CN116189847B - 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 - Google Patents

一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 Download PDF

Info

Publication number
CN116189847B
CN116189847B CN202310497369.7A CN202310497369A CN116189847B CN 116189847 B CN116189847 B CN 116189847B CN 202310497369 A CN202310497369 A CN 202310497369A CN 116189847 B CN116189847 B CN 116189847B
Authority
CN
China
Prior art keywords
patient
drug
vector
medicine
information
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
CN202310497369.7A
Other languages
English (en)
Other versions
CN116189847A (zh
Inventor
刘军平
万志菊
朱强
唐贤方
彭涛
胡新荣
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.)
Wuhan Textile University
Original Assignee
Wuhan Textile 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 Wuhan Textile University filed Critical Wuhan Textile University
Priority to CN202310497369.7A priority Critical patent/CN116189847B/zh
Publication of CN116189847A publication Critical patent/CN116189847A/zh
Application granted granted Critical
Publication of CN116189847B publication Critical patent/CN116189847B/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
    • 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
    • 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

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种基于注意力机制的LSTM‑CNN策略的药物推荐方法。本方法具体包括S1：对数据集中的数据进行预处理操作，以获得可供模型进行特征处理的基础数据；S2：将基础数据作为输入，通过LSTM‑CNN策略对患者进行特征提取，以获得患者表示；S3：通过MolCode模块获取药物组合向量；S4：将药物组合向量输入全连接神经网络进行预测；S5：利用损失函数对整体模型进行训练；S6：通过整体模型预测每种药物组合和患者疾病或症状的关联程度，并将结果按照一定的规则进行排序，获得最终的预测结果。经过实验证明，本方法能有效提高为患者推荐药物的准确性并降低药物组合间的相互作用。

Description

一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法
技术领域
本发明属于医学与自然语言处理融合的数据分析与挖掘领域，具体涉及一种基于注意力机制的LSTM-CNN策略的药物推荐的方法。
背景技术
随着科技领域的迅猛发展,人工智能领域中的自然语言处理近年来在医学领域有着广泛的应用。其中，将患者药物通过推荐系统技术进行合理推荐是大量研究人员关注的热点。药物推荐是人工智能与生物医学所结合的一个方向，通过特征比较的方式为患者推荐合理而又正确的药物是药物推荐的主要任务。它的目标是从电子病历中获取患者病症特征，并通过不同的方法捕获信息，结合所获得的信息推荐合理的药物给不同的患者，尽可能的减少药物间的相互作用，达到安全且高效的效果。药物推荐在对降低药物间的相互作用、辅助医生进行药物开方以及患者就诊等方面发挥着巨大的作用。
药物推荐主要的任务过程是先对患者进行病症特征提取和编码，再根据提取到的病状特征去匹配治疗该病症的药物并进行推荐。药物推荐系统大体上主要有三种方法：第一种是基于医学规则的推荐方法（Rule-based recommendation），这种方法主要是依赖于获取医学专家知识的规则集合，基于这些规则对患者的病状进行推荐，但是这种方法最大的缺陷就是可能面对一些新的疾病随着科研的进步，专业知识规则还未得到更新，则在推荐过程中并不能取得很好的效果；第二种是基于实例进行推荐的方法（Instance-basedrecommendation），这种方法是仅使用患者当前的就诊次数作为药物推荐，所以它存在的不足之处是只考虑了当前的诊断信息，并未考虑到患者历史的就诊信息，从而会造成推荐的不够精确的问题；第三种方法是基于历史纵向关系的方法（Longitudinalrecommendation），主要是利用过去的就诊记录，探索患者过去就诊之间的时间依赖关系，进而进行更加有效的药物推荐，现如今很多的研究人员都会采用第三种方法进行药物推荐的研究。
研究发现，虽然目前很多的研究都是基于历史纵向关系的，在整体性能上也取得了不错的成果，但是在患者信息提取和药物之间的相互作用两个方面依旧存在着一些问题，那么如何在保证推荐的准确性的条件下进一步降低药物间的相互作用并达到安全有效的效果才是当下大部分的研究人员所关注的。
发明内容
本发明的目的在于：为了优化目前的药物推荐方法，提取更加充分的患者信息，减少由于药物间的相互作用所造成的严重后果发生的可能性，所以，提出一种基于LSTM-CNN策略的安全有效的药物推荐方法。本发明采用的技术方案如下：
步骤S1，对数据集中的患者出院诊断信息表、手术记录表以及医嘱药物信息表进行预处理操作，以获得可供模型进行特征处理的基础数据；
步骤S2，将基础数据作为输入，通过LSTM-CNN策略对患者进行特征提取，以获得更加全面和精确的患者表示，即病人的特征向量；
步骤S3，通过MolCode模块获取药物组合向量，所述MolCode模块是用于将两个药物分子的表示编码成特征向量，当有多个药物分子时，直接将药物分子进行两两组合，将每个组合作为输入在MolCode模块进行处理；
具体来说，MolCode模块的处理过程为：首先，将输入的药物分子转换为分子图表示，其次，将两个分子图同时输入到消息传递神经网络MPNN编码器和图卷积网络GCN编码器中对药物分子结构信息进行编码表示；然后利用步骤S2所获得的病人特征向量作为查询，将获得的两个编码器编码的药物特征向量进行融合生成一个与患者向量匹配的药物组合向量；
其中MPNN编码器由消息传递和读出两个阶段构成，在消息传递阶段中，对于特定的节点，通过消息传递函数和节点更新函数来实现聚合邻居特征和更新自身节点特征，在读出阶段，利用读出函数将全局特征表示传递给输出层，得到药物分子的特征向量表示，最后将病人的特征向量与药物分子的特征向量进行匹配，得到MPNN编码后的药物表示；
GCN编码器用于对药物分子的图形结构进行卷积操作，提取出分子中的特征信息，包括原子类型、化学键、环和分支；
步骤S4，预测模块采用了基于全连接神经网络的模型进行药物组合的预测评分，具体来说，是将药物组合向量输入全连接神经网络，使用ReLU激活函数进行非线性变换，并在评测结果时，设置一个阈值，选择大于阈值的药物组合作为推荐列表，进而在预测之后输出药物组合；
步骤S5，在模型训练阶段，运用二元交叉熵损失函数、铰链损失函数和DDI损失函数，并将多种损失按照一定的规则进行加权和，再利用加权后的总的损失函数进行训练，从而通过反向传播算法更新模型参数，以最小化损失函数；
步骤S6，将测试患者的信息输入步骤S2中进行特征提取获取病人的特征向量，再将S2所获得的病人的特征向量在已有的药物库中筛选可能适合病人的药物，通过步骤S3利用训练好的MolCode模块生成不同的药物组合，最后通过预测模块预测每种药物组合和患者疾病或症状的关联程度，并将结果按照一定的规则进行排序，获得最终的预测结果。
进一步的，步骤S1中所述的预处理包括对患者诊断、手术以及医嘱药物信息记录进行数据清理与编码，从而获得所需要的患者的诊断代码和手术代码；
步骤S11，将患者c的访问记录记作
Figure SMS_1
，其中t表示总的访问次数，患者c的第t次访问具体记录表示为/>
Figure SMS_2
，其中/>
Figure SMS_3
表示患者c在第t次访问时的诊断、手术以及医嘱药物记录的multi-hot向量；
步骤S12，对于给定的患者在t次访问中，其诊断记录和手术记录表示为[
Figure SMS_4
]和[/>
Figure SMS_5
]。
进一步的，步骤S2的具体实现方式如下：
S21，根据步骤S1中提取到的诊断和手术代码信息对用户的健康状况进行编码，利用向量点积运算的方法将相应的诊断和手术代码映射到嵌入空间中，从而获得诊断和手术的嵌入之和，诊断和手术的嵌入表示用公式具体表示为：
Figure SMS_6
=/>
Figure SMS_7
Figure SMS_8
=/>
Figure SMS_9
其中t表示患者第t次就诊，
Figure SMS_10
表示第t次访问时的诊断代码，/>
Figure SMS_11
表示第t次访问时的手术代码，/>
Figure SMS_12
分别为诊断和手术的嵌入表，每一行分别存放着患者诊断和手术的特定信息，这里的D表示疾病元素集，P表示手术记录的元素集，dim为Embedding空间的维度，两个Embedding向量/>
Figure SMS_13
、/>
Figure SMS_14
共同编码了患者当前的健康状态；
S22，将获得的诊断和手术特征向量利用前馈神经网络
Figure SMS_15
进行拼接操作，获得目前的身体健康状态：
Figure SMS_16
（/>
Figure SMS_17
）
其中
Figure SMS_18
表示拼接过程，/>
Figure SMS_19
是可训练参数；
S23，将当前的患者健康状态运用到双向的LSTM并行层中来模拟患者历史病史，并对患者历史就诊记录进行处理：
Figure SMS_20
=/>
Figure SMS_21
Figure SMS_22
=/>
Figure SMS_23
(/>
Figure SMS_24
)
其中
Figure SMS_25
表示细胞状态即目前患者的健康状态，双向LSTM由正向LSTM和反向LSTM两部分组成，分别从正向和反向两个方向对输入序列进行处理，得到正向和反向的隐藏状态序列，正向的LSTM，是从前往后处理输入数据的，每个时间步的隐藏状态向量是由当前的输入和前一个时间步的隐藏状态向量以及细胞状态向量经过一系列门控操作得到的，/>
Figure SMS_26
表示t时刻正向的隐藏状态向量；反向的LSTM，是从后往前处理输入数据的，每个时间步的隐藏状态向量是由当前的输入和后一个时间步的隐藏状态向量以及细胞状态向量经过一系列门控操作得到的，/>
Figure SMS_27
表示t时刻的反向隐藏状态向量；
S24，通过提取正向和反向的长依赖项来获得患者诊断和手术更全面的信息，具体而言，将正向和反向的隐藏状态序列拼接起来，得到一个完整的隐藏状态序列
Figure SMS_28
：
Figure SMS_29
=/>
Figure SMS_30
,/>
Figure SMS_31
]
S25，通过利用注意力机制，对LSTM产生的输出进行加权平均，实现对不同症状的重要性进行区分的目的，患者不同症状给与不同的权重，使模型更加关注重要的特征：
Figure SMS_32
=tanh(/>
Figure SMS_33
)
Figure SMS_34
=/>
Figure SMS_35
Figure SMS_36
其中
Figure SMS_37
和/>
Figure SMS_38
分别表示计算Attention权重的参数矩阵和偏置向量，T表示症状序列的长度，即总共有多少种症状需要计算权重，t是一个迭代变量，表示从1到T依次遍历的症状，计算其对应症状的权重，/>
Figure SMS_39
是/>
Figure SMS_40
的隐藏向量表示，/>
Figure SMS_41
是随机初始化并在训练共同学习的特征，/>
Figure SMS_42
是用相似度的计算方式来获取患者症状中不同症状的权重表示，并通过加权和的方式获取患者历史病状信息/>
Figure SMS_43
；
S26，将获得的患者历史病状信息利用卷积运算提取有信息的局部特征，并利用最大池化的方法来降低输入信息的维数，防止特征图的维度过高，使得模型的计算复杂度增加，出现过拟合和训练时间过长的问题；
S27，将经过池化后的症状信息连接起来形成最终的患者表示，再对其运用归一化的方式来加速网络训练，减少过拟合，这一层的最终输出表示为：
Figure SMS_44
=Relu(Wh+b)
其中h是池化层级联应用批归一化得到的隐藏表示；W和b都是训练过程中学习到的参数；t表示患者就诊次数，
Figure SMS_45
即表示第t次就诊时的患者表示。
进一步的，步骤S3中MPNN编码器的处理过程如下：
S31，根据药物分子获取所有的原子并存储在原子表B中，其中B={
Figure SMS_46
}，/>
Figure SMS_47
表示不同的原子，同时，设计一个可学习的原子嵌入表即/>
Figure SMS_48
，/>
Figure SMS_49
中的每一行都存储着特定原子的指纹；
S32，对于给定的药物分子图使用邻接矩阵和来自
Figure SMS_50
的初始原子指纹，通过图传递的分层消息来进行消息传递和自身顶点更新，具体表示为：
Figure SMS_51
(/>
Figure SMS_52
,/>
Figure SMS_53
;/>
Figure SMS_54
)
Figure SMS_55
(/>
Figure SMS_56
)，i=0,1,…n
其中
Figure SMS_58
是层索引，/>
Figure SMS_61
表示第/>
Figure SMS_64
次迭代时原子i的邻居的编码消息，/>
Figure SMS_59
表示第/>
Figure SMS_62
次迭代时对应的原子i的隐藏状态，/>
Figure SMS_65
、/>
Figure SMS_67
表示原子i和原子j在第/>
Figure SMS_57
-1次迭代时的隐藏状态，
Figure SMS_60
为分层参数矩阵，/>
Figure SMS_63
(.)为消息函数用于不断更新含有原子i的邻居编码信息，
Figure SMS_66
为顶点更新函数用于不断更新原子i的隐藏状态，A为邻接矩阵，存放的是原子之间的连接信息，如果原子i和原子j之间存在化学键则标记为1 ，否则为0；
S33，在
Figure SMS_68
层应用消息传递之后，药物分子的全局表示通过一个读出函数进行合并，具体表示为：
y=READOUT({
Figure SMS_69
)
其中y表示输出的药物分子的特征向量，i表示不同的原子，编号取值为0到n；
S34，对所有药物分子都利用消息传递网络，共享参数，从而将所有的分子存放在一个药物记忆表
Figure SMS_70
中；
S35，将患者与药物进行匹配，具体来说，将患者表示
Figure SMS_71
作为查询，从记忆表/>
Figure SMS_72
中进行搜索，通过点积运算获得药物分子之间相似度的得分，然后将该得分输入到sigmoid函数中进行缩放，缩放到[0,1]之间，具体表示为：
Figure SMS_73
=sigmoid (/>
Figure SMS_74
)
其中
Figure SMS_75
是个标量，表示患者与药物分子之间的匹配得分，t表示患者第t次访问；
S36，通过一个前馈神经网络
Figure SMS_76
参数化匹配分数，并进行归一化LN，表示为：
Figure SMS_77
=LN(/>
Figure SMS_78
)
其中
Figure SMS_79
表示经过MPNN编码后的最终的药物表示，/>
Figure SMS_80
为可训练参数。
进一步的，在GCN编码器中，首先将药物分子表示为一个无向图，通过其边和节点的学习获取向量表示，采用基于图卷积的方式进行信息聚合和特征提取：
Figure SMS_81
＝AGGREGATE（FEATGRAPH（G））
其中AGGREGATE表示聚合函数，G＝（V，E）表示药物的无向图，V表示分子图中的节点集合，E表示分子图中的边集合，FEATGRAPH()表示图卷积层，
Figure SMS_82
表示分子图中的节点向量聚合为整个药物分子的向量表示。
进一步的，步骤S4中药物组合向量表示为：
Figure SMS_83
=/>
Figure SMS_84
)
其中
Figure SMS_85
表示乘积，/>
Figure SMS_86
表示当前患者第t次访问输出的实际药物表示。
进一步的，二元交叉熵作为损失表示为：
Figure SMS_87
=/>
Figure SMS_88
+(1-/>
Figure SMS_89
)log(1-/>
Figure SMS_90
)
其中，|M|表示药物总数，
Figure SMS_91
表示当前患者真实药物集中的第s个药物，/>
Figure SMS_92
表示当前患者推荐结果中的第s个药物概率，若/>
Figure SMS_93
，则说明真实药物集中的第s个药物是真实给患者开出的药物，反之/>
Figure SMS_94
，则说明真实药物集中的第s个药物是没有给患者开出的药物；
多标签铰链损耗损失函数表示为：
Figure SMS_95
=/>
Figure SMS_96
DDI损失表示为：
Figure SMS_97
=/>
Figure SMS_98
其中
Figure SMS_99
表示标量之间的乘积，/>
Figure SMS_100
表示基于DDI的邻接矩阵，DDI的邻接矩阵是一种常用的表示药物之间相互作用关系的方式，如果两种药物间具有相互作用则标记为1，若两种药物间不存在相互作用的问题则标记为0；/>
Figure SMS_101
表示当前患者推荐结果中的第f个药物概率；
Figure SMS_102
{·}表示只获取满足大括号内表达式的第s个药物所对应的推荐结果的概率/>
Figure SMS_103
，/>
Figure SMS_104
{·}表示只获取满足大括号内表达式的第f个药物所对应的推荐结果的概率/>
Figure SMS_105
；
上面的损失函数为一次访问定义的，在训练期间，损失反向传播将在患者水平上通过所有访问的平均损失进行；
最终总的目标函数具体表示为：
L=
Figure SMS_106
其中
Figure SMS_107
分别为超参数。
与现有技术相比，本发明的优点和有益效果为：本发明提出的基于注意力机制的LSTM-CNN策略的安全有效的药物推荐方法能够有效解决患者提取特征不够全面所导致的推荐效果不准确的问题，使得数据集中患者的病状特征能够被提取的更加完整和准确，同时对于不同特征也加以注意力进行了区分，避免了认为所有特征同等重要的情况发生。经过实验证明，本方法能够在患者表示方面使信息特征提取的更加全面，同时能够有效提高药物推荐的准确性和安全性，减少了药物间的相互作用。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的模型图。
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，但不用于限定本发明。
本实例提供一种基于注意力机制的LSTM-CNN策略的安全有效的药物推荐方法，包括步骤：
步骤S1，对数据集中的患者出院诊断信息表、手术记录表以及医嘱药物信息表等信息表进行预处理操作，以获得可供模型进行特征提取的基础数据；
步骤S2，将基础数据作为输入，通过LSTM-CNN策略对患者进行病症特征提取，以获得更加全面和精确的患者表示，即病人的特征向量；
步骤S3，通过MolCode模块获取药物组合向量，MolCode模块主要是用于将两个药物分子的表示编码成特征向量，便于后续药物组合预测模型的训练和推断，当有多个药物分子时，直接将药物分子进行两两组合，将每个组合作为输入在MolCode模块进行处理。具体来说，首先，将输入的药物分子转换为分子图表示。分子图是一种图形结构，由原子和化学键构成的节点和边组成，表述了分子的结构信息和化学特征。其次，将两个分子图同时输入到消息传递神经网络（Message Passing Neural Network，MPNN）编码器和图卷积网络（Graph Convolutional Networks，GCN）编码器中对药物分子结构信息进行编码表示。然后利用步骤S2所获得的病人特征向量作为查询，通过特有的方式将获得的两个编码器编码的药物特征向量进行融合生成一个与患者向量匹配的药物组合向量。
在MPNN编码器中，使用带有可学习指纹的消息传递神经网络(MPNN)算子对药物分子数据进行编码，旨在将单个分子图上的原子信息卷积和池化为向量表示。具体来说，消息传递神经网络由消息传递和读出两个阶段构成。在消息传递阶段中，对于特定的节点，主要是通过消息传递函数和节点更新函数来实现聚合邻居特征和更新自身节点特征；在读出阶段，利用读出函数将全局特征表示传递给输出层，得到分子的特征向量表示；最后将病人的特征向量与药物分子的特征向量进行匹配，得到MPNN编码后的药物表示。同时，在GCN编码器中对药物分子的图形结构进行卷积操作，提取出分子中的特征信息，如原子类型、化学键、环和分支等。
步骤S4，为了获取更加安全和有效的推荐药物，预测模块采用了一个基于全连接神经网络的模型进行药物组合的预测评分，具体来说，这个模型是将药物组合向量输入全连接神经网络，使用ReLU激活函数进行非线性变换，并在评测结果时，设置一个阈值，选择大于阈值的药物组合作为推荐列表，进而在预测之后输出药物组合。
步骤S5，在模型训练阶段，主要运用了二元交叉熵损失函数、铰链损失函数和DDI损失函数，并将多种损失按照一定的规则进行加权和，再利用加权后的总的损失函数进行训练，从而通过反向传播算法更新模型参数，以最小化损失函数。
步骤S6，将测试患者的信息输入步骤S2中进行特征提取获取病人的特征向量，再将S2所获得的病人的特征向量在已有的药物库中筛选可能适合病人的药物，通过步骤S3利用训练好的MolCode模块生成不同的药物组合，最后通过预测模块预测每种药物组合和患者疾病或症状的关联程度，并将结果按照一定的规则进行排序，获得最终的预测结果。
在本实例中，步骤S1中所述的预处理包括对患者诊断、手术以及医嘱药物信息记录进行数据清理与编码，从而获得所需要的患者的诊断代码和手术代码。
步骤S11，将患者c的访问记录记作
Figure SMS_108
，其中t表示总的访问次数，患者c的第t次访问具体记录表示为/>
Figure SMS_109
，其中/>
Figure SMS_110
表示患者c在第t次访问时的诊断、手术以及医嘱药物记录的multi-hot向量；
步骤S12，对于给定的患者在t次访问中，其诊断记录和手术记录表示为[
Figure SMS_111
]和[/>
Figure SMS_112
]。
在本实例中，步骤S2的具体实现方式如下：
S21，根据步骤S1中提取到的诊断和手术代码信息对用户的健康状况进行编码，利用向量点积运算的方法将相应的诊断和手术代码映射到嵌入空间中，从而获得诊断和手术的嵌入之和，诊断和手术的嵌入表示用公式具体表示为：
Figure SMS_113
=/>
Figure SMS_114
Figure SMS_115
=/>
Figure SMS_116
其中t表示患者第t次就诊，
Figure SMS_117
表示第t次访问时的诊断代码，/>
Figure SMS_118
表示第t次访问时的手术代码，/>
Figure SMS_119
分别为诊断和手术的嵌入表，每一行分别存放着患者诊断和手术的特定信息，这里的D表示疾病元素集，P表示手术记录的元素集，dim为Embedding空间的维度，两个Embedding向量/>
Figure SMS_120
、/>
Figure SMS_121
共同编码了患者当前的健康状态；
S22，将获得的诊断和手术特征向量利用前馈神经网络
Figure SMS_122
进行拼接操作，获得目前的身体健康状态：
Figure SMS_123
（/>
Figure SMS_124
）
其中
Figure SMS_125
表示拼接过程，/>
Figure SMS_126
是可训练参数；
S23，将当前的患者健康状态运用到双向的LSTM并行层中来模拟患者历史病史，并对患者历史就诊记录进行处理：
Figure SMS_127
=/>
Figure SMS_128
Figure SMS_129
=/>
Figure SMS_130
(/>
Figure SMS_131
)
其中
Figure SMS_132
表示细胞状态即目前患者的健康状态，双向LSTM由正向LSTM和反向LSTM两部分组成，分别从正向和反向两个方向对输入序列进行处理，得到正向和反向的隐藏状态序列，正向的LSTM，是从前往后处理输入数据的，每个时间步的隐藏状态向量是由当前的输入和前一个时间步的隐藏状态向量以及细胞状态向量经过一系列门控操作得到的，/>
Figure SMS_133
表示t时刻正向的隐藏状态向量；反向的LSTM，是从后往前处理输入数据的，每个时间步的隐藏状态向量是由当前的输入和后一个时间步的隐藏状态向量以及细胞状态向量经过一系列门控操作得到的，/>
Figure SMS_134
表示t时刻的反向隐藏状态向量；
S24，通过提取正向和反向的长依赖项来获得患者诊断和手术更全面的信息，具体而言，将正向和反向的隐藏状态序列拼接起来，得到一个完整的隐藏状态序列
Figure SMS_135
：
Figure SMS_136
=/>
Figure SMS_137
,/>
Figure SMS_138
]
S25，通过利用注意力机制，对LSTM产生的输出进行加权平均，实现对不同症状的重要性进行区分的目的，患者不同症状给与不同的权重，使模型更加关注重要的特征：
Figure SMS_139
=tanh(/>
Figure SMS_140
)
Figure SMS_141
=/>
Figure SMS_142
Figure SMS_143
其中
Figure SMS_144
和/>
Figure SMS_145
分别表示计算Attention权重的参数矩阵和偏置向量，T表示症状序列的长度，即总共有多少种症状需要计算权重，t是一个迭代变量，表示从1到T依次遍历的症状，计算其对应症状的权重，/>
Figure SMS_146
是/>
Figure SMS_147
的隐藏向量表示，/>
Figure SMS_148
是随机初始化并在训练共同学习的特征，/>
Figure SMS_149
是用相似度的计算方式来获取患者症状中不同症状的权重表示，并通过加权和的方式获取患者历史病状信息/>
Figure SMS_150
；
S26，将获得的患者历史病状信息利用卷积运算提取有信息的局部特征，并利用最大池化的方法来降低输入信息的维数，防止特征图的维度过高，使得模型的计算复杂度增加，出现过拟合和训练时间过长的问题；
S27，将经过池化后的症状信息连接起来形成最终的患者表示，再对其运用归一化的方式来加速网络训练，减少过拟合，这一层的最终输出表示为：
Figure SMS_151
=Relu(Wh+b)
其中h是池化层级联应用批归一化得到的隐藏表示；W和b都是训练过程中学习到的参数；t表示患者就诊次数，
Figure SMS_152
即表示第t次就诊时的患者表示。
在本实例中，步骤S3的具体实现方式如下：
S31，根据药物分子获取所有的原子并存储在原子表B中，其中B={
Figure SMS_153
}，/>
Figure SMS_154
表示不同的原子，同时，设计一个可学习的原子嵌入表即/>
Figure SMS_155
，/>
Figure SMS_156
中的每一行都存储着特定原子的指纹；
S32，对于给定的药物分子图使用邻接矩阵和来自
Figure SMS_157
的初始原子指纹，通过图传递的分层消息来进行消息传递和自身顶点更新，具体表示为：
Figure SMS_158
(/>
Figure SMS_159
,/>
Figure SMS_160
;/>
Figure SMS_161
)
Figure SMS_162
(/>
Figure SMS_163
)，i=0,1,…n
其中
Figure SMS_165
是层索引，/>
Figure SMS_168
表示第/>
Figure SMS_171
次迭代时原子i的邻居的编码消息，/>
Figure SMS_166
表示第/>
Figure SMS_169
次迭代时对应的原子i的隐藏状态，/>
Figure SMS_172
、/>
Figure SMS_174
表示原子i和原子j在第/>
Figure SMS_164
-1次迭代时的隐藏状态，
Figure SMS_167
为分层参数矩阵，/>
Figure SMS_170
(.)为消息函数用于不断更新含有原子i的邻居编码信息，
Figure SMS_173
为顶点更新函数用于不断更新原子i的隐藏状态，A为邻接矩阵，存放的是原子之间的连接信息，如果原子i和原子j之间存在化学键则标记为1 ，否则为0；
S33，在
Figure SMS_175
层应用消息传递之后，药物分子的全局表示通过一个读出函数进行合并，具体表示为：
y=READOUT({
Figure SMS_176
)
其中y表示输出的药物分子的特征向量，i表示不同的原子，编号取值为0到n；
S34，对所有药物分子都利用消息传递网络，共享参数，从而将所有的分子存放在一个药物记忆表
Figure SMS_177
中；
S35，将患者与药物进行匹配，具体来说，将患者表示
Figure SMS_178
作为查询，从记忆表/>
Figure SMS_179
中进行搜索，通过点积运算获得药物分子之间相似度的得分，然后将该得分输入到sigmoid函数中进行缩放，缩放到[0,1]之间，具体表示为：
Figure SMS_180
=sigmoid (/>
Figure SMS_181
)
其中
Figure SMS_182
是个标量，表示患者与药物分子之间的匹配得分，t表示患者第t次访问；
S36，通过一个前馈神经网络
Figure SMS_183
参数化匹配分数，并进行归一化LN，表示为：
Figure SMS_184
=LN(/>
Figure SMS_185
)
其中
Figure SMS_186
表示经过MPNN编码后的最终的药物表示，/>
Figure SMS_187
为可训练参数。
S37，在GCN编码器中，首先将药物分子表示为一个无向图，通过其边和节点的学习获取向量表示，采用基于图卷积的方式进行信息聚合和特征提取：
Figure SMS_188
＝AGGREGATE（FEATGRAPH（G））
其中AGGREGATE表示聚合函数，G＝（V，E）表示药物的无向图，V表示分子图中的节点集合，E表示分子图中的边集合，FEATGRAPH()表示图卷积层，
Figure SMS_189
表示分子图中的节点向量聚合为整个药物分子的向量表示。
S38：将通过MPNN编码器编码的药物匹配向量作为注意信号进一步调整由GCN编码器编码的药物分子表示，用sigmoid函数缩放并输出可以表示为：
Figure SMS_190
=/>
Figure SMS_191
)
其中
Figure SMS_192
表示乘积，/>
Figure SMS_193
表示当前患者第t次访问输出的实际药物表示。
在本实例中，步骤S4的具体实现方式如下：
通过一个阈值δ，选择评分大于δ的药物组合作为推荐的药物组合，其中δ设置为0.5。
在本实例中，步骤S5的具体实现方式如下：
S51：对于每一个药物-疾病对来说，都可以判断该药物是否适合用于治疗该疾病。因此，可以将药物推荐任务看作一个二分类问题，其中正样本表示某个药物适合治疗特定的疾病，负样本表示不适合治疗。在药物推荐过程中使用二元交叉熵可以度量模型预测结果与实际标签之间的差异，从而提高模型的准确性和泛化能力，具体损失可以表示为：
Figure SMS_194
=/>
Figure SMS_195
+(1-/>
Figure SMS_196
)log(1-/>
Figure SMS_197
)
其中，|M|表示药物总数，
Figure SMS_198
表示当前患者真实药物集中的第s个药物，/>
Figure SMS_199
表示当前患者推荐结果中的第s个药物概率，若/>
Figure SMS_200
，则说明真实药物集中的第s个药物是真实给患者开出的药物，反之/>
Figure SMS_201
，则说明真实药物集中的第s个药物是没有给患者开出的药物；
S52：药物推荐通常可以认为是一个多标签分类问题，即一个药物可能适合治疗多种疾病，铰链损失函数可以很好地适用于多标签分类问题，并且处理标签之间的相关性。所以，在药物推荐过程中采用多标签铰链损耗函数能致使结果更加具有鲁棒性，具体铰链损耗损失函数可以表示为：
Figure SMS_202
=/>
Figure SMS_203
S53：由于药物间相互作用（drug-drug interactions）可能会导致药物疗效的增强或削弱，因此在药物推荐过程中需要考虑这种影响药物间相互作用，从而达到安全推荐的目的，具体DDI损失可以表示为：
Figure SMS_204
=/>
Figure SMS_205
其中
Figure SMS_206
表示标量之间的乘积，/>
Figure SMS_207
表示基于DDI的邻接矩阵，DDI的邻接矩阵是一种常用的表示药物之间相互作用关系的方式，如果两种药物间具有相互作用则标记为1，若两种药物间不存在相互作用的问题则标记为0；/>
Figure SMS_208
表示当前患者推荐结果中的第f个药物概率；
Figure SMS_209
{·}表示只获取满足大括号内表达式的第s个药物所对应的推荐结果的概率/>
Figure SMS_210
，/>
Figure SMS_211
{·}表示只获取满足大括号内表达式的第f个药物所对应的推荐结果的概率/>
Figure SMS_212
；
上面的损失函数为一次访问定义的，在训练期间，损失反向传播将在患者水平上通过所有访问的平均损失进行；
S54：最终的损失函数可以通过两个超参数进行加权组合以最小化损失函数并在模型中进行训练，具体可以表示为：
L=
Figure SMS_213
其中
Figure SMS_214
分别为超参数。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法，其特征在于，包括以下步骤：
步骤S1，对数据集中的患者出院诊断信息表、手术记录表以及医嘱药物信息表进行预处理操作，以获得用于特征提取的基础数据，即获得所需要的患者的诊断代码和手术代码；
步骤S2，将基础数据作为输入，通过LSTM-CNN策略对患者进行特征提取，以获得更加全面和精确的患者表示，即病人的特征向量；
步骤S2的具体实现方式如下：
S21，根据步骤S1中提取到的诊断和手术代码信息对用户的健康状况进行编码，利用向量点积运算的方法将相应的诊断和手术代码映射到嵌入空间中，从而获得诊断和手术的嵌入之和，诊断和手术的嵌入表示用公式具体表示为：
Figure QLYQS_1
=/>
Figure QLYQS_2
;
Figure QLYQS_3
=/>
Figure QLYQS_4
;
其中t表示患者第t次就诊，
Figure QLYQS_5
表示第t次访问时的诊断代码，/>
Figure QLYQS_6
表示第t次访问时的手术代码，/>
Figure QLYQS_7
分别为诊断和手术的嵌入表，每一行分别存放着患者诊断和手术的特定信息，这里的D表示疾病元素集，P表示手术记录的元素集，dim为Embedding空间的维度，两个Embedding向量/>
Figure QLYQS_8
、/>
Figure QLYQS_9
共同编码了患者当前的健康状态；
S22，将获得的诊断和手术特征向量利用前馈神经网络
Figure QLYQS_10
进行拼接操作，获得目前的身体健康状态：
Figure QLYQS_11
（/>
Figure QLYQS_12
）;
其中
Figure QLYQS_13
表示拼接过程，/>
Figure QLYQS_14
是可训练参数；
S23，将当前的患者健康状态运用到双向的LSTM并行层中来模拟患者历史病史，并对患者历史就诊记录进行处理：
Figure QLYQS_15
=/>
Figure QLYQS_16
;
Figure QLYQS_17
=/>
Figure QLYQS_18
(/>
Figure QLYQS_19
);
其中
Figure QLYQS_20
表示细胞状态即目前患者的健康状态，双向LSTM由正向LSTM和反向LSTM两部分组成，分别从正向和反向两个方向对输入序列进行处理，得到正向和反向的隐藏状态序列，正向的LSTM，是从前往后处理输入数据的，每个时间步的隐藏状态向量是由当前的输入和前一个时间步的隐藏状态向量以及细胞状态向量经过一系列门控操作得到的，/>
Figure QLYQS_21
表示t时刻正向的隐藏状态向量；反向的LSTM，是从后往前处理输入数据的，每个时间步的隐藏状态向量是由当前的输入和后一个时间步的隐藏状态向量以及细胞状态向量经过一系列门控操作得到的，/>
Figure QLYQS_22
表示t时刻的反向隐藏状态向量；
S24，通过提取正向和反向的长依赖项来获得患者诊断和手术更全面的信息，具体而言，将正向和反向的隐藏状态序列拼接起来，得到一个完整的隐藏状态序列
Figure QLYQS_23
：
Figure QLYQS_24
=/>
Figure QLYQS_25
,/>
Figure QLYQS_26
];
S25，通过利用注意力机制，对LSTM产生的输出进行加权平均，实现对不同症状的重要性进行区分的目的，患者不同症状给与不同的权重，使模型更加关注重要的特征：
Figure QLYQS_27
=tanh(/>
Figure QLYQS_28
);
Figure QLYQS_29
=/>
Figure QLYQS_30
;
Figure QLYQS_31
;
其中
Figure QLYQS_32
和/>
Figure QLYQS_33
分别表示计算Attention权重的参数矩阵和偏置向量，T表示症状序列的长度，即总共有多少种症状需要计算权重，t是一个迭代变量，表示从1到T依次遍历的症状，计算其对应症状的权重，/>
Figure QLYQS_34
是/>
Figure QLYQS_35
的隐藏向量表示，/>
Figure QLYQS_36
是随机初始化并在训练共同学习的特征，/>
Figure QLYQS_37
是用相似度的计算方式来获取患者症状中不同症状的权重表示，并通过加权和的方式获取患者历史病状信息/>
Figure QLYQS_38
；
S26，将获得的患者历史病状信息利用卷积运算提取有信息的局部特征，并利用最大池化的方法来降低输入信息的维数，防止特征图的维度过高，使得模型的计算复杂度增加，出现过拟合和训练时间过长的问题；
S27，将经过池化后的症状信息连接起来形成最终的患者表示，再对其运用归一化的方式来加速网络训练，减少过拟合，这一层的最终输出表示为：
Figure QLYQS_39
=Relu(Wh+b);
其中h是池化层级联应用批归一化得到的隐藏表示；W和b都是训练过程中学习到的参数；t表示患者就诊次数，
Figure QLYQS_40
即表示第t次就诊时的患者表示；
步骤S3，通过MolCode模块获取药物组合向量，所述MolCode模块是用于将两个药物分子的表示编码成特征向量，当有多个药物分子时，直接将药物分子进行两两组合，将每个组合作为输入在MolCode模块进行处理；
具体来说，MolCode模块的处理过程为：首先，将输入的药物分子转换为分子图表示，其次，将两个分子图分别输入到消息传递神经网络MPNN编码器和图卷积网络GCN编码器中对药物分子结构信息进行编码表示；然后利用步骤S2所获得的病人特征向量作为查询，将获得的两个编码器编码的药物特征向量进行融合生成一个与患者向量匹配的药物组合向量；
其中MPNN编码器由消息传递和读出两个阶段构成，在消息传递阶段中，对于特定的节点，通过消息传递函数和节点更新函数来实现聚合邻居特征和更新自身节点特征，在读出阶段，利用读出函数将全局特征表示传递给输出层，得到药物分子的特征向量表示，最后将病人的特征向量与药物分子的特征向量进行匹配，得到MPNN编码后的药物表示；
GCN编码器用于对药物分子的图形结构进行卷积操作，提取出分子中的特征信息，包括原子类型、化学键、环和分支；
步骤S4，预测模块采用了一个基于全连接神经网络的模型进行药物组合的预测评分，具体来说，是将药物组合向量输入全连接神经网络，使用ReLU激活函数进行非线性变换，并在评测结果时，设置一个阈值，选择大于阈值的药物组合作为推荐列表，进而在预测之后输出药物组合；
步骤S5，在模型训练阶段，运用二元交叉熵损失函数、铰链损失函数和DDI损失函数，并将多种损失按照一定的规则进行加权和，再利用加权后的总的损失函数进行训练，从而通过反向传播算法更新模型参数，以最小化损失函数；
步骤S6，将测试患者的信息输入步骤S2中进行特征提取获取病人的特征向量，再将S2所获得的病人的特征向量在已有的药物库中筛选可能适合病人的药物，通过步骤S3利用训练好的MolCode模块生成不同的药物组合，最后通过预测模块预测每种药物组合和患者疾病或症状的关联程度，并将结果按照一定的规则进行排序，获得最终的预测结果。
2.如权利要求1所述的一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法，其特征在于：步骤S1中所述的预处理包括对患者诊断、手术以及医嘱药物信息记录进行数据清理与编码，从而获得所需要的患者的诊断代码和手术代码；
步骤S11，将患者c的访问记录记作
Figure QLYQS_41
，其中t表示总的访问次数，患者c的第t次访问具体记录表示为/>
Figure QLYQS_42
，其中/>
Figure QLYQS_43
表示患者c在第t次访问时的诊断、手术以及医嘱药物记录的multi-hot向量；
步骤S12，对于给定的患者在t次访问中，其诊断记录和手术记录表示为[
Figure QLYQS_44
]和[/>
Figure QLYQS_45
]。
3.如权利要求1所述的一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法，其特征在于：
Figure QLYQS_46
和/>
Figure QLYQS_47
所表示的诊断和手术的嵌入表是通过基于图神经网络GNN的模型进行训练所得到的，具体如下：
首先，分别将所有的诊断和手术记录组成两个无向图体现两个诊断或者两个手术记录之间的关系；其次，使用GNN模型对诊断图和手术图进行特征提取，将每个诊断节点和手术记录节点表示为向量；最后，使用生成对抗网络生成诊断和手术记录的嵌入表。
4.如权利要求1所述的一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法，其特征在于：步骤S3中MPNN编码器的处理过程如下：
S31，根据药物分子获取所有的原子并存储在原子表B中，其中B={
Figure QLYQS_48
}，/>
Figure QLYQS_49
表示不同的原子，同时，设计一个可学习的原子嵌入表即/>
Figure QLYQS_50
，/>
Figure QLYQS_51
中的每一行都存储着特定原子的指纹；
S32，对于给定的药物分子图使用邻接矩阵和来自
Figure QLYQS_52
的初始原子指纹，通过图传递的分层消息来进行消息传递和自身顶点更新，具体表示为：
Figure QLYQS_53
(/>
Figure QLYQS_54
,/>
Figure QLYQS_55
;/>
Figure QLYQS_56
);
Figure QLYQS_57
(/>
Figure QLYQS_58
)，i=0,1,…n;
其中
Figure QLYQS_60
是层索引，/>
Figure QLYQS_63
表示第/>
Figure QLYQS_66
次迭代时原子i的邻居的编码消息，/>
Figure QLYQS_61
表示第/>
Figure QLYQS_64
次迭代时对应的原子i的隐藏状态，/>
Figure QLYQS_67
、/>
Figure QLYQS_69
表示原子i和原子j在第/>
Figure QLYQS_59
-1次迭代时的隐藏状态，/>
Figure QLYQS_62
为分层参数矩阵，/>
Figure QLYQS_65
(.)为消息函数用于不断更新含有原子i的邻居编码信息，
Figure QLYQS_68
为顶点更新函数用于不断更新原子i的隐藏状态，A为邻接矩阵，存放的是原子之间的连接信息，如果原子i和原子j之间存在化学键则标记为1 ，否则为0；
S33，在
Figure QLYQS_70
层应用消息传递之后，药物分子的全局表示通过一个读出函数进行合并，具体表示为：
y=READOUT({
Figure QLYQS_71
)
其中y表示输出的药物分子的特征向量，i表示不同的原子，编号取值为0到n；
S34，对所有药物分子都利用消息传递网络，共享参数，从而将所有的分子存放在一个药物记忆表
Figure QLYQS_72
中；
S35，将患者与药物进行匹配，具体来说，将患者表示
Figure QLYQS_73
作为查询，从记忆表/>
Figure QLYQS_74
中进行搜索，通过点积运算获得药物分子之间相似度的得分，然后将该得分输入到sigmoid函数中进行缩放，缩放到[0,1]之间，具体表示为：
Figure QLYQS_75
=sigmoid (/>
Figure QLYQS_76
);
其中
Figure QLYQS_77
是个标量，表示患者与药物分子之间的匹配得分，t表示患者第t次访问；
S36，通过一个前馈神经网络
Figure QLYQS_78
参数化匹配分数，并进行归一化LN，表示为：
Figure QLYQS_79
=LN(/>
Figure QLYQS_80
);
其中
Figure QLYQS_81
表示经过MPNN编码后的最终的药物表示，/>
Figure QLYQS_82
为可训练参数。
5.如权利要求4所述的一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法，其特征在于：在GCN编码器中，首先将药物分子表示为一个无向图，通过其边和节点的学习获取向量表示，采用基于图卷积的方式进行信息聚合和特征提取：
Figure QLYQS_83
＝AGGREGATE（FEATGRAPH（G））
其中AGGREGATE表示聚合函数，G＝（V，E）表示药物的无向图，V表示分子图中的节点集合，E表示分子图中的边集合，FEATGRAPH()表示图卷积层，
Figure QLYQS_84
表示分子图中的节点向量聚合为整个药物分子的向量表示。
6.如权利要求5所述的一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法，其特征在于：步骤S4中药物组合向量表示为：
Figure QLYQS_85
=/>
Figure QLYQS_86
);
其中
Figure QLYQS_87
表示乘积，/>
Figure QLYQS_88
表示当前患者第t次访问输出的实际药物表示。
7.如权利要求1所述的一种基于注意力机制的LSTM-CNN策略的安全药物推荐方法，其特征在于：二元交叉熵作为损失表示为：
Figure QLYQS_89
=/>
Figure QLYQS_90
+(1-/>
Figure QLYQS_91
)log(1-/>
Figure QLYQS_92
)
其中，|M|表示药物总数，
Figure QLYQS_93
表示当前患者真实药物集中的第s个药物，/>
Figure QLYQS_94
表示当前患者推荐结果中的第s个药物概率，若/>
Figure QLYQS_95
，则说明真实药物集中的第s个药物是真实给患者开出的药物，反之/>
Figure QLYQS_96
，则说明真实药物集中的第s个药物是没有给患者开出的药物；
多标签铰链损耗损失函数表示为：
Figure QLYQS_97
=/>
Figure QLYQS_98
;
DDI损失表示为：
Figure QLYQS_99
=/>
Figure QLYQS_100
;
其中表示标量之间的乘积，/>
Figure QLYQS_102
表示基于DDI的邻接矩阵，DDI的邻接矩阵是一种常用的表示药物之间相互作用关系的方式，如果两种药物间具有相互作用则标记为1，若两种药物间不存在相互作用的问题则标记为0；/>
Figure QLYQS_103
表示当前患者推荐结果中的第f个药物概率；/>
Figure QLYQS_104
{·}表示只获取满足大括号内表达式的第s个药物所对应的推荐结果的概率/>
Figure QLYQS_105
，/>
Figure QLYQS_106
{·}表示只获取满足大括号内表达式的第f个药物所对应的推荐结果的概率/>
Figure QLYQS_107
；
上面的损失函数为一次访问定义的，在训练期间，损失反向传播将在患者水平上通过所有访问的平均损失进行；
最终总的目标函数具体表示为：
L=
Figure QLYQS_108
);
其中分别为超参数。
CN202310497369.7A 2023-05-05 2023-05-05 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法 Active CN116189847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310497369.7A CN116189847B (zh) 2023-05-05 2023-05-05 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310497369.7A CN116189847B (zh) 2023-05-05 2023-05-05 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法

Publications (2)

Publication Number Publication Date
CN116189847A CN116189847A (zh) 2023-05-30
CN116189847B true CN116189847B (zh) 2023-07-14

Family

ID=86446670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310497369.7A Active CN116189847B (zh) 2023-05-05 2023-05-05 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法

Country Status (1)

Country Link
CN (1) CN116189847B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117038105B (zh) * 2023-10-08 2023-12-15 武汉纺织大学 一种基于信息增强图神经网络的药物重定位方法及系统
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
CN117453963B (zh) * 2023-12-26 2024-03-01 深圳市健怡康医疗器械科技有限公司 康复患者数据管理系统
CN117894424B (zh) * 2024-03-14 2024-05-14 四川省医学科学院·四川省人民医院 基于深度学习与强化学习构建t2dm患者药物方案的推荐系统
CN118016236B (zh) * 2024-04-08 2024-08-02 西安力邦医疗网络科技有限公司 一种康复管理方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11049590B1 (en) * 2020-02-12 2021-06-29 Peptilogics, Inc. Artificial intelligence engine architecture for generating candidate drugs
CN114628002A (zh) * 2022-03-18 2022-06-14 东南大学 一种基于复制机制和层级选择策略的药物推荐方法
CN115240811A (zh) * 2022-06-21 2022-10-25 浙江大学 一种基于图神经网络的隐式关系药物推荐模型的构建方法和应用

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10803144B2 (en) * 2014-05-06 2020-10-13 International Business Machines Corporation Predicting drug-drug interactions based on clinical side effects
CN110348573A (zh) * 2019-07-16 2019-10-18 腾讯科技（深圳）有限公司 训练图神经网络的方法、图神经网络设备、装置、介质
EP3859745A1 (en) * 2020-02-03 2021-08-04 National Centre for Scientific Research "Demokritos" System and method for identifying drug-drug interactions
CN111798954A (zh) * 2020-06-11 2020-10-20 西北工业大学 基于时间注意力机制和图卷积网络的药物组合推荐方法
CN111753543B (zh) * 2020-06-24 2024-03-12 北京百度网讯科技有限公司 药物推荐方法、装置、电子设备及存储介质
CN112635080A (zh) * 2021-01-15 2021-04-09 复星领智(上海)医药科技有限公司 基于深度学习的药物预测方法和设备
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
CN113223656A (zh) * 2021-05-28 2021-08-06 西北工业大学 一种基于深度学习的药物组合预测方法
EP4120138B1 (en) * 2021-07-16 2024-03-27 Tata Consultancy Services Limited System and method for molecular property prediction using hypergraph message passing neural network (hmpnn)
CN114530210A (zh) * 2022-01-06 2022-05-24 山东师范大学 药物分子筛选方法及系统
CN115240873A (zh) * 2022-05-20 2022-10-25 大连理工大学 一种基于机器学习的药物推荐方法、电子设备和计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11049590B1 (en) * 2020-02-12 2021-06-29 Peptilogics, Inc. Artificial intelligence engine architecture for generating candidate drugs
CN114628002A (zh) * 2022-03-18 2022-06-14 东南大学 一种基于复制机制和层级选择策略的药物推荐方法
CN115240811A (zh) * 2022-06-21 2022-10-25 浙江大学 一种基于图神经网络的隐式关系药物推荐模型的构建方法和应用

Also Published As

Publication number Publication date
CN116189847A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN116189847B (zh) 一种基于注意力机制的lstm-cnn策略的安全药物推荐方法
Fang et al. Feature Selection Method Based on Class Discriminative Degree for Intelligent Medical Diagnosis.
Dabowsa et al. A hybrid intelligent system for skin disease diagnosis
CN111798954A (zh) 基于时间注意力机制和图卷积网络的药物组合推荐方法
Jiang et al. A hybrid intelligent model for acute hypotensive episode prediction with large-scale data
Abdikenov et al. Analytics of heterogeneous breast cancer data using neuroevolution
CN116364299A (zh) 一种基于异构信息网络的疾病诊疗路径聚类方法及系统
Bhattacharyya et al. Prediction and forecasting of persistent kidney problems using machine learning algorithms
CN117672450A (zh) 一种基于知识图谱的个性化药物推荐方法与系统
Sun et al. Ehr2hg: Modeling of ehrs data based on hypergraphs for disease prediction
Mehrankia et al. Prediction of heart attacks using biological signals based on recurrent GMDH neural network
Zhang et al. Fusion of Dynamic Hypergraph and Clinical Event for Sequential Diagnosis Prediction
Subashini et al. Multimodal deep learning for chronic kidney disease prediction: leveraging feature selection algorithms and ensemble models
CN115240811A (zh) 一种基于图神经网络的隐式关系药物推荐模型的构建方法和应用
Baker et al. Automatic Disease Diagnosis System Using Deep Q-Network Reinforcement Learning
Rabie et al. Diseases diagnosis based on artificial intelligence and ensemble classification
CN114420232A (zh) 基于电子病历数据生成健康教育数据的方法和系统
Melek et al. A theoretic framework for intelligent expert systems in medical encounter evaluation
Saxena et al. Adaptive Multi-Hop Deep Learning based Drug Recommendation System with Selective Coverage Mechanism
Yang et al. Modeling Clinical Thinking Based on Knowledge Hypergraph Attention Network and Prompt Learning for Disease Prediction
Kavinilavu et al. Integrated Machine Learning for Accurate Detection of Heart Stroke Diseases
CN116153528B (zh) 一种基于注意力机制和全局检索的药物推荐方法
Li et al. An assistant decision-making method for rare diseases based on RNNs model
Sekhar et al. Explainable Artificial Intelligence Method for Identifying Cardiovascular Disease with a Combination CNN-XG-Boost Framework.
Kathiresan Analysis on cardiovascular disease classification using machine learning framework

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