CN116994698A - 基于深度学习的舍曲林剂量个体化推荐方法及装置 - Google Patents
基于深度学习的舍曲林剂量个体化推荐方法及装置 Download PDFInfo
- Publication number
- CN116994698A CN116994698A CN202310752295.7A CN202310752295A CN116994698A CN 116994698 A CN116994698 A CN 116994698A CN 202310752295 A CN202310752295 A CN 202310752295A CN 116994698 A CN116994698 A CN 116994698A
- Authority
- CN
- China
- Prior art keywords
- information
- characteristic
- individual
- feature
- dose
- 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.)
- Pending
Links
- VGKDLMBJGBXTGI-SJCJKPOMSA-N sertraline Chemical compound C1([C@@H]2CC[C@@H](C3=CC=CC=C32)NC)=CC=C(Cl)C(Cl)=C1 VGKDLMBJGBXTGI-SJCJKPOMSA-N 0.000 title claims abstract description 102
- 229960002073 sertraline Drugs 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 43
- 229940079593 drug Drugs 0.000 claims abstract description 36
- 239000003814 drug Substances 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 45
- 230000003068 static effect Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000000546 chi-square test Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000001225 therapeutic effect Effects 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 description 8
- 206010067484 Adverse reaction Diseases 0.000 description 6
- 230000006838 adverse reaction Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012795 verification Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的舍曲林剂量个体化推荐方法及装置，属于信息处理技术领域，包括：获取N个个体特征信息，其中，个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；基于个体特征信息构建T2G‑FORMER剂量预测模型中的L层特征关系块，其中，L为非零正整数；对L层特征关系块的特征空间图进行跨层顺序读取，得到各层特征关系块的读出信息；基于各个读出信息进行剂量预测，获取T2G‑FORMER剂量预测模型输出的个体特征信息对应的舍曲林剂量预测信息；其中，T2G‑FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
Description
技术领域
本发明涉及信息处理技术领域，尤其涉及一种基于深度学习的舍曲林剂量个体化推荐方法及装置。
背景技术
在给药过程中，需要根据患者的实际身体状况和病情程度确定某个舍曲林的剂量，但由于不同患者对舍曲林的敏感程度不同，容易出现舍曲林的剂量不准确，导致患者出现不良反应的情况。
因此，如何解决确定患者舍曲林剂量时的不准确的缺陷，是当前业界亟待解决的问题。
发明内容
本发明提供一种基于深度学习的舍曲林剂量个体化推荐方法及装置。
本发明提供一种基于深度学习的舍曲林剂量个体化推荐方法，包括：获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，其中，L为非零正整数；
对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
根据本发明提供的一种基于深度学习的舍曲林剂量个体化推荐方法，所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，包括：
将所述个体特征信息中的各个所述特征信息进行嵌入，得到各个所述特征信息的嵌入向量；
将各个所述特征信息的嵌入向量输入到所述T2G-FORMER剂量预测模型中，以每个所述特征信息作为特征节点；
对每对所述特征节点，利用成对得分函数确定每对所述特征节点之间的成对得分，其中，以每两个所述特征节点为一对所述特征节点；
基于各对所述特征节点之间的所述成对得分，构建加权关系图；
基于每对所述嵌入向量，利用静态关系拓扑得分函数确定每对所述嵌入向量之间的静态关系拓扑得分，其中，以每两个所述嵌入向量为一对嵌入向量；
基于各对所述嵌入向量之间的所述静态关系拓扑得分，构建全局静态知识拓扑图；
将所述加权关系图和所述全局静态知识拓扑图用哈达玛积，构建特征关系图；
基于L个所述特征关系图和L个变换特征信息，构建L层所述特征关系块。
根据本发明提供的一种基于深度学习的舍曲林剂量个体化推荐方法，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，还包括：
获取多个初始个体特征样本信息，每个所述初始个体特征样本信息包括多个多维特征信息；
删除多个所述初始个体特征样本信息中的目标初始个体特征样本信息，得到N个个体特征样本信息，其中，N为非零正整数；
其中，所述目标初始个体特征样本信息是所述多维特征信息的数量小于预设阈值的初始个体特征样本信息；
其中，所述个体特征样本信息包括以下所述多维特征信息中的至少一项：舍曲林剂量信息、个体体征信息、个体历史用药剂量信息、联合用药信息、舍曲林不良反应信息、诊断信息和治疗信息。
根据本发明提供的一种基于深度学习的舍曲林剂量个体化推荐方法，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，还包括：
对N个个体特征样本信息中的连续类变量特征信息，基于Mann-Whitney U检验方法或方差检验方法进行检验，根据检验结果信息，筛选得到初筛后的M个个体特征样本信息；
对所述N个个体特征样本信息中的分类变量特征信息的独热编码进行比例分析，得到分析结果信息；对分类变量特征信息进行卡方检验方法或Fish检验方法检验，结合所述分析结果信息，筛选得到初筛后的P个个体特征样本信息；
重要度排序算法对各个初筛后的个体特征样本信息进行重要性排序，根据重要性排序结果，确定N个筛选后的个体特征样本信息。
根据本发明提供的一种基于深度学习的舍曲林剂量个体化推荐方法，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，包括：
将每个筛选后的个体特征样本信息作为一个训练样本，获取N个所述训练样本，将所述训练样本输入到预设T2G-FORMER剂量预测模型中，输出舍曲林剂量预测信息；
基于舍曲林剂量预测信息和所述训练样本对应的所述舍曲林剂量标签确定第一损失函数，基于所述第一损失函数更新所述预设T2G-FORMER剂量预测模型。
本发明还提供一种剂量预测装置，包括：第一获取模块，用于获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
构建模块，用于基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块；
读取模块，用于对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
第二获取模块，用于基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
根据本发明提供的一种剂量预测装置，所述构建模块，具体用于：
将所述个体特征信息中的各个所述特征信息进行嵌入，得到各个所述特征信息的嵌入向量；
将各个所述特征信息的嵌入向量输入到所述T2G-FORMER剂量预测模型中，以每个所述特征信息作为特征节点；
对每对所述特征节点，利用成对得分函数确定每对所述特征节点之间的成对得分，其中，以每两个所述特征节点为一对所述特征节点；
基于各对所述特征节点之间的所述成对得分，构建加权关系图；
基于每对所述嵌入向量，利用静态关系拓扑得分函数确定每对所述嵌入向量之间的静态关系拓扑得分，其中，以每两个所述嵌入向量为一对嵌入向量；
基于各对所述嵌入向量之间的所述静态关系拓扑得分，构建全局静态知识拓扑图；
将所述加权关系图和所述全局静态知识拓扑图用哈达玛积，构建特征关系图；
基于L个所述特征关系图和L个变换特征信息，构建L层所述特征关系块。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于深度学习的舍曲林剂量个体化推荐方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于深度学习的舍曲林剂量个体化推荐方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于深度学习的舍曲林剂量个体化推荐方法。
本发明提供的一种基于深度学习的舍曲林剂量个体化推荐方法及装置，通过获取个体特征信息，可以有效获取真实个体的数据，从而使得基于个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，可以准确学习多维特征信息之间的关系，跨层顺序读取每层特征关系块的特征空间图，可以有效将特征关系块中的显著特征读取出来，保证得到的各层特征关系块的读出信息的准确性，从而确保舍曲林剂量预测信息的准确性，有助于提升确定患者目标舍曲林剂量的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于深度学习的舍曲林剂量个体化推荐方法的流程示意图之一；
图2是本发明提供的基于深度学习的舍曲林剂量个体化推荐方法的流程示意图之二；
图3是本发明提供的剂量预测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
图1是本发明提供的基于深度学习的舍曲林剂量个体化推荐方法的流程示意图之一，如图1所示，包括：
步骤110，获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
个体特征信息是指与个体特征相关的信息，可以包括个体体征信息、个体历史用药剂量信息和联合用药信息等。
在本申请实施例中，个体体征信息是指反映人体体征的各种信息，具体可以包括身高、体重、心率或血糖等信息。
个体历史用药剂量信息可以是指个体过去服用舍曲林时的历史剂量数据信息。
在本申请实施例中，联合用药信息可以是指服用除舍曲林外其它药物的种类、剂量或者时间等信息。
具体地，多维特征信息具体可能是多维度的，包含有多个特征信息，特征信息具体可以是例如体重、身高等某个特征。
步骤120，基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，其中，L为非零正整数；
在本申请实施例中，T2G-FORMER(Transformer network for tabular learning，用于表格学习的转换器网络)剂量预测模型，可以结合自适应边权重和静态拓扑图，构建具有自适应边权重的图，来实现表格特征的交互。
具体地，T2G-FORMER剂量预测模型构建具有自适应边权重的图，即构建特征关系图来逐层交互特征，获取更高级别的特征，从而构建L层特征关系块，其中，L为非零正整数。
步骤130，对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
在本申请实施例中，L层特征关系块的特征空间图具体可以指特征关系块构建的自适应边权重的图。
具体地，特征空间图中包括自适应边权重和静态关系拓扑，因此，读取第l层特征关系块的特征空间图，公式具体可以是：
其中，表示构成权重向量al第i个特征的权重，el∈Rd表示第l层读出节点的语义的可学习向量，fi t是每层的特征节点，/>是构建静态拓扑图时的逐层列嵌入，gw()是得到自适应边权重的函数，ftop()是得到静态关系拓扑的函数。
在本申请实施例中，跨层顺序读取具体可以是，对于每一层特征关系块的特征空间图，利用门控融合，将上一层的特征表示与下一层的特征表示进行融合，从而实现逐层融合读取的过程。
具体地，跨层顺序读取第l层特征关系块，得到读出信息zl，公式具体可以是：
hl＝Whzl
rl＝softmax(αl)TVl+zl
zl+1＝FFN(rl)+rl
其中，Wh是可学习参数，Vl是在特征关系块中的变换特征信息，通过FFN变换将当前读取结果rl转换到第(l+1)层的特征空间，以供下一轮采集之用。
步骤140，基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
在本申请实施例中，由于是逐层读取的，上一层的特征表示与下一层的特征表示通过门控融合结合到了一起，因此，各个读出信息中所包含的读取的特征，最终汇集到最后一层特征关系块的读出信息中。
具体地，基于各个读出信息进行剂量预测，T2G-FORMER剂量预测模型输出的个体特征信息对应的舍曲林剂量预测信息ypredict的公式，具体可以是：
ypredict＝FC(Re L U(LN(zl)))
其中，LN和FC分别表示层归一化和全连通层。
本申请实施例中，通过获取个体特征信息，可以有效获取真实个体的数据，从而使得基于个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，可以准确学习多维特征信息之间的关系，跨层顺序读取每层特征关系块的特征空间图，可以有效将特征关系块中的显著特征读取出来，保证得到的各层特征关系块的读出信息的准确性，从而确保舍曲林剂量预测信息的准确性，有助于提升确定患者目标舍曲林剂量的准确性。
可选地，所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，包括：
将所述个体特征信息中的各个所述特征信息进行嵌入，得到各个所述特征信息的嵌入向量；
将各个所述特征信息的嵌入向量输入到所述T2G-FORMER剂量预测模型中，以每个所述特征信息作为特征节点；
对每对所述特征节点，利用成对得分函数确定每对所述特征节点之间的成对得分，其中，以每两个所述特征节点为一对所述特征节点；
基于各对所述特征节点之间的所述成对得分，构建加权关系图；
基于每对所述嵌入向量，利用静态关系拓扑得分函数确定每对所述嵌入向量之间的静态关系拓扑得分，其中，以每两个所述嵌入向量为一对嵌入向量；
基于各对所述嵌入向量之间的所述静态关系拓扑得分，构建全局静态知识拓扑图；
将所述加权关系图和所述全局静态知识拓扑图用哈达玛积，构建特征关系图；
基于L个所述特征关系图和L个变换特征信息，构建L层所述特征关系块。
在本申请实施例中，将个体特征信息中的各个特征信息进行嵌入，具体可以是将特征信息转换为固定长度的向量，以便更好地在模型中进行处理。
在本申请实施例中，将每个嵌入向量作为一个特征节点，以每两个特征节点为一对特征节点。
具体地，每对特征节点之间的成对得分具体可以表示每对特征节点之间的关系强度。
具体地，用成对得分函数gw()确定每对特征节点fi h和fj t之间的成对得分Gw[i,j]，公式具体可以是：
其中，diag(r)是由语义上表示特征交互关系的可学习关系向量r参数化的对角矩阵，其中Gw[i,j]表示两对特征节点之间的成对得分。
在本申请实施例中，以所有的各对特征节点之间的成对得分，来构建加权关系图Gw，其中，加权关系图的节点为特征节点，而边表示特征之间的关系强度。
具体地，特征信息中可能包含多个嵌入向量，T2G-FORMER剂量预测模型中构建嵌入向量之间的静态关系拓扑关系，来约束加权关系图中各个特征信息之间的特征交互。
在本申请实施例中，利用静态关系拓扑得分函数gt()确定每对嵌入向量之间的静态关系拓扑得分Gt[i,j]，公式具体可以是：
具体地，根据所有静态关系拓扑得分，构建全局静态知识拓扑图，公式具体可以是：
A＝ftop(Gt)＝1[σ1(Gt+b)>T]
其中，A是全局静态知识拓扑图，也是一个邻接矩阵，可以约束特征交互，ftop()是构建全局静态知识拓扑图的函数。
具体地，将加权关系图Gw和所述全局静态知识拓扑图A用哈达玛积，构建特征关系图G的公式，具体可以是：
G＝σ2(fnsi(A)⊙Gw)
具体地，一层特征关系块中包含一个特征关系图G和一个变换特征信息V，每层特征关系块中学习到的特征交互，可以迭代传递，在实现中，执行层归一化进行稳定训练。
具体地，对于第l层特征关系块学习到的特征交互信息Xl，迭代到下一层更高级别的Xl+1的过程，公式具体可以是：
Gl＝GE(Xl),Vl＝WvXl
Hl＝GlVl+g(Xl),Xl+1＝FFN(Hl)+g(Hl)
其中，Wv∈Rm×n是用于特征变换的可学习参数，Vl为变换特征，FFN为反馈神经网络。在组装特征关系图G时排除了自我交互循环，因此增加了一条捷径g来保护信息不受前面层的影响。需要注意的是，特征关系图G用于特征交互，并不影响捷径g更新内部特征。
本申请实施例中，通过成对得分函数确定特征节点之间的成对得分，从而使得构建的加权关系图可以有效学习并构建特征节点之间的相互关系；并通过构建全局静态知识拓扑图，可以有效表示嵌入向量之间的静态关系，从而进一步约束加权关系图中的特征交互；结合加权关系图和全局静态知识拓扑图，构建特征关系图，可以有效实现对特征关系的全面分析，提高最终预测的准确性。
可选地，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，还包括：
获取多个初始个体特征样本信息，每个所述初始个体特征样本信息包括多个多维特征信息；
删除多个所述初始个体特征样本信息中的目标初始个体特征样本信息，得到N个个体特征样本信息，其中，N为非零正整数；
其中，所述目标初始个体特征样本信息是所述多维特征信息的数量小于预设阈值的初始个体特征样本信息；
其中，所述个体特征样本信息包括以下所述多维特征信息中的至少一项：舍曲林剂量信息、个体体征信息、个体历史用药剂量信息、联合用药信息、舍曲林不良反应信息、诊断信息和治疗信息。
在本申请实施例中，初始个体特征样本信息是指未经过任何处理的原始的个体特征样本信息。
具体地，由于可能出现初始个体特征样本信息中存在大量缺失数据的情况，因此需要删除这些缺失数据过多的样本。
在本申请实施例中，我们预先设定了预设阈值，当初始个体特征样本信息中某个多维特征信息的数据数量小于预设阈值时，则将包含了该多维特征信息的初始个体特征样本信息，设为目标初始个体特征样本信息，并将多个目标初始个体特征样本信息逐一删除，从而得到N个个体特征样本信息。
具体地，舍曲林剂量信息是指个体服用舍曲林的剂量数据。
具体地，个体体征信息是指反映人体生理状态的指标，例如身高、体重、血压、体温和心率等，这些指标可以反映一个人的身体健康状况。
具体地，个体历史用药剂量信息指的是某个个体在过去服用舍曲林的历史剂量数据记录。
具体地，联合用药信息指的是个体在过去使用的除舍曲林外其它药物的历史记录，包括用药剂量、用药频次和用药时长等信息。
具体地，舍曲林不良反应信息指的是个体在用药期间出现的不良反应记录，包括具体症状、发生时间、持续时间和程度等不良反应信息。
具体地，诊断信息指的是就诊过程中有关某种用舍曲林治疗的疾病的确诊信息，包括疾病名称、确诊结果和严重程度等诊断信息。
具体地，治疗信息指的是治疗某种用舍曲林治疗的疾病所采用的具体治疗信息，包括治疗周期、手术类型和手术时长等信息。
在本申请实施例中，通过删除目标初始个体特征样本信息，可以确保缺失数据过多的初始个体特征样本信息不会影响后续处理，从而保证预测结果的准确性。
可选地，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，还包括：
对N个个体特征样本信息中的连续类变量特征信息，基于Mann-Whitney U检验方法或方差检验方法进行检验，根据检验结果信息，筛选得到初筛后的M个个体特征样本信息；
对所述N个个体特征样本信息中的分类变量特征信息的独热编码进行比例分析，得到分析结果信息；对分类变量特征信息进行卡方检验方法或Fish检验方法检验，结合所述分析结果信息，筛选得到初筛后的P个个体特征样本信息；
重要度排序算法对各个初筛后的个体特征样本信息进行重要性排序，根据重要性排序结果，确定N个筛选后的个体特征样本信息。
在本申请实施例中，采用Mann-Whitney U检验方法将个体特征样本信息中的连续类变量特征信息分为两组，一组包含舍曲林剂量信息，另一组不包含舍曲林剂量信息。通过对两组数据的秩次进行比较，计算P值，判断两组数据是否存在显著性差异。如果P值小于0.05，则认为该连续类变量特征信息与舍曲林剂量信息之间存在显著性差异，保留该连续类变量特征信息，否则删除该连续类变量特征信息。
在本申请实施例中，方差检验方法是一种用于检验两个或多个总体方差是否相等的统计方法，通过计算P值来评估不同连续类变量特征信息对舍曲林剂量信息的影响是否显著。如果P值小于0.05，则认为该连续类变量特征信息与舍曲林剂量信息之间存在显著性差异，保留该连续类变量特征信息，否则删除该连续类变量特征信息。
具体地，通过对连续类变量特征信息的检验，筛选出初步筛选后的M个个体特征样本信息，其中，M为非零正整数。在筛选过程中，出现初始个体特征样本信息中缺失数据过多的情况，则需要将该样本删除。
在本申请实施例中，分类变量特征信息指的是那些只在有限选项内取值的特征，例如性别、血型等。
在本申请实施例中，采用独热编码将分类变量特征信息转换为一个长度等于分类变量取值数目的二进制向量，其中每个取值对应一个二进制数。
具体地，通过对分类变量特征信息的独热编码进行比例分析，如果比例小于0.01，则认为该分类变量特征信息是极度不平衡的变量，否则认为不是。在删除极度不平衡变量的分类变量特征信息后，可以使用卡方检验方法或Fish检验方法，检验分类变量特征信息和舍曲林剂量信息之间的显著性关系。
具体地，卡方检验方法可以通过计算卡方统计量和自由度来确定P值，如果p值小于0.05，则可以认为该分类变量特征信息对舍曲林剂量信息的影响是显著的，保留该分类变量特征信息，否则删除该分类变量特征信息。
具体地，经过上述对分类变量特征信息的筛选步骤，得到初筛后的P个个体特征样本信息，P为非零正整数。
在本申请实施例中，使用基于梯度提升树的重要度排序算法XGBoost(eXtremeGradient Boosting，极端梯度提升)来进行重要度排序。对于每个初筛后的个体特征样本信息，使用XGBoost算法构建决策树进行重要性提取。在单个决策树中，选出某个协变量的最佳分裂点，通过比较子节点的均方误差之和来确定最佳分裂点。通过将数据分为九类构建九个训练集，每个训练集包含其中的八类数据，缺少其中一类数据，而且各个训练集之间缺少的数据各不相同。在训练过程中，XGBoost算法会构建多颗决策树，训练各个训练集时会调整决策树的节点排序，最终找到最重要的十个协变量，并使用验证集进行验证。最重要的十个协变量就是重要性提取结果，并将这些变量组成筛选后的个体特征样本信息，得到N个筛选后的个体特征样本信息。这样做可以大大减少筛选后的个体特征样本信息的维度，从而提高模型的效率。
具体地，还可以利用LightGBM(Light Gradient Boosting Machine，轻量级梯度提升决策树)将筛选后的个体特征样本信息的缺失值进行插补。
本申请实施例中，通过筛选连续类变量特征信息和分类变量特征信息，可以有效减少个体特征样本信息的维度，并且使得未删除的特征信息可以是与舍曲林剂量信息相关性较高的特征信息，这有助于提高模型训练的效率和预测结果的准确性。
可选地，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，包括：
将每个筛选后的个体特征样本信息作为一个训练样本，获取N个所述训练样本，将所述训练样本输入到预设T2G-FORMER剂量预测模型中，输出舍曲林剂量预测信息；
基于舍曲林剂量预测信息和所述训练样本对应的所述舍曲林剂量标签确定第一损失函数，基于所述第一损失函数更新所述预设T2G-FORMER剂量预测模型。
具体地，训练样本分别对应舍曲林剂量预测信息和舍曲林剂量标签。
在本申请实施例中，第一损失函数具体可以用来评估舍曲林剂量预测信息和舍曲林剂量标签之间的差距，表示预测的结果和实际的数据之间的差距。第一损失函数具体可以是均方误差、平均绝对误差或对数损失等。
在本申请实施例中，基于第一损失函数更新预设T2G-FORMER剂量预测模型，具体可以是用不断重复反向传播算法或梯度下降等优化算法，更新预设T2G-FORMER剂量预测模型的参数，使得第一损失函数最小化的过程。当第一损失函数最小化到某个预设的阈值时，即可停止更新参数。
具体地，第一损失函数具体可以为：
其中M为分类个数。
具体地，预设T2G-FORMER剂量预测模型的目标函数具体可以是：
OF＝L+γ*||Λ||
其中γ*为正则化项，Λ为深度神经网络部分的参数。
具体地，以Accuracy(精度)、Precision(准确率)、Recall(召回率)、F1-Score作为预设T2G-FORMER剂量预测模型的评估指标。
具体地，Accuracy公式如下：
具体地，Precision公式如下：
具体地，Recall公式如下：
具体地，F1-score公式如下：
具体地，其中TP为被正确地划分为正例的个数，FP为被错误地划分为正例的个数，FN为被错误地划分为负例的个数，TN为被正确地划分为负例的个数。
具体地，当模型在测试集上表现出高精度、高准确率、高召回率、高F1-Score时，可以表示模型评估效果是可行的，最终综合考虑各个评估指标的表现，以确定最适合的模型和参数组合。
本申请实施例中，通过舍曲林剂量预测信息和所述训练样本对应的所述舍曲林剂量标签确定的第一损失函数，可以不断更新预设T2G-FORMER剂量预测模型的参数，最终使得预测结果与实际数据之间的距离最小化，从而提高训练的准确性。
图2是本发明提供的基于深度学习的舍曲林剂量个体化推荐方法的流程示意图之二，如图2所示，包括：从真实世界中获取数据，将个体体征信息、舍曲林剂量信息、诊断信息、治疗信息、舍曲林不良反应信息等建立起数据库，并删除数据库中缺失率大于阈值的样本。接着对变量进行初筛和终筛，将变量中的无用特征，即与舍曲林剂量信息无关或者相关性很少的特征给删除，进行初筛和终筛后的样本数据构建预设T2G-FORMER剂量预测模型。进行模型优化后，将该模型应用到个性智能推送舍曲林剂量预测的装置中，该装置可以有效得出针对个体的舍曲林剂量预测信息，并且结合舍曲林剂量预测信息，安排舍曲林剂量的服用，可以有效使得服用过程中，血药浓度合理有效、不良反应低，并且该装置适用的覆盖人群广。
下面对本发明提供的剂量预测装置进行描述，下文描述的剂量预测装置与上文描述的基于深度学习的舍曲林剂量个体化推荐方法可相互对应参照。
图3是本发明提供的剂量预测装置的结构示意图，如图3所示，包括：
第一获取模块310，用于获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
构建模块320，用于基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块；
读取模块330，用于对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
第二获取模块340，用于基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于深度学习的舍曲林剂量个体化推荐方法，该方法包括：获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，其中，L为非零正整数；
对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于深度学习的舍曲林剂量个体化推荐方法，该方法包括：获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，其中，L为非零正整数；
对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于深度学习的舍曲林剂量个体化推荐方法，该方法包括：获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，其中，L为非零正整数；
对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的舍曲林剂量个体化推荐方法，其特征在于，包括：
获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，其中，L为非零正整数；
对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
2.根据权利要求1所述的基于深度学习的舍曲林剂量个体化推荐方法，其特征在于，所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块，包括：
将所述个体特征信息中的各个所述特征信息进行嵌入，得到各个所述特征信息的嵌入向量；
将各个所述特征信息的嵌入向量输入到所述T2G-FORMER剂量预测模型中，以每个所述特征信息作为特征节点；
对每对所述特征节点，利用成对得分函数确定每对所述特征节点之间的成对得分，其中，以每两个所述特征节点为一对所述特征节点；
基于各对所述特征节点之间的所述成对得分，构建加权关系图；
基于每对所述嵌入向量，利用静态关系拓扑得分函数确定每对所述嵌入向量之间的静态关系拓扑得分，其中，以每两个所述嵌入向量为一对嵌入向量；
基于各对所述嵌入向量之间的所述静态关系拓扑得分，构建全局静态知识拓扑图；
将所述加权关系图和所述全局静态知识拓扑图用哈达玛积，构建特征关系图；
基于L个所述特征关系图和L个变换特征信息，构建L层所述特征关系块。
3.根据权利要求1所述的基于深度学习的舍曲林剂量个体化推荐方法，其特征在于，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，还包括：
获取多个初始个体特征样本信息，每个所述初始个体特征样本信息包括多个多维特征信息；
删除多个所述初始个体特征样本信息中的目标初始个体特征样本信息，得到N个个体特征样本信息，其中，N为非零正整数；
其中，所述目标初始个体特征样本信息是所述多维特征信息的数量小于预设阈值的初始个体特征样本信息；
其中，所述个体特征样本信息包括以下所述多维特征信息中的至少一项：舍曲林剂量信息、个体体征信息、个体历史用药剂量信息、联合用药信息、舍曲林不良反应信息、诊断信息和治疗信息。
4.根据权利要求1所述的基于深度学习的舍曲林剂量个体化推荐方法，其特征在于，在所述基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块之前，还包括：
对N个个体特征样本信息中的连续类变量特征信息，基于Mann-Whitney U检验方法或方差检验方法进行检验，根据检验结果信息，筛选得到初筛后的M个个体特征样本信息；
对所述N个个体特征样本信息中的分类变量特征信息的独热编码进行比例分析，得到分析结果信息；对分类变量特征信息进行卡方检验方法或Fish检验方法检验，结合所述分析结果信息，筛选得到初筛后的P个个体特征样本信息；
重要度排序算法对各个初筛后的个体特征样本信息进行重要性排序，根据重要性排序结果，确定N个筛选后的个体特征样本信息。
5.根据权利要求1所述的基于深度学习的舍曲林剂量个体化推荐方法，其特征在于，
将每个筛选后的个体特征样本信息作为一个训练样本，获取N个所述训练样本，将所述训练样本输入到预设T2G-FORMER剂量预测模型中，输出舍曲林剂量预测信息；
基于舍曲林剂量预测信息和所述训练样本对应的所述舍曲林剂量标签确定第一损失函数，基于所述第一损失函数更新所述预设T2G-FORMER剂量预测模型。
6.一种剂量预测装置，其特征在于，包括：
第一获取模块，用于获取个体特征信息，其中，所述个体特征信息包括以下多维特征信息中的至少一项：个体体征信息、个体历史用药剂量信息和联合用药信息；其中，所述多维特征信息中包括至少一个特征信息，N是非零正整数；
构建模块，用于基于所述个体特征信息构建T2G-FORMER剂量预测模型中的L层特征关系块；
读取模块，用于对所述L层特征关系块的特征空间图进行跨层顺序读取，得到各层所述特征关系块的读出信息；
第二获取模块，用于基于各个所述读出信息进行剂量预测，获取所述T2G-FORMER剂量预测模型输出的所述个体特征信息对应的舍曲林剂量预测信息；
其中，所述T2G-FORMER剂量预测模型是基于携带有舍曲林剂量标签的个体特征样本信息训练得到的。
7.根据权利要求6所述的剂量预测装置，其特征在于，所述构建模块，具体用于：
将所述个体特征信息中的各个所述特征信息进行嵌入，得到各个所述特征信息的嵌入向量；
将各个所述特征信息的嵌入向量输入到所述T2G-FORMER剂量预测模型中，以每个所述特征信息作为特征节点；
对每对所述特征节点，利用成对得分函数确定每对所述特征节点之间的成对得分，其中，以每两个所述特征节点为一对所述特征节点；
基于各对所述特征节点之间的所述成对得分，构建加权关系图；
基于每对所述嵌入向量，利用静态关系拓扑得分函数确定每对所述嵌入向量之间的静态关系拓扑得分，其中，以每两个所述嵌入向量为一对嵌入向量；
基于各对所述嵌入向量之间的所述静态关系拓扑得分，构建全局静态知识拓扑图；
将所述加权关系图和所述全局静态知识拓扑图用哈达玛积，构建特征关系图；
基于L个所述特征关系图和L个变换特征信息，构建L层所述特征关系块。
8.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于深度学习的舍曲林剂量个体化推荐方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于深度学习的舍曲林剂量个体化推荐方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2023103342298 | 2023-03-31 | ||
| CN202310334229 | 2023-03-31 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116994698A true CN116994698A (zh) | 2023-11-03 |
Family
ID=88532961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310752295.7A Pending CN116994698A (zh) | 2023-03-31 | 2023-06-25 | 基于深度学习的舍曲林剂量个体化推荐方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116994698A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109860509A (zh) * | 2019-01-14 | 2019-06-07 | 中国电力科学研究院有限公司 | 一种阴离子共掺杂的富锂锰基固溶体正极材料的制备方法 |
| CN110010252A (zh) * | 2019-04-01 | 2019-07-12 | 上海交通大学医学院附属新华医院 | 华法林给药剂量预测方法及装置 |
| CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断系统 |
| WO2022206320A1 (zh) * | 2021-04-01 | 2022-10-06 | 腾讯科技（深圳）有限公司 | 预测模型训练、数据预测方法、装置和存储介质 |
-
2023
- 2023-06-25 CN CN202310752295.7A patent/CN116994698A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109860509A (zh) * | 2019-01-14 | 2019-06-07 | 中国电力科学研究院有限公司 | 一种阴离子共掺杂的富锂锰基固溶体正极材料的制备方法 |
| CN110010252A (zh) * | 2019-04-01 | 2019-07-12 | 上海交通大学医学院附属新华医院 | 华法林给药剂量预测方法及装置 |
| WO2022206320A1 (zh) * | 2021-04-01 | 2022-10-06 | 腾讯科技（深圳）有限公司 | 预测模型训练、数据预测方法、装置和存储介质 |
| CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021120936A1 (zh) | 一种基于多任务学习模型的慢病预测系统 | |
| Bashir et al. | BagMOOV: A novel ensemble for heart disease prediction bootstrap aggregation with multi-objective optimized voting | |
| US8055603B2 (en) | Automatic generation of new rules for processing synthetic events using computer-based learning processes | |
| US20080294692A1 (en) | Synthetic Events For Real Time Patient Analysis | |
| Padula et al. | Machine learning methods in health economics and outcomes research—the PALISADE checklist: a good practices report of an ISPOR task force | |
| Zohora et al. | Forecasting the risk of type ii diabetes using reinforcement learning | |
| Dabowsa et al. | A hybrid intelligent system for skin disease diagnosis | |
| CN109243620B (zh) | 基于血药浓度监测的药效优化方法及装置 | |
| CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
| CN111387938B (zh) | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 | |
| CN113808693A (zh) | 一种基于图神经网络和注意力机制的药物推荐方法 | |
| US20210375441A1 (en) | Using clinical notes for icu management | |
| Gupta et al. | Concurrent imputation and prediction on EHR data using bi-directional GANs: Bi-GANs for EHR imputation and prediction | |
| Overweg et al. | Interpretable outcome prediction with sparse Bayesian neural networks in intensive care | |
| CN113345564B (zh) | 一种基于图神经网络的患者住院时长早期预测方法及装置 | |
| CN112035627B (zh) | 自动问答方法、装置、设备及存储介质 | |
| US20130253892A1 (en) | Creating synthetic events using genetic surprisal data representing a genetic sequence of an organism with an addition of context | |
| Madanan et al. | Designing a hybrid artificial intelligent clinical decision support system using artificial neural network and artificial Bee Colony for predicting heart failure rate | |
| CN116994698A (zh) | 基于深度学习的舍曲林剂量个体化推荐方法及装置 | |
| CN114613497A (zh) | 基于gbdt样例级的病患样本的智能医学辅助诊断方法 | |
| D'Souza et al. | Diabetes Detection Using Machine Learning Algorithms | |
| CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测系统 | |
| Shi et al. | LIVE: A Local Interpretable model-agnostic Visualizations and Explanations | |
| CN116994699B (zh) | 基于深度学习的文拉法辛剂量个体化推荐方法及装置 | |
| Harish et al. | Prediction of Heart Stroke using A Novel Framework–PySpark |
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 |