CN116564556B - 药物不良反应的预测方法、装置、设备及存储介质 - Google Patents
药物不良反应的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116564556B CN116564556B CN202310851590.8A CN202310851590A CN116564556B CN 116564556 B CN116564556 B CN 116564556B CN 202310851590 A CN202310851590 A CN 202310851590A CN 116564556 B CN116564556 B CN 116564556B
- Authority
- CN
- China
- Prior art keywords
- image
- image block
- current user
- target
- module
- 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
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 54
- 206010061623 Adverse drug reaction Diseases 0.000 title claims abstract description 27
- 230000001575 pathological effect Effects 0.000 claims abstract description 164
- 239000003814 drug Substances 0.000 claims abstract description 100
- 206010067484 Adverse reaction Diseases 0.000 claims abstract description 81
- 230000006838 adverse reaction Effects 0.000 claims abstract description 81
- 229940079593 drug Drugs 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 238000000605 extraction Methods 0.000 claims description 49
- 238000007781 pre-processing Methods 0.000 claims description 31
- 230000010354 integration Effects 0.000 claims description 23
- 238000003709 image segmentation Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000007170 pathology Effects 0.000 description 33
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000006757 chemical reactions by type Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000010186 staining Methods 0.000 description 2
- 206010007269 Carcinogenicity Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007670 carcinogenicity Effects 0.000 description 1
- 231100000260 carcinogenicity Toxicity 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000012128 staining reagent Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Toxicology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pharmacology & Pharmacy (AREA)
- Medicinal Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及模型预测技术领域，公开一种药物不良反应的预测方法、装置、设备及存储介质，该方法包括：基于ResNet构建初始化预测模型，获取服用目标药物的患者的相关病理图像，对相关病理图像进行切分，获得相关病理图像块，对相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集，基于第一训练集训练初始化预测模型，获得目标药物的不良反应预测模型，将当前用户的病理图像输入至目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。由于本发明是根据模型来预测药物的不良反应，能够考虑到不同用户进行区别预测，并采用抽样后相关病理图像块作为训练集，能够提高模型预测的准确性，使预测结果具有可解释性。
Description
技术领域
本发明涉及模型预测技术领域，尤其涉及一种药物不良反应的预测方法、装置、设备及存储介质。
背景技术
药物不良反应是药物可能产生的意料之外的作用，也是医疗过程中导致病人发病和死亡的主要原因中的一种。目前药物不良反应事件的数目急剧上升，为临床合理用药以及病人自主服药带来了困难。
因此，预测药物的不良反应，使用户能够及时获取服用某一药物后可能产生的不良反应，并辅助医生的临床用药和给患者开药的操作。目前对药物不良反应的预测往往是基于不同药物本身的，且多采用二元预测，未考虑到不同用户对同一药物产生的不良反应可能存在较大差异性。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是相关技术。
发明内容
本发明的主要目的在于提供了一种药物不良反应的预测方法、装置、设备及存储介质，旨在解决现有方法难以基于不同用户对药物的不良反应进行区别性预测的技术问题。
为实现上述目的，本发明提供了一种药物不良反应的预测方法，所述方法包括以下步骤：
基于ResNet构建初始化预测模型；
获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块；
对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集；
基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型；
将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。
可选地，所述目标药物的不良反应预测模型包括依次连接的图像预处理模块、图像块抽取模块、特征提取模块、双注意力模块和分类器模块；
所述将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果，包括：
将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块；
通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块；
通过所述特征提取模块对所述当前用户的目标图像块进行特征提取，获得图像块特征图；
通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图；
通过所述分类器模块对所述目标特征图进行预测，获得目标药物的不良反应预测结果。
可选地，所述双注意力模块包括：空间注意力单元和示例注意力单元，所述空间注意力单元分别与所述特征提取模块和所述示例注意力单元连接，所述示例注意力单元还与所述分类器模块连接；
所述通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图，包括：
通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图；
通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图。
可选地，所述通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图，包括：
通过所述空间注意力单元对所述图像块特征图进行非线性卷积运算和特征标准化，得到标准化的图像块特征图，对所述图像块特征图进行卷积运算，确定所述图像块特征图在空间维度的权重得分，基于所述空间维度的权重得分对所述标准化的图像块特征图进行整合，得到过滤后的图像块特征图。
可选地，所述通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图，包括：
通过所述示例注意力单元对各个图像块特征图进行信息整合和非线性运算降维，采用softmax函数将经过所述信息整合和非线性运算降维的各个图像块特征图对应分配预设范围内的权重得分，基于所述预设范围内的权重得分对所述各个图像块特征图进行加权整合，获得目标特征图。
可选地，所述图像预处理模块包括图像切分单元和图像增强单元，所述图像切分单元与所述图像增强单元连接，所述图像增强单元还与所述图像块抽取模块连接，所述将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块，包括：
通过所述图像切分单元对所述当前用户的病理图像进行图像块切分，获得当前用户的全部病理图像块；
通过所述图像增强单元对所述当前用户的全部病理图像块进行背景去除、平铺排列并去除无效图像块，获得经过筛选的当前用户的病理图像块。
可选地，所述通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块，包括：
通过所述图像块抽取模块对所述当前用户的病理图像块进行迭代抽样，并将抽取的预设数量的病理图像块作为所述当前用户的目标图像块。
此外，为实现上述目的，本发明还提出一种药物不良反应的预测装置，所述装置包括：
模型初始化模块，用于基于ResNet构建初始化预测模型；
图像切分模块，用于获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块；
图像抽样模块，用于对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集；
模型训练模块，用于基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型；
模型检测模块，用于将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。
此外，为实现上述目的，本发明还提出一种药物不良反应的预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的药物不良反应的预测程序，所述药物不良反应的预测程序配置为实现上文所述的药物不良反应的预测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有药物不良反应的预测程序，所述药物不良反应的预测程序被处理器执行时实现如上文所述的药物不良反应的预测方法的步骤。
本发明首先基于ResNet构建初始化预测模型，接着获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块，再对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集，然后基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型，最后将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。由于本发明是根据模型来预测药物的不良反应，能够考虑到不同用户的个性化差异，区别地预测其对目标药物的不良反应，并将抽样后的服用目标药物的患者的相关病理图像块作为训练集对模型进行训练，能够提高模型预测的准确性，使模型的预测结果具有可解释性。
附图说明
图1是本发明实施例涉及的硬件运行环境的药物不良反应的预测设备的结构示意图；
图2是本发明药物不良反应的预测方法第一实施例的流程示意图；
图3是本发明目标药物的不良反应预测模型结构示意图；
图4是本发明药物不良反应的预测方法第二实施例的流程示意图；
图5是本发明目标药物的不良反应预测模型中双注意力模块的结构示意图；
图6是本发明药物不良反应的预测方法第三实施例的流程示意图；
图7为本发明药物不良反应的预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的药物不良反应的预测设备结构示意图。
如图1所示，该药物不良反应的预测设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对药物不良反应的预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及药物不良反应的预测程序。
在图1所示的药物不良反应的预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明药物不良反应的预测设备中的处理器1001、存储器1005可以设置在药物不良反应的预测设备中，所述药物不良反应的预测设备通过处理器1001调用存储器1005中存储的药物不良反应的预测程序，并执行本发明实施例提供的药物不良反应的预测方法。
本发明实施例提供了一种药物不良反应的预测方法，参照图2，图2为本发明药物不良反应的预测方法第一实施例的流程示意图。
本实施例中，所述药物不良反应的预测方法包括以下步骤：
步骤S10：基于ResNet构建初始化预测模型。
需要说明的是，本实施例方法的执行主体可以是具有图像处理，模型调用，数据存储以及程序运行功能的计算服务设备，例如手机、个人电脑、药物分析仪等，还可以是能够实现相同或相似功能的能够实现药物不良反应的预测方法的其他电子设备，本实施例对此不加以限制。此处选用药物不良反应的预测设备（以下简称预测设备）为例对本发明药物不良反应的预测方法的各项实施例进行说明。
可以理解的是，ResNet（Deep residual network，深度残差网络）是一种常见的卷积神经网络，卷积神经网络通过引入卷积层、池化层和全连接层等结构，能够实现对图像高层语义特征的学习，提高图像分类的效果。ResNet采取残差学习，深度学习中，随着网络层数增加，深度网络一般会很难训练。有些网络在开始收敛时，还可能出现退化的问题，导致准确率很快达到饱和，出现层次越深错误率越高的现象。这种退化导致的更高的错误率并不是由于过拟合，而仅仅是因为增加了更多的层数。ResNet采取残差学习，能够在学习各层的输出信息时学习各层输入输出间的残差，有效解决该问题。
在具体实现中，预测设备可以选择ResNet-34作为骨干网络，构建初始化的预测模型。
步骤S20：获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块。
需要说明的是，目标药物可以是需要预测服用该目标药物的患者的不同不良反应的药物，基于患者的不同，服用该目标药物可以产生多种不同的不良反应类型，包括：过敏反应、后遗症、依赖性、致癌性和异变性等。服用目标药物的患者的相关病理图像可以是从临床数据库中获取的数字病理图像，从临床数据库中还可以获得对应患者产生的不良反应类型。
应该理解的是，数字病理图像主要包括细胞病理图像和组织病理图像。病理检查作为一种常规的临床检测手段，采用组织或细胞阅片的方式，阅片过程中观察到的视野通过计算机数字扫描的方式转变为数字病理图像，该数字病理图像为专业性强的医学图像。细胞病理图像和组织病理图像存在着一定差异性，考虑到是为了对不同患者产生的不良反应进行预测，可以选取组织病理图像作为相关病理图像。
可理解的是，组织病理图像取自组织病理检查，以组织的形式呈现，同样包含大量细胞，细胞之间排布较为紧密。且不同位置区域的组织结构存在差异，在预测任务是不同患者产生的不良反应时，需要观察组织不同区域的细胞形态学特征，有些区域蕴含和预测任务相关的重要特征，有些区域的特征则与预测任务并不相同，同样，由于染色试剂或数据来源的不同，不同组织病理图像的外观也存在较大差异。而由于细胞间排布较为紧密，直接获取的病理图像尺寸通常较大，无法直接输入至检测设备进行处理，因此可以对获得的相关病理图像进行切分，获得相关病理图像块，基于小尺寸的层级对相关病理图像进行分析。
在具体实现中，检测设备从临床数据库获取到服用目标药物的患者的相关的组织病理图像以及对应的不良反应类型，考虑到不同病理图像的尺寸大小，将相关的病理图像进行切块，获得同一小尺寸的相关病理图像块。
步骤S30：对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集。
可以理解的是，由于相关病理图像块是从临床数据库中获取的组织病理图像切分得来的，平均每张病理图像就可以切分得到大量图像块，因此无法将每张病理图像切分得到的所有病理图像块全部作为输入模型的训练集，可以对该相关病理图像块进行随机抽样。
在具体实现中，检测设备随机抽取N张组织病理图像，其中每张组织病理图像抽取其对应的M个图像块，将抽样获得的相关病理图像块与其对应的不良反应类型组成数据样本集，作为第一训练集。
步骤S40：基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型。
可以理解的是，在每次训练时可以重复上述抽样过程，生成新的第一训练集，随着模型不断迭代训练，上述获取到的每张相关病理图像及其对应的相关病理图像块都能参与训练过程，使得特征的学习更加充分全面。
进一步地，训练好的目标药物的不良反应预测模型可以包括：依次连接的图像预处理模块、图像块抽取模块、特征提取模块、双注意力模块和分类器模块，如图3所示，图3为目标药物的不良反应预测模型结构示意图。
步骤S50：将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。
可以理解的是，当前用户可以为即将服用某目标药物的患者，或可以为只是需要获知服用某目标药物自己会产生何类不良反应的用户。
进一步地，为了具体说明上述训练好的目标药物的不良反应预测模型是如何从当前用户的病理图像预测出该用户对目标药物会产生的不良反应，步骤S50，包括：
步骤S51：将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块。
可以理解的是，当前用户的病理图像也为大尺寸的图像，图像预处理模块可以对大尺寸的用户的病理图像进行切块，获得小尺寸的病理图像块。
步骤S52：通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块。
需要说明的是，由于获取到的当前用户的小尺寸的病理图像块的数量也较多，且切分后存在着部分无效的不包含组织的区域，因此可以采用随机抽样的方法，对当前用户的全部病理图像块进行随机抽样，并筛选掉抽取出来的不含组织区域的病理图像块，获得当前用户的目标图像块以提取到鲁棒性更强的病理图像特征。
步骤S53：通过所述特征提取模块对所述当前用户的目标图像块进行特征提取，获得图像块特征图。
可以理解的是，可以采用ResNet-34作为特征提取模块的骨干，移除ResNet-34的最后一层含有1000个神经元的分类层以及全局池化层，使用修改后的ResNet-34网络提取并得到多张图像块特征图。
步骤S54：通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图。
可以理解的是，双注意力模块的目的是对图像块特征进行过滤，并将多个图像水平的特征整合为病理图像水平的特征，用于对病理图像的分类继续判别。
需要说明的是，注意力机制源自对人类视觉的研究，注意力机制的主要目的是确定输入中需要重点关注的部分，分配有限的信息处理资源给重要的部分。具体地说，在神经网络模型学习中，构建注意力模块，通过模型的训练过程同步更新注意力模块对应的神经网络的参数，然后将其输出作为一种掩码，给输入的不同部分分配不同的权重，将图像数据中的关键部位识别出来，从而让模型学习到图像中需要重点关注的区域，也就形成了注意力。
应该理解的是，双注意力模块可以基于空间注意力和示例注意力分别对图像块特征进行过滤与加权整合，获得融合后的特征，该融合后的特征即为可以反应病理图像本质特征的目标特征图。
步骤S55：通过所述分类器模块对所述目标特征图进行预测，获得目标药物的不良反应预测结果。
需要说明的是，分类器模块可以包含全连接层，该全连接层可以含有两个神经元，通过分类器模块对目标特征图进行分类，得到类别概率。
在具体实现中，反应病理图像本质特征的目标特征图输入到分类器模块时，分类器模块对目标特征图进行分类，得到不同的目标药物不良反应的类别概率，确定当前用户对目标药物的不良反应预测结果。
本实施例通过基于ResNet构建初始化预测模型，获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块，对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集，基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型，其中目标药物的不良反应预测模型包括依次连接的图像预处理模块、图像块抽取模块、特征提取模块、双注意力模块和分类器模块，将当前用户的病理图像输入至所述目标药物的不良反应预测模型，具体地，将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块，通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块，通过所述特征提取模块对所述当前用户的目标图像块进行特征提取，获得图像块特征图，通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图，通过所述分类器模块对所述目标特征图进行预测，获得目标药物的不良反应预测结果。由于本实施例是根据模型来预测药物的不良反应，能够考虑到不同用户的个性化差异，区别地预测其对目标药物的不良反应，并将抽样后的服用目标药物的患者的相关病理图像块作为训练集对模型进行训练，能够提高模型预测的准确性，使模型的预测结果具有可解释性。
参考图4，图4为本发明药物不良反应的预测方法第二实施例的流程示意图。
基于上述第一实施例，所述双注意力模块包括：空间注意力单元和示例注意力单元，所述空间注意力单元分别与所述特征提取模块和所述示例注意力单元连接，所述示例注意力单元还与所述分类器模块连接，为了进一步说明目标药物的不良反应预测模型中双注意力模块对图像块特征进行特征融合的过程，步骤S54包括：
步骤S541：通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图。
参考图5，图5为目标药物的不良反应预测模型中双注意力模块的结构示意图，其中双注意力模块包括Spatial attention（空间注意力单元）和Instance attention（示例注意力单元）。
需要说明的是，空间注意力单元接收到特征提取模块输入的图像块特征图时，首先进行空间维度（即宽高维度）的特征过滤得到空间注意力过滤后的特征。
可以理解的是，所述空间注意力单元对所述图像块特征图进行非线性卷积运算和特征标准化，得到标准化的图像块特征图，对所述图像块特征图进行卷积运算，确定所述图像块特征图在空间维度的权重得分，基于所述空间维度的权重得分对所述标准化的图像块特征图进行整合，得到过滤后的图像块特征图。
具体地，在图5中，采用第一空间注意力公式对图像块特征图进行非线性卷积（conv）运算以增加特征的非线性，同时使用组归一化（gn）进行特征标准化后并选用双曲正弦函数（tanh）作为激活函数，fc表示为全连接层；采用第二空间注意力公式对图像块进行卷积运算，并使用乙型函数（）将特征映射到0~1范围内；采用第三空间注意力公式得到图像块特征空间范围每个元素对应的权重；最后采用第四空间注意力公式对图像块特征空间维度的对应元素进行加权求和得到空间注意力过滤后的特征。
其中，第一空间注意力公式为：
第二空间注意力公式为：
第三空间注意力公式为：
第三空间注意力公式为：
其中，为图像块特征，/>为组标准规范化，/>为乙型函数，softmax函数用于得到图像块特征空间范围每个元素对应的权重，其中/>表示逐元素相乘。假设每个图像块特征的通道数量为512，每个通道的特征图宽高为8×8，则/>与表示8×8图像块特征图矩阵的行和列数。
步骤S542：通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图。
可以理解的是，由于当前用户可以有多张病理图像，输入模型的每张病理图像随机抽取了预设数量个图像块，每个图像块对于分类结果所贡献的星系存在差异，可以采用示例注意力为不同图像块分配相应的权重得分，并将多个图像块特征进行加权整合，用以表征病理图像的特征，其原理同通道注意力类似，可以将不同图像块的特征看作不同通道的特征。
应该理解的是，通过所述示例注意力单元对各个图像块特征图进行信息整合和非线性运算降维，采用softmax函数将经过所述信息整合和非线性运算降维的各个图像块特征图对应分配预设范围内的权重得分，基于所述预设范围内的权重得分对所述各个图像块特征图进行加权整合，获得目标特征图。
具体地，采用第一示例注意力公式和第二示例注意力公式对特征进行非线性运算降维，转换得到特征；第三示例注意力公式先对转换后的特征进行特征整合和非线性运算降维，并基于softmax函数将特征转换为0~1范围内的权重得分；第四示例注意力公式再为每个图像块特征进行加权整合，得到病理图水平的特征。
其中，第一示例注意力公式为：
第二示例注意力公式为：
第三示例注意力公式为：
第四示例注意力公式为：
其中，分别为示例注意力单元中的三个全连接层的权重参数，对应的神经元数量可以依次为128、128和1，/>可以为当前用户的N张病理图像，假设其中每张病理图像抽取了50个图像块，每个图像块被分配1个权重得分，通过第四示例注意力公式的矩阵乘法为每个图像块特征进行加权整合，得到病理图像水平的特征/>表述为N张病理图像的特征。
在具体实现中，参考图5，图5为目标药物的不良反应预测模型中双注意力模块的结构示意图，其中双注意力模块包括Spatial attention（空间注意力单元）和Instanceattention（示例注意力单元），空间注意力单元对图像块特征进行非线性卷积和线性卷积，对图像块特征空间维度的对应元素进行加权就和得到空间注意力过滤后的特征；示例注意力单元为不同图像块的特征视作不同通道的特征，对不同通道的特征进行非线性运算降维得到转换特征（采用组归一化gn以及激活函数tanh和全连接层fc），再对转换后的特征进行信息整合以及权重得分转换，最后通过矩阵乘法为每个图像块特征进行加权整合并进行嵌入映射（embedding），由全连接层fc输出，得到病理图像水平的特征。
本实施例通过将双注意力模块划分为空间注意力单元和示例注意力单元，通过所述空间注意力单元对所述图像块特征图进行非线性卷积运算和特征标准化，得到标准化的图像块特征图，对所述图像块特征图进行卷积运算，确定所述图像块特征图在空间维度的权重得分，基于所述空间维度的权重得分对所述标准化的图像块特征图进行整合，得到过滤后的图像块特征图；通过所述示例注意力单元对过滤后的各个图像块特征图进行信息整合和非线性运算降维，采用softmax函数将经过所述信息整合和非线性运算降维的各个图像块特征图对应分配预设范围内的权重得分，基于所述预设范围内的权重得分对所述各个图像块特征图进行加权整合，获得目标特征图。由于采用双重注意力机制对模型提取的组织形态学特征进行分阶段过滤，能够提高对图像特征选取的可靠性并提高分类准确度，以获得准确度更高的目标药物不良反应预测结果。
参考图6，图6为本发明药物不良反应的预测方法第三实施例的流程示意图。
基于上述实施例，考虑到当前用户的病理图像存在着尺寸较大、数量较多，以及病理图像中包含着许多冗余信息，可以对输入至模型的当前用户的病理图像进行预处理，目标药物的不良反应预测模型中：所述图像预处理模块，可以具体地包括图像切分单元和图像增强单元，步骤S51，包括：
步骤S511:通过所述图像切分单元对所述当前用户的病理图像进行图像块切分，获得当前用户的全部病理图像块。
可以理解的是，当前用户的病理图像也为大尺寸的图像，图像预处理模块可以对大尺寸的用户的病理图像进行切块，获得小尺寸的病理图像块。
步骤S512：通过所述图像增强单元对所述当前用户的全部病理图像块进行背景去除、平铺排列并去除无效图像块，获得经过筛选的当前用户的病理图像块。
可以理解的是，病理图像中包含了没有组织的区域以及有多余脂肪的区域，在将病理图像切分为病理图像块时，存在着大量仅包含上述没有组织的区域和多余脂肪的区域的病理图像块，同时，由于病理图像是经过染色获得，需要去除由于染色导致的背景上存在覆盖斑块的区域。再次，在背景去除后，为了便于后续进行特征提取，可以将病理图像块以最高的放大水平平铺成预设像素的非重叠块，获得经过筛选的当前用户的病理图像块。
此外，由于不同用户的病理图像采用的染色剂或数据来源不同，为了帮助模型学习不变型和处理染色过程中的可变性，还可以采用例如：随机旋转图像块、随机改变亮度、饱和度以及色调、进行切割正则等方式，对原始的病理图像块进行增强处理，以提高模型的预测精度，增加模型的泛化能力。
进一步地，考虑到即使是同一用户也可能存在多张病理图像，为了在对由多张病理图像切分得到的病理图像块进行抽样的同时综合多张病理图像的特征，提高最终获取的目标特征图的可靠性，步骤S52，还包括：
步骤S52’：通过所述图像块抽取模块对所述当前用户的病理图像块进行迭代抽样，并将抽取的预设数量的病理图像块作为所述当前用户的目标图像块。
可以理解的是，通过迭代抽样可以当前用户的病理图像块中每个图像块的特征都能被提取，使得特征的学习更加全面。
需要说明的是，单次抽取的预设数量可以是基于切分得到的病理图像块的数量进行对应设置的数值，也可也是综合考虑到当前用户的病理图像张数、检测设备对数据的处理能力以及用户需要得到的预测结果可靠度等多方面元素个性化设置的数值，本实施例对此不加以限制。
在具体实现中，图像块抽取模块接收到图像预处理模块发送的经过处理后的病理图像块，对切分得到的用户的病理图像块进行随机迭代抽样，提前预设一个抽取数量，将抽取的预设数量的病理图像块作为当前用户的目标图像块，发送至特征提取模块以进行目标特征的提取，能够提高模型的泛化能力，获得鲁棒性和可靠性更强的目标药物的不良反应预测模型。
本实施例通过将目标药物的不良反应预测模型中图像预处理模块进一步分为图像切分单元和图像增强单元，通过所述图像切分单元对所述当前用户的病理图像进行图像块切分，获得当前用户的全部病理图像块，通过所述图像增强单元对所述当前用户的全部病理图像块进行背景去除、平铺排列并去除无效图像块，获得经过筛选的当前用户的病理图像块。能够帮助模型学习不变型和处理染色过程中的可变性；并进一步地在图像块抽取模块中对所述当前用户的病理图像块进行迭代抽样，并将抽取的预设数量的病理图像块作为所述当前用户的目标图像块，能够综合多张病理图像的特征，提高模型的泛化能力，获得鲁棒性和可靠性更强的目标药物的不良反应预测模型，进一步地提高通过模型获得的当前用户对目标药物的不良反应预测结果准确度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有药物不良反应的预测程序，所述药物不良反应的预测程序被处理器执行时实现如上文所述的药物不良反应的预测方法的步骤。
参考图7，图7为本发明药物不良反应的预测装置第一实施例的结构框图。
如图7所示，本发明药物不良反应的预测装置，包括：
模型初始化模块701，用于基于ResNet构建初始化预测模型；
图像切分模块702，用于获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块；
图像抽样模块703，用于对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集；
模型训练模块704，用于基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型；
模型检测模块705，用于将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。
本实施例首先基于ResNet构建初始化预测模型，接着获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块，再对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集，然后基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型，最后将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。由于本实施例是根据模型来预测药物的不良反应，能够考虑到不同用户的个性化差异，区别地预测其对目标药物的不良反应，并将抽样后的服用目标药物的患者的相关病理图像块作为训练集对模型进行训练，能够提高模型预测的准确性，使模型的预测结果具有可解释性。
基于本发明上述药物不良反应的预测装置第一实施例，提出本发明药物不良反应的预测装置第二实施例。
在本实施例中，所述模型训练模块704中，所述目标药物的不良反应预测模型包括依次连接的图像预处理模块、图像块抽取模块、特征提取模块、双注意力模块和分类器模块。
所述模型检测模块705，用于将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块；通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块；通过所述特征提取模块对所述当前用户的目标图像块进行特征提取，获得图像块特征图；通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图；通过所述分类器模块对所述目标特征图进行预测，获得目标药物的不良反应预测结果。
进一步地，所述模型检测模块705，还用于通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图；通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图；其中所述双注意力模块包括：空间注意力单元和示例注意力单元，所述空间注意力单元分别与所述特征提取模块和所述示例注意力单元连接，所述示例注意力单元还与所述分类器模块连接。
进一步地，所述模型检测模块705，还用于通过所述空间注意力单元对所述图像块特征图进行非线性卷积运算和特征标准化，得到标准化的图像块特征图，对所述图像块特征图进行卷积运算，确定所述图像块特征图在空间维度的权重得分，基于所述空间维度的权重得分对所述标准化的图像块特征图进行整合，得到过滤后的图像块特征图；通过所述示例注意力单元对各个图像块特征图进行信息整合和非线性运算降维，采用softmax函数将经过所述信息整合和非线性运算降维的各个图像块特征图对应分配预设范围内的权重得分，基于所述预设范围内的权重得分对所述各个图像块特征图进行加权整合，获得目标特征图。
进一步地，所述模型检测模块705，还用于通过所述图像切分单元对所述当前用户的病理图像进行图像块切分，获得当前用户的全部病理图像块；通过所述图像增强单元对所述当前用户的全部病理图像块进行背景去除、平铺排列并去除无效图像块，获得经过筛选的当前用户的病理图像块；其中所述图像预处理模块包括图像切分单元和图像增强单元，所述图像切分单元与所述图像增强单元连接，所述图像增强单元还与所述图像块抽取模块连接。
进一步地，所述模型检测模块705，还用于通过所述图像块抽取模块对所述当前用户的病理图像块进行迭代抽样，并将抽取的预设数量的病理图像块作为所述当前用户的目标图像块。
本发明药物不良反应的预测装置其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……限定”的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
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。
Claims (7)
1.一种药物不良反应的预测方法，其特征在于，所述方法包括：
基于ResNet构建初始化预测模型；
获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相同尺寸大小的相关病理图像块；
对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集；
基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型；
将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果；
其中，所述目标药物的不良反应预测模型包括依次连接的图像预处理模块、图像块抽取模块、特征提取模块、双注意力模块和分类器模块；
所述将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果，包括：
将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块；
通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块；
通过所述特征提取模块对所述当前用户的目标图像块进行特征提取，获得图像块特征图；
通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图；
通过所述分类器模块对所述目标特征图进行预测，获得目标药物的不良反应预测结果；
其中，所述图像预处理模块包括图像切分单元和图像增强单元，所述图像切分单元与所述图像增强单元连接，所述图像增强单元还与所述图像块抽取模块连接，所述将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块，包括：
通过所述图像切分单元对所述当前用户的病理图像进行图像块切分，获得当前用户的全部病理图像块；
通过所述图像增强单元对所述当前用户的全部病理图像块进行背景去除、平铺排列并去除无效图像块，获得经过筛选的当前用户的病理图像块；
所述通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块，包括：
通过所述图像块抽取模块对所述当前用户的病理图像块进行迭代抽样，并将抽取的预设数量的病理图像块作为所述当前用户的目标图像块。
2.如权利要求1所述的药物不良反应的预测方法，其特征在于，所述双注意力模块包括：空间注意力单元和示例注意力单元，所述空间注意力单元分别与所述特征提取模块和所述示例注意力单元连接，所述示例注意力单元还与所述分类器模块连接；
所述通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图，包括：
通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图；
通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图。
3.如权利要求2所述的药物不良反应的预测方法，其特征在于，所述通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图，包括：
通过所述空间注意力单元对所述图像块特征图进行非线性卷积运算和特征标准化，得到标准化的图像块特征图，对所述图像块特征图进行卷积运算，确定所述图像块特征图在空间维度的权重得分，基于所述空间维度的权重得分对所述标准化的图像块特征图进行整合，得到过滤后的图像块特征图。
4.如权利要求3所述的药物不良反应的预测方法，其特征在于，所述通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图，包括：
通过所述示例注意力单元对各个图像块特征图进行信息整合和非线性运算降维，采用softmax函数将经过所述信息整合和非线性运算降维的各个图像块特征图对应分配预设范围内的权重得分，基于所述预设范围内的权重得分对所述各个图像块特征图进行加权整合，获得目标特征图。
5.一种药物不良反应的预测装置，其特征在于，所述装置包括：
模型初始化模块，用于基于ResNet构建初始化预测模型；
图像切分模块，用于获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相同尺寸大小的相关病理图像块；
图像抽样模块，用于对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集；
模型训练模块，用于基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型；
模型检测模块，用于将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果，其中，所述目标药物的不良反应预测模型包括依次连接的图像预处理模块、图像块抽取模块、特征提取模块、双注意力模块和分类器模块；
所述模型检测模块，还用于将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块；通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块；通过所述特征提取模块对所述当前用户的目标图像块进行特征提取，获得图像块特征图；通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图；通过所述分类器模块对所述目标特征图进行预测，获得目标药物的不良反应预测结果，其中，所述图像预处理模块包括图像切分单元和图像增强单元，所述图像切分单元与所述图像增强单元连接，所述图像增强单元还与所述图像块抽取模块连接；
所述模型检测模块，还用于通过所述图像切分单元对所述当前用户的病理图像进行图像块切分，获得当前用户的全部病理图像块；通过所述图像增强单元对所述当前用户的全部病理图像块进行背景去除、平铺排列并去除无效图像块，获得经过筛选的当前用户的病理图像块；
所述模型检测模块，还用于通过所述图像块抽取模块对所述当前用户的病理图像块进行迭代抽样，并将抽取的预设数量的病理图像块作为所述当前用户的目标图像块。
6.一种药物不良反应的预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的药物不良反应的预测程序，所述药物不良反应的预测程序配置为实现如权利要求1至4中任一项所述的药物不良反应的预测方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有药物不良反应的预测程序，所述药物不良反应的预测程序被处理器执行时实现如权利要求1至4任一项所述的药物不良反应的预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310851590.8A CN116564556B (zh) | 2023-07-12 | 2023-07-12 | 药物不良反应的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310851590.8A CN116564556B (zh) | 2023-07-12 | 2023-07-12 | 药物不良反应的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116564556A CN116564556A (zh) | 2023-08-08 |
| CN116564556B true CN116564556B (zh) | 2023-11-10 |
Family
ID=87493321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310851590.8A Active CN116564556B (zh) | 2023-07-12 | 2023-07-12 | 药物不良反应的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116564556B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| WO2022042043A1 (zh) * | 2020-08-27 | 2022-03-03 | 京东方科技集团股份有限公司 | 机器学习模型的训练方法、装置和电子设备 |
| CN115272196A (zh) * | 2022-07-11 | 2022-11-01 | 东北林业大学 | 组织病理图像中病灶区域预测方法 |
| CN115298749A (zh) * | 2020-05-08 | 2022-11-04 | 株式会社润医 | 用于预测对免疫抗癌药物的反应的方法和系统 |
| CN115662538A (zh) * | 2022-12-27 | 2023-01-31 | 北京晶泰科技有限公司 | 毒性预测模型的构建方法及预测模型、预测方法及装置 |
-
2023
- 2023-07-12 CN CN202310851590.8A patent/CN116564556B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115298749A (zh) * | 2020-05-08 | 2022-11-04 | 株式会社润医 | 用于预测对免疫抗癌药物的反应的方法和系统 |
| WO2022042043A1 (zh) * | 2020-08-27 | 2022-03-03 | 京东方科技集团股份有限公司 | 机器学习模型的训练方法、装置和电子设备 |
| CN113011499A (zh) * | 2021-03-22 | 2021-06-22 | 安徽大学 | 一种基于双注意力机制的高光谱遥感图像分类方法 |
| CN115272196A (zh) * | 2022-07-11 | 2022-11-01 | 东北林业大学 | 组织病理图像中病灶区域预测方法 |
| CN115662538A (zh) * | 2022-12-27 | 2023-01-31 | 北京晶泰科技有限公司 | 毒性预测模型的构建方法及预测模型、预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116564556A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11205266B2 (en) | Systems and methods for detection of structures and/or patterns in images | |
| US20230186467A1 (en) | Systems and methods for image classification | |
| US20080152217A1 (en) | System and method for modeling the neocortex and uses therefor | |
| Curiel-Lewandrowski et al. | Artificial intelligence approach in melanoma | |
| US20240119586A1 (en) | Synthetic Generation of Clinical Skin Images in Pathology | |
| Wu et al. | Learning scene gist with convolutional neural networks to improve object recognition | |
| CN113223668B (zh) | 胶囊内镜图像冗余数据筛查方法 | |
| US20220270357A1 (en) | Systems, methods, and apparatuses for implementing medical image segmentation using interactive refinement | |
| CN109034218B (zh) | 模型训练方法、装置、设备及存储介质 | |
| CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
| Yu et al. | Semantic content analysis and annotation of histological images | |
| Hema et al. | Region‐Based Segmentation and Classification for Ovarian Cancer Detection Using Convolution Neural Network | |
| Lake et al. | Application of artificial intelligence algorithm in image processing for cattle disease diagnosis | |
| CN116564556B (zh) | 药物不良反应的预测方法、装置、设备及存储介质 | |
| Hasan et al. | An End-to-End Lightweight Multi-Scale CNN for the Classification of Lung and Colon Cancer with XAI Integration | |
| Abbas et al. | Computational methods for neuron segmentation in two-photon calcium imaging data: a survey | |
| CN111476775B (zh) | Dr征象识别装置和方法 | |
| Shabu et al. | Parkinson’s Disease Detection using Machine Learning Algorithm | |
| Bajaj et al. | Diabetic retinopathy stage classification | |
| Farabi et al. | Explainable breast cancer detection from Histopathology images using transfer learning and XAI | |
| US11997240B1 (en) | Method and an apparatus for inline image scan enrichment | |
| Golan | DeepCADe: A Deep Learning Architecture for the Detection of Lung Nodules in CT Scans. | |
| Aich | Object Counting with Deep Learning | |
| Abu-Jamie et al. | Classification of Sign-Language Using Deep Learning-A Comparison between Inception and Xception models | |
| Aasen et al. | De-identification of medical images using object-detection models, generative adversarial networks and perceptual loss |
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 |