据各个药物关联节点的初始嵌入向量、以及所述药物目标节点的初始化向量，通过注意力机制聚合得到所述药物目标节点对应的所述患者信息向量；所述根据预测值和标签值之间的差异调整网络参数，包括：调整所述初始嵌入向量、药物信息向量的生成参数以及所述神经网络的网络参数。
在一些实施例中，所述患者病理数据是肿瘤患者的靶向用药相关的病理数据；所述影响用药的病理作用关系，包括如下至少一项：基因-基因作用关系，基因-疾病作用关系、疾病-疾病间的包含关系；所述影响用药的药物作用关系，包括如下至少一项：药物-副作用间的作用关系、基因-药物作用关系、药物-药物作用关系。
第三方面，提供一种电子设备，包括：存储器、处理器，所述存储器用于存储计算机可读指令，所述处理器用于调用所述计算机指令，实现本公开任一实施例所述的药物推荐方法。
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开任一实施例所述的药物推荐方法。
本公开实施例提供的药物推荐方法、装置、电子设备及介质，通过综合病理作用关系和药物作用关系进行药物的推荐，使得药物推荐过程的影响因素的考量更加全面，从而有助于提升所推荐药物的准确合理性。
附图说明
为了更清楚地说明本公开一个或多个实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了本公开至少一个实施例提供的一种药物推荐方法的流程；
图2示出了本公开至少一个实施例提供的一种药物推荐网络架构的示意图；
图3示出了本公开至少一个实施例提供的一种患者信息向量的获得流程；
图4示出了本公开至少一个实施例提供的一种获得关联节点的示意图；
图5示出了本公开至少一个实施例提供的一种药物推荐流程；
图6示出了本公开至少一个实施例提供的一种药物推荐装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开一个或多个实施例中的技术方案，下面将结合本公开一个或多个实施例中的附图，对本公开一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。
本公开实施例提供一种药物推荐方法，该方法可以应用于根据患者的患病情况自动进行治疗使用的药物的推荐。该方法不局限于所应用推荐药物的疾病类型，例如，肿瘤或其他类型的疾病。
图1示出了本公开至少一个实施例提供的一种药物推荐方法的流程，如图1所示，该方法可以包括如下处理：
在步骤100中，根据患者的患者病理数据，确定对应所述患者病理数据的患者信息向量，其中，该患者信息向量是基于所述患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到。
其中，所述的患者病理数据可以包括但不限于：患者的症状、患者所患的是何种疾病、患者的检测突变基因，等。即这里所述的患者病历数据是患者本身的一些数据，这些数据是对患者本次患病进行检查得到，主要包括后续进行药物推荐时可以参考和依据的一些患者自身状态数据。
其中，所述患者信息向量是基于患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到，所述关联节点与目标节点之间存在影响用药的病理作用关系。具体的，对应所述患者病理数据的目标节点以及所述的关联节点可以是病理信息图中的节点。可以先根据患者病理数据确定该数据对应病理信息图中的哪些节点，并将该节点称为目标节点。
举例来说：病理信息图中的节点可以包括“症状A”、“症状B”和“症状C”节点，还包括“肿瘤”、“肺癌”和“小细胞肺癌SCLC”节点。如果患者病理数据中包括“症状A”，即该患者的症状是症状A，则病理信息图中的节点“症状A”就是目标节点。
可选的，不同的患者患病的情况是不同的，那么不同患者的患者病理数据可以对应不同的目标节点，比如，其中一个患者对应的目标节点是“症状A”节点，另一个患者对应的目标节点是“症状C”节点。
再例如，不同的患者对应的目标节点的数量也可以是不同的。比如，其中一个患者对应两个目标节点，分别包括“症状A”节点和“小细胞肺癌SCLC”节点；而另一个患者对应一个目标节点，只有“症状B”节点。
如上可见，不同的患者，具有不同的患者情况，所对应确定的目标节点的内容和数量都可以是不同的。
在确定了目标节点之后，可以获取病理信息图中所述目标节点的至少一个关联节点，所述关联节点与目标节点之间存在影响用药的病理作用关系。例如，关联节点的数量可以是多个。
其中，所述的“影响用药的病理作用关系”是指在进行药物推荐时需要考虑的一些影响因素，且这些影响因素是病理方面的作用。
例如，以患者是肿瘤患者，患者病理数据是肿瘤患者的靶向用药相关的病理数据为例，该病理作用关系包括但不限于：基因-基因作用关系(基因之间会产生相互作用)，基因-疾病作用关系(基因和疾病之间存在关系)、疾病-疾病间的包含关系(例如，肿瘤包括肺癌和其他癌，肺癌包括SCLC和其他类型肺癌)。
需要说明的是，这里所述的与目标节点之间存在影响用药的病理作用关系的关联节点，包括与该目标节点之间存在直接连接边的节点，也包括与该目标节点之间存在间接连接的节点。举例来说：假设在病理信息图中，目标节点P1连接节点P2，节点P2连接节点P3，只要存在连接边的，该连接边对应的两个节点之间都是存在病理作用关系，那么，P2就可以认为是与目标节点P1直接关联，P3与目标节点P1是间接关联，可以将P2和P3都作为P1的关联节点。
在确定了目标节点及其至少一个关联节点之后，可以基于所述目标节点和至少一个关联节点，通过图算法得到所述患者的患者信息向量。
例如，所述的目标节点和每个关联节点代表着不同的症状、疾病、基因等病理数据，并且，每个节点都可以转换成一个对应的嵌入向量(embedding)。
通过图算法得到所述患者的患者信息向量，例如可以是将上述的目标节点和至少一个关联节点根据注意力机制(attention)进行聚合得到患者信息向量。其中，GraphAttention Network(GAT)提出了用注意力机制对邻近节点特征加权求和，可以选用GAT中使用的其中一种注意力机制的聚合函数。
如上，所述的患者信息向量是根据该患者当前的患者病理数据对应的目标节点及关联节点聚合得到，由于关联节点与目标节点之间存在病理作用关系，使得所述的患者信息向量也已融合了多种病理作用因素的考虑，有助于综合多种病理作用因素进行更准确的药物推荐。此外，上述的患者信息向量可以是在网络训练阶段按照上述方法确定，在网络应用阶段可以直接获得患者信息向量。
在步骤102中，根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息。
其中，所述的药物信息向量是根据影响用药的药物作用关系得到。例如，药物信息向量的来源可以是根据药物信息图中的药物目标节点及对应的至少一个药物关联节点聚合得到。
以肿瘤靶向用药为例，所述的影响用药的药物作用关系，包括如下至少一项：药物-副作用间的作用关系、基因-药物作用关系、药物-药物作用关系。本步骤得到的药物信息向量的获得，综合了药物信息对副作用、药物之间、药物与基因之间的作用等多种药物作用因素的考虑，有助于提高药物推荐的合理性。比如，正是由于考虑了药物-副作用间的作用关系，能使得所推荐的药物避免对患者产生过大的副作用。同理，上述的药物信息向量也可以是在网络训练阶段按照上述方法确定，在网络应用阶段可以直接获得药物信息向量，具体的训练阶段和应用阶段的处理将在后续详述。
本实施例的药物推荐方法，通过综合病理作用关系和药物作用关系进行药物的推荐，使得药物推荐过程的影响因素的考量更加全面，从而有助于提升所推荐药物的准确合理性。
如下以肿瘤患者的靶向治疗为例，通过本公开实施例的药物推荐方法给肿瘤患者提供靶点药物(targeted medicine)推荐。但可以理解的是，本公开实施例的方法不限于肿瘤。
首先，本公开实施例提供一个示例性的用于进行靶点药物推荐的网络架构，如图2所示，该网络框架可以包括如下几个部分(可以理解的是，实际实施中，网络架构不局限于图2所示)：
A、病理信息图和药物信息图：
其中，这两个图中的每个图都可以包括多个实体节点，任两个实体节点之间的连接边表示节点间的关系。
例如，病理信息图中的实体节点可以包括但不限于：基因节点、疾病节点、症状节点等。节点间的病理作用关系可以包括但不限于：基因-基因作用关系，基因-疾病作用关系、疾病-疾病间的包含关系等。
例如，药物信息图中的实体节点可以包括但不限于：药物节点、副作用节点、基因节点等。节点间的药物作用关系包括但不限于：药物-副作用间的作用关系、基因-药物作用关系、药物-药物作用关系等。
B、第一融合神经网络和第二融合神经网络：
其中，根据病理信息图中的多个节点聚合得到的患者信息向量的数量可以是多个，该多个患者信息向量可以输入第一融合神经网络进行融合，得到第一融合神经网络输出的融合患者信息向量。
其中，根据药物信息图中的多个节点聚合得到的药物信息向量的数量可以是多个，该多个药物信息向量可以输入第二融合神经网络进行融合，得到第二融合神经网络输出的融合药物信息向量。
通过上述的第一融合神经网络和第二融合神经网络，可以使得融合药物信息向量和融合患者信息向量的向量维度符合药物推荐网络的维度要求。
C、药物推荐网络：
融合药物信息向量和融合患者信息向量输入药物推荐网络后，可以输出得到对患者的推荐药物信息。其中，本实施例不限制实际使用的第一融合神经网络、第二融合神经网络和药物推荐网络的网络结构。
图2所示的网络架构在应用于对患者进行靶点药物推荐之前，可以先对网络进行训练，训练完成之后才将网络应用于靶点药物推荐。下面将分别描述网络的训练过程和应用过程。
网络的训练过程
其中，网络训练时使用的训练样本集可以包括历史诊断记录的集合，该历史诊断记录的数量满足网络训练的样本数量需求。
例如，每一个训练样本中可以包括：样本患者的样本患者病理数据，由于是历史诊断记录，该样本患者病理数据不仅可以包括患者的症状、疾病、基因等病理信息，还可以包括当时对患者的实际使用药物信息。
其中，患者的病理信息可以根据图2所示的网络架构进行端到端的处理后，得到药物推荐网络输出的对所述样本患者的推荐药物信息的预测值，而上述实际使用药物信息可以作为该样本患者的推荐药物信息的标签值。根据训练样本集中的各个训练样本的推荐药物信息的预测值与标签值的差异，可以调整图2所示网络的网络参数。具体使用的损失函数以及参数调整方式不限制。
如下将详细描述根据样本患者的样本患者病理数据，基于图2所示网络进行端到端处理的过程；并且，还将同时描述药物信息图的处理。
图3示出了本公开至少一个实施例提供的一种患者信息向量的获得流程，其中，该流程描述的是其中一个患者信息向量的获得，实际实施中可以有多个患者信息向量，处理流程是相同的。如图3所示，该流程可以包括：
在步骤300中，根据样本患者病理数据，确定对应的病理目标节点。
例如，样本患者的历史诊断记录中，样本患者病理数据中记载了该样本患者所患的疾病种类(SCLC)，患者的表现症状(“症状A”)等信息。
以SCLC为例，可以在病理信息图中确定一个对应的叶子节点，该叶子节点代表的就是SCLC，可以称为病理目标节点。在确定该病理目标节点之后，经过图3后续的处理步骤就可以得到该病理目标节点对应的患者信息向量。当然，对于“症状A”，同样可以在病理信息图中确定一个对应的叶子节点，同理也可以最终得到一个对应的患者信息向量。本实施例仅描述其中一个患者信息向量的获得流程，其他患者信息向量的获得流程相同。
在步骤302中，获取所述病理目标节点的至少一个病理关联节点，所述病理关联节点与病理目标节点之间存在影响用药的病理作用关系。
例如，本步骤在寻找病理目标节点的至少一个病理关联节点时，可以采用如下方式：
由病理信息图中获取与病理目标节点存在病理作用关系的第一病理关联节点，再根据所述第一病理关联节点，获取与第一病理关联节点存在病理作用关系的第二病理关联节点。依序逐个获取各个病理关联节点，直至所述病理关联节点是病理信息图中的根节点时，停止搜索，得到所述至少一个病理关联节点。
以图4为例说明上述的搜索过程：
请参见图4，假设SCLC对应叶子节点D，该节点D即病理目标节点。
接着，往上找节点D的父节点，得到节点C，该节点C称为第一病理关联节点，且节点C和节点D之间存在连接边，表示两者存在病理作用关系。示例性，该病理作用关系可以疾病包含关系，比如，节点D是“SCLC”，节点C是“肺癌”。
进一步的，可以接着网上找节点C的父节点，得到节点B，该节点B可以称为与第一病理关联节点存在病理作用关系的第二病理关联节点。
再接着网上找节点B的父节点得到节点A，该节点A已经是病理信息图中的根节点(root)，则停止搜索。
如上，得到上述的节点A、节点B、节点C都是节点D的病理关联节点，节点D是对应样本患者病理数据中的SCLC的病理目标节点。
在步骤304中，对于每一个病理关联节点，根据所述病理关联节点的各个直接子节点，得到所述病理关联节点的初始嵌入向量。
例如，可以按照如下的公式计算病理关联节点的初始嵌入向量(embedding)：
其中，表示病理关联节点的初始嵌入向量，c*表示病理关联节点，ch(c*)是病理关联节点的直接子节点，We是一个初始嵌入矩阵，在训练过程中可以学习调整该矩阵参数；g(，，)是一个聚合函数，用于根据病理关联节点c*及其直接子节点ch(c*)聚合得到病理关联节点的初始嵌入向量。
需要说明的是，在训练前，c*可以给出一个该病理关联节点的初始化向量，ch(c*)可以给出一个该病理关联节点的直接子节点的初始化向量，在训练过程中经过对初始嵌入矩阵的不断调整，病理关联节点的初始嵌入向量也会不断的调整变化，直至训练结束时，该/>的嵌入向量表示形式可以固定。
例如，以图4为例，对于图4中的病理关联节点B来说，该节点B的初始嵌入向量可以由节点B及其直接子节点C和F通过公式(1)计算得到。
在步骤306中，根据各个病理关联节点的初始嵌入向量和病理目标节点的初始化向量，通过注意力机制聚合得到病理目标节点对应的患者信息向量。
本步骤中，可以根据各个病理关联节点的初始嵌入向量和病理目标节点的初始化向量，通过注意力机制聚合得到病理目标节点对应的患者信息向量。
参见如下的公式(2)：
其中，表示病理目标节点的初始嵌入向量，c*表示病理目标节点，pa(c*)是病理目标节点的祖先节点，这里的祖先节点即该病理目标节点的所有病理关联节点；He是一个初始嵌入矩阵，在训练过程中可以学习该矩阵参数；f(，，)可以是图注意力网络GAT使用的其中一种聚合函数，用于根据病理目标节点c*及其祖先节点pa(c*)得到病理目标节点的初始嵌入向量。
需要说明的是，在训练前，c*可以给出一个该病理目标节点的初始化向量，pa(c*)可以是在步骤304中得到的各个病理关联节点的初始嵌入向量，在训练过程中可以对初始嵌入矩阵He不断调整其矩阵参数，直至训练结束时，该He的矩阵参数可以固定，并且，该病理目标节点的嵌入向量表示形式可以固定。
例如，以图4为例，对于图4中的节点D来说，该节点D的初始嵌入向量可以由节点D及其病理关联节点A、B和C共同通过公式(2)计算得到。
如上，基于所述病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量，即上述公式(2)得到的向量。比如，根据上述的公式(1)和公式(2)计算得到了对应图4中的叶子节点D的embedding。
此外，图2中的药物信息图同样可以包括多个节点，其中可以包括药物目标节点及对应的至少一个药物关联节点，所述药物目标节点与所述药物关联节点间存在影响对患者用药的药物作用关系。所述获取所述药物目标节点的至少一个药物关联节点，包括：由包括所述药物目标节点和至少一个药物关联节点的药物信息图中，获取与所述药物目标节点存在药物作用关系的第一药物关联节点，所述药物信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述药物作用关系；根据所述第一药物关联节点，获取与所述第一药物关联节点存在所述药物作用关系的第二药物关联节点；依序获取各个药物关联节点，直至药物关联节点是药物信息图中的根节点时，得到至少一个药物关联节点。
同样可以对每一个药物关联节点，根据所述药物关联节点的各个直接子节点，得到所述药物关联节点的初始嵌入向量；并根据所述药物目标节点的初始化向量和药物关联节点对应的初始嵌入向量，通过注意力机制聚合得到所述药物目标节点对应的药物信息向量。方法同患者信息向量的计算，不再详述，具体可以参见前述对患者信息向量计算流程的说明。
需要说明的是，对于不同的患者，其所患的疾病和症状可以是不同的，可以对应到病理信息图中的不同叶子节点(该叶子节点即药物目标节点)，因此不同患者时对应的第一融合神经网络的输入就可以是不同的。而药物信息图中的各个药物目标节点，不论是哪个患者，都可以将所有药物目标节点的嵌入向量作为第二融合神经网络的输入。因此，可以将药物信息图中的各个药物目标节点的嵌入向量都计算出来，每一个药物目标节点的嵌入向量都可以称为药物信息向量。
经过上述的处理，对于某一个历史诊断记录(即某一个训练样本)来说，已经得到了药物信息图中的各个药物目标节点对应的药物信息向量、以及该历史诊断记录的样本患者病理数据对应的患者信息向量。
请继续参见图2，示例性的，可以将样本患者的多个患者信息向量输入第一融合神经网络，得到该第一融合神经网络输出的融合患者信息向量；并且，可以将多个药物信息向量输入第二融合神经网络，得到该第二融合神经网络输出的融合药物信息向量。将所述融合患者信息向量和融合药物信息向量输入药物推荐网络，得到所述药物推荐网络输出的推荐药物信息的预测值。例如，假设待推荐的药物种类有100种，那么上述药物推荐网络输出的推荐药物信息可以是这100种药物分别对应的概率值。
然后根据推荐药物信息的预测值和标签值之间的差异，可以调整网络参数。例如，该调整的网络参数可以包括：病理信息图中初始嵌入向量和患者信息向量的生成参数、以及神经网络的网络参数，该生成参数是指在初始嵌入向量或患者信息向量的计算过程中使用到的一些参数，例如，用于计算各个节点的嵌入向量的嵌入矩阵，比如，公式(1)中的We和公式(2)中的He。还可以调整药物信息图中生成药物目标节点对应的药物信息向量时使用的参数，药物关联节点对应的初始嵌入向量计算时使用的参数，这些参数都可以称为生成参数；以及还可以调整神经网络的网络参数，比如第一融合神经网络、第二融合神经网络和药物推荐网络的网络参数。
当满足网络训练结束的条件时，结束训练，可以将图2所述的网络应用于患者的药物推荐。
网络的应用过程
例如，假设当前要对肿瘤患者U1进行靶点药物推荐，并假设当前对肿瘤患者U1进行诊断后得到该患者的病理数据包括：该患者患的是NSCLC(非小细胞肺癌)，并且突变基因是G1，表现的症状是症状C。根据上述的患者数据，可以通过本公开实施例的方法对患者进行药物推荐，可以图2所示网络为例。
图5示例了一种药物推荐的流程，用于为肿瘤患者U1进行靶点药物推荐。
在步骤500中，根据患者的患者病理数据，确定对应所述患者病理数据的目标节点。
例如，NSCLC(非小细胞肺癌)对应病理信息图中的其中一个实体节点，突变基因G1对应病理信息图中的另一个实体节点，症状C对应病理信息图中的又一个实体节点。即根据患者U1的病理数据可以找到对应的三个目标节点(这里的目标节点也可以称为病理目标节点)。
在步骤502中，获取所述目标节点对应的患者信息向量。
其中，病理信息图可以是根据病理数据知识库构建的，在病理数据知识库没有变化的情况下，可以认为该病理信息图在网络训练阶段和网络应用阶段的图结构也没有变化，即图中的各个节点及其连接关系固定。相应的，病理信息图的每个叶子节点也已经在网络训练阶段得到了各自对应的嵌入向量embedding，该每个叶子节点的嵌入向量embedding即称为患者信息向量。
本步骤中，在步骤500确定了患者U1的病理数据对应的三个目标节点后，可以获取到这三个目标节点各自分别对应的患者信息向量。
在步骤504中，获取药物信息向量。
同理，药物信息图中的各个药物目标节点的嵌入向量embedding也已经在训练阶段获得。本步骤可以获取到这些药物目标节点对应的药物信息向量(即嵌入向量embedding)。
在步骤506中，药物信息向量和患者信息向量通过融合神经网络进行融合。
例如，患者U1的病理数据对应的三个目标节点的患者信息向量输入第一融合神经网络，得到融合患者信息向量。并且，药物信息图中的各个药物目标节点的药物信息向量输入第二融合神经网络，得到融合药物信息向量。
在步骤508中，融合患者信息向量和融合药物信息向量输入药物推荐网络，得到推荐药物信息，并根据该推荐药物信息确定使用的药物。
例如，假设待推荐的药物种类有100种，那么上述药物推荐网络输出的推荐药物信息可以是这100种药物分别对应的概率值。可以根据该概率值进行由高到低的排序，选取排位在前N位的药物作为对该患者U1要使用的药物。其中，N可以自主决定，本实施例不限制。
本实施例的药物推荐方法，通过综合病理作用关系和药物作用关系进行药物的推荐，使得药物推荐过程的影响因素的考量更加全面，从而有助于提升所推荐药物的准确合理性。
图6提供了一种药物推荐装置的结构示意图，如图6所示，该装置可以包括：向量确定模块61和推荐处理模块62。
向量确定模块61，用于根据患者的患者病理数据，确定对应所述患者病理数据的患者信息向量，其中，所述患者信息向量是基于所述患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到，所述关联节点与目标节点之间存在影响用药的病理作用关系。
推荐处理模块62，用于根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，所述药物信息向量是根据影响用药的药物作用关系得到。
在一些实施例中，所述推荐处理模块，包括：第一融合神经网络，用于根据患者信息向量，得到融合患者信息向量；第二融合神经网络，用于根据药物信息向量，得到融合药物信息向量；药物推荐网络，用于根据所述融合患者信息向量和融合药物信息向量，得到所述推荐药物信息。
在一些实施例中，所述目标节点的数量是多个，每个目标节点对应得到一个患者信息向量；所述药物信息向量的数量是多个；所述第一融合神经网络，具体用于根据所述患者的多个患者信息向量，得到一个融合患者信息向量；所述第二融合神经网络，具体用于根据多个药物信息向量，得到一个融合药物信息向量。
在一些实施例中，所述装置还包括：训练向量确定模块，用于根据样本患者病理数据，确定对应的病理目标节点；获取所述病理目标节点的至少一个病理关联节点，并基于所述病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量；以及，由药物信息图中获取药物目标节点以及对应的至少一个药物关联节点，所述药物目标节点与药物关联节点之间存在影响对患者用药的药物作用关系；并基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量；训练预测处理模块，用于根据所述样本患者的患者信息向量和所述药物信息向量，利用神经网络得到对所述样本患者的推荐药物信息的预测值；训练参数调整模块，用于根据预测值和标签值之间的差异调整网络参数，所述标签值是所述样本患者病理数据中包括的实际使用药物信息。
在一些实施例中，所述训练向量确定模块，在用于获取所述病理目标节点的至少一个病理关联节点时，包括：由包括所述病理目标节点和至少一个病理关联节点的病理信息图中，获取与所述病理目标节点存在病理作用关系的第一病理关联节点，所述病理信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述病理作用关系；根据所述第一病理关联节点，获取与所述第一病理关联节点存在所述病理作用关系的第二病理关联节点；依序获取各个病理关联节点，直至所述病理关联节点是所述病理信息图中的根节点时，得到所述至少一个病理关联节点。
在一些实施例中，所述训练向量确定模块，在用于获取所述药物目标节点的至少一个药物关联节点时，包括：由包括所述药物目标节点和至少一个药物关联节点的药物信息图中，获取与所述药物目标节点存在药物作用关系的第一药物关联节点，所述药物信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述药物作用关系；根据所述第一药物关联节点，获取与所述第一药物关联节点存在所述药物作用关系的第二药物关联节点；依序获取各个药物关联节点，直至所述药物关联节点是所述药物信息图中的根节点时，得到所述至少一个药物关联节点。
在一些实施例中，所述训练向量确定模块，在用于基于病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量时，包括：对于每一个病理关联节点，根据所述病理关联节点的各个直接子节点，得到所述病理关联节点的初始嵌入向量；根据各个病理关联节点的初始嵌入向量、以及所述病理目标节点的初始化向量，通过注意力机制聚合得到所述病理目标节点对应的所述患者信息向量；所述训练参数调整模块，在用于根据预测值和标签值之间的差异调整网络参数时，包括：调整所述初始嵌入向量、患者信息向量的生成参数以及所述神经网络的网络参数。
在一些实施例中，所述训练向量确定模块，在用于基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量时，包括：对于每一个药物关联节点，根据所述药物关联节点的各个直接子节点，得到所述药物关联节点的初始嵌入向量；根据各个药物关联节点的初始嵌入向量、以及所述药物目标节点的初始化向量，通过注意力机制聚合得到所述药物目标节点对应的所述患者信息向量；所述根据预测值和标签值之间的差异调整网络参数，包括：调整所述初始嵌入向量、药物信息向量的生成参数以及所述神经网络的网络参数。
在一些实施例中，所述患者病理数据是肿瘤患者的靶向用药相关的病理数据；所述影响用药的病理作用关系，包括如下至少一项：基因-基因作用关系，基因-疾病作用关系、疾病-疾病间的包含关系；所述影响用药的药物作用关系，包括如下至少一项：药物-副作用间的作用关系、基因-药物作用关系、药物-药物作用关系。
在一些实施例中，上述装置可以用于执行上文所述的对应任意方法，为了简洁，这里不再赘述。
本公开实施例还提供了一种电子设备，所述设备包括存储器、处理器，所述存储器用于存储计算机可读指令，所述处理器用于调用所述计算机指令，实现本说明书任一实施例的方法。
本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本说明书任一实施例的方法。
本领域技术人员应明白，本公开一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本公开一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开实施例还提供一种计算机可读存储介质，该存储介质上可以存储有计算机程序，所述程序被处理器执行时实现本公开任一实施例描述的用于文字识别的神经网络的训练方法的步骤，和/或，实现本公开任一实施例描述的文字识别方法的步骤。
其中，本公开实施例所述的“和/或”表示至少具有两者中的其中一个，例如，“多和/或B”包括三种方案：多、B、以及“多和B”。
本公开中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于数据处理设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本公开特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的行为或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本公开中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本公开中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本公开中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。
本公开中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPG多(现场可编程门阵列)或多SIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的计算机包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PD多)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
虽然本公开包含许多具体实施细节，但是这些不应被解释为限制任何公开的范围或所要求保护的范围，而是主要用于描述特定公开的具体实施例的特征。本公开内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上所述仅为本公开一个或多个实施例的较佳实施例而已，并不用以限制本公开一个或多个实施例，凡在本公开一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开一个或多个实施例保护的范围之内。

Claims (12)

1.一种药物推荐方法，其特征在于，所述方法包括：
根据患者的患者病理数据，确定对应所述患者病理数据的患者信息向量，其中，所述患者信息向量是基于所述患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到，所述关联节点与目标节点之间存在影响用药的病理作用关系；所述影响用药的病理作用关系是指在进行药物推荐时需考虑的病理方面的作用影响因素；
根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，所述药物信息向量是根据影响用药的药物作用关系得到；所述药物信息向量是根据药物信息图中的药物目标节点及对应的至少一个药物关联节点聚合得到，所述药物目标节点与所述药物关联节点间存在影响对患者用药的药物作用关系。
2.根据权利要求1所述的方法，其特征在于，所述根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，包括：
将所述患者信息向量输入第一融合神经网络，得到融合患者信息向量；
将所述药物信息向量输入第二融合神经网络，得到融合药物信息向量；
将所述融合患者信息向量和融合药物信息向量输入药物推荐网络，得到所述药物推荐网络输出的所述推荐药物信息。
3.根据权利要求2所述的方法，其特征在于，所述目标节点的数量是多个，每个目标节点对应得到一个患者信息向量；所述药物信息向量的数量是多个；
所述将所述患者信息向量输入第一融合神经网络，得到融合患者信息向量，包括：将所述患者的多个患者信息向量输入第一融合神经网络，得到一个融合患者信息向量；
所述将所述药物信息向量输入第二融合神经网络，得到融合药物信息向量，包括：将多个所述药物信息向量输入第二融合神经网络，得到一个融合药物信息向量。
4.根据权利要求1-3任一所述的方法，其特征在于，所述方法还包括：
根据样本患者病理数据，确定对应的病理目标节点；
获取所述病理目标节点的至少一个病理关联节点，并基于所述病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量；
由药物信息图中获取药物目标节点以及对应的至少一个药物关联节点，所述药物目标节点与药物关联节点之间存在影响对患者用药的药物作用关系；并基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量；
根据所述样本患者的患者信息向量和所述药物信息向量，利用神经网络得到对所述样本患者的推荐药物信息的预测值；
根据预测值和标签值之间的差异调整网络参数，所述标签值是所述样本患者病理数据中包括的实际使用药物信息。
5.根据权利要求4所述的方法，其特征在于，所述获取所述病理目标节点的至少一个病理关联节点，包括：
由包括所述病理目标节点和至少一个病理关联节点的病理信息图中，获取与所述病理目标节点存在病理作用关系的第一病理关联节点，所述病理信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述病理作用关系；
根据所述第一病理关联节点，获取与所述第一病理关联节点存在所述病理作用关系的第二病理关联节点；
依序获取各个病理关联节点，直至所述病理关联节点是所述病理信息图中的根节点时，得到所述至少一个病理关联节点。
6.根据权利要求4所述的方法，其特征在于，所述获取所述药物目标节点的至少一个药物关联节点，包括：
由包括所述药物目标节点和至少一个药物关联节点的药物信息图中，获取与所述药物目标节点存在药物作用关系的第一药物关联节点，所述药物信息图中的任两个节点之间的连接边表示对应的两个节点间存在所述药物作用关系；
根据所述第一药物关联节点，获取与所述第一药物关联节点存在所述药物作用关系的第二药物关联节点；
依序获取各个药物关联节点，直至所述药物关联节点是所述药物信息图中的根节点时，得到所述至少一个药物关联节点。
7.根据权利要求4所述的方法，其特征在于，所述基于病理目标节点和至少一个病理关联节点，通过图算法得到所述样本患者的患者信息向量，包括：
对于每一个病理关联节点，根据所述病理关联节点的各个直接子节点，得到所述病理关联节点的初始嵌入向量；
根据各个病理关联节点的初始嵌入向量、以及所述病理目标节点的初始化向量，通过注意力机制聚合得到所述病理目标节点对应的所述患者信息向量；
所述根据预测值和标签值之间的差异调整网络参数，包括：调整所述初始嵌入向量、患者信息向量的生成参数以及所述神经网络的网络参数。
8.根据权利要求4所述的方法，其特征在于，所述基于所述药物目标节点和至少一个药物关联节点，通过图算法得到所述药物目标节点对应的药物信息向量，包括：
对于每一个药物关联节点，根据所述药物关联节点的各个直接子节点，得到所述药物关联节点的初始嵌入向量；
根据各个药物关联节点的初始嵌入向量、以及所述药物目标节点的初始化向量，通过注意力机制聚合得到所述药物目标节点对应的所述药物信息向量；
所述根据预测值和标签值之间的差异调整网络参数，包括：调整所述初始嵌入向量、药物信息向量的生成参数以及所述神经网络的网络参数。
9.根据权利要求1所述的方法，其特征在于，所述患者病理数据是肿瘤患者的靶向用药相关的病理数据；
所述影响用药的病理作用关系，包括如下至少一项：基因-基因作用关系，基因-疾病作用关系、疾病-疾病间的包含关系；
所述影响用药的药物作用关系，包括如下至少一项：药物-副作用间的作用关系、基因-药物作用关系、药物-药物作用关系。
10.一种药物推荐装置，其特征在于，所述装置包括：
向量确定模块，用于根据患者的患者病理数据，确定对应所述患者病理数据的患者信息向量，其中，所述患者信息向量是基于所述患者病理数据对应的目标节点及其至少一个关联节点通过图算法得到，所述关联节点与目标节点之间存在影响用药的病理作用关系；所述影响用药的病理作用关系是指在进行药物推荐时需考虑的病理方面的作用影响因素；
推荐处理模块，用于根据所述患者信息向量和药物信息向量，利用神经网络得到对所述患者的推荐药物信息，所述药物信息向量是根据影响用药的药物作用关系得到；所述药物信息向量是根据药物信息图中的药物目标节点及对应的至少一个药物关联节点聚合得到，所述药物目标节点与所述药物关联节点间存在影响对患者用药的药物作用关系。
11.一种电子设备，其特征在于，包括：存储器、处理器，所述存储器用于存储计算机可读指令，所述处理器用于调用所述计算机指令，实现权利要求1至9任一所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至9任一所述的方法。
CN202010478134.XA 2020-05-29 2020-05-29 药物推荐方法、装置、电子设备及介质 Active CN111627515B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010478134.XA CN111627515B (zh) 2020-05-29 2020-05-29 药物推荐方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010478134.XA CN111627515B (zh) 2020-05-29 2020-05-29 药物推荐方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111627515A CN111627515A (zh) 2020-09-04
CN111627515B true CN111627515B (zh) 2023-07-18

Family

ID=72272330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010478134.XA Active CN111627515B (zh) 2020-05-29 2020-05-29 药物推荐方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111627515B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112951362A (zh) * 2021-02-23 2021-06-11 上海商汤智能科技有限公司 药物推荐方法、装置、设备及存储介质
CN112768089B (zh) * 2021-04-09 2021-06-22 至本医疗科技（上海）有限公司 用于预测药物敏感状态的方法、设备和存储介质
CN113836931B (zh) * 2021-11-24 2022-03-08 慧算医疗科技（上海）有限公司 基于领域本体的癌症用药知识库构建方法、系统及终端

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122325A (zh) * 2011-04-20 2011-07-13 天津师范大学 一种中药方剂功效自动分析方法
EP2782064A1 (en) * 2013-03-18 2014-09-24 Optimal Medicine Ltd Personalised medicine system
CN107506591A (zh) * 2017-08-28 2017-12-22 中南大学 一种基于多元信息融合和随机游走模型的药物重定位方法
CN107799160A (zh) * 2017-10-26 2018-03-13 医渡云（北京）技术有限公司 用药辅助决策方法及装置、存储介质、电子设备
CN109712678A (zh) * 2018-12-12 2019-05-03 中国人民解放军军事科学院军事医学研究院 关系预测方法、装置及电子设备
WO2019231624A2 (en) * 2018-05-30 2019-12-05 Quantum-Si Incorporated Methods and apparatus for multi-modal prediction using a trained statistical model
CN110880361A (zh) * 2019-10-16 2020-03-13 平安科技（深圳）有限公司 一种个性化精准用药推荐方法及装置

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101828913A (zh) * 2010-04-16 2010-09-15 无锡市优特科科技有限公司 基于算法服务器的心电图远程诊断系统
US20180272066A1 (en) * 2017-03-24 2018-09-27 Medtronic Minimed, Inc. Patient management systems and adherence recommendation methods
EP3622423A1 (en) * 2017-05-12 2020-03-18 The Regents of The University of Michigan Individual and cohort pharmacological phenotype prediction platform
US11475995B2 (en) * 2018-05-07 2022-10-18 Perthera, Inc. Integration of multi-omic data into a single scoring model for input into a treatment recommendation ranking
CN110717116B (zh) * 2018-06-27 2023-12-05 北京京东尚科信息技术有限公司 关系网络的链接预测方法及系统、设备、存储介质
CN110141801B (zh) * 2019-05-17 2021-04-27 天津大学 面向近距离粒子内放疗手术智能剂量规划方法
CN110289068A (zh) * 2019-06-20 2019-09-27 北京百度网讯科技有限公司 药品推荐方法及设备
CN110444288A (zh) * 2019-07-24 2019-11-12 卓尔智联(武汉)研究院有限公司 基于复杂网络的辅助诊断装置、方法及可读存储介质
CN110675928A (zh) * 2019-09-20 2020-01-10 和宇健康科技股份有限公司 基于互联网与物联网的医药配送方法及系统
CN110837565B (zh) * 2019-11-14 2022-08-12 中山大学 实现药品推荐的模型训练装置及计算机设备
CN111192693B (zh) * 2019-12-19 2021-07-27 山东大学 一种基于药物组合进行诊断编码纠正的方法及系统
CN111191020B (zh) * 2019-12-27 2023-09-22 江苏省人民医院（南京医科大学第一附属医院） 基于机器学习和知识图谱的处方推荐方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122325A (zh) * 2011-04-20 2011-07-13 天津师范大学 一种中药方剂功效自动分析方法
EP2782064A1 (en) * 2013-03-18 2014-09-24 Optimal Medicine Ltd Personalised medicine system
CN107506591A (zh) * 2017-08-28 2017-12-22 中南大学 一种基于多元信息融合和随机游走模型的药物重定位方法
CN107799160A (zh) * 2017-10-26 2018-03-13 医渡云（北京）技术有限公司 用药辅助决策方法及装置、存储介质、电子设备
WO2019231624A2 (en) * 2018-05-30 2019-12-05 Quantum-Si Incorporated Methods and apparatus for multi-modal prediction using a trained statistical model
CN109712678A (zh) * 2018-12-12 2019-05-03 中国人民解放军军事科学院军事医学研究院 关系预测方法、装置及电子设备
CN110880361A (zh) * 2019-10-16 2020-03-13 平安科技（深圳）有限公司 一种个性化精准用药推荐方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于隐性反馈与交叉推荐的癫痫药物推荐系统;张璐;陈春;范小朋;刘人恺;须成忠;;集成技术(第05期);21-33 *

Also Published As

Publication number Publication date
CN111627515A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111627515B (zh) 药物推荐方法、装置、电子设备及介质
MacEachern et al. Machine learning for precision medicine
Miller et al. A 26-hour system of highly sensitive whole genome sequencing for emergency management of genetic diseases
Shah et al. Phenomapping for novel classification of heart failure with preserved ejection fraction
Winslow et al. Computational medicine: translating models to clinical care
CN105706097A (zh) 用于诊断检测的识别的途径分析
McNutt et al. Using big data analytics to advance precision radiation oncology
US20180122517A1 (en) Methods and apparatus related to electronic display of a human avatar with display properties particularized to health risks of a patient
US11869633B2 (en) Analytics and machine learning framework for actionable intelligence from clinical and omics data
EP3329403A1 (en) Reliability measurement in data analysis of altered data sets
JP2022524083A (ja) 薬物に依存しない患者固有の投薬レジメンのためのシステムおよび方法
Vallabhajosyula et al. Complications from percutaneous-left ventricular assist devices versus intra-aortic balloon pump in acute myocardial infarction-cardiogenic shock
Mandal et al. Lesion covariance networks reveal proposed origins and pathways of diffuse gliomas
Bertolet et al. Tree-based identification of subgroups for time-varying covariate survival data
Loureiro et al. Artificial intelligence for prognostic scores in oncology: a benchmarking study
Fu et al. Three‐dimensional multipath DenseNet for improving automatic segmentation of glioblastoma on pre‐operative multimodal MR images
CN108665975A (zh) 临床路径匹配方法和系统
Liu et al. Modeling treatment effect modification in multidrug-resistant tuberculosis in an individual patientdata meta-analysis
US20210117867A1 (en) Method and apparatus for subtyping subjects based on phenotypic information
Bibi et al. Automated Machine Learning Analysis of Patients With Chronic Skin Disease Using a Medical Smartphone App: Retrospective Study
Haussler et al. A million cancer genome warehouse
Zhou Inferences about population means of health care costs
Schissler et al. Testing for differentially expressed genetic pathways with single-subject N-of-1 data in the presence of inter-gene correlation
Yang et al. Artificial intelligence applications in the treatment of colorectal cancer: a narrative review
US11621081B1 (en) System for predicting patient health conditions

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