CN113436743B - 基于表示学习的多结局疗效预测方法、装置及存储介质 - Google Patents
基于表示学习的多结局疗效预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113436743B CN113436743B CN202110738026.6A CN202110738026A CN113436743B CN 113436743 B CN113436743 B CN 113436743B CN 202110738026 A CN202110738026 A CN 202110738026A CN 113436743 B CN113436743 B CN 113436743B
- Authority
- CN
- China
- Prior art keywords
- treatment
- outcome
- prediction
- patient
- training data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011282 treatment Methods 0.000 claims abstract description 164
- 230000000694 effects Effects 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 95
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 238000011269 treatment regimen Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 37
- 201000010099 disease Diseases 0.000 claims description 33
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 27
- 239000002131 composite material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000005713 exacerbation Effects 0.000 claims description 3
- 238000009533 lab test Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 abstract description 15
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 239000003814 drug Substances 0.000 description 20
- 229940079593 drug Drugs 0.000 description 19
- 230000001225 therapeutic effect Effects 0.000 description 18
- 238000011084 recovery Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000013016 Hypoglycemia Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000002218 hypoglycaemic effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术领域，揭露一种基于表示学习的多结局疗效预测方法，包括：获取患者历史数据，并基于所述历史数据构建训练数据；基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；基于所述治疗效果评估模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。本发明可以实现对多种治疗方案的多结局疗的同时预测，可有效提高预测的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于表示学习的多结局疗效预测的方法、装置、电子设备及计算机可读存储介质。
背景技术
在目前的医疗人工智能研究中，智能化的辅助诊断系统在医疗诊断应用中越来越普及，辅助诊断系统可以帮助医生做出病情的分析和诊断，有助于提高就医效率，缩短病人的治疗周期。
由于药物的多样性和患者的自身特点的差异性，导致药物治疗效果的复杂多样化，为此，在现有的辅助诊断系统中，通常采用倾向评分加权、倾向评分分层、倾向评分匹配等方法去除混杂因子对结果的影响。但是，这些方法有以下几个缺点：1)都需要先识别出混杂因子，再用相应的办法去除混杂因子的影响。2)干预方式(治疗方案)往往只有两种，不易扩展为多治疗方案的情况。3)只能估计人群的整体治疗效果ATE(Average TreatmentEffect)，不能估计个体的治疗效果ITE(Individual Treatment Effect)。
此外，基于表示学习的因果推断方法，虽然不需要提前识别混杂因子，但都是针对单一结局的模型，临床中采用某种治疗方案可能会有两种或多种不同类型的结局，且各结局之间可能是相互矛盾的，因此不能将多种结局合并后建模，进而影响模型的通用性及预测效率；此外，现有的用药决策方法一般仅通过患者历史用药记录的分析来给患者推荐下一次的用药方案，也会限制模型的性能，影响预测的准确性。
发明内容
本发明提供一种基于表示学习的多结局疗效预测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高了基于表示学习的多结局疗效预测的预测效率和准确性。
为实现上述目的，本发明提供的一种基于表示学习的多结局疗效预测方法，包括：
获取患者历史数据，并基于所述历史数据构建训练数据；
基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；
基于所述治疗效果评估模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。
此外，可选的技术方案是，所述获取患者历史数据，并基于所述历史数据构建训练数据，包括：
从电子病历数据库中抽取患者历史数据；
基于疾病种类对所述患者历史数据进行分类处理，获取与不同疾病种类分别对应的分类文档；
基于所述分类文档确定与不同疾病种类分别对应的训练数据。
此外，可选的技术方案是，所述基于所述训练数据训练治疗效果预测模型，包括：
构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络；
将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征；
基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型。
此外，可选的技术方案是，所述疗效预测网络包括多个相互独立的神经网络；其中，
基于预设治疗方案的种类构建与所述治疗方案的种类个数相对应的神经网络，且所述各神经网络之间相互独立。
此外，可选的技术方案是，所述直至所述神经网络模型收敛在预设范围内，包括：
获取所述神经网络模型的损失函数，并当所述损失函数不再减小或符合预设阈值时，确定所述神经网络模型收敛在预设范围内；
所述损失函数包括：MAE平均绝对误差、MSE均方误差、交叉熵函数和复合损失函数；
所述复合损失函数的表示公式如下：
其中，N表示所述训练数据的个数或患者的总个数，φn表示第n个患者的编码特征，tn表示治疗方案，F表示第一种结局的预测结果，G表示第二种结局的预测结果，y1n表示所述第一种结局的临床结果，y2表示所述第二种结局的临床结果。
此外，可选的技术方案是，所述患者的历史数据包括相互对应的基本特征、治疗方案和临床结局；
所述基本特征包括性别、年龄、疾病史、实验室检查指标；
所述治疗方案包括治疗方案的类别或种类；
所述临床结局包括与所述治疗方案相对应的疾病的好转、恢复或恶化的治疗结果。
此外，可选的技术方案是，在获取待预测患者在多治疗方案下的疗效预测结果之后，还包括：
对所述疗效预测结果进行评估；
基于所述评估的结果确定所述疗效预测结果中的目标预测结果；
基于所述目标预测结果确定与所述待预测患者的基本特征对应的目标治疗方案。
为了解决上述问题，本发明还提供一种基于表示学习的多结局疗效预测装置，所述装置包括：
训练数据构建单元，用于获取患者历史数据，并基于所述历史数据构建训练数据；
治疗效果预测模型训练单元，用于基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；
治疗预测结果获取单元，用于基于所述治疗效果评估模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的基于表示学习的多结局疗效预测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于表示学习的多结局疗效预测方法。
本发明实施例通过获取患者历史数据，并基于所述历史数据构建训练数据；基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；基于所述治疗效果评估模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果，可通过基本特征和模型的预测结果预测评估多种治疗方案下的治疗效果，最终可根据预测结果给患者推荐适合所述患者个性化要求的用药方案，模型的通用性更强，预测效率更高。
附图说明
图1为本发明一实施例提供的基于表示学习的多结局疗效预测方法的流程示意图；
图2为本发明一实施例提供的基于表示学习的多结局疗效预测装置的模块示意图；
图3为本发明一实施例提供的实现基于表示学习的多结局疗效预测方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种基于表示学习的多结局疗效预测方法。参照图1所示，为本发明一实施例提供的基于表示学习的多结局疗效预测方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，基于表示学习的多结局疗效预测方法包括：
S110：获取患者历史数据，并基于所述历史数据构建训练数据。
其中，其中，所述患者的历史数据包括基本特征、治疗方案和临床结局；基本特征包括性别、年龄、疾病史、实验室检查指标等，治疗方案包括治疗方案的类别，临床结局包括疾病的好转、恢复或恶化等治疗结果。
进一步地，所述获取患者历史数据，并基于所述历史数据构建训练数据，可包括：
S111：从电子病历数据库中抽取患者历史数据；
S112：基于疾病种类对所述患者历史数据进行分类处理，获取与不同疾病种类分别对应的分类文档；
S123：基于所述分类文档确定与不同疾病种类分别对应的训练数据。
在该步骤构建训练数据的过程中，可通过分类后的分类文档针对特定的疾病进行治疗效果模型的训练，获取针对该疾病的多种治疗方案的预测模型，也可将各类疾病的患者历史数据进行同时训练，具体可根据应用场景进行设定或选取等。
S120：基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络。
其中，所述基于所述训练数据训练治疗效果预测模型，包括：
S121：构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络。
具体地，所述疗效预测网络包括多个相互独立的神经网络，可根据所述训练数据中的治疗方案的种类的数量，构建与所述治疗方案分别对应的神经网络，并且，不同治疗方案的神经网络之间相互独立。而神经网络的其他结构并不做具体显示，可采用现有多种类型的神经网络结构，例如：KNN、DNN、SVM、DL、BP、CNN、RNN、ANN等。
S122：将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征。
具体地，设有n个患者(观察者)，第i个患者形成的训练数据为(xi，ti，y1i，y2i)；其中，xi表示第i个患者的基本特征，ti表示治疗方案，y1i，y2i表示对应治疗方案ti的临床结局。此处，以临床结局包括两种情况为例，也可适用于多个临床结局的场景。例如，在糖尿病治疗中，结局y1表示：糖化是否达标，结局y2表示：是否发生低血糖。
在对第i个患者的基本特征进行表示学习时，可将xi输入自编码器中，通过特征转换后的编码特征表示为xencoded＝Φ(x)。例如，在年轻和老年患者组中，药物B的恢复率高于药物A的恢复率，但是将年轻和老年患者组结合起来之后，药物A的恢复率更高，这是由于混杂变量引起的，在比较整组的恢复率时，大所述复用A药物的人都是年轻人，无法消除年龄对恢复率的影响，此外，混杂变量也会导致选择偏见，使得反事实结果估计更加困难，为此，本发明将基本特征输入自编码器，通过自编码器的编码处理，能够去除混杂因子带来的偏差，使得各个治疗方案的基本特征的分布近似。
需要说明的是，自编码器包括对应设置的编码器和解码器，在获取编码特征时，仅获取编码器对基本特征xi进行编码的结果即可，解码器部分可忽略或不采用。
S123：基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型。
在该步骤中，以Φ(x)和所述训练数据作为疗效预测网络中各神经网络的输入，通过各神经网络输出与所述治疗方案分别对应的预测结果。具体地，相互独立各神经网路之间，每个神经网络输出的预测结果至少包括两种，当治疗方案有K种时，每种治疗方案均有M种临床结果时，所述神经网络模型的总的输出包括M*K种预测结果。
其中，当预测结果即治疗方案的对应临床结局存在两种情况(结局1和结局2)时，可将预测结果分别表示为Fk(φi,k)和Gk(φi,k)，k表示第k种治疗方案，φi表示第i个患者的编码特征。
在上述步骤S123中，迭代训练所述疗效预测网络，直至所述疗效预测网络收敛在预设范围内，包括：获取所述疗效预测网络的损失函数，并当所述损失函数不再减小或符合预设阈值时，确定所述疗效预测网络训练完成。其中，所述损失函数包括：MAE平均绝对误差、MSE均方误差、交叉熵函数或复合损失函数。
所述复合损失函数的表示公式如下：
其中，N表示所述训练数据的个数或患者的总个数，φn表示第n个患者的编码特征，tn表示治疗方案，F表示第一种结局的预测结果，G表示第二种结局的预测结果，y1n表示所述第一种结局的临床结果，y2表示所述第二种结局的临床结果。
S130：基于所述治疗效果评估模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。
其中，待治疗效果评估模型训练完成后，可将获取的待检测患者的基本特征输入治疗效果评估模型中，通过治疗效果评估模型输出与该患者的基本特征相对应的在各中治疗方案下的对应的疗效预测结果。或者，将待检测患者的基本特征和(针对性的)待检测治疗方案同时输入治疗效果评估模型中，输出与基本特征和待检测治疗方案相对应的疗效预测结果，能够通过一个模型完成对多个治疗方案的多结局预测，能够适用于个体治疗效果和人群治疗效果的预测，使用方便，预测准确度高。
此外，在获取待预测患者在多治疗方案下的疗效预测结果之后，本发明的基于表示学习的多结局疗效预测方法，还包括：
1、对所述疗效预测结果进行评估；
2、基于所述评估的结果确定所述疗效预测结果中的目标预测结果；
3、基于所述目标预测结果确定与所述待预测患者的基本特征对应的目标治疗方案。
具体地，针对患者i采用治疗方案tk的预测结果为Fk(φ(xi),k)(结局1，y1)和Gk(φ(xi),k)(结局2，y2)(仅示出了两种预测结果的情况)，对于结局1，该患者i使用治疗方案p相对于使用治疗方案q的个人治疗效果ITE表示为：FP(φ(xi),p)-Fq(φ(xi),q)，治疗方案p相对治疗方案q的人群治疗效果ATE可表示为：
对应地，对于第二个结局y2,该患者使用治疗方案p相对治疗方案q的个人治疗效果ITE可以表示为：GP(φ(xi),p)-Gq(φ(xi)，q)；治疗方案p相对治疗方案q的人群治疗效果ATE可以表示为：
进而可根据个人治疗效果和人群治疗效果对所述疗效预测结果进行评估，最终确定适合患者i的最优的目标预测结果及目标治疗方案，提供更准确的病情分析和诊断预测，辅助医生对患者进行药物治疗。
在本发明的一个具体实施例中，可通过医院电子病历数据库抽取患者数据，该患者数据包括基本特征X、治疗方案T、临床结局Y，然后将患者数据输入疗效评估模型中进行训练，训练完成后的疗效评估模型，可用于对多患者进行多结局的药物疗效预测，该模型的输入可以是待预测的患者的基本特征，输出可以是在各治疗方案下的对于该患者对应的预测治疗效果。本发明可通过基本特征和模型的预测结果预测评估多种治疗方案下的治疗效果，最终可根据预测结果给患者推荐适合所述患者个性化要求的用药方案。
可知，本发明即估计患者i的反事实情况，也就是当治疗方案为tj(i≠j)时，该患者可能的结局y，治疗效果评估模型主要由两个阶段组成，第一阶段用于去除混杂因子的带来的偏差，使得各个治疗方案组的特征xi的分布近似；第二阶段是预期结局的估计部分，建立多头(多头指的是每个治疗方案对应一个神经网络)的预测模型，为每个治疗方案估计一个可能的结局，也就是反事实，进而实现模型的多结局疗效预测。
如图2所示，是本发明基于表示学习的多结局疗效预测装置的功能模块示意图。
本发明所述基于表示学习的多结局疗效预测装置200可以安装于电子设备中。根据实现的功能，所述基于表示学习的多结局疗效预测装置可以包括训练数据构建单元210、治疗效果预测模型训练单元220、治疗预测结果获取单元230。本发所述单元也可以称之为模块，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
训练数据构建单元210，用于获取患者历史数据，并基于所述历史数据构建训练数据。
其中，所述患者的历史数据包括基本特征、治疗方案和临床结局；基本特征包括性别、年龄、疾病史、实验室检查指标等，治疗方案包括治疗方案的类别，临床结局包括疾病的好转、恢复或恶化等治疗结果。
进一步地，所述获取患者历史数据，并基于所述历史数据构建训练数据，可包括：
S111：从电子病历数据库中抽取患者历史数据；
S112：基于疾病种类对所述患者历史数据进行分类处理，获取与不同疾病种类分别对应的分类文档；
S123：基于所述分类文档确定与不同疾病种类分别对应的训练数据。
在该步骤构建训练数据的过程中，可通过分类后的分类文档针对特定的疾病进行治疗效果模型的训练，获取针对该疾病的多种治疗方案的预测模型，也可将各类疾病的患者历史数据进行同时训练，具体可根据应用场景进行设定或选取等。
治疗效果预测模型训练单元220，用于基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络。
其中，在该单元中所述基于所述训练数据训练治疗效果预测模型，包括：
S121：构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络。
具体地，所述疗效预测网络包括多个相互独立的神经网络，可根据所述训练数据中的治疗方案的种类的数量，构建与所述治疗方案分别对应的神经网络，并且，不同治疗方案的神经网络之间相互独立。而神经网络的其他结构并不做具体显示，可采用现有多种类型的神经网络结构，例如：KNN、DNN、SVM、DL、BP、CNN、RNN、ANN等。
S122：将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征。
具体地，设有n个患者(观察者)，第i个患者形成的训练数据为(xi，ti，y1i，y2i)；其中，xi表示第i个患者的基本特征，ti表示治疗方案，y1i，y2i表示对应治疗方案ti的临床结局。此处，以临床结局包括两种情况为例，也可适用于多个临床结局的场景。例如，在糖尿病治疗中，结局y1表示：糖化是否达标，结局y2表示：是否发生低血糖。
在对第i个患者的基本特征进行表示学习时，可将xi输入自编码器中，通过特征转换后的编码特征表示为xencoded＝Φ(x)。例如，在年轻和老年患者组中，药物B的恢复率高于药物A的恢复率，但是将年轻和老年患者组结合起来之后，药物A的恢复率更高，这是由于混杂变量引起的，在比较整组的恢复率时，大所述复用A药物的人都是年轻人，无法消除年龄对恢复率的影响，此外，混杂变量也会导致选择偏见，使得反事实结果估计更加困难，为此，本发明将基本特征输入自编码器，通过自编码器的编码处理，能够去除混杂因子带来的偏差，使得各个治疗方案的基本特征的分布近似。
需要说明的是，自编码器包括对应设置的编码器和解码器，在获取编码特征时，仅获取编码器对基本特征xi进行编码的结果即可，解码器部分可忽略或不采用。
S123：基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型。
在该步骤中，以Φ(x)和所述训练数据作为疗效预测网络中各神经网络的输入，通过各神经网络输出与所述治疗方案分别对应的预测结果。具体地，相互独立各神经网路之间，每个神经网络输出的预测结果至少包括两种，当治疗方案有K种时，每种治疗方案均有M种临床结果时，所述神经网络模型的总的输出包括M*K种预测结果。
其中，当预测结果即治疗方案的对应临床结局存在两种情况(结局1和结局2)时，可将预测结果分别表示为Fk(φi，k)和Gk(φi，k)，k表示第k种治疗方案，φi表示第i个患者的编码特征。
在上述步骤S123中，迭代训练所述疗效预测网络，直至所述疗效预测网络收敛在预设范围内，包括：获取所述疗效预测网络的损失函数，并当所述损失函数不再减小或符合预设阈值时，确定所述疗效预测网络训练完成。其中，所述损失函数包括：MAE平均绝对误差、MSE均方误差、交叉熵函数或复合损失函数。
所述复合损失函数的表示公式如下：
其中，N表示所述训练数据的个数或患者的总个数，φn表示第n个患者的编码特征，tn表示治疗方案，F表示第一种结局的预测结果，G表示第二种结局的预测结果，y1n表示所述第一种结局的临床结果，y2表示所述第二种结局的临床结果。
治疗预测结果获取单元230，用于基于所述治疗效果评估模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。
其中，待治疗效果评估模型训练完成后，可将获取的待检测患者的基本特征输入治疗效果评估模型中，通过治疗效果评估模型输出与该患者的基本特征相对应的在各中治疗方案下的对应的疗效预测结果。或者，将待检测患者的基本特征和(针对性的)待检测治疗方案同时输入治疗效果评估模型中，输出与基本特征和待检测治疗方案相对应的疗效预测结果，能够通过一个模型完成对多个治疗方案的多结局预测，能够适用于个体治疗效果和人群治疗效果的预测，使用方便，预测准确度高。
此外，在获取待预测患者在多治疗方案下的疗效预测结果之后，本发明的基于表示学习的多结局疗效预测方法，还包括：
1、对所述疗效预测结果进行评估；
2、基于所述评估的结果确定所述疗效预测结果中的目标预测结果；
3、基于所述目标预测结果确定与所述待预测患者的基本特征对应的目标治疗方案。
具体地，针对患者i采用治疗方案tk的预测结果为Fk(φ(xi)，k)(结局1，y1)和Gk(φ(xi)，k)(结局2，y2)(仅示出了两种预测结果的情况)，对于结局1，该患者i使用治疗方案p相对于使用治疗方案q的个人治疗效果ITE表示为：FP(φ(xi)，p)-Fq(φ(xi)，q)，治疗方案p相对治疗方案q的人群治疗效果ATE可表示为：
对应地，对于第二个结局y2,该患者使用治疗方案p相对治疗方案q的个人治疗效果ITE可以表示为：GP(φ(xi)，p)-Gq(φ(xi)，q)；治疗方案p相对治疗方案q的人群治疗效果ATE可以表示为：
进而可根据个人治疗效果和人群治疗效果对所述疗效预测结果进行评估，最终确定适合患者i的最优的目标预测结果及目标治疗方案，提供更准确的病情分析和诊断预测，辅助医生对患者进行药物治疗。
在本发明的一个具体实施例中，可通过医院电子病历数据库抽取患者数据，该患者数据包括基本特征X、治疗方案T、临床结局Y，然后将患者数据输入疗效评估模型中进行训练，训练完成后的疗效评估模型，可用于对多患者进行多结局的药物疗效预测，该模型的输入可以是待预测的患者的基本特征，输出可以是在各治疗方案下的对于该患者对应的预测治疗效果。本发明可通过基本特征和模型的预测结果预测评估多种治疗方案下的治疗效果，最终可根据预测结果给患者推荐适合所述患者个性化要求的用药方案。
如图3所示，是本发明实现基于表示学习的多结局疗效预测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于表示学习的多结局疗效预测程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于表示学习的多结局疗效预测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于表示学习的多结局疗效预测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于表示学习的多结局疗效预测程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取患者历史数据，并基于所述历史数据构建训练数据；
基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；
基于所述治疗效果评估模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。
此外，可选的技术方案是，所述获取患者历史数据，并基于所述历史数据构建训练数据，包括：
从电子病历数据库中抽取患者历史数据；
基于疾病种类对所述患者历史数据进行分类处理，获取与不同疾病种类分别对应的分类文档；
基于所述分类文档确定与不同疾病种类分别对应的训练数据。
此外，可选的技术方案是，所述基于所述训练数据训练治疗效果预测模型，包括：
构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络；
将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征；
基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型。
此外，可选的技术方案是，所述疗效预测网络包括多个相互独立的神经网络；其中，
基于预设治疗方案的种类构建与所述治疗方案的种类个数相对应的神经网络，且所述各神经网络之间相互独立。
此外，可选的技术方案是，所述直至所述神经网络模型收敛在预设范围内，包括：
获取所述神经网络模型的损失函数，并当所述损失函数不再减小或符合预设阈值时，确定所述神经网络模型收敛在预设范围内；
所述损失函数包括：MAE平均绝对误差、MSE均方误差、交叉熵函数和复合损失函数；
所述复合损失函数的表示公式如下：
其中，N表示所述训练数据的个数或患者的总个数，φn表示第n个患者的编码特征，tn表示治疗方案，F表示第一种结局的预测结果，G表示第二种结局的预测结果，y1n表示所述第一种结局的临床结果，y2表示所述第二种结局的临床结果。
此外，可选的技术方案是，所述患者的历史数据包括相互对应的基本特征、治疗方案和临床结局；
所述基本特征包括性别、年龄、疾病史、实验室检查指标；
所述治疗方案包括治疗方案的类别或种类；
所述临床结局包括与所述治疗方案相对应的疾病的好转、恢复或恶化的治疗结果。
此外，可选的技术方案是，在获取待预测患者在多治疗方案下的疗效预测结果之后，还包括：
对所述疗效预测结果进行评估；
基于所述评估的结果确定所述疗效预测结果中的目标预测结果；
基于所述目标预测结果确定与所述待预测患者的基本特征对应的目标治疗方案。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于表示学习的多结局疗效预测方法，其特征在于，包括：
获取患者历史数据，并基于所述历史数据构建训练数据；
基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；
其中，所述基于所述训练数据训练治疗效果预测模型，包括：
构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络；
将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征；
基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型；
基于所述治疗效果预测模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。
2.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述获取患者历史数据，并基于所述历史数据构建训练数据，包括：
从电子病历数据库中抽取患者历史数据；
基于疾病种类对所述患者历史数据进行分类处理，获取与不同疾病种类分别对应的分类文档；
基于所述分类文档确定与不同疾病种类分别对应的训练数据。
3.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述疗效预测网络包括多个相互独立的神经网络；其中，
基于预设治疗方案的种类构建与所述治疗方案的种类个数相对应的神经网络，且所述各神经网络之间相互独立。
4.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述直至所述神经网络模型收敛在预设范围内，包括：
获取所述神经网络模型的损失函数，并当所述损失函数不再减小或符合预设阈值时，确定所述神经网络模型收敛在预设范围内；
所述损失函数包括：MAE平均绝对误差、MSE均方误差、交叉熵函数和复合损失函数；
所述复合损失函数的表示公式如下：
5.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，所述患者的历史数据包括相互对应的基本特征、治疗方案和临床结局；
所述基本特征包括性别、年龄、疾病史、实验室检查指标；
所述治疗方案包括治疗方案的类别或种类；
所述临床结局包括与所述治疗方案相对应的疾病的好转、恢复或恶化的治疗结果。
6.如权利要求1所述的基于表示学习的多结局疗效预测方法，其特征在于，在获取待预测患者在多治疗方案下的疗效预测结果之后，还包括：
对所述疗效预测结果进行评估；
基于所述评估的结果确定所述疗效预测结果中的目标预测结果；
基于所述目标预测结果确定与所述待预测患者的基本特征对应的目标治疗方案。
7.一种基于表示学习的多结局疗效预测装置，其特征在于，所述装置包括：
训练数据构建单元，用于获取患者历史数据，并基于所述历史数据构建训练数据；
治疗效果预测模型训练单元，用于基于所述训练数据训练治疗效果预测模型，所述治疗效果预测模型包括与多治疗方案分别相对应的多神经网络；
其中，所述基于所述训练数据训练治疗效果预测模型，包括：
构建神经网络模型，所述神经网络模型包括相互连接的自编码器和疗效预测网络；
将所述训练数据中的基本特征输入所述自编码器进行表示学习，并获取与所述基本特征对应的编码特征；
基于所述编码特征和所述训练数据，迭代训练所述疗效预测网络，直至所述神经网络模型收敛在预设范围内，形成所述治疗效果预测模型；
治疗预测结果获取单元，用于基于所述治疗效果预测模型的多神经网络获取待预测患者在多治疗方案下的疗效预测结果。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一所述的基于表示学习的多结局疗效预测方法中的步骤。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一所述的基于表示学习的多结局疗效预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110738026.6A CN113436743B (zh) | 2021-06-30 | 2021-06-30 | 基于表示学习的多结局疗效预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110738026.6A CN113436743B (zh) | 2021-06-30 | 2021-06-30 | 基于表示学习的多结局疗效预测方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113436743A CN113436743A (zh) | 2021-09-24 |
| CN113436743B true CN113436743B (zh) | 2023-06-23 |
Family
ID=77758121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110738026.6A Active CN113436743B (zh) | 2021-06-30 | 2021-06-30 | 基于表示学习的多结局疗效预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113436743B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117809850B (zh) * | 2024-03-01 | 2024-05-28 | 北京航天总医院 | 基于ai的心血管慢病数据管理方法、系统和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678821A (zh) * | 2016-01-12 | 2016-06-15 | 浙江大学 | 一种基于自编码器图像融合的动态pet图像重建方法 |
| CN110827993A (zh) * | 2019-11-21 | 2020-02-21 | 北京航空航天大学 | 基于集成学习的早期死亡风险评估模型建立方法及装置 |
| CN111696660A (zh) * | 2020-05-13 | 2020-09-22 | 平安科技（深圳）有限公司 | 基于人工智能的患者分群方法、装置、设备及存储介质 |
-
2021
- 2021-06-30 CN CN202110738026.6A patent/CN113436743B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678821A (zh) * | 2016-01-12 | 2016-06-15 | 浙江大学 | 一种基于自编码器图像融合的动态pet图像重建方法 |
| CN110827993A (zh) * | 2019-11-21 | 2020-02-21 | 北京航空航天大学 | 基于集成学习的早期死亡风险评估模型建立方法及装置 |
| CN111696660A (zh) * | 2020-05-13 | 2020-09-22 | 平安科技（深圳）有限公司 | 基于人工智能的患者分群方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113436743A (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7305656B2 (ja) | 確率分布をモデル化するためのシステムおよび方法 | |
| Zaharchuk et al. | Deep learning in neuroradiology | |
| Ambekar et al. | Disease risk prediction by using convolutional neural network | |
| Guh et al. | Integrating genetic algorithm and decision tree learning for assistance in predicting in vitro fertilization outcomes | |
| CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
| WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
| CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
| CN112115322B (zh) | 用户分群方法、装置、电子设备及存储介质 | |
| CN113674858A (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
| Yang et al. | Time-aware subgroup matrix decomposition: Imputing missing data using forecasting events | |
| KR20220120345A (ko) | 시계열 데이터에 기반한 알츠하이머병 진행감지를 위한 멀티모드 멀티테스크 딥 러닝 모델 | |
| CN114420279A (zh) | 一种医疗资源推荐方法、装置、设备及存储介质 | |
| CN114864088B (zh) | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 | |
| CN116364292A (zh) | 甲状腺眼病的预后预测方法、装置、设备及存储介质 | |
| CN115760656A (zh) | 一种医学影像处理方法及系统 | |
| Marathe et al. | Prediction of heart disease and diabetes using naive Bayes algorithm | |
| CN113436743B (zh) | 基于表示学习的多结局疗效预测方法、装置及存储介质 | |
| Sheikhalishahi et al. | Benchmarking machine learning models on eICU critical care dataset | |
| Liang et al. | Heart failure disease prediction and stratification with temporal electronic health records data using patient representation | |
| CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
| CN112927152B (zh) | Ct图像去噪处理方法、装置、计算机设备及介质 | |
| Sampath et al. | Ensemble Nonlinear Machine Learning Model for Chronic Kidney Diseases Prediction | |
| Chaturvedi et al. | An Innovative Approach of Early Diabetes Prediction using Combined Approach of DC based Bidirectional GRU and CNN | |
| CN112530602A (zh) | 药品副作用分析方法、装置、电子设备及计算机存储介质 | |
| CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 |
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 |