CN114141361B - 基于症状术语映射与深度学习的中医处方推荐方法 - Google Patents

基于症状术语映射与深度学习的中医处方推荐方法 Download PDF

Info

Publication number
CN114141361B
CN114141361B CN202111468442.5A CN202111468442A CN114141361B CN 114141361 B CN114141361 B CN 114141361B CN 202111468442 A CN202111468442 A CN 202111468442A CN 114141361 B CN114141361 B CN 114141361B
Authority
CN
China
Prior art keywords
symptom
chinese medicine
network
traditional chinese
words
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
CN202111468442.5A
Other languages
English (en)
Other versions
CN114141361A (zh
Inventor
董鑫
周雪忠
郑毅
杨扩
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202111468442.5A priority Critical patent/CN114141361B/zh
Publication of CN114141361A publication Critical patent/CN114141361A/zh
Application granted granted Critical
Publication of CN114141361B publication Critical patent/CN114141361B/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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于症状术语映射与深度学习的中医处方推荐方法，属于中药处方推荐技术领域，对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序。本发明基于症状术语映射与深度学习进行中医处方推荐，通过症状术语映射缓解临床症状的“未登录词”问题，并结合深度学习进行处方推荐，建立了基于注意力的处方推荐特征贡献度评估模块，建立了基于特征融合的症状术语表征和患者临床特征融合策略，提高了处方推荐的可靠性。

Description

基于症状术语映射与深度学习的中医处方推荐方法
技术领域
本发明涉及医疗技术领域，具体涉及一种基于症状术语映射与深度学习的中医处方推荐方法。
背景技术
近年来，在临床实践过程中形成的大量的中医处方数据未被充分利用，结合已有的中医临床处方数据与人工智能相关方法进行中医智能处方推荐，对医生诊疗能够起到辅助作用。
临床患者的电子病历中通常包含患者主诉，现病史，治疗处方等信息，这类数据中对患者表型信息的记录通常存在较强主观性。中医智能处方推荐指利用人工智能、数据挖掘等计算机技术，通过对中医电子病历数据进行训练和学习，构建处方推荐模型。这种模型可以针对患者的临床症状，推荐有效的中药处方。如何结合人工智能方法对现有临床电子病历数据进行挖掘，为医生诊疗提供辅助作用是现代信息化临床研究的关键问题之一。
目前已有的中医处方分析与推荐方法，如：
李梢等人建立了一种基于距离的互信息模型，以识别众多草药配方中草药之间的有效配伍关系。张连文等人提出基于隐树模型的中医处方分析方法。姚亮等人建立了中医方剂的动态演化系统，该系统可以从方剂文献中挖掘中医方剂之间的潜在关系，同时，姚亮等人还建立了一种面向中医处方分析的主题模型，该模型可以描述中医理论中方剂的生成过程。张小平等人提出了一种基于症状-草药-诊断主题模型的数据挖掘分析方法，该方法能够从大规模的中医临床数据中自动提取症状、中药组合和诊断之间的同现关系。
尽管现有处方推荐的相关工作在挖掘和利用中医电子病历方面取得了一定的成效，但整体上看现有处方推荐方法在推荐结果上未能达到一个较好的性能；此外，很多中医临床表型都存在同义关系，一些之前未出现过的术语大部分都可以基于已有表型术语中的字词进行组合得到，例如，术语“脚痛”与术语“脚疼痛”存在同义关系，但两者却被视为两个不同的特征。同时，对于处方推荐中可能出现的“未登录词”，即术语库中未出现的症状词，已有的推荐方法不能有效的解决如何利用现有知识对“未登陆词”进行表征这一问题。
发明内容
本发明的目的在于提供一种利用症状的同义关系挖掘潜在信息，对患者临床特征进行充分学习与表征，提升中医处方推荐的性能的基于症状术语映射与深度学习的中医处方推荐方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
一方面，本发明提供一种基于症状术语映射与深度学习的中医处方推荐方法，包括：
对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；
将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序。
优选的，所述症状术语映射包括：将患者症状词集合通过基于子图抽取的概念映射算法SSTM映射成多个子图。
优选的，所述网络嵌入表示包括：对症状字词网络通过网络表示算法DeepWalk进行嵌入表示，得到症状网络中所有症状词和症状字的嵌入表示向量。
优选的，所述症状特征融合包括：对于多个子图，在症状字词嵌入表示中寻找其对应症状词、症状字的嵌入表示，然后进行特征融合，形成对应的多个嵌入特征向量；其中，所述特征融合指将每个子图中所有节点的嵌入向量进行求和平均计算，计算后的向量作为特征融合的结果。
优选的，所述卷积神经网络学习包括：对于所有患者症状特征，根据注意力打分函数计算注意力分布，然后根据求得的注意力分布来计算输入信息的加权平均，得到对患者特征的重要性评估结果；将学习到的重要性评估结果输入至包含了多个卷积核的一层卷积层中进行训练，再通过一层平均池化层融合，得到患者的最终症状特征。
优选的，所述全连接网络训练包括：将得到的患者的最终症状特征输入到包含三层全连接层的全连接神经网络中，其中，第一层的神经元个数为256，第二层的神经元个数为64，第三层的神经元个数与待分类类别数目相同，进行学习。
优选的，所述激活层激活包括：将全连接网络训练中学习到的参数通过一层Softmax激活函数，即将全连接层的输出结果转化为概率，从而得到每种中药被推荐的概率值。
第二方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于症状术语映射与深度学习的中医处方推荐方法。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于症状术语映射与深度学习的中医处方推荐方法。
第四方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于症状术语映射与深度学习的中医处方推荐方法的指令。
本发明有益效果：
基于症状术语映射与深度学习进行中医处方推荐，通过症状术语映射缓解临床症状的“未登录词”问题，并结合深度学习进行处方推荐，建立了基于注意力的处方推荐特征贡献度评估模块，建立了基于特征融合的症状术语表征和患者临床特征融合策略，提高了处方推荐的可靠性。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的基于症状术语映射与深度学习的中医处方推荐方法流程图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
如图1所示，本实施例1提供一种基于症状术语映射(Subnetwork-based SymptomTerm Mapping,SSTM)与深度学习的中医处方推荐方法(SSTM-based Traditional ChineseMedicine Prescription Recommendation,TCMPR)，其利用患者的所有症状词作为输入，经过症状术语映射、网络嵌入表示、特征融合、卷积神经网络和全连接网络训练等过程后，得到对每味候选中药的预测概率，并以概率排序后的中药序列作为最终推荐出的药物输出结果。
该方法框架的具体流程阐述如下：
输入：患者的症状词集合，该集合中症状词的数量为m。
(1)症状术语映射：将输入的患者症状词集合通过基于子图抽取的概念映射算法(SSTM)映射成q个子图。SSTM方法的核心思想是先把症状词拆解为症状字的集合，再将症状字集合通过事先构建的症状字词网络进行扩散拼接，最终得到原始症状集合对应的症状子网络。
(2)网络嵌入表示：对症状字词网络通过网络表示算法DeepWalk进行嵌入表示，得到症状网络中所有症状词和症状字的嵌入表示向量(维度为d)。DeepWalk算法是一种基于神经网络的算法，DeepWalk能够对网络结构的数据进行表示，并且学习到的表示向量能够保留原始网络数据的连接关系，即具有相似结构的节点的网络表示向量也是近似的。
本实施例中，利用DeepWalk算法对症状字词网络进行嵌入表示的主要流程包括：对症状字词网络图中的每个节点生成γ个随机游走序列，每个随机游走序列的长度为t，然后将产生的随机游走序列通过基于Skip-Gram的Word2Vec算法进行向量表示，最终得到每个节点的特征表示(即将症状网络中所有症状词和症状字进行了向量表示)，且每个表示向量维度均为d维。
(3)症状特征融合：对于(1)得到的q个子图，在通过(2)得到的症状字词嵌入表示中寻找其对应症状词、症状字的嵌入表示，然后进行特征融合，形成对应的q个嵌入特征向量，形成的每个向量都是d维。此处的特征融合指将每个子图中所有节点的嵌入向量进行求和平均计算，计算后的向量作为特征融合的结果。
常用的特征融合方法包括最大池化法与求和平均法两种。如果对症状词SYi，通过SSTM算法进行映射后得到的概念集合为seti＝{s1,s2,...,sk}，对应的嵌入表示集合为fi＝{f1,f2,...,fk}，最大池化法的计算方式可表示为：
Figure BDA0003390552030000061
求和平均法的计算方式可表示为：
Figure BDA0003390552030000062
本实施例中对患者症状特征使用的融合方法是求和平均法，即对于通过(1)得到的每个子图，将其包含的所有症状词、症状字节点在症状网络中对应的向量按维度进行求和平均，形成的1个d维向量即作为该子图的嵌入表示。
(4)特征权重计算：将通过(3)形成的嵌入向量经过一层注意力层，进行特征重要性计算。注意力机制借鉴了人脑的注意力机制，能够提高神经网络的效率。
本实施例中利用注意力机制进行特征重要性计算的方法是：首先对于所有患者症状特征X＝{x1,x2,...,xq}，根据注意力打分函数计算注意力分布，然后根据求得的注意力分布来计算输入信息的加权平均，得到对患者特征的重要性评估结果。患者特征的重要性评价向量的计算方式如下：
Figure BDA0003390552030000071
其中，q为查询向量(可以是动态生成的，也可以事先指定)，αi为注意力分布，αi的计算方式如下：
Figure BDA0003390552030000072
在αi中，s(x,q)成为注意力打分函数，计算方式为：
s(x,q)＝xTq
(5)卷积神经网络学习：卷积神经网络是受生物学上感受野机制启发而提出的，卷积神经网络有三个结构上的特性：局部连接、权重共享以及池化，能够在不使用过多参数的前提下更好地提取局部特征。我们将(4)学习到的参数输入至包含了k个卷积核的一层卷积层中进行训练，再通过一层平均池化层融合，得到患者的最终症状特征。
(6)全连接神经网络学习：将(5)中形成的患者融合特征输入到包含三层全连接层的全连接神经网络中，其中第一层的神经元个数为256，第二层的神经元个数为64，第三层的神经元个数与待分类类别数目相同(即等于中药总数)，进行学习。
(7)Softmax层激活：将(6)中学习到的参数通过一层Softmax激活函数，即将全连接层的输出结果转化为概率，从而得到每种中药被推荐的概率值。Softmax函数的计算公式如下：
Figure BDA0003390552030000081
其中zi指第三层全连接层中第i个节点的输出值，n为该层神经元个数(即中药总数)。
输出：将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为输出。
实验验证
将本实施例中提出的处方推荐算法与两种基线方法进行了对比，其中基线方法是多标签K近邻算法(Multi-label K-nearest Neighbor，MLKNN)和多标签决策树算法(Multi-label Decision Tree，MLDT)。MLKNN算法借鉴了k近邻算法(K-nearest Neighbor,KNN)的思想，通过寻找k个近邻样本，并运用贝叶斯条件概率来计算当前标签为1和0的概率，概率大的标签则定为样本的预测类别,我们对近邻数k分别取1,5,10进行了3次实验。MLDT算法利用了决策树算法(Decision Tree,DT)对多标签数据进行处理，主要做法是利用基于多标签熵的信息增益准则递归地构建决策树，在实验中设置叶子结点最小大小为40。
使用的实验数据是中医专业人员整理形成的临床医案数据，共8218条，数据中包含了患者的症状与中药处方信息，训练集与测试集随机划分为8：2，即训练样本为6574条，测试样本为1644条。
对测试集样本预测结果采用Top@K评价指标。设测试集D包含的样本总数为N，对于第i个测试样本di，R(i)表示利用算法预测到的药物集合，T(i)表示di的真实药物集合，则准确率Precision@K，召回率Recall@K和F1值F1-score@K的计算公式如下：
Figure BDA0003390552030000091
Figure BDA0003390552030000092
Figure BDA0003390552030000093
实验结果如下表1所示：
表1
Figure BDA0003390552030000094
从整体上看，本实施例中提出的TCMPR方法比MLKNN，MLDT两种基线方法在准确率，召回率和F1-score上都有着最好的性能，其中TCMPR与MLKNN_1相比，在Top@10下准确率提升了33.2％，召回率提升了33.5％，F1-score提升了33.5％。同时，随着K值的增加，考虑的药物数量增加了，所有方法的准确率呈下降趋势，召回率呈上升趋势，而F1-score呈现上升趋势，说明随着K的增加，预测结果是越来越好的。
实施例2
本发明实施例2提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于症状术语映射与深度学习的中医处方推荐方法，该方法包括：
对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；
将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序。
实施例3
本发明实施例3提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于症状术语映射与深度学习的中医处方推荐方法，该方法包括：
对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；
将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序。
实施例4
本发明实施例4提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于症状术语映射与深度学习的中医处方推荐方法的指令，该方法包括：
对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；
将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序。
综上所述，本发明实施例所述的基于症状术语映射与深度学习的中医处方推荐方法，在推荐框架中的构建基于注意力的处方推荐特征贡献度评估模块；提出基于特征融合的症状术语表征和患者临床特征融合策略。利用症状的同义关系挖掘潜在信息，部分解决临床症状的“未登录词”问题，对患者临床特征进行充分学习与表征，进而提升中医处方推荐的性能，推动临床辅助诊疗决策的快速发展。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于症状术语映射与深度学习的中医处方推荐方法，其特征在于，包括：
对患者的所有症状词，经过症状术语映射、网络嵌入表示、症状特征融合、卷积神经网络学习、全连接网络训练以及激活层激活后，得到对每种候选中药的预测概率；
将每味中药的预测概率进行降序排列，并将降序后对应的中药顺序作为最终的推荐顺序；
所述症状术语映射包括：将患者症状词集合通过基于子图抽取的概念映射算法SSTM映射成q个子图：先把症状词拆解为症状字的集合，再将症状字集合通过事先构建的症状字词网络进行扩散拼接，最终得到原始症状集合对应的症状子网络；
所述网络嵌入表示包括：对症状字词网络通过网络表示算法DeepWalk进行嵌入表示，得到症状网络中所有症状词和症状字的嵌入表示向量，其维度为d；其中，对于每个子图，将其中包含的所有症状词、症状字节点在症状网络中对应的向量按照维度进行求和平均，形成1个d维向量即作为该子图的嵌入表示；
所述症状特征融合包括：对于症状术语映射得到的q个子图，在症状字词嵌入表示中寻找其对应症状词、症状字的嵌入表示，然后进行特征融合，形成对应的q个嵌入特征向量，每个向量维度为d；其中，所述特征融合指将每个子图中所有节点的嵌入向量进行求和平均计算，计算后的向量作为特征融合的结果；
所述卷积神经网络学习包括：对于通过网络嵌入表示得到的嵌入向量，根据注意力打分函数计算注意力分布，然后根据求得的注意力分布来计算输入信息的加权平均，得到对患者特征的重要性评估结果；将学习到的重要性评估结果输入至包含了多个卷积核的一层卷积层中进行训练，再通过一层平均池化层融合，得到患者的最终症状特征；
其中，得到对患者特征的重要性评估结果包括：首先对于所有患者症状特征X＝{x1,x2,...,xq}，根据注意力打分函数计算注意力分布，然后根据求得的注意力分布来计算输入信息的加权平均，得到对患者特征的重要性评估结果；患者特征的重要性评估结果的计算方式如下：
Figure FDA0003891307330000021
其中，Y为查询向量，αi为注意力分布；
αi的计算方式如下：
Figure FDA0003891307330000022
在αi中，s(X,Y)为注意力打分函数，计算方式为：
s(X,Y)＝XTY。
2.根据权利要求1所述的基于症状术语映射与深度学习的中医处方推荐方法，其特征在于，所述全连接网络训练包括：将得到的患者的最终症状特征输入到包含三层全连接层的全连接神经网络中，其中，第一层的神经元个数为256，第二层的神经元个数为64，第三层的神经元个数与待分类类别数目相同，进行学习。
3.根据权利要求2所述的基于症状术语映射与深度学习的中医处方推荐方法，其特征在于，所述激活层包括：将全连接网络训练中学习到的参数通过一层Softmax激活函数，即将全连接层的输出结果转化为概率，从而得到每种中药被推荐的概率值。
4.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1-3任一项所述的基于症状术语映射与深度学习的中医处方推荐方法。
5.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-3任一项所述的基于症状术语映射与深度学习的中医处方推荐方法的指令。
CN202111468442.5A 2021-12-03 2021-12-03 基于症状术语映射与深度学习的中医处方推荐方法 Active CN114141361B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111468442.5A CN114141361B (zh) 2021-12-03 2021-12-03 基于症状术语映射与深度学习的中医处方推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111468442.5A CN114141361B (zh) 2021-12-03 2021-12-03 基于症状术语映射与深度学习的中医处方推荐方法

Publications (2)

Publication Number Publication Date
CN114141361A CN114141361A (zh) 2022-03-04
CN114141361B true CN114141361B (zh) 2022-12-06

Family

ID=80387976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111468442.5A Active CN114141361B (zh) 2021-12-03 2021-12-03 基于症状术语映射与深度学习的中医处方推荐方法

Country Status (1)

Country Link
CN (1) CN114141361B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116631612B (zh) * 2023-06-09 2024-03-19 广东工业大学 一种基于多图融合的图卷积草药推荐方法及计算机
CN117216407B (zh) * 2023-10-24 2024-04-02 北京同仁堂互联网医院管理有限公司 一种中药饮片的辅助开立方法、装置、设备及可读介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111834012A (zh) * 2020-07-14 2020-10-27 中国中医科学院中医药信息研究所 基于深度学习和注意力机制的中医证候诊断方法及装置
KR102191585B1 (ko) * 2019-12-23 2020-12-15 주식회사 최강닥터 처방 의약품 수요량 정보 제공 방법
CN112820375A (zh) * 2021-02-04 2021-05-18 闽江学院 基于多图卷积神经网络的中药推荐方法
CN112989767A (zh) * 2021-04-21 2021-06-18 腾讯科技（深圳）有限公司 医学词语标注方法、医学词语映射方法、装置及设备
CN113535974A (zh) * 2021-06-28 2021-10-22 科大讯飞华南人工智能研究院（广州）有限公司 诊断推荐方法及相关装置、电子设备、存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765260A (zh) * 2019-10-18 2020-02-07 北京工业大学 一种基于卷积神经网络与联合注意力机制的信息推荐方法
CN112562790A (zh) * 2020-12-09 2021-03-26 中国石油大学(华东) 基于深度学习调控疾病靶点的中药分子推荐系统、计算机设备、存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102191585B1 (ko) * 2019-12-23 2020-12-15 주식회사 최강닥터 처방 의약품 수요량 정보 제공 방법
CN111834012A (zh) * 2020-07-14 2020-10-27 中国中医科学院中医药信息研究所 基于深度学习和注意力机制的中医证候诊断方法及装置
CN112820375A (zh) * 2021-02-04 2021-05-18 闽江学院 基于多图卷积神经网络的中药推荐方法
CN112989767A (zh) * 2021-04-21 2021-06-18 腾讯科技（深圳）有限公司 医学词语标注方法、医学词语映射方法、装置及设备
CN113535974A (zh) * 2021-06-28 2021-10-22 科大讯飞华南人工智能研究院（广州）有限公司 诊断推荐方法及相关装置、电子设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中医药知识图谱的构建与应用研究;张雨琪 等;《世界中医药》;20210524;1-6 *

Also Published As

Publication number Publication date
CN114141361A (zh) 2022-03-04

Similar Documents

Publication Publication Date Title
Xuan et al. Graph convolutional autoencoder and fully-connected autoencoder with attention mechanism based method for predicting drug-disease associations
CN105740612B (zh) 基于中医临床医案的疾病诊疗系统
CN114141361B (zh) 基于症状术语映射与深度学习的中医处方推荐方法
CN112365171B (zh) 基于知识图谱的风险预测方法、装置、设备及存储介质
Abdel-Fattah et al. Predicting chronic kidney disease using hybrid machine learning based on apache spark
WO2023029506A1 (zh) 病情分析方法、装置、电子设备及存储介质
CN109801705A (zh) 治疗推荐方法、系统、装置及存储介质
Buscema et al. Training with input selection and testing (TWIST) algorithm: a significant advance in pattern recognition performance of machine learning
Zeng et al. Deep collaborative filtering for prediction of disease genes
Wang et al. Herb target prediction based on representation learning of symptom related heterogeneous network
CN109767817B (zh) 一种基于神经网络语言模型的药物潜在不良反应发现方法
CN113470741B (zh) 药物靶标关系预测方法、装置、计算机设备及存储介质
CN112489769A (zh) 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统
Wang et al. Drug-disease association prediction based on neighborhood information aggregation in neural networks
CN115995293A (zh) 一种环状rna和疾病关联预测方法
Lin et al. BERT-SMAP: Paying attention to Essential Terms in passage ranking beyond BERT
Shen et al. Constructing node embeddings for human phenotype ontology to assist phenotypic similarity measurement
CN113345564B (zh) 一种基于图神经网络的患者住院时长早期预测方法及装置
CN116110594B (zh) 基于关联文献的医学知识图谱的知识评价方法及系统
Qin et al. Chemical-protein interaction extraction via chemicalbert and attention guided graph convolutional networks in parallel
Kumar et al. Enhanced decision tree algorithm using genetic algorithm for heart disease prediction
Zhang et al. Cnn-ddi: A novel deep learning method for predicting drug-drug interactions
KR102187594B1 (ko) 신약 후보 물질 발굴을 위한 멀티오믹스 데이터 처리 장치 및 방법
US11915832B2 (en) Apparatus and method for processing multi-omics data for discovering new drug candidate substance
KR102187586B1 (ko) 신약 후보 물질 발굴을 위한 데이터 처리 장치 및 방법

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