CN115631871B - 一种药物相互作用等级的确定方法和装置 - Google Patents

Abstract

本发明公开了一种药物相互作用等级的确定方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息；使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息；根据第一指标变化信息和第二指标变化信息，通过预先训练的多层感知分类器得到人体指标变化描述文本对应的药物相互作用等级。该实施方式避免药物名称对多层感知分类器训练和使用的影响，通过药学知识和药学文本对药物相互作用等级进行判断，使用对比学习技术对药学文本进行关系抽取，通过多层感知分类器得到药物相互作用等级，提高了药物相互作用等级判断的准确性。

Description

一种药物相互作用等级的确定方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种药物相互作用等级的确定方法和装置。

背景技术

药物相互作用等级的确定是从药品说明书的药物相互作用字段提取相应的药物间相互作用关系。目前药确定物相互作用等级的技术方案为通过编码器进行文本嵌入，得到药物相互作用字段的表示向量，然后输入至分类模型中，从而得到药物相互作用等级。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

药学文本中的药物名称容易对分类模型训练和使用造成影响，仅通过药学文本对药物相互作用等级进行判断，药物相互作用等级判断的准确性低。

发明内容

有鉴于此，本发明提供一种药物相互作用等级的确定方法和装置，能够对药学文本中的药物名称进行掩码处理，避免药物名称对多层感知分类器训练和使用的影响，通过药学知识和药学文本对药物相互作用等级进行判断，使用对比学习技术对药学文本进行关系抽取，通过多层感知分类器得到药物相互作用等级，提高了药物相互作用等级判断的准确性。

为实现上述目的，根据本发明实施例的一个方面，提供了一种药物相互作用等级的确定方法。

一种药物相互作用等级的确定方法，包括：基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，所述药学知识库存储了多个人体指标与人体指标变化信息的关联关系；使用对比学习技术对所述人体指标变化描述文本进行关系抽取，得到第二指标变化信息；根据所述第一指标变化信息和所述第二指标变化信息，通过预先训练的多层感知分类器得到所述人体指标变化描述文本对应的药物相互作用等级。

可选地，所述基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，包括：确定所述人体指标变化描述文本中的人体指标，并根据所述人体指标，从所述药学知识库中获取与所述人体指标对应的人体指标变化信息；对所述人体指标变化信息进行编码，生成所述第一指标变化信息。

可选地，所述使用对比学习技术对所述人体指标变化描述文本进行关系抽取，得到第二指标变化信息，包括：对所述人体指标变化描述文本进行编码，并基于预设的丢弃概率，将编码后的人体指标变化描述文本分别输入至两个丢弃层，得到所述人体指标变化描述文本的正样例对；对编码后的人体指标变化描述文本和对应的人体指标变化描述负增强文本进行混合，生成所述人体指标变化描述文本的负样例对；使用所述正样例对和所述负样例对，通过对比学习技术得到所述第二指标变化信息。

可选地，所述多层感知分类器是通过如下方式训练的：构造药物相互作用训练样本，对于每一所述药物相互作用训练样本，确定所述药物相互作用训练样本对应的药物相互作用等级样本；通过所述药物相互作用训练样本，训练所述多层感知分类器。

可选地，所述药物相互作用训练样本包括人体指标变化描述样本和对应的药物相互作用等级样本，所述确定所述药物相互作用训练样本对应的药物相互作用等级样本，包括：根据所述人体指标变化描述样本，通过训练的药学知识迁移模型得到对应的药物相互作用等级结果；对比所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果；在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果相同的情况下，所述校验通过，将所述药物相互作用等级文本作为所述药物相互作用等级样本；在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果不相同的情况下，所述校验不通过，并对所述人体指标变化描述样本进行标注，得到所述药物相互作用等级样本。

可选地，所述药学知识迁移模型是通过如下方式训练的：确定所述人体指标变化描述样本中的人体指标样本，并根据所述人体指标样本，从所述药学知识库中获取与所述人体指标样本对应的人体指标变化信息样本；对所述人体指标变化信息样本和编码后的所述人体指标变化描述样本进行维度转换后拼接，生成串联指标变化信息样本；对所述人体指标变化描述样本进行标注，得到所述人体指标变化描述样本的药物相互作用标注等级；使用所述串联指标变化信息样本和所述药物相互作用标注等级，训练所述药学知识迁移模型。

可选地，所述基于药学知识库对人体指标变化描述文本进行处理之前，包括：将所述人体指标变化描述文本中的药物名称进行实体掩码处理。

根据本发明实施例的另一方面，提供了一种药物相互作用等级的确定装置。

一种药物相互作用等级的确定装置，包括：第一指标变化信息生成模块，用于基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，所述药学知识库存储了多个人体指标与人体指标变化信息的关联关系；第二指标变化信息生成模块，用于使用对比学习技术对所述人体指标变化描述文本进行关系抽取，得到第二指标变化信息；药物相互作用等级确定模块，用于根据所述第一指标变化信息和所述第二指标变化信息，通过预先训练的多层感知分类器得到所述人体指标变化描述文本对应的药物相互作用等级。

可选地，所述第一指标变化信息生成模块还用于：确定所述人体指标变化描述文本中的人体指标，并根据所述人体指标，从所述药学知识库中获取与所述人体指标对应的人体指标变化信息；对所述人体指标变化信息进行编码，生成所述第一指标变化信息。

可选地，所述第二指标变化信息生成模块还用于：对所述人体指标变化描述文本进行编码，并基于预设的丢弃概率，将编码后的人体指标变化描述文本分别输入至两个丢弃层，得到所述人体指标变化描述文本的正样例对；对编码后的人体指标变化描述文本和对应的人体指标变化描述负增强文本进行混合，生成所述人体指标变化描述文本的负样例对；使用所述正样例对和所述负样例对，通过对比学习技术得到所述第二指标变化信息。

可选地，还包括多层感知分类器训练模块，用于：构造药物相互作用训练样本，对于每一所述药物相互作用训练样本，确定所述药物相互作用训练样本对应的药物相互作用等级样本；通过所述药物相互作用训练样本，训练所述多层感知分类器。

可选地，所述药物相互作用训练样本包括人体指标变化描述样本和对应的药物相互作用等级样本，所述多层感知分类器训练模块还用于：根据所述人体指标变化描述样本，通过训练的药学知识迁移模型得到对应的药物相互作用等级结果；对比所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果；在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果相同的情况下，所述校验通过，将所述药物相互作用等级文本作为所述药物相互作用等级样本；在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果不相同的情况下，所述校验不通过，并对所述人体指标变化描述样本进行标注，得到所述药物相互作用等级样本。

可选地，还包括药学知识迁移模型训练模块，用于：确定所述人体指标变化描述样本中的人体指标样本，并根据所述人体指标样本，从所述药学知识库中获取与所述人体指标样本对应的人体指标变化信息样本；对所述人体指标变化信息样本和编码后的所述人体指标变化描述样本进行维度转换后拼接，生成串联指标变化信息样本；对所述人体指标变化描述样本进行标注，得到所述人体指标变化描述样本的药物相互作用标注等级；使用所述串联指标变化信息样本和所述药物相互作用标注等级，训练所述药学知识迁移模型。

可选地，还包括掩码处理模块，用于：将所述人体指标变化描述文本中的药物名称进行实体掩码处理。

根据本发明实施例的又一方面，提供了一种电子设备。

一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明所提供的药物相互作用等级的确定方法。

根据本发明实施例的又一方面，提供了一种计算机可读介质。

一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明所提供的药物相互作用等级的确定方法。

上述发明具有如下优点或有益效果：通过基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，药学知识库存储了多个人体指标与人体指标变化信息的关联关系；使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息；根据第一指标变化信息和第二指标变化信息，通过预先训练的多层感知分类器得到人体指标变化描述文本对应的药物相互作用等级的技术方案，能够对药学文本中的药物名称进行掩码处理，避免药物名称对多层感知分类器训练和使用的影响，通过药学知识和药学文本对药物相互作用等级进行判断，使用对比学习技术对药学文本进行关系抽取，通过多层感知分类器得到药物相互作用等级，提高了药物相互作用等级判断的准确性。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明一个实施例的药物相互作用等级的确定方法的主要步骤示意图；

图2是根据本发明一个实施例的药学知识迁移模型的示意图；

图3是根据本发明一个实施例的药物相互作用等级的确定的流程示意图；

图4是根据本发明一个实施例的药物相互作用等级的确定装置的主要模块示意图；

图5是本发明实施例可以应用于其中的示例性系统架构图；

图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明一个实施例的药物相互作用等级的确定方法的主要步骤示意图。

如图1所示，本发明一个实施例的药物相互作用等级的确定方法主要包括如下的步骤S101至步骤S103。

步骤S101：基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，药学知识库存储了多个人体指标与人体指标变化信息的关联关系。

在一个实施例中，基于药学知识库对人体指标变化描述文本进行处理之前，可以包括：将人体指标变化描述文本中的药物名称进行实体掩码处理。

具体地，药物说明书有其自身表述特点，在药物相互作用字段，最突出的两个特征即主药物的省略以及客药物的并列，典型的比如药物“西咪替丁”说明书中的表述为“与卡莫司汀、氟尿嘧啶、表柔比星等连用时增加其骨髓抑制作用”中，其中，主药物“西咪替丁”被省略，其次客药物是三个药（即卡莫司汀、氟尿嘧啶、表柔比星）而非一个药物，它们是并列关系，因此本发明通过药物名称模式识别或者正则表达式识别，识别并列的客药，并统一用特殊符号（如<drug_2>）替换掩码，即连续实体掩码；其次在对客药进行掩码后，如果缺少主药，则可以在文本开头增加固定表述：“<drug_1>与下列药物合用时，会出现”，这里“<drug_1>”即主药对应的特殊符号。由此既减少了药物名称的信息干扰，也补全了确实的信息。

在一个实施例中，基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，可以包括：确定人体指标变化描述文本中的人体指标，并根据人体指标，从药学知识库中获取与人体指标对应的人体指标变化信息；对人体指标变化信息进行编码，生成第一指标变化信息。

具体地，对于一段人体指标变化描述文本，首先识别出其中的人体指标，并由预先基于药学资料构建出的药学知识库获取该人体指标的敏感度，将敏感度按照独热编码转换为指标敏感度向量。例如，人体指标变化描述文本为“血钾轻度上升”，则人体指标为“血钾”，从药学知识库中获取该人体指标“血钾”对应的的敏感度，将“血钾”对应的的敏感度按照独热编码（One-Hot）转换为指标敏感度向量。对指标敏感度向量进行维度转换，生成独热表示向量V_Sd，将独热表示向量V_Sd作为人体指标变化描述文本的第一指标变化信息。

步骤S102：使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息。

在一个实施例中，使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息，可以包括：对人体指标变化描述文本进行编码，并基于预设的丢弃概率，将编码后的人体指标变化描述文本分别输入至两个丢弃层，得到人体指标变化描述文本的正样例对；对编码后的人体指标变化描述文本和对应的人体指标变化描述负增强文本进行混合，生成人体指标变化描述文本的负样例对；使用正样例对和负样例对，通过对比学习技术得到第二指标变化信息。

具体地，对比学习可以让相近的表述在空间里更接近，而不同的表述离得更远。同时增加与对比学习相对应的对比损失，从而较好地改进了对于表述相近但含义不同的情况的区分度，而且一定程度上增加了泛化性。对比学习的正样例通过两个平行的dropout层（神经网络中的一个结构，可以以指定概率随机地将一个向量中的若干处置为0）得到，即人体指标变化描述文本在经过编码层得到向量表示后，分别经过两个完全相同的dropout层，之后得到两个不完全相同的向量表示，由于此处dropout层的概率（即丢弃概率）一般取0.2或更小，因而这两个有一定“损坏”的向量表示很大概率上仍然表示相同的含义，因此可以作为正样例对；另一方面，为了更好地学习到不同相互作用等级的表述的差异性，不同的药物相互作用等级的表述将会在向量层面进行按比例混合，从而提供对比学习的增强的负样例，人体指标变化描述负增强文本可以为与人体指标变化描述文本不同作用等级的表述文本，在人体指标变化描述文本和对应的人体指标变化描述负增强文本经过编码层后，各自的关键字位分别对应了一组向量表示，然后按照一个比例值（一般取0.3附近）将两组向量表示进行混合，由此得到的向量作为人体指标变化描述文本的负增强版本，从而得到负样例对。使用正样例对和负样例对，通过对比学习技术得到具有更好的语义表示的第二指标变化信息。

步骤S103：根据第一指标变化信息和第二指标变化信息，通过预先训练的多层感知分类器得到人体指标变化描述文本对应的药物相互作用等级。其中，药物相互作用等级由轻微到严重可以包括无相互作用、关注、谨慎合用、不推荐合用、禁忌合用。

在一个实施例中，多层感知分类器可以是通过如下方式训练的：构造药物相互作用训练样本，对于每一药物相互作用训练样本，确定药物相互作用训练样本对应的药物相互作用等级样本；通过药物相互作用训练样本，训练多层感知分类器。

具体地，药物相互作用训练样本包括人体指标变化描述样本和对应的药物相互作用等级样本。将人体指标变化描述样本作为输入，将药物相互作用等级样本作为输出，对多层感知分类器进行训练。其中，多层感知分类器可以为MLP（Multi-Layer Perceptron）多层感知机。

在一个实施例中，确定药物相互作用训练样本对应的药物相互作用等级样本，可以包括：根据人体指标变化描述样本，通过训练的药学知识迁移模型得到对应的药物相互作用等级结果；对比人体指标变化描述样本对应的药物相互作用等级文本和药物相互作用等级结果；在人体指标变化描述样本对应的药物相互作用等级文本和药物相互作用等级结果相同的情况下，校验通过，将药物相互作用等级文本作为药物相互作用等级样本；在人体指标变化描述样本对应的药物相互作用等级文本和药物相互作用等级结果不相同的情况下，校验不通过，并对人体指标变化描述样本进行标注，得到药物相互作用等级样本。药物相互作用等级样本例如<血钾轻度上升，关注>、<血糖较大波动，谨慎合用>。

图2是根据本发明一个实施例的药学知识迁移模型的示意图。

在一个实施例中，药学知识迁移模型可以是通过如下方式训练的：确定人体指标变化描述样本中的人体指标样本，并根据人体指标样本，从药学知识库中获取与人体指标样本对应的人体指标变化信息样本；对人体指标变化信息样本和编码后的人体指标变化描述样本进行维度转换后拼接，生成串联指标变化信息样本；对人体指标变化描述样本进行标注，得到人体指标变化描述样本的药物相互作用标注等级；使用串联指标变化信息样本和药物相互作用标注等级，训练药学知识迁移模型。

具体地，从药学资料中获得人体常见生化指标变化区间范围及临床意义，并通过专家确认这些指标发生变化时人体的危险程度，确定人体指标与人体指标变化信息的关联关系，构建药学知识库。根据人体指标变化描述样本中的人体指标样本，在药学知识库中，搜集前后一定长度范围内的描述性词语，经过切词、去重后，形成趋势描述词和程度副词词库，以及与生化指标相应的组合方式（即人体指标的变化描述），编码后得到人体指标变化信息样本V_S。对人体指标变化描述样本进行编码，得到人体指标起始字符的嵌入向量V_L，由于V_L与V_S通常具有不同的维度，因而引入中间矩阵，将二者转化为相同的维数，得到V_Ld和V_Sd，并通过向量串接（concatenate，即将两个N维度向量拼接在一起，形成一个N*2的矩阵）得到串联指标变化信息样本<V_Ld；V_Sd>。通过对人体指标变化描述样本进行标注，得到人体指标变化描述样本的药物相互作用标注等级，将串联指标变化信息样本作为输入，药物相互作用标注等级作为输出，训练药学知识迁移模型。其中，编码的方式可以为BERT编码，即一种基于深度学习的文本编码算法，可以作为编码层出现，训练模型的过程可以为bootstrap（一种计算机模拟方法）过程，经过几轮迭代后，一方面积累出一批人体指标描述与相互作用等级的对应关系库，另一方面得到了一个具有较好泛化性的分类模型，其中包含了丰富的药学知识。

图3是根据本发明一个实施例的药物相互作用等级的确定的流程示意图。

如图3所示，在一个实施例中，根据人体指标变化描述文本，分别通过药学知识库和对比学习得到第一指标变化信息和第二指标变化信息，将第一指标变化信息和第二指标变化信息输入至多层感知分类器，得到人体指标变化描述文本对应的药物相互作用等级。本发明实施例引入了药学知识至分类模型，并将输出结果供最终的关系抽取模型使用，通过对比学习增强关系抽取模型效果，并针对药品说明书的特点设计的连续实体掩码、实体补全等优化。

图4是根据本发明一个实施例的药物相互作用等级的确定装置的主要模块示意图。

如图4所示，本发明一个实施例的药物相互作用等级的确定装置400主要包括：第一指标变化信息生成模块401、第二指标变化信息生成模块402、药物相互作用等级确定模块403。

第一指标变化信息生成模块401，用于基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，药学知识库存储了多个人体指标与人体指标变化信息的关联关系。

第二指标变化信息生成模块402，用于使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息。

药物相互作用等级确定模块403，用于根据第一指标变化信息和第二指标变化信息，通过预先训练的多层感知分类器得到人体指标变化描述文本对应的药物相互作用等级。

在一个实施例中，第一指标变化信息生成模块401具体用于：确定人体指标变化描述文本中的人体指标，并根据人体指标，从药学知识库中获取与人体指标对应的人体指标变化信息；对人体指标变化信息进行编码，生成第一指标变化信息。

在一个实施例中，第二指标变化信息生成模块402具体用于：对人体指标变化描述文本进行编码，并基于预设的丢弃概率，将编码后的人体指标变化描述文本分别输入至两个丢弃层，得到人体指标变化描述文本的正样例对；对编码后的人体指标变化描述文本和对应的人体指标变化描述负增强文本进行混合，生成人体指标变化描述文本的负样例对；使用正样例对和负样例对，通过对比学习技术得到第二指标变化信息。

在一个实施例中，还可以包括多层感知分类器训练模块（图中未示出），用于：构造药物相互作用训练样本，对于每一药物相互作用训练样本，确定药物相互作用训练样本对应的药物相互作用等级样本；通过药物相互作用训练样本，训练多层感知分类器。

在一个实施例中，药物相互作用训练样本包括人体指标变化描述样本和对应的药物相互作用等级样本，多层感知分类器训练模块具体用于：根据人体指标变化描述样本，通过训练的药学知识迁移模型得到对应的药物相互作用等级结果；对比人体指标变化描述样本对应的药物相互作用等级文本和药物相互作用等级结果；在人体指标变化描述样本对应的药物相互作用等级文本和药物相互作用等级结果相同的情况下，校验通过，将药物相互作用等级文本作为药物相互作用等级样本；在人体指标变化描述样本对应的药物相互作用等级文本和药物相互作用等级结果不相同的情况下，校验不通过，并对人体指标变化描述样本进行标注，得到药物相互作用等级样本。

在一个实施例中，还可以包括药学知识迁移模型训练模块（图中未示出），用于：确定人体指标变化描述样本中的人体指标样本，并根据人体指标样本，从药学知识库中获取与人体指标样本对应的人体指标变化信息样本；对人体指标变化信息样本和编码后的人体指标变化描述样本进行维度转换后拼接，生成串联指标变化信息样本；对人体指标变化描述样本进行标注，得到人体指标变化描述样本的药物相互作用标注等级；使用串联指标变化信息样本和药物相互作用标注等级，训练药学知识迁移模型。

在一个实施例中，还可以包括掩码处理模块（图中未示出），用于：将人体指标变化描述文本中的药物名称进行实体掩码处理。

另外，在本发明实施例中药物相互作用等级的确定装置的具体实施内容，在上面药物相互作用等级的确定方法中已经详细说明了，故在此重复内容不再说明。

图5示出了可以应用本发明实施例的药物相互作用等级的确定方法或药物相互作用等级的确定装置的示例性系统架构500。

如图5所示，系统架构500可以包括终端设备501、502、503，网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备501、502、503通过网络504与服务器505交互，以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用，例如药物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等（仅为示例）。

终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器505可以是提供各种服务的服务器，例如对用户利用终端设备501、502、503所浏览的药物类网站提供支持的后台管理服务器（仅为示例）。后台管理服务器可以对接收到的药物相互作用等级的确定请求等数据进行基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，药学知识库存储了多个人体指标与人体指标变化信息的关联关系；使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息；根据第一指标变化信息和第二指标变化信息，通过预先训练的多层感知分类器得到人体指标变化描述文本对应的药物相互作用等级等处理，并将处理结果（例如药物相互作用等级的确定结果--仅为示例）反馈给终端设备。

需要说明的是，本发明实施例所提供的药物相互作用等级的确定方法一般由服务器505执行，相应地，药物相互作用等级的确定装置一般设置于服务器505中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统600的结构示意图。图6示出的终端设备或服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元（CPU）601执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一指标变化信息生成模块、第二指标变化信息生成模块、药物相互作用等级确定模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一指标变化信息生成模块还可以被描述为“用于基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，药学知识库存储了多个人体指标与人体指标变化信息的关联关系；使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息；根据第一指标变化信息和第二指标变化信息，通过预先训练的多层感知分类器得到人体指标变化描述文本对应的药物相互作用等级。

根据本发明实施例的技术方案，基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，药学知识库存储了多个人体指标与人体指标变化信息的关联关系；使用对比学习技术对人体指标变化描述文本进行关系抽取，得到第二指标变化信息；根据第一指标变化信息和第二指标变化信息，通过预先训练的多层感知分类器得到人体指标变化描述文本对应的药物相互作用等级。能够对药学文本中的药物名称进行掩码处理，避免药物名称对多层感知分类器训练和使用的影响，通过药学知识和药学文本对药物相互作用等级进行判断，使用对比学习技术对药学文本进行关系抽取，通过多层感知分类器得到药物相互作用等级，提高了药物相互作用等级判断的准确性。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (5)

1.一种药物相互作用等级的确定方法，其特征在于，包括：

基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，所述药学知识库存储了多个人体指标与人体指标变化信息的关联关系；

使用对比学习技术对所述人体指标变化描述文本进行关系抽取，得到第二指标变化信息；

根据所述第一指标变化信息和所述第二指标变化信息，通过预先训练的多层感知分类器得到所述人体指标变化描述文本对应的药物相互作用等级；

所述基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，包括：

确定所述人体指标变化描述文本中的人体指标，并根据所述人体指标，从所述药学知识库中获取与所述人体指标对应的人体指标变化信息；

对所述人体指标变化信息进行编码，生成所述第一指标变化信息；

所述使用对比学习技术对所述人体指标变化描述文本进行关系抽取，得到第二指标变化信息，包括：

对所述人体指标变化描述文本进行编码，并基于预设的丢弃概率，将编码后的人体指标变化描述文本分别输入至两个丢弃层，得到所述人体指标变化描述文本的正样例对；

对编码后的人体指标变化描述文本和对应的人体指标变化描述负增强文本进行混合，生成所述人体指标变化描述文本的负样例对；

使用所述正样例对和所述负样例对，通过对比学习技术得到所述第二指标变化信息；

所述多层感知分类器是通过如下方式训练的：

构造药物相互作用训练样本，对于每一所述药物相互作用训练样本，确定所述药物相互作用训练样本对应的药物相互作用等级样本；

通过所述药物相互作用训练样本，训练所述多层感知分类器；

所述药物相互作用训练样本包括人体指标变化描述样本和对应的药物相互作用等级样本，所述确定所述药物相互作用训练样本对应的药物相互作用等级样本，包括：

根据所述人体指标变化描述样本，通过训练的药学知识迁移模型得到对应的药物相互作用等级结果；

对比所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果；

在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果相同的情况下，校验通过，将所述药物相互作用等级文本作为所述药物相互作用等级样本；

在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果不相同的情况下，校验不通过，并对所述人体指标变化描述样本进行标注，得到所述药物相互作用等级样本；

所述药学知识迁移模型是通过如下方式训练的：

确定所述人体指标变化描述样本中的人体指标样本，并根据所述人体指标样本，从所述药学知识库中获取与所述人体指标样本对应的人体指标变化信息样本；

对所述人体指标变化信息样本和编码后的所述人体指标变化描述样本进行维度转换后拼接，生成串联指标变化信息样本；

对所述人体指标变化描述样本进行标注，得到所述人体指标变化描述样本的药物相互作用标注等级；

使用所述串联指标变化信息样本和所述药物相互作用标注等级，训练所述药学知识迁移模型。

2.根据权利要求1所述的方法，其特征在于，所述基于药学知识库对人体指标变化描述文本进行处理之前，包括：

将所述人体指标变化描述文本中的药品名称进行实体掩码处理。

3.一种药物相互作用等级的确定装置，其特征在于，包括：

第一指标变化信息生成模块，用于基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，所述药学知识库存储了多个人体指标与人体指标变化信息的关联关系；

第二指标变化信息生成模块，用于使用对比学习技术对所述人体指标变化描述文本进行关系抽取，得到第二指标变化信息；

药物相互作用等级确定模块，用于根据所述第一指标变化信息和所述第二指标变化信息，通过预先训练的多层感知分类器得到所述人体指标变化描述文本对应的药物相互作用等级；

所述基于药学知识库对人体指标变化描述文本进行处理，得到第一指标变化信息，包括：

确定所述人体指标变化描述文本中的人体指标，并根据所述人体指标，从所述药学知识库中获取与所述人体指标对应的人体指标变化信息；

对所述人体指标变化信息进行编码，生成所述第一指标变化信息；

所述使用对比学习技术对所述人体指标变化描述文本进行关系抽取，得到第二指标变化信息，包括：

对所述人体指标变化描述文本进行编码，并基于预设的丢弃概率，将编码后的人体指标变化描述文本分别输入至两个丢弃层，得到所述人体指标变化描述文本的正样例对；

对编码后的人体指标变化描述文本和对应的人体指标变化描述负增强文本进行混合，生成所述人体指标变化描述文本的负样例对；

使用所述正样例对和所述负样例对，通过对比学习技术得到所述第二指标变化信息；

所述多层感知分类器是通过如下方式训练的：

构造药物相互作用训练样本，对于每一所述药物相互作用训练样本，确定所述药物相互作用训练样本对应的药物相互作用等级样本；

通过所述药物相互作用训练样本，训练所述多层感知分类器；

所述药物相互作用训练样本包括人体指标变化描述样本和对应的药物相互作用等级样本，所述确定所述药物相互作用训练样本对应的药物相互作用等级样本，包括：

根据所述人体指标变化描述样本，通过训练的药学知识迁移模型得到对应的药物相互作用等级结果；

对比所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果；

在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果相同的情况下，校验通过，将所述药物相互作用等级文本作为所述药物相互作用等级样本；

在所述人体指标变化描述样本对应的药物相互作用等级文本和所述药物相互作用等级结果不相同的情况下，校验不通过，并对所述人体指标变化描述样本进行标注，得到所述药物相互作用等级样本；

所述药学知识迁移模型是通过如下方式训练的：

确定所述人体指标变化描述样本中的人体指标样本，并根据所述人体指标样本，从所述药学知识库中获取与所述人体指标样本对应的人体指标变化信息样本；

对所述人体指标变化信息样本和编码后的所述人体指标变化描述样本进行维度转换后拼接，生成串联指标变化信息样本；

对所述人体指标变化描述样本进行标注，得到所述人体指标变化描述样本的药物相互作用标注等级；

使用所述串联指标变化信息样本和所述药物相互作用标注等级，训练所述药学知识迁移模型。

4.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-2中任一所述的方法。

5.一种计算机可读介质，其上存储有计算机程序，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1-2中任一所述的方法。

Images