CN116429710B - 一种药物组分检测方法、装置、设备及可读存储介质 - Google Patents
一种药物组分检测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116429710B CN116429710B CN202310711458.7A CN202310711458A CN116429710B CN 116429710 B CN116429710 B CN 116429710B CN 202310711458 A CN202310711458 A CN 202310711458A CN 116429710 B CN116429710 B CN 116429710B
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- medicine
- drug
- medicament
- fused
- 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
Links
- 239000003814 drug Substances 0.000 title claims abstract description 191
- 229940079593 drug Drugs 0.000 title claims abstract description 88
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 239000008280 blood Substances 0.000 claims abstract description 16
- 210000004369 blood Anatomy 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 71
- 239000013598 vector Substances 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000008194 pharmaceutical composition Substances 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 241000006302 Usnea Species 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 description 33
- 239000000126 substance Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000000890 drug combination Substances 0.000 description 3
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 108090001030 Lipoproteins Proteins 0.000 description 2
- 102000004895 Lipoproteins Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229940121657 clinical drug Drugs 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 231100000957 no side effect Toxicity 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/50—Molecular design, e.g. of drugs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1293—Using chemometrical methods resolving multicomponent spectra
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及药物组分检测技术领域，提供了一种药物组分检测方法、装置、设备及可读存储介质，所述方法包括获取预设的药物反应条件；在预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，第一药物包括第二药物与患者血液相互作用后产物，第二药物包括第三药物与第四药物相互作用后的产物；将第一药物的高光谱图与第一药物的多光谱图进行融合，得到融合后的光谱图；将融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，训练后的图神经网络模型用于对药物进行组分检测，实现对混合药物与血液发生反应之后的药物组分的快速、精确检测，为混合药物的临床使用提供保障。
Description
技术领域
本发明涉及药物组分检测技术领域，具体而言，涉及一种药物组分检测方法、装置、设备及可读存储介质。
背景技术
联合用药是指为了达到治疗目的而采用的两种或两种以上药物同时或先后应用，其结果主要是为了增加药物的疗效或为了减轻药物的毒副作用，但是由于联合用药可能相互反应生成其他物质产生相反的结果，现有技术中一般针对联合用药后生成的物质进行成分检测，但是这种方法忽略了临床药物与血液融合后，临床药物可能会与患者血液中的血红蛋白、脂蛋白等产生化学反应生成危险物质产生副作用，因此，亟需一种药物组分检测方法实现对混合药物与血液发生反应之后的药物组分的精确检测。
发明内容
本发明的目的在于提供一种药物组分检测方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种药物组分检测方法，所述方法包括：
获取预设的药物反应条件；
在所述预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，所述第一药物包括第二药物与患者血液相互作用后产物，所述第二药物包括第三药物与第四药物相互作用后的产物；
将所述第一药物的高光谱图与所述第一药物的多光谱图进行融合，得到融合后的光谱图；
将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，所述训练后的图神经网络模型用于对药物进行组分检测。
第二方面，本申请实施例提供了一种药物组分检测装置，所述装置包括：
第一获取模块，用于获取预设的药物反应条件；
第二获取模块，用于在所述预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，所述第一药物包括第二药物与患者血液相互作用后产物，所述第二药物包括第三药物与第四药物相互作用后的产物；
第一处理模块，用于将所述第一药物的高光谱图与所述第一药物的多光谱图进行融合，得到融合后的光谱图；
检测模块，用于将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，所述训练后的图神经网络模型用于对药物进行组分检测。
第三方面，本申请实施例提供了一种药物组分检测设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述药物组分检测方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质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上述药物组分检测方法的步骤。
本发明的有益效果为：
本发明通过在预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，将第一药物的高光谱图与第一药物的多光谱图进行融合，得到融合后的光谱图，可以得到高精度高分辨率的光谱图，从而提高神经网络的学习效率，再将融合后的光谱图发送至训练后的图神经网络模型，实现对混合药物与血液发生反应之后的药物组分的快速、精确检测，为混合药物的临床使用提供保障。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的药物组分检测方法流程示意图。
图2为本发明实施例中所述的药物组分检测装置结构示意图。
图3为本发明实施例中所述的药物组分检测设备结构示意图。
图中标注：901、第一获取模块;902、第二获取模块;903、第一处理模块；904、检测模块；905、第三获取模块;906、提取模块;907、第二处理模块；908、第三处理模块；909、第四处理模块；9010、第五处理模块；9031、第一处理单元；9032、第二处理单元；9033、第三处理单元；9041、第一获取单元；9042、第四处理单元；9043、第五处理单元；9044、第六处理单元；9045、第七处理单元；9091、第八处理单元；9092、第九处理单元；9093、第十处理单元；9094、第十一处理单元；90101、第十二处理单元;90102、第十三处理单元；90103、第十四处理单元；90104、第十五处理单元；90105、第十六处理单元；800、药物组分检测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本实施例提供了一种药物组分检测方法，可以理解的是，在本实施例中可以铺设一个场景，例如:在对需要联合用药的患者用药前，使联合用药与患者血液进行反应再进行药物组分检测的场景。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3和步骤S4，其中具体为：
步骤S1、获取预设的药物反应条件；
可以理解的是，预设的药物反应条件为药物在人体内的反应环境，通过预设的药物反应条件可以有效的模拟药物在患者体内的反应环境，使药物的反应更接近真实情况。
步骤S2、在所述预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，所述第一药物包括第二药物与患者血液相互作用后产物，所述第二药物包括第三药物与第四药物相互作用后的产物；
由于联合用药可能相互反应生成其他物质导致药物产生相反的结果，因此通过将第三药物与第四药物相互作用后的产物作为第二药物，再将第二药物与患者血液进行反应生成第一药物，通过对第一药物的组分进行检测可以探究是否产生危险物质，导致患者产生副作用，有效的解决现有技术中忽略了临床药物与血液融合后，临床药物可能会与患者血液中的血红蛋白、脂蛋白等产生化学反应生成危险物质的问题，为临床药物的使用提供保障。
步骤S3、将所述第一药物的高光谱图与所述第一药物的多光谱图进行融合，得到融合后的光谱图；
将第一药物的高光谱图与第一药物的多光谱图进行融合，得到融合后的光谱图，可以得到高精度高分辨率的光谱图，从而提高神经网络对特征的学习效率。
可以理解的是，步骤S3中还包括步骤S31、步骤S32和步骤S33，其中具体为：
步骤S31、利用预设的目标函数对所述第一药物的高光谱图与所述第一药物的多光谱图进行计算，得到第一融合光谱图；
可以理解的是，利用预设的目标函数对所述第一药物的高光谱图与所述第一药物的多光谱图进行计算的过程为：
；
上式中，X、Y、Z分别为第一融合光谱图、第一药物的高光谱图和第一药物的多光谱图，为第一药物的高光谱图通过二次立方差值获得的高光谱图像，/>为权重参数，B为空间模糊矩阵，S为空间下采样矩阵，R为光谱采样矩阵，/>表示弗罗贝尼乌斯范数，通过上述预设的目标函数可以建立优化模型，通过求解优化模型来对第一药物的高光谱图与第一药物的多光谱图进行初步融合，得到第一融合光谱图。
步骤S32、将所述第一融合光谱图发送至训练后的卷积神经网络中，得到残差光谱图；
可以理解的是，在获取到第一融合光谱图后，基于深度卷积神经网的残差学习获取高分辨率高光谱图像的先验信息，此外，通过将融合后的第一融合光谱图输入至神经网络作为神经网络的输入，可以便于映射残差，提高鲁棒性。
步骤S33、根据所述第一融合光谱图和所述残差光谱图得到所述融合后的光谱图。
步骤S4、将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，所述训练后的图神经网络模型用于对药物进行组分检测。
具体的，所述步骤S4中还包括步骤S41、步骤S42、步骤S43、步骤S44和步骤S45，其中具体为：
步骤S41、获取第一样本集，所述第一样本集中包括至少一张融合后的光谱图；
其中，可基于不同混合药物与血液反应后得到的产物对应的融合后的光谱图构建第一样本集。
步骤S42、利用超像素分割算法对所述融合后的光谱图进行处理，得到分割后的光谱图，所述分割后的光谱图中包括融合后的光谱图对应的超像素集；
利用超像素分割算法对光谱图进行处理为本领域技术人员所熟知的技术方案，故不在此赘述，同时，本发明对超像素分割算法不做限定。
步骤S43、根据所述分割后的光谱图进行计算，得到超像素的特征矩阵；
其中，超像素的特征矩阵中包括超像素的像素均值、超像素的质心像素位置。
步骤S44、根据所述超像素的特征矩阵进行计算，得到邻接权重矩阵；
根据超像素的像素均值计算超像素间的像素均值距离，根据超像素的质心像素位置计算超像素间质心坐标距离，基于超像素间质心坐标距离和超像素间的像素均值距离得到邻接权重矩阵，需要说明的是，据超像素的像素均值计算超像素间的像素均值距离，根据超像素的质心像素位置计算超像素间质心坐标距离以及基于超像素间质心坐标距离和超像素间的像素均值距离得到邻接权重矩阵均为本领域技术人员所熟知的技术方案，故不在此赘述。
步骤S45、将所述超像素的特征矩阵、所述邻接权重矩阵和第一样本集中融合后的光谱图对应的药物高光谱成分标签发送至预设的图神经网络框架中进行训练，得到所述训练后的图神经网络模型。
样本集中每个融合后的光谱图均对应一个药物高光谱成分标签，需要说明的是，图神经网络的训练过程为本领域技术人员所熟知的技术方案，故不在此赘述，通过将融合后的光谱图发送至训练后的图神经网络模型即可得到第一药物组分检测结果，其中检测结果包括第一药物的组分和组分含量。
可以理解的是，所述步骤S4之后还包括步骤S5、步骤S6、步骤S7、步骤S8、步骤S9和步骤S10，其中具体为：
步骤S5、获取患者的电子病历数据；
步骤S6、对所述电子病历数据中的文本数据进行提取，得到文本信息；
步骤S7、将所述文本信息进行分词处理，得到分词处理后的文本信息；
具体的，步骤S7中采用jieba分词模块加载用户自定义词典，以精确模式对文本序列进行分词处理。
步骤S8、将所述分词处理后的文本信息中每个分词转化为对应的词向量，得到词向量序列；
具体的，步骤S8中利用Word2vec模型将分词转化为可计算的词向量。
步骤S9、将所述词向量序列发送至病历分类模型中，得到电子病历的分类结果；
具体的，所述步骤S9中包括步骤S91、步骤S92、步骤S93和步骤S94，其中具体为：
步骤S91、将所述词向量序列发送至卷积神经网络模型，得到第一特征向量；
可以理解的是，卷积神经网络模型的卷积核宽度与词嵌入的维度一致，利用卷积神经网络模型对词向量提取特征为本领域技术人员所熟知的技术方案，故不再赘述，此外，在本步骤中，卷积神经网络为3层，对3层卷积神经网络的输出按轴向进行concatenate操作丰富CNN模型对词窗卷积的上下文语义含量，更好的表征病历文本序列的局部特征。
步骤S92、将所述第一特征向量发送至双向长短期记忆神经网络，得到第二特征向量；
可以理解的是，将第一特征向量发送至双向长短期记忆神经网络后，对门控机制的权重矩阵W和偏置矩阵b进行随机初始化正态赋值，LSTM单元基于上一个时刻的隐藏层输出信息与当前时刻的输入信息，计算遗忘门、输入门、输出门的数值，并与上一个时刻LSTM单元的存储信息整合，得到当前时刻的LSTM单元输出，同时更新当前时刻LSTM单元的隐藏层输出信息与存储信息，作为下一个时刻LSTM单元的输入。最后进行前后向LSTM单元输出向量的拼接，输出具有双向语义的特征向量即第二特征向量。同时，在LSTM单元的输入端和隐藏层的输出均引入dropout机制，解决训练模型参数量较大导致的过拟合问题。
步骤S93、将所述第二特征向量发送至注意力层对所述第二特征向量中的特征进行加权；
由此，将第二特征向量发送至注意力层，可以有效地强调当前信息在上下文信息中的重要性与关联性，增强语义信息的特征表达，提升模型病历文本分类的准确率。
步骤S94、将加权后的第二特征向量发送至分类层，得到电子病历的分类结果。
可以理解的是，在本步骤中利用softmax分类函数进行分类，得到电子病历的分类结果。
步骤S10、根据所述电子病历的分类结果和所述第一药物组分检测结果，得到预测结果，所述预测结果包括第一药物对患者是否存在副作用。
在本实施例中，通过对患者的电子病历进行分类可以获取患者的疾病类型，从而探究同种混合药物对不同疾病类型患者是否产生副作用，为混合药物的使用提供依据。
具体的，所述步骤S10中还包括步骤S101、步骤S102、步骤S103、步骤S104和步骤S105，其中具体为：
步骤S101、基于所述电子病历的分类结果确定患者的基因表达量信息，得到第一基因表达量信息，所述第一基因表达量信息包括患者患病前的基因表达量和患者患病后的基因表达量；
步骤S102、根据所述第一药物组分检测结果确定第二基因表达量信息，所述第二基因表达量信息为患者使用第一药物后的基因表达量信息；
步骤S103、基于所述第一基因表达量信息和所述第二基因表达量信息构建第二样本集；
步骤S104、利用所述第二样本集对分类模型进行训练，得到训练后的分类模型；
步骤S105、将待测患者的第一基因表达量信息和第二基因表达量信息发送至分类模型，得到预测结果。
在本实施例中，若基因表达量与患者患病时基因表达量变化情况相反，则认为药物对患者无副作用，若基因表达量与患者患病时基因表达量变化情况相同，则认为药物对患者有副作用，因此，基于第一基因表达量信息和第二基因表达量信息构建样本集，将药物副作用与基因表达量联系起来，找到两者之间的关联性即可实现副作用的预测，在最后的第二样本集的处理中，将患病时基因表达量与用药之后基因表达量同时上调和下降的基因均标记为1，变化趋势相反的则标记为0，一个药物样本的形式为一串0、1数字的组合，表示在药物作用下特定基因的表达量变化情况，需要说明的是，本发明对分类模型不做限定，可以为随机森林算法、K近邻算法、决策树中的任一一种。
实施例2：
如图2所示，本实施例提供了一种药物组分检测装置，所述装置包括第一获取模块901、第二获取模块902、第一处理模块903和检测模块904，其中具体为：
第一获取模块901，用于获取预设的药物反应条件；
第二获取模块902，用于在所述预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，所述第一药物包括第二药物与患者血液相互作用后产物，所述第二药物包括第三药物与第四药物相互作用后的产物；
第一处理模块903，用于将所述第一药物的高光谱图与所述第一药物的多光谱图进行融合，得到融合后的光谱图；
检测模块904，用于将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，所述训练后的图神经网络模型用于对药物进行组分检测。
在本公开的一种具体实施方式中，所述第一处理模块903中还包括第一处理单元9031、第二处理单元9032和第三处理单元9033，其中具体为：
第一处理单元9031，用于利用预设的目标函数对所述第一药物的高光谱图与所述第一药物的多光谱图进行计算，得到第一融合光谱图；
第二处理单元9032，用于将所述第一融合光谱图发送至训练后的卷积神经网络中，得到残差光谱图；
第三处理单元9033，用于根据所述第一融合光谱图和所述残差光谱图得到所述融合后的光谱图。
在本公开的一种具体实施方式中，所述检测模块904中还包括第一获取单元9041、第四处理单元9042、第五处理单元9043、第六处理单元9044和第七处理单元9045，其中具体为：
第一获取单元9041，用于获取第一样本集，所述第一样本集中包括至少一张融合后的光谱图；
第四处理单元9042，用于利用超像素分割算法对所述融合后的光谱图进行处理，得到分割后的光谱图，所述分割后的光谱图中包括融合后的光谱图对应的超像素集；
第五处理单元9043，用于根据所述分割后的光谱图进行计算，得到超像素的特征矩阵；
第六处理单元9044，用于根据所述超像素的特征矩阵进行计算，得到邻接权重矩阵；
第七处理单元9045，用于将所述超像素的特征矩阵、所述邻接权重矩阵和第一样本集中融合后的光谱图对应的药物高光谱成分标签发送至预设的图神经网络框架中进行训练，得到所述训练后的图神经网络模型。
在本公开的一种具体实施方式中，所述检测模块904之后还包括第三获取模块905、提取模块906、第二处理模块907、第三处理模块908、第四处理模块909和第五处理模块9010，其中具体为：
第三获取模块905，用于获取患者的电子病历数据；
提取模块906，用于对所述电子病历数据中的文本数据进行提取，得到文本信息；
第二处理模块907，用于将所述文本信息进行分词处理，得到分词处理后的文本信息；
第三处理模块908，用于将所述分词处理后的文本信息中每个分词转化为对应的词向量，得到词向量序列；
第四处理模块909，用于将所述词向量序列发送至病历分类模型中，得到电子病历的分类结果；
第五处理模块9010，用于根据所述电子病历的分类结果和所述第一药物组分检测结果，得到预测结果，所述预测结果包括第一药物对患者是否存在副作用。
在本公开的一种具体实施方式中，所述第四处理模块909中还包括第八处理单元9091、第九处理单元9092、第十处理单元9093和第十一处理单元9094，其中具体为：
第八处理单元9091，用于将所述词向量序列发送至卷积神经网络模型，得到第一特征向量；
第九处理单元9092，用于将所述第一特征向量发送至双向长短期记忆神经网络，得到第二特征向量；
第十处理单元9093，用于将所述第二特征向量发送至注意力层对所述第二特征向量中的特征进行加权；
第十一处理单元9094，用于将加权后的第二特征向量发送至分类层，得到电子病历的分类结果。
在本公开的一种具体实施方式中，所述第五处理模块9010中还包括第十二处理单元90101、第十三处理单元90102、第十四处理单元90103、第十五处理单元90104和第十六处理单元90105，其中具体为：
第十二处理单元90101，用于基于所述电子病历的分类结果确定患者的基因表达量信息，得到第一基因表达量信息，所述第一基因表达量信息包括患者患病前的基因表达量和患者患病后的基因表达量；
第十三处理单元90102，用于根据所述第一药物组分检测结果确定第二基因表达量信息，所述第二基因表达量信息为患者使用第一药物后的基因表达量信息；
第十四处理单元90103，用于基于所述第一基因表达量信息和所述第二基因表达量信息构建第二样本集；
第十五处理单元90104，用于利用所述第二样本集对分类模型进行训练，得到训练后的分类模型；
第十六处理单元90105，用于将待测患者的第一基因表达量信息和第二基因表达量信息发送至分类模型，得到预测结果。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种药物组分检测设备，下文描述的一种药物组分检测设备与上文描述的一种药物组分检测方法可相互对应参照。
图3是根据示例性实施例示出的一种药物组分检测设备800的框图。如图3所示，该药物组分检测设备800可以包括：处理器801，存储器802。该药物组分检测设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该药物组分检测设备800的整体操作，以完成上述的药物组分检测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该药物组分检测设备800的操作，这些数据例如可以包括用于在该药物组分检测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现。多媒体组件803可以包括屏幕和音频组件。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。通信组件805用于该药物组分检测设备800与其他设备之间进行有线或无线通信。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的药物组分检测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由药物组分检测设备800的处理器801执行以完成上述的药物组分检测方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种药物组分检测方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的药物组分检测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，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，可轻易想到变化或替换，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 (8)
1.一种药物组分检测方法，其特征在于，包括：
获取预设的药物反应条件；
在所述预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，所述第一药物包括第二药物与患者血液相互作用后产物，所述第二药物包括第三药物与第四药物相互作用后的产物；
将所述第一药物的高光谱图与所述第一药物的多光谱图进行融合，得到融合后的光谱图；
将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，所述训练后的图神经网络模型用于对药物进行组分检测；
其中，将所述第一药物的高光谱图与所述第一药物的多光谱图进行融合，得到融合后的光谱图，包括：
利用预设的目标函数对所述第一药物的高光谱图与所述第一药物的多光谱图进行计算，得到第一融合光谱图；
将所述第一融合光谱图发送至训练后的卷积神经网络中，得到残差光谱图；
根据所述第一融合光谱图和所述残差光谱图得到所述融合后的光谱图；
其中，利用预设的目标函数对所述第一药物的高光谱图与所述第一药物的多光谱图进行计算的过程为：；
其中，X、Y、Z分别为第一融合光谱图、第一药物的高光谱图和第一药物的多光谱图，Y1为第一药物的高光谱图通过二次立方差值获得的高光谱图像，α为权重参数，B为空间模糊矩阵，S为空间下采样矩阵，R为光谱采样矩阵，表示弗罗贝尼乌斯范数。
2.根据权利要求1所述的药物组分检测方法，其特征在于，将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，包括：
获取第一样本集，所述第一样本集中包括至少一张融合后的光谱图；
利用超像素分割算法对所述融合后的光谱图进行处理，得到分割后的光谱图，所述分割后的光谱图中包括融合后的光谱图对应的超像素集；
根据所述分割后的光谱图进行计算，得到超像素的特征矩阵；
根据所述超像素的特征矩阵进行计算，得到邻接权重矩阵；
将所述超像素的特征矩阵、所述邻接权重矩阵和第一样本集中融合后的光谱图对应的药物高光谱成分标签发送至预设的图神经网络框架中进行训练，得到所述训练后的图神经网络模型。
3.根据权利要求2所述的药物组分检测方法，其特征在于，所述超像素的特征矩阵中包括超像素的像素均值、超像素的质心像素位置。
4.根据权利要求1所述的药物组分检测方法，其特征在于，将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果之后，还包括：
获取患者的电子病历数据；
对所述电子病历数据中的文本数据进行提取，得到文本信息；
将所述文本信息进行分词处理，得到分词处理后的文本信息；
将所述分词处理后的文本信息中每个分词转化为对应的词向量，得到词向量序列；
将所述词向量序列发送至病历分类模型中，得到电子病历的分类结果；
根据所述电子病历的分类结果和所述第一药物组分检测结果，得到预测结果，所述预测结果包括第一药物对患者是否存在副作用。
5.根据权利要求4所述的药物组分检测方法，其特征在于，将所述词向量序列发送至病历分类模型中，得到电子病历的分类结果，包括：
将所述词向量序列发送至卷积神经网络模型，得到第一特征向量；
将所述第一特征向量发送至双向长短期记忆神经网络，得到第二特征向量；
将所述第二特征向量发送至注意力层对所述第二特征向量中的特征进行加权；
将加权后的第二特征向量发送至分类层，得到电子病历的分类结果。
6.一种用于实现权利要求1所述药物组分检测方法的药物组分检测装置，其特征在于，包括：
第一获取模块，用于获取预设的药物反应条件；
第二获取模块，用于在所述预设的药物反应条件下获取第一药物的高光谱图和第一药物的多光谱图，所述第一药物包括第二药物与患者血液相互作用后产物，所述第二药物包括第三药物与第四药物相互作用后的产物；
第一处理模块，用于将所述第一药物的高光谱图与所述第一药物的多光谱图进行融合，得到融合后的光谱图；
检测模块，用于将所述融合后的光谱图发送至训练后的图神经网络模型，得到第一药物组分检测结果，所述训练后的图神经网络模型用于对药物进行组分检测。
7.一种药物组分检测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述药物组分检测方法的步骤。
8.一种可读存储介质，其特征在于：所述可读存储介质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如权利要求1至5任一项所述药物组分检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310711458.7A CN116429710B (zh) | 2023-06-15 | 2023-06-15 | 一种药物组分检测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310711458.7A CN116429710B (zh) | 2023-06-15 | 2023-06-15 | 一种药物组分检测方法、装置、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116429710A CN116429710A (zh) | 2023-07-14 |
| CN116429710B true CN116429710B (zh) | 2023-09-26 |
Family
ID=87084136
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310711458.7A Active CN116429710B (zh) | 2023-06-15 | 2023-06-15 | 一种药物组分检测方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116429710B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100025655A (ko) * | 2008-08-28 | 2010-03-10 | 대한민국 (식품의약품안전청장) | 비스테로이드성 항염제의 부작용을 예측하는 방법 |
| CN105980391A (zh) * | 2013-12-09 | 2016-09-28 | 昂皮瑞科公司 | 用于预测和确认药物活性化合物的体内代谢的离体方法 |
| CN108460749A (zh) * | 2018-03-20 | 2018-08-28 | 西安电子科技大学 | 一种高光谱与多光谱图像的快速融合方法 |
| CN111369487A (zh) * | 2020-05-26 | 2020-07-03 | 湖南大学 | 一种高光谱和多光谱图像融合方法、系统及介质 |
| CN113012770A (zh) * | 2021-03-17 | 2021-06-22 | 中南大学 | 基于多模态深度神经网络的药物-药物相互作用事件预测方法、系统、终端及可读存储介质 |
| CN113269196A (zh) * | 2021-07-19 | 2021-08-17 | 湖南大学 | 一种图卷积神经网络高光谱医药成分分析的实现方法 |
| CN114049926A (zh) * | 2021-10-27 | 2022-02-15 | 徐州医科大学 | 一种电子病历文本分类方法 |
| CN114092834A (zh) * | 2022-01-24 | 2022-02-25 | 南京理工大学 | 基于空谱联合残差修正网络的无监督高光谱图像盲融合方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1812079A4 (en) * | 2004-10-15 | 2012-07-25 | Spectral Dimensions Inc | EVALUATION OF PHARMACEUTICAL MIXTURES |
| WO2011113066A1 (en) * | 2010-03-12 | 2011-09-15 | The University Of North Carolina At Greensboro | Methods and systems using integrated metabolomics and pharmacokinetics for multi-component drug evaluation |
-
2023
- 2023-06-15 CN CN202310711458.7A patent/CN116429710B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100025655A (ko) * | 2008-08-28 | 2010-03-10 | 대한민국 (식품의약품안전청장) | 비스테로이드성 항염제의 부작용을 예측하는 방법 |
| CN105980391A (zh) * | 2013-12-09 | 2016-09-28 | 昂皮瑞科公司 | 用于预测和确认药物活性化合物的体内代谢的离体方法 |
| CN108460749A (zh) * | 2018-03-20 | 2018-08-28 | 西安电子科技大学 | 一种高光谱与多光谱图像的快速融合方法 |
| CN111369487A (zh) * | 2020-05-26 | 2020-07-03 | 湖南大学 | 一种高光谱和多光谱图像融合方法、系统及介质 |
| CN113012770A (zh) * | 2021-03-17 | 2021-06-22 | 中南大学 | 基于多模态深度神经网络的药物-药物相互作用事件预测方法、系统、终端及可读存储介质 |
| CN113269196A (zh) * | 2021-07-19 | 2021-08-17 | 湖南大学 | 一种图卷积神经网络高光谱医药成分分析的实现方法 |
| WO2023000653A1 (zh) * | 2021-07-19 | 2023-01-26 | 湖南大学 | 一种图卷积神经网络高光谱医药成分分析的实现方法 |
| CN114049926A (zh) * | 2021-10-27 | 2022-02-15 | 徐州医科大学 | 一种电子病历文本分类方法 |
| CN114092834A (zh) * | 2022-01-24 | 2022-02-25 | 南京理工大学 | 基于空谱联合残差修正网络的无监督高光谱图像盲融合方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 2018年度药物分析技术研究进展;解笑瑜;甄雪燕;于航;张正威;王嗣岑;王琰;马双成;;药物分析杂志(第05期);全文 * |
| Multispectral and hyperspectral image fusion with spatial-spectral sparse representation;Renwei Dian等;《Information Fusion》;第263页右栏第1段-264页右栏第1段 * |
| 基于类解混的高光谱和多光谱图像融合算法;方帅;朱向东;曹风云;;计算机辅助设计与图形学学报(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116429710A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cantu et al. | Detecting caries lesions of different radiographic extension on bitewings using deep learning | |
| Lauritsen et al. | Explainable artificial intelligence model to predict acute critical illness from electronic health records | |
| Fourcade et al. | Deep learning in medical image analysis: A third eye for doctors | |
| CN108630322B (zh) | 药物相互作用建模与风险评估方法、终端设备及存储介质 | |
| Thambawita et al. | SinGAN-Seg: Synthetic training data generation for medical image segmentation | |
| CN109754389B (zh) | 一种图像处理方法、装置及设备 | |
| CN104951502B (zh) | 笔迹识别工具 | |
| US11861851B2 (en) | Anatomical and functional assessment of CAD using machine learning | |
| Yamanakkanavar et al. | A novel M-SegNet with global attention CNN architecture for automatic segmentation of brain MRI | |
| US20220207744A1 (en) | Image processing method and apparatus | |
| TWI733487B (zh) | 脊椎壓迫性骨折偵測方法與系統 | |
| Knoedler et al. | A ready-to-use grading tool for facial palsy examiners—Automated grading system in facial palsy patients made easy | |
| CN112530550A (zh) | 影像报告生成方法、装置、计算机设备和存储介质 | |
| Wang et al. | A deep learning method for counting white blood cells in bone marrow images | |
| Marcolini et al. | histolab: A Python library for reproducible Digital Pathology preprocessing with automated testing | |
| Chauhan et al. | Convolution neural network for effective burn region segmentation of color images | |
| CN116429710B (zh) | 一种药物组分检测方法、装置、设备及可读存储介质 | |
| Gao et al. | Transformer based tooth classification from cone-beam computed tomography for dental charting | |
| Vale-Silva et al. | MultiSurv: Long-term cancer survival prediction using multimodal deep learning | |
| CN116630239A (zh) | 影像分析方法、装置和计算机设备 | |
| CN115205648A (zh) | 图像分类方法、图像分类装置、电子设备及存储介质 | |
| WO2019195733A1 (en) | Method and apparatus for individualized administration of medicaments for delivery within a therapeutic range | |
| Liu et al. | A new data visualization and digitization method for building electronic health record | |
| CN114613505A (zh) | 基于二分图的信息推荐方法、信息推荐装置及终端设备 | |
| Fahrudin et al. | SkinMate: Mobile-Based Application for Detecting Multi-Class Skin Diseases Classification Using Pre-Trained MobileNetV2 on CNN Architecture |
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 |