CN115658877B

CN115658877B - 基于强化学习的药物推荐方法、装置、电子设备和介质

Info

Publication number: CN115658877B
Application number: CN202211683493.4A
Authority: CN
Inventors: 王瑞国; 许峥; 许娟; 张佳乐; 王剑仲; 史文钊
Original assignee: Digital Health China Technologies Co Ltd
Current assignee: Digital Health China Technologies Co Ltd
Priority date: 2022-12-27
Filing date: 2022-12-27
Publication date: 2023-03-21
Anticipated expiration: 2042-12-27
Also published as: CN115658877A

Abstract

本公开涉及肝癌免疫药物推荐领域，提供了一种基于强化学习的药物推荐方法、装置、电子设备和介质。包括：采集初始患者数据并进行预处理，得到标准患者数据；基于上述标准患者数据构建知识图谱；基于Trans模型得到上述知识图谱的节点向量和边关系向量；基于强化学习、上述知识图谱和上述知识图谱的节点向量和边关系向量训练智能体；基于上述智能体和上述知识图谱得到推荐药物和上述推荐药物对应的推荐路径。本公开结合强化学习与知识图谱对真实肝癌病人用药信息进行建模，在给出病人推荐药物的同时也可以提供模型推荐药物诊疗路径，为药物推荐提供可解释性。

Description

基于强化学习的药物推荐方法、装置、电子设备和介质

技术领域

本申请涉及肝癌免疫药物推荐领域，尤其涉及基于强化学习的药物推荐方法、装置、电子设备和介质。

背景技术

在临床上肝癌的免疫治疗是重要的治疗手段之一，一般来说，常用的有免疫核糖核酸、干扰素、白细胞介素-2、胸腺肽等。需要强调的是肝癌的免疫治疗，最好结合手术进行，这样的话能够取得较好的临床治疗效果，能够提高患者的生活质量，延长患者的生存时间。

目前，存在基于知识图谱进行肝癌药物的推荐的技术，但知识图谱神经网络模型大多都是一个黑盒子，在推荐的过程中不能给出很好的解释性。

发明内容

（一）发明目的

鉴于上述问题，为了在给出肝癌病人推荐药物的同时也可以提供模型推荐药物诊疗路径，为药物推荐提供可解释性，本公开提供了以下技术方案。

（二）技术方案

本公开实施例的第一方面，提供了一种基于强化学习的药物推荐方法，包括：

采集初始患者数据并进行预处理，得到标准患者数据；

基于上述标准患者数据构建知识图谱；

基于Trans模型得到上述知识图谱的节点向量和边关系向量；

基于强化学习、上述知识图谱和上述知识图谱的节点向量和边关系向量训练智能体；

基于上述智能体和上述知识图谱得到推荐药物和上述推荐药物对应的推荐路径。

在一种可能的实施方式中，上述采集初始患者数据并进行预处理，得到标准患者数据，包括：

采集初始患者数据；

对上述初始患者数据进行数据分析、特征筛选、缺失值填充和数据离散化，得到标准患者数据。

在一种可能的实施方式中，上述基于Trans模型得到上述知识图谱的节点向量和边关系向量，包括：

基于知识图谱训练初始Trans模型得到目标Trans模型；

基于上述目标Trans模型得到上述知识图谱的节点向量和边关系向量。

在一种可能的实施方式中，上述基于知识图谱训练初始Trans模型得到目标Trans模型，包括：

获取训练样本的集合，上述训练样本包括知识图谱三元组和上述知识图谱三元组对应的边向量和关系向量；

将上述知识图谱三元组作为输入，将与输入的知识图谱三元组对应的边向量和关系向量作为期望输出，训练上述初始Trans模型得到上述目标Trans模型。

在一种可能的实施方式中，上述基于强化学习、上述知识图谱和上述知识图谱的节点向量和边关系向量训练智能体，包括：

利用强化学习和上述知识图谱的节点向量和边关系向量定义上述初始智能体的相关因素，得到智能体；

基于上述知识图谱对上述智能体进行训练，输出至少一个输出推荐药物和上述至少一个输出推荐药物对应的至少一个输出推荐路径；

验证上述输出推荐药物和上述输出推荐路径，得到验证结果；

基于上述验证结果优化上述智能体。

在一种可能的实施方式中，上述相关因素包括：Policy网络、Value网络、State、Action和Reward，上述利用强化学习和上述知识图谱的节点向量和边关系向量定义上述初始智能体的相关因素，得到智能体，包括：

基于强化学习定义上述Policy 网络和上述Value 网络；

定义上述State为：

式中，

为T时刻的State，u为病人节点、

为u可通过关系到达的实体节点，

为历史的信息；

定义上述Action为动作空间，上述动作空间为当前节点出发所能到达的节点的策略的空间；

定义上述Reward为：

其中：

为 T时刻的Reward，I为药物节点，i为第i个药物节点，

是经过3跳之后的奖励，u为病人节点，

为经过3跳后到达药物节点i的奖励。

在一种可能的实施方式中，上述验证上述输出推荐药物和上述输出推荐路径，得到验证结果，包括：

基于验证数据集，获取上述至少一个输出推荐药物中每个输出推荐药物的所有路径；

计算上述所有路径中每个路径的Reward值；

选择上述Reward值最大的路径定义为推荐路径，作为验证结果。

本公开实施例的第二方面，提供了一种基于强化学习的药物推荐装置，包括：

采集单元，被配置成采集初始患者数据并进行预处理，得到标准患者数据；

构建单元，被配置成基于上述标准患者数据构建知识图谱；

向量生成单元，被配置成基于Trans模型得到上述知识图谱的节点向量和边关系向量；

训练单元，被配置成基于强化学习、上述知识图谱和上述知识图谱的节点向量和边关系向量训练智能体；

推荐单元，被配置成基于上述智能体和上述知识图谱得到推荐药物和上述推荐药物对应的推荐路径。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

（三）有益效果

本公开实施例与现有技术相比存在的有益效果是：

本公开结合强化学习与知识图谱对真实肝癌病人用药信息进行建模，在给出病人推荐药物的同时也可以提供模型推荐药物诊疗路径，为药物推荐提供可解释性。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有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它的附图。

图1是根据本公开的基于强化学习的药物推荐方法的一些实施例的流程图；

图2是根据本公开的基于强化学习的药物推荐装置的一些实施例的结构示意图；

图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面参考图1详细描述本公开的基于强化学习的药物推荐方法，如图1所示，本公开的方法主要包括有以下步骤S101至S105。

S101，采集初始患者数据并进行预处理，得到标准患者数据。

在一些实施例中，标准患者数据是指经过预处理后可以用于构建知识图谱的数据，标准患者数据是通过以下步骤获取的：

第一步、采集初始患者数据；这里，包括若干名患者的初始患者数据，上述若干名患者的初始患者数据中的每个初始患者数据可以包括以下字段：病人序号、使用免疫药物、年龄、入院日期、最大靶病灶直径、病灶数目、糖尿病、高血压、冠心病、脂肪肝、肝硬化、吸烟、PS评分、BMI等。

第二步、对上述初始患者数据进行数据分析、特征筛选、缺失值填充和数据离散化，得到标准患者数据，具体的，数据分析至少包括以下几项：分析数据行、列情况、缺失值情况、离散、连续变量情况；特征筛选具体指：融合医学相关知识；缺失值填充具体指：对缺失的部分特征数据采取相关的数据填充，如连续型数据采取中位数填充，离散化数据采取众数填充，保证每个病人样本的特征数量一致性；数据离散化具体指：对连续型变量进行离散化操作，作为示例：年龄可以映射为高中低三个类别。

基于上述数据分析、特征筛选、缺失值填充和数据离散化预处理后，得到标准患者数据，作为示例，上述标准患者数据可以包括如下字段：病人序号、使用免疫药物、年龄、最大靶病灶直径、病灶数目、糖尿病、高血压、冠心病、脂肪肝、肝硬化、吸烟、PS评分、BMI。

S102，基于上述标准患者数据构建知识图谱。

在一些实施例中，基于上述确定的标准患者数据构建知识图谱，作为示例，上述知识图谱的节点包括：病人序号、使用免疫药物、年龄、最大靶病灶直径、病灶数目、糖尿病、高血压、冠心病、脂肪肝、肝硬化、吸烟、PS评分、BMI，边包括：（病人，relation1，年龄），（病人，relation2，最大靶病灶直径），（病人，relation3，使用免疫药物），（病人，relation4，病灶数目），（病人，relation5，高血压），（病人，relation6，糖尿病），（病人，relation7，冠心病），（病人，relation8，脂肪肝），（病人，relation9，肝硬化），（病人，relation10，吸烟），（病人，relation11，PS评分），（病人，relation12，BMI），（最大靶病灶直径，relation13，使用免疫药物），（病灶数目，relation14，使用免疫药物），（PS评分，relation15，使用免疫药物）。

S103，基于Trans模型得到上述知识图谱的节点向量和边关系向量。

在一些实施例中，Trans模型包括但不限于TransE模型、TransH模型、TransR模型、TransD模型。作为示例，可以选择TransE模型，基于TransE模型通过以下步骤得到上述知识图谱的节点向量和边关系向量：

第一步、基于知识图谱训练初始Trans模型得到目标Trans模型；这里，首先，获取训练样本的集合，上述训练样本包括知识图谱三元组和上述知识图谱三元组对应的边向量和关系向量；然后，将上述知识图谱三元组作为输入，将与输入的知识图谱三元组对应的边向量和关系向量作为期望输出，训练上述初始Trans模型得到上述目标Trans模型。

第二步、基于上述目标Trans模型得到上述知识图谱的节点向量和边关系向量。

在向量空间中，头节点向量+边向量=尾节点向量，TransE训练后模型的理想状态是，从实体矩阵和关系矩阵中各自抽取一个向量，进行L1或者L2运算，得到的结果近似于实体矩阵中的另一个实体的向量，从而达到通过词向量表示知识图谱中已存在的三元组（h,l,t）的关系），得到各向量后，并将模型中的各节点、边向量的embedding进行保存。

S104，基于强化学习、上述知识图谱和上述知识图谱的节点向量和边关系向量训练智能体。

在一些实施例中，通过以下步骤训练智能体：

第一步、利用强化学习和上述知识图谱的节点向量和边关系向量定义上述初始智能体的相关因素，得到智能体；这里，上述相关因素包括：Policy网络、Value网络、State、Action和Reward，具体的，得到智能体的步骤包括：首先，基于强化学习定义上述Policy 网络和上述Value 网络；其次，定义上述State为：

式中，

为T时刻的State，u为病人节点、

为u可通过关系到达的实体节点，

为历史的信息；然后，定义上述Action为动作空间，上述动作空间为当前节点出发所能到达的节点的策略的空间；定义上述Reward为：

其中：

为 T时刻的Reward，I为药物节点，i为第i个药物节点，

是经过3跳之后的奖励，u为病人节点，

为经过3跳后到达药物节点i的奖励；需要说明的是，当且仅当3跳之后的

节点是药物节点时需要计算上述公式。

具体的，为了确保知识图谱中不存在孤立的节点，对知识图谱中对每个节点、每条边都添加一个自环self-loop。强化学习的目标为学习到一个策略π，使得期望的Reward值最大，为了解决这个问题，设计了两个网络结构，Policy网络和Value网络，这两个网络结构共享相同的权重矩阵，Policy为生成当前状态下每个动作的概率。进而定义State、Action和Reward。通过强化学习的方法，分别设计Policy 网络和Value 网络，这两个网络共享相同特征层，Policy 网络则生成每个动作的概率，Value 网络的作用为将状态State映射为一个真实的值。

第二步、基于上述知识图谱对上述智能体进行训练，输出至少一个输出推荐药物和上述至少一个输出推荐药物对应的至少一个输出推荐路径；具体的，定义好上述条件后，开始训练一个智能体，使得这个智能体能够在知识图谱的环境中，以初始病人节点为条件，通过强化学习获得能够导航到潜在的药物的能力，然后利用该智能体对每个病人的推理路径进行高效的采样，用以得到推荐的药物，同时这样采样的路径能够为推荐结果提供合理的解释性。训练结束后，基于上述智能体和上述知识图谱以某一病人为起点，输出至少一个输出推荐药物和上述至少一个输出推荐药物对应的至少一个输出推荐路径，作为示例：病人通过跳转3次到达药物节点，输出至少一个输出推荐药物和上述至少一个输出推荐药物对应的至少一个输出推荐路径。第三步、验证上述输出推荐药物和上述输出推荐路径，得到验证结果；具体的，首先，基于验证数据集，获取上述至少一个输出推荐药物中每个输出推荐药物的所有路径；其次，计算上述所有路径中每个路径的Reward值；最后，选择上述Reward值最大的路径定义为推荐路径，作为验证结果；这里，将标准患者数据中的一部分用于进行上述智能体训练；另一部分用于进行对智能体输出结果的检验；即用于检验的这部分标准患者数据为验证数据集。上述验证过程具体为：将上述训练好的智能体模型进行加载，通过采用beam_search的方法对验证数据集的路径进行搜索，得到验证集中每个病人节点到可达的药物节点的所有路径，获取所有路径的Reward值，筛选出最优的每个药物的路径（即Reward值最高的路径），最终形成对于每个病人推荐多种免疫治疗的推荐。需要说明的是，如果存在一个药物有多个路径，就选取具有最高生成概率的路径做为当前药物的推荐路径，但当验证的时候存在多条路径的reward值一样，路径生成的概率一样，则将上述reward值一样的多条路径均作为推荐路径。

第四步、基于上述验证结果优化上述智能体；这里，验证结果包括验证指标，例如：ndcg、recall、hit rate等，可以根据验证数据的指标测试训练中的模型，并保存训练过程中验证指标最好的模型，采用最好的模型对验证数据的可解释路径进行输出，得到验证数据的可解释性。这里的优化具体指：在输出推荐路径时对采样路径进行了优化，在从病人节点出发采样n个路径到药物节点时，不能保证路径的多样性，可能会有重复的路径使得Reward很大，所以采用了一个上述第三步中基于beam_search的搜索方法，设定k1，k2，k3为一跳、二跳、三跳的搜索空间阈值，在搜索阶段，对每跳的多个动作概率进行排序，选取前k的动作，动作概率是由已经训练好的Policy network生成。根据动作，更新概率，reward等，实现优化。

S105，基于上述智能体和上述知识图谱得到推荐药物和上述推荐药物对应的推荐路径。

在一些实施例中，基于上述训练好的智能体和上述知识图谱，可以得到推荐药物和上述推荐药物对应的推荐路径。

下面通过具体实施例说明上述过程：

1.效果指标：

分别对46条验证集数据进行评估，每条数据代表一个病人以及在临床中所使用的真实的药物，对模型推荐的药物进行指标验证，相关指标计算如下表所示：

表1 指标数据表

NDCG	Recall	HitRate	Precision
				0.818	0.826	0.826	0.267

2.推理路径Demo：

相关推理路径demo介绍如下，目标为病人185（病人序号）推荐相关免疫治疗药物，其中真实临床医生所治疗的药物为免疫药物0（免疫药物序号），在强化学习知识图谱推理中会通过从病人185节点进行游走，最终达到其185病人可达的其他药物节点，病人185所走过的路径可做为推理结果的可解释路径：

病人185->relation: relation_8->node:fatty_liver 0->病人0->drug:0

从当前病人185的推理路径上看，为病人185推荐药物0的原因为病人185通过边relation_8到达脂肪肝0号节点，病人0也具有相同的脂肪肝因素，病人0的免疫治疗用药为药物0，所以为病人185提供的免疫药物为0。

当前技术方案不仅可以为相关病人提供推荐的药物，并且可以为推荐的药物提供可解释性。

本公开实施例与现有技术相比存在的有益效果是：

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图2是本公开的基于强化学习的药物推荐装置的一些实施例的结构示意图。如图2所示，该基于强化学习的药物推荐装置包括：采集单元201、构建单元202、向量生成单元203、训练单元204和推荐单元205，其中，采集单元201，被配置成采集初始患者数据并进行预处理，得到标准患者数据；构建单元202，被配置成基于上述标准患者数据构建知识图谱；向量生成单元203，被配置成基于Trans模型得到上述知识图谱的节点向量和边关系向量；训练单元204，被配置成基于强化学习、上述知识图谱和上述知识图谱的节点向量和边关系向量训练智能体；推荐单元205，被配置成基于上述智能体和上述知识图谱得到推荐药物和上述推荐药物对应的推荐路径。

在一些实施例的一些可选的实现方式中，上述采集单元201被进一步配置成：采集初始患者数据；对上述初始患者数据进行数据分析、特征筛选、缺失值填充和数据离散化，得到标准患者数据。

在一些实施例的一些可选的实现方式中，上述向量生成单元203被进一步配置成：基于知识图谱训练初始Trans模型得到目标Trans模型；基于上述目标Trans模型得到上述知识图谱的节点向量和边关系向量。

在一些实施例的一些可选的实现方式中，上述基于知识图谱训练初始Trans模型得到目标Trans模型，包括：获取训练样本的集合，上述训练样本包括知识图谱三元组和上述知识图谱三元组对应的边向量和关系向量；将上述知识图谱三元组作为输入，将与输入的知识图谱三元组对应的边向量和关系向量作为期望输出，训练上述初始Trans模型得到上述目标Trans模型。

在一些实施例的一些可选的实现方式中，上述训练单元204被进一步配置成：利用强化学习和上述知识图谱的节点向量和边关系向量定义上述初始智能体的相关因素，得到智能体；

基于上述验证结果优化上述智能体。

在一些实施例的一些可选的实现方式中，上述相关因素包括：Policy网络、Value网络、State、Action和Reward，上述利用强化学习和上述知识图谱的节点向量和边关系向量定义上述初始智能体的相关因素，得到智能体，包括：

基于强化学习定义上述Policy 网络和上述Value 网络；

定义上述State为：

式中，

为T时刻的State，u为病人节点、

为u可通过关系到达的实体节点，

为历史的信息；

定义上述Reward为：

其中：

为 T时刻的Reward，I为药物节点，i为第i个药物节点，

是经过3跳之后的奖励，u为病人节点，

为经过3跳后到达药物节点i的奖励。

在一些实施例的一些可选的实现方式中，上述验证上述输出推荐药物和上述输出推荐路径，得到验证结果，包括：基于验证数据集，获取上述至少一个输出推荐药物中每个输出推荐药物的所有路径；计算上述所有路径中每个路径的Reward值；选择上述Reward值最大的路径定义为推荐路径，作为验证结果。

下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。

通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些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。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述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。在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。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该电子设备执行时，使得该电子设备：采集初始患者数据并进行预处理，得到标准患者数据；基于上述标准患者数据构建知识图谱；基于Trans模型得到上述知识图谱的节点向量和边关系向量；基于强化学习、上述知识图谱和上述知识图谱的节点向量和边关系向量训练智能体；基于上述智能体和上述知识图谱得到推荐药物和上述推荐药物对应的推荐路径。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集单元、构建单元、向量生成单元、训练单元和推荐单元，其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，采集单元还可以被描述为“采集初始患者数据并进行预处理，得到标准患者数据的单元。”

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。