CN115798722A - 基于知识图谱的免疫药物人群高低危筛选方法及系统 - Google Patents
基于知识图谱的免疫药物人群高低危筛选方法及系统 Download PDFInfo
- Publication number
- CN115798722A CN115798722A CN202310052229.9A CN202310052229A CN115798722A CN 115798722 A CN115798722 A CN 115798722A CN 202310052229 A CN202310052229 A CN 202310052229A CN 115798722 A CN115798722 A CN 115798722A
- Authority
- CN
- China
- Prior art keywords
- data
- graph
- node
- characteristic matrix
- node characteristic
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了基于知识图谱的免疫药物人群高低危筛选方法及系统,该方法包括以下步骤:S1:获取病人数据,并对病人数据进行数据预处理,并构建同构图数据以及异构图数据;S2:根据病人数据中的PFS值,对病人节点赋予标签,若PFS值大于PFS中位数,则赋予低危标签;S3:根据异构图数据构建异构图;将异构图节点数据转换为同构图数据,并根据同构图数据构建同构图;S4:将同构图输入到GCN以及GAT模型,异构图输入HAN模型,分别输出节点特征矩阵;S5:将三个节点特征矩阵进行拼接,输入MLP多层神经网络,并输出PFS类别预测。本发明融合了同构图信息以及异构图信息,并分别将其输出的节点表征拼接到一起,经过双层的MLP网络结构,能够准确预测病人的PFS类别。
Description
技术领域
本发明涉及计算机领域,具体设计基于知识图谱的免疫药物人群高低危筛选方法及系统。
背景技术
肝癌素有“癌中之王”的称号,治疗手段与治疗效果均非常有限,目前,免疫治疗在晚期肝癌治疗中的客观缓解率在20%左右,虽然在总生存的延长上并未达到理想的结果,但其积极作用值得肯定,为晚期肝癌患者带来一线生机。PFS是无进展生存期,是英文Progression-Free-Survival的缩写,指的是癌症病人从随机化入组到出现疾病进展的时间。PFS是抗肿瘤药物的临床实验研究中非常常用的一个研究指标,通常将PFS作为临床实验研究的终点,它的主要的价值是用来判断所要研究的抗肿瘤药物的临床疗效,如果PFS时间长说明抗肿瘤药物的疗效好,如果PFS的时间短说明抗肿瘤药物的疗效不好。
现阶段对于PFS类别的预测主要有Gcn、Gat、Han等模型结构,然而,Gcn、Gat都是一个神经网络层,只能处理同构图数据,而Han是针对异构图数据的模型。上述模型单独使用时无法对病人数据的节点表征进行最大化的利用,从而无法对PFS类别进行精准预测。
发明内容
本发明提出了基于知识图谱的免疫药物人群高低危筛选方法及系统,模型框架充分融合了同构图信息以及异构图信息,并分别将其输出的节点表征拼接到一起,经过双层的MLP网络结构,预测病人的PFS类别,实验结果表明,我们的模型框架要优于其他图模型算法。
本发明具体的技术方案如下:
第一方面,本发明提供了基于知识图谱的免疫药物人群高低危筛选方法,包括以下步骤:
S1:获取病人数据,并对病人数据进行数据预处理,并构建异构图数据;
S2:根据病人数据中的PFS值,对病人节点赋予标签,若PFS值大于PFS中位数,则赋予低危标签;若PFS值小于PFS中位数,则赋予高危标签;
S3:根据异构图数据构建异构图;将异构图节点数据转换为同构图数据,并根据同构图数据构建同构图;
S4:将同构图输入到GCN以及GAT模型,分别输出第一节点特征矩阵以及第二节点特征矩阵;将异构图输入HAN模型,输出第三节点特征矩阵;
S5:将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络,并输出PFS类别预测。
在一些实施例中,所述S1包括:
S11:获取病人数据,并对病人数据进行数据预处理,包括:缺失值填充,数值数据归一化以及离散化数据one-hot编码;
S12:将预处理后的病人数据特征作为初始病人节点的初始化节点特征,构建同构图数据以及异构图数据。
在一些实施例中,所述S3包括:
S31:在病人数据中心中,选择病人节点作为主节点,选择若干种其他类型变量作为从节点,构建异构图;
S32:将从节点特征聚合到主节点,构建同构图。
在一些实施例中,所述S4包括:
S41:将同构图输入到GCN以及GAT模型的 Layer层,并将GCN以及GAT模型隐藏层的最后一层输出分别作为第一节点特征矩阵以及第二节点特征矩阵;
S42:将异构图输入HAN模型,并将HAN模型隐藏层的最后一层输出作为第三节点特征矩阵。
在一些实施例中,所述S5包括:
S51:将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络;
S52:在MLP多层神经网络每一个线性层间采用relu激活函数,最终输入到softmax中,并输出高低危类别概率。
第二方面,本发明提供了基于知识图谱的免疫药物人群高低危筛选系统,包括:
数据获取模块,用于获取病人数据,并对病人数据进行数据预处理,并构建同构图数据以及异构图数据;
标签赋予模块,用于根据病人数据中的PFS值,对病人节点赋予标签,若PFS值大于PFS中位数,则赋予低危标签;若PFS值小于PFS中位数,则赋予高危标签;
同构异构图构建模块,用于根据异构图数据构建异构图;将异构图节点数据转换为同构图数据,并根据同构图数据构建同构图;
表征获取模块,用于将同构图输入到GCN以及GAT模型,分别输出第一节点特征矩阵以及第二节点特征矩阵;将异构图输入HAN模型,输出第三节点特征矩阵;
预测模块,用于将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络,并输出PFS类别预测。
在一些实施例中,所述数据获取模块包括:
数据预处理子模块,用于获取病人数据,并对病人数据进行数据预处理,包括:缺失值填充,数值数据归一化以及离散化数据one-hot编码;
图数据构建子模块,用于将预处理后的病人数据特征作为初始病人节点的初始化节点特征,构建同构图数据以及异构图数据。
在一些实施例中,所述同构异构图构建模块包括:
异构图构建子模块,用于在病人数据中心中,选择病人节点作为主节点,选择若干种其他类型变量作为从节点,构建异构图;
同构图构建子模块,用于将从节点特征聚合到主节点,构建同构图。
在一些实施例中,所述表征获取模块包括:
同构图表征获取子模块,用于将同构图输入到GCN以及GAT模型的 Layer层,并将GCN以及GAT模型隐藏层的最后一层输出分别作为第一节点特征矩阵以及第二节点特征矩阵;
异构图表征获取子模块,用于将异构图输入HAN模型,并将HAN模型隐藏层的最后一层输出作为第三节点特征矩阵。
在一些实施例中,所述预测模块包括:
表征拼接子模块,用于将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络;
结果输出子模块,用于在MLP多层神经网络每一个线性层间采用relu激活函数,最终输入到softmax中,并输出高低危类别概率。
本申请的有益效果是:
本发明提出了基于知识图谱的免疫药物人群高低危筛选方法,通过Gcn、Gat以及Han模型框架,融合了同构图信息以及异构图信息,并分别将其输出的节点表征拼接到一起,进而经过双层的MLP网络结构,预测病人的PFS类别,实验结果表明,我们的模型框架要优于其他图模型算法。
附图说明
图1为本申请基于知识图谱的免疫药物人群高低危筛选方法流程图;
图2为本申请步骤S1的子流程图;
图3为本申请步骤S3的子流程图;
图4为本申请步骤S4的子流程图;
图5为本申请步骤S5的子流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
为了能够更清楚地理解本申请的上述目的、特征和优点,下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。基于所描述的本申请的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1为本申请基于知识图谱的免疫药物人群高低危筛选方法流程图。
基于知识图谱的免疫药物人群高低危筛选方法,结合图1,包括以下步骤:
S1:获取病人数据,并对病人数据进行数据预处理,并构建同构图数据以及异构图数据;
在一些实施例中,结合图2即本方案步骤S1的子流程图,所述S1还包括:
S11:获取病人数据,并对病人数据进行数据预处理,包括:缺失值填充,数值数据归一化以及离散化数据one-hot编码;
S12:将预处理后的病人数据特征作为初始病人节点的初始化节点特征,构建同构图数据以及异构图数据。
具体的,本方案基于同构图和异构图信息的融合,首先需要获取现有的肝癌病人数据,并根据病人数据构建同构图数据以及异构图数据。而为了获取的病人数据的准确性,还需要进行数据预处理,包括:缺失值填充,数值数据归一化、离散型数据one-hot编码,然后分别构建了同构图数据、异构图数据,并将处理后的特征做为初始病人节点的初始化特征。
S2:根据病人数据中的PFS值,对病人节点赋予标签,若PFS值大于PFS中位数,则赋予低危标签;若PFS值小于PFS中位数,则赋予高危标签;
具体的,本方案的目标是根据病人数据的特征对病人数据的PFS值,因此,需要对病人节点生成label标签数据,本方案通过根据PFS中位数进行PFS列划分,大于中位数的PFS值划分为低危标签,小于中位数的PFS值划分为高危标签。
S3:根据异构图数据构建异构图;将异构图节点数据转换为同构图数据,并根据同构图数据构建同构图。
在一些实施例中,结合图3即本方案步骤S3的子流程图,所述S3包括:
S31:在病人数据中心中,选择病人节点作为主节点,选择若干种其他类型变量作为从节点,构建异构图;
S32:将从节点特征聚合到主节点,构建同构图。
具体的,本方案在异构图构建阶段,选择5种类型变量做为异构图的relation边,可分别为:(病灶数目、使用免疫药物类型、病理类型、cp分级以及使用抗病毒药物类型),构建例子如:节点(病人_0)->边(病灶数目)->节点(病灶数目_0),此时异构图存在6种节点即,病人节点、病灶数目节点、使用免疫药物类型节点、病理类型节点、cp分级节点以及使用抗病毒药物类型节点,以及5种边即,边(病灶数目)、边(使用免疫药物类型)、边(病理类型)、边(cp分级)以及边(使用抗病毒药物类型)。此外,在本方案中,可将病人节点作为主节点,其他节点作为从节点,主节点即病人节点之间构成关联关系,主节点与其他从节点构成包含关系,从而,我们在转化同构图时,可将节点特征聚合到主节点,从而形成同构图,即同构图的节点应均为病人节点,然而在异构图转化为同构图的过程中,并不是所有的节点都是病人节点,因此在完成同构图的转化之后,需要对节点数量进行扩充,扩充的数量即为非病人节点的数量,同时还需要对同构图节点叠加一个mask向量,举例来说,假如生成的同构图节点是[a,b,c,d,e,f],总共6个节点,其中,真实的病人节点是a,c,e,而节点b,d,f均为非病人节点,由于本方案预测模型只针对病人节点类别进行预测,因此需要将病人节点与非病人节点区分开了,此时需要引入一个mask向量,如[1,0,1,0,1,0],其中,1代表病人节点,0代表非病人的节点,这样就能够根据前置条件mask来筛选出需要预测的同构图节点信息。还需要注意的是,预测模型中输入的数据必须满足样本数量即节点数量,与label数量相等,因此,可以对非病人节点的label赋值为0。
S4:将同构图输入到GCN以及GAT模型,分别输出第一节点特征矩阵以及第二节点特征矩阵;将异构图输入HAN模型,输出第三节点特征矩阵;
在一些实施例中,结合图4即本方案步骤S4的子流程图,所述S4包括:
S41:将同构图输入到GCN以及GAT模型的 Layer层,并将GCN以及GAT模型隐藏层的最后一层输出分别作为第一节点特征矩阵以及第二节点特征矩阵;
S42:将异构图输入HAN模型,并将HAN模型隐藏层的最后一层输出作为第三节点特征矩阵。
具体的,在异构图以及同构图构建完成后,将同构图数据输入到GCN模型的Layer层与GAT模型的Layer 层,并将GCN模型和GAT模型隐藏层的最后一层输出做为节点表示,将异构图数据输入到HAN模型Layer层,将隐藏层的最后一层输出做为节点表示。本方案利用三种模型进行特征提取的目的在于:1、单个模型提取的节点表征可能不是很完整,而提取多个特征进行拼接,可以增加预测的准确性;2、能够对病人节点的表征进行多视角(同构图、异构图)的提取,进一步增加预测准确性。
S5:将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络,并输出PFS类别预测。
在一些实施例中,结合图5即本方案步骤S5的子流程图,所述S5包括:
S51:将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络;
S52:在MLP多层神经网络每一个线性层间采用relu激活函数,最终输入到softmax中,并输出高低危类别概率。
具体的,在步骤S4中提取到的第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵均可以用一个[batch_size, embedding_dim]的二维向量矩阵来表示,将三个节点特征矩阵拼接后即可得到一个[batch_size, 3*embedding_dim]的二维向量。然后,将这个二维向量作为输入数据,输入到一个双层的MLP网络中,MLP网络中间层的维度为embedding_size, 输出层的维度为num_classes,也就是2,代表了PFS值的高、低危类别,然后在每一层网络中使用Relu激活函数,最终输入到Softmax层中,得到0类别、1类别取值在[0, 1]之间的概率,其中0类别、1类别的概率相加等于1,即得到了高、低危类别概率,取0类别、1类别的概率中的较大值做为模型预测的高、低危类别结果。MLP网络的损失函数采用Loss函数。
本发明第二方面还提供了基于知识图谱的免疫药物人群高低危筛选系统,包括:
数据获取模块,用于获取病人数据,并对病人数据进行数据预处理,并构建同构图数据以及异构图数据;
标签赋予模块,用于根据病人数据中的PFS值,对病人节点赋予标签,若PFS值大于PFS中位数,则赋予低危标签;若PFS值小于PFS中位数,则赋予高危标签;
同构异构图构建模块,用于根据异构图数据构建异构图;将异构图节点数据转换为同构图数据,并根据同构图数据构建同构图;
表征获取模块,用于将同构图输入到GCN以及GAT模型,分别输出第一节点特征矩阵以及第二节点特征矩阵;将异构图输入HAN模型,输出第三节点特征矩阵;
预测模块,用于将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络,并输出PFS类别预测。
在一些实施例中,所述数据获取模块包括:
数据预处理子模块,用于获取病人数据,并对病人数据进行数据预处理,包括:缺失值填充,数值数据归一化以及离散化数据one-hot编码;
图数据构建子模块,用于将预处理后的病人数据特征作为初始病人节点的初始化节点特征,构建同构图数据以及异构图数据。
在一些实施例中,所述同构异构图构建模块包括:
异构图构建子模块,用于在病人数据中心中,选择病人节点作为主节点,选择若干种其他类型变量作为从节点,构建异构图;
同构图构建子模块,用于将从节点特征聚合到主节点,构建同构图。
在一些实施例中,所述表征获取模块包括:
同构图表征获取子模块,用于将同构图输入到GCN以及GAT模型的 Layer层,并将GCN以及GAT模型隐藏层的最后一层输出分别作为第一节点特征矩阵以及第二节点特征矩阵;
异构图表征获取子模块,用于将异构图输入HAN模型,并将HAN模型隐藏层的最后一层输出作为第三节点特征矩阵。
在一些实施例中,所述预测模块包括:
表征拼接子模块,用于将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络;
结果输出子模块,用于在MLP多层神经网络每一个线性层间采用relu激活函数,最终输入到softmax中,并输出高低危类别概率。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本申请的实施方式,但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.基于知识图谱的免疫药物人群高低危筛选方法,其特征在于,包括以下步骤:
S1:获取病人数据,并对病人数据进行数据预处理,并构建异构图数据;
S2:根据病人数据中的PFS值,对病人节点赋予标签,若PFS值大于PFS中位数,则赋予低危标签;若PFS值小于PFS中位数,则赋予高危标签;
S3:根据异构图数据构建异构图;将异构图节点数据转换为同构图数据,并根据同构图数据构建同构图;
S4:将同构图输入到GCN以及GAT模型,分别输出第一节点特征矩阵以及第二节点特征矩阵;将异构图输入HAN模型,输出第三节点特征矩阵;
S5:将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络,并输出PFS类别预测。
2.根据权利要求1所述的基于知识图谱的免疫药物人群高低危筛选方法,其特征在于,所述S1包括:
S11:获取病人数据,并对病人数据进行数据预处理,包括:缺失值填充,数值数据归一化以及离散化数据one-hot编码;
S12:将预处理后的病人数据特征作为初始病人节点的初始化节点特征,构建同构图数据以及异构图数据。
3.根据权利要求2所述的基于知识图谱的免疫药物人群高低危筛选方法,其特征在于,所述S3包括:
S31:在病人数据中心中,选择病人节点作为主节点,选择若干种其他类型变量作为从节点,构建异构图;
S32:将从节点特征聚合到主节点,构建同构图。
4.根据权利要求3所述的基于知识图谱的免疫药物人群高低危筛选方法,其特征在于,所述S4包括:
S41:将同构图输入到GCN以及GAT模型的 Layer层,并将GCN以及GAT模型隐藏层的最后一层输出分别作为第一节点特征矩阵以及第二节点特征矩阵;
S42:将异构图输入HAN模型,并将HAN模型隐藏层的最后一层输出作为第三节点特征矩阵。
5.根据权利要求4所述的基于知识图谱的免疫药物人群高低危筛选方法,其特征在于,所述S5包括:
S51:将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络;
S52:在MLP多层神经网络每一个线性层间采用relu激活函数,最终输入到softmax中,并输出高低危类别概率。
6.基于知识图谱的免疫药物人群高低危筛选系统,其特征在于,包括:
数据获取模块,用于获取病人数据,并对病人数据进行数据预处理,并构建同构图数据以及异构图数据;
标签赋予模块,用于根据病人数据中的PFS值,对病人节点赋予标签,若PFS值大于PFS中位数,则赋予低危标签;若PFS值小于PFS中位数,则赋予高危标签;
同构异构图构建模块,用于根据异构图数据构建异构图;将异构图节点数据转换为同构图数据,并根据同构图数据构建同构图;
表征获取模块,用于将同构图输入到GCN以及GAT模型,分别输出第一节点特征矩阵以及第二节点特征矩阵;将异构图输入HAN模型,输出第三节点特征矩阵;
预测模块,用于将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络,并输出PFS类别预测。
7.根据权利要求6所述的基于知识图谱的免疫药物人群高低危筛选系统,其特征在于,所述数据获取模块包括:
数据预处理子模块,用于获取病人数据,并对病人数据进行数据预处理,包括:缺失值填充,数值数据归一化以及离散化数据one-hot编码;
图数据构建子模块,用于将预处理后的病人数据特征作为初始病人节点的初始化节点特征,构建同构图数据以及异构图数据。
8.根据权利要求7所述的基于知识图谱的免疫药物人群高低危筛选系统,其特征在于,所述同构异构图构建模块包括:
异构图构建子模块,用于在病人数据中心中,选择病人节点作为主节点,选择若干种其他类型变量作为从节点,构建异构图;
同构图构建子模块,用于将从节点特征聚合到主节点,构建同构图。
9.根据权利要求8所述的基于知识图谱的免疫药物人群高低危筛选系统,其特征在于,所述表征获取模块包括:
同构图表征获取子模块,用于将同构图输入到GCN以及GAT模型的 Layer层,并将GCN以及GAT模型隐藏层的最后一层输出分别作为第一节点特征矩阵以及第二节点特征矩阵;
异构图表征获取子模块,用于将异构图输入HAN模型,并将HAN模型隐藏层的最后一层输出作为第三节点特征矩阵。
10.根据权利要求9所述的基于知识图谱的免疫药物人群高低危筛选系统,其特征在于,所述预测模块包括:
表征拼接子模块,用于将第一节点特征矩阵、第二节点特征矩阵以及第三节点特征矩阵进行拼接,输入MLP多层神经网络;
结果输出子模块,用于在MLP多层神经网络每一个线性层间采用relu激活函数,最终输入到softmax中,并输出高低危类别概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052229.9A CN115798722B (zh) | 2023-02-02 | 2023-02-02 | 基于知识图谱的免疫药物人群高低危筛选方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310052229.9A CN115798722B (zh) | 2023-02-02 | 2023-02-02 | 基于知识图谱的免疫药物人群高低危筛选方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798722A true CN115798722A (zh) | 2023-03-14 |
CN115798722B CN115798722B (zh) | 2023-05-26 |
Family
ID=85429520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310052229.9A Active CN115798722B (zh) | 2023-02-02 | 2023-02-02 | 基于知识图谱的免疫药物人群高低危筛选方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798722B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111309983A (zh) * | 2020-03-10 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 基于异构图进行业务处理的方法及装置 |
CN111951897A (zh) * | 2019-05-15 | 2020-11-17 | 上准微流体股份有限公司 | 预测癌症患者对免疫疗法的反应性的方法 |
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 |
CN113111134A (zh) * | 2021-04-21 | 2021-07-13 | 山东省人工智能研究院 | 一种基于自编码和注意力机制的异构图节点特征嵌入方法 |
US20220261668A1 (en) * | 2021-02-12 | 2022-08-18 | Tempus Labs, Inc. | Artificial intelligence engine for directed hypothesis generation and ranking |
CN114969369A (zh) * | 2022-05-30 | 2022-08-30 | 大连民族大学 | 基于混合网络的知识图谱人类癌症致死预测方法及知识图谱构建方法 |
CN115659234A (zh) * | 2022-09-30 | 2023-01-31 | 山东科技大学 | 一种融合文本属性的异质图表示学习方法 |
-
2023
- 2023-02-02 CN CN202310052229.9A patent/CN115798722B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951897A (zh) * | 2019-05-15 | 2020-11-17 | 上准微流体股份有限公司 | 预测癌症患者对免疫疗法的反应性的方法 |
CN111309983A (zh) * | 2020-03-10 | 2020-06-19 | 支付宝(杭州)信息技术有限公司 | 基于异构图进行业务处理的方法及装置 |
US20220261668A1 (en) * | 2021-02-12 | 2022-08-18 | Tempus Labs, Inc. | Artificial intelligence engine for directed hypothesis generation and ranking |
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 |
CN113111134A (zh) * | 2021-04-21 | 2021-07-13 | 山东省人工智能研究院 | 一种基于自编码和注意力机制的异构图节点特征嵌入方法 |
CN114969369A (zh) * | 2022-05-30 | 2022-08-30 | 大连民族大学 | 基于混合网络的知识图谱人类癌症致死预测方法及知识图谱构建方法 |
CN115659234A (zh) * | 2022-09-30 | 2023-01-31 | 山东科技大学 | 一种融合文本属性的异质图表示学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115798722B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gaur et al. | Medical image-based detection of COVID-19 using deep convolution neural networks | |
Ghazal et al. | Feature optimization and identification of ovarian cancer using internet of medical things | |
Meng et al. | HCET: hierarchical clinical embedding with topic modeling on electronic health records for predicting future depression | |
Zhao et al. | Lung segmentation in CT images using a fully convolutional neural network with multi-instance and conditional adversary loss | |
Li et al. | Predicting clinical outcomes with patient stratification via deep mixture neural networks | |
CN114398983A (zh) | 分类预测方法、装置、设备、存储介质及计算机程序产品 | |
WO2022217711A1 (zh) | 基于多层关联知识图谱的信息预测方法、装置、设备及介质 | |
Singh et al. | Leveraging hierarchy in medical codes for predictive modeling | |
Bakker et al. | Economic evaluations of big data analytics for clinical decision-making: a scoping review | |
CN114300081B (zh) | 基于电子病历多模态数据的预测设备、系统和存储介质 | |
Fan et al. | The prediction of asymptomatic carotid atherosclerosis with electronic health records: a comparative study of six machine learning models | |
Shoaib et al. | Hybrid classification structures for automatic COVID-19 detection | |
CN116562370A (zh) | 一种基于应急知识图谱的突发公共卫生事件情景推演方法 | |
Harrou et al. | Effective forecasting of key features in hospital emergency department: Hybrid deep learning-driven methods | |
Faruqui et al. | Healthcare As a Service (HAAS): CNN-based cloud computing model for ubiquitous access to lung cancer diagnosis | |
Zeng | Length of stay prediction model of indoor patients based on light gradient boosting machine | |
Cannon-Albright et al. | Creation of a national resource with linked genealogy and phenotypic data: the Veterans Genealogy Project | |
Song et al. | Maximum entropy principle underlies wiring length distribution in brain networks | |
Elangovan et al. | Covid-19net: An effective and robust approach for covid-19 detection using ensemble of convnet-24 and customized pre-trained models | |
CN113157853A (zh) | 问题挖掘方法、装置、电子设备及存储介质 | |
CN115798722A (zh) | 基于知识图谱的免疫药物人群高低危筛选方法及系统 | |
Shakah | Modeling of Healthcare Monitoring System of Smart Cities | |
Ta et al. | Development and implementation of nationwide predictive model for admission prevention: System architecture & machine learning | |
Xavier et al. | Natural language processing for imaging protocol assignment: machine learning for multiclass classification of abdominal CT protocols using indication text data | |
Haudenschild et al. | Configuring a federated network of real-world patient health data for multimodal deep learning prediction of health outcomes |
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 |