CN116994699A - 基于深度学习的文拉法辛剂量个体化推荐方法及装置 - Google Patents
基于深度学习的文拉法辛剂量个体化推荐方法及装置 Download PDFInfo
- Publication number
- CN116994699A CN116994699A CN202310755380.9A CN202310755380A CN116994699A CN 116994699 A CN116994699 A CN 116994699A CN 202310755380 A CN202310755380 A CN 202310755380A CN 116994699 A CN116994699 A CN 116994699A
- Authority
- CN
- China
- Prior art keywords
- information
- dose
- venlafaxine
- characteristic information
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- PNVNVHUZROJLTJ-UHFFFAOYSA-N venlafaxine Chemical compound C1=CC(OC)=CC=C1C(CN(C)C)C1(O)CCCCC1 PNVNVHUZROJLTJ-UHFFFAOYSA-N 0.000 title claims abstract description 141
- 229960004688 venlafaxine Drugs 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 90
- 230000003993 interaction Effects 0.000 claims abstract description 83
- 229940079593 drug Drugs 0.000 claims abstract description 38
- 239000003814 drug Substances 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 113
- 238000012216 screening Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010998 test method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000546 chi-square test Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000000585 Mann–Whitney U test Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000035790 physiological processes and functions Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 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
- 238000001356 surgical procedure Methods 0.000 description 2
- 229940126585 therapeutic drug Drugs 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007368 endocrine function Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Toxicology (AREA)
- Pharmacology & Pharmacy (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文拉法辛剂量个体化推荐方法及装置,属于信息处理技术领域,包括:获取个体特征信息,其中,所述个体特征信息包括以下维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛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文拉法辛剂量个体化推荐方法及装置。
背景技术
在一些情况下,患者服用文拉法辛时需要进行治疗性药物监测,即通过测量文拉法辛的活性部分,来监测特定剂量下文拉法辛产生的效果,但即使在治疗性药物监测下,不同患者用同一剂量的文拉法辛进行治疗时,文拉法辛产生的效果存在较大的差异,导致无法确定文拉法辛对于不同个体的有效剂量。
因此,如何解决难以确定文拉法辛对于不同个体的有效剂量的缺陷,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文拉法辛剂量个体化推荐方法及装置,用以解决现有技术中由于不同患者用同一剂量的文拉法辛进行治疗时,文拉法辛产生的效果存在较大的差异,导致无法确定文拉法辛对于不同个体的有效剂量的缺陷,实现准确、快速地确定文拉法辛对于个体的有效剂量。
本发明提供一种基于深度学习的文拉法辛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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛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文拉法辛剂量个体化推荐方法,所述将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,包括:
对个体特征信息中的各个所述维度特征信息进行嵌入,得到各个所述维度特征信息的嵌入向量;
将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,输出压缩交互网络的输出向量;
将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,输出最后一层所述深度神经网络层的输出向量;
将所有所述维度特征信息的嵌入向量、压缩交互网络的输出向量以及最后一层所述深度神经网络层的输出向量进行加权,输出文拉法辛剂量预测信息。
根据本发明提供的一种基于深度学习的文拉法辛剂量个体化推荐方法,所述将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,输出压缩交互网络的输出向量,包括:
将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,所述压缩交互网络对各个所述维度特征信息的所述嵌入向量利用哈达玛积,得到各层压缩交互网络层对应的特征交互矩阵;
对每层所述压缩交互网络层对应的特征交互矩阵进行池化,得到每层所述压缩交互网络层对应的输出向量;
将各层所述压缩交互网络层对应的输出向量进行横向连接,输出所述压缩交互网络的输出向量。
根据本发明提供的一种基于深度学习的文拉法辛剂量个体化推荐方法,所述将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,输出最后一层所述深度神经网络层的输出向量,包括:
将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,所述深度神经网络对各个所述维度特征信息的嵌入向量进行拼接,作为初始深度神经网络层的输入向量;
将所述初始深度神经网络层的输入向量与所述初始深度神经网络层对应的权重矩阵,经过相乘和非线性变换处理,得到所述初始深度神经网络层的输出向量;
每层所述深度神经网络层结合上一层所述深度神经网络层的输出向量,与各层所述深度神经网络层对应的权重矩阵,经过相乘和非线性变换处理,得到各层所述深度神经网络层的输出向量;
输出最后一层所述深度神经网络层的输出向量。
根据本发明提供的一种基于深度学习的文拉法辛剂量个体化推荐方法,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,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维度特征信息;
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维度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维度特征信息中的至少一项:文拉法辛剂量信息、人体体征信息、用药历史剂量信息、综合用药信息、文拉法辛副作用信息、诊断结果信息和治疗计划信息。
根据本发明提供的一种基于深度学习的文拉法辛剂量个体化推荐方法,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,还包括:
对所述N个个体特征样本信息中的连续型协变量特征信息进行Mann-Whitney U检验方法或方差检验方法检验,根据检验结果,筛选得到初筛后的K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型变量特征信息的独热编码进行比例分析,得到比例分析结果信息;对分类型变量特征信息进行卡方检验方法或Fish检验方法检验,结合所述比例分析结果信息,筛选得到初筛后的P个个体特征样本信息;
重要度分析算法对各个初筛后的个体特征样本信息进行重要性提取,根据重要性提取结果,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文拉法辛剂量个体化推荐方法,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,还包括:
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xDeepFM剂量预测模型中,输出文拉法辛剂量预测信息;
基于文拉法辛剂量预测信息和所述训练样本对应的所述文拉法辛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xDeepFM剂量预测模型。
本发明还提供一种基于深度学习的文拉法辛剂量个体化推荐装置,包括:
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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
输入模块,用于将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛剂量标签的个体特征样本信息训练得到的。
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文拉法辛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文拉法辛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文拉法辛剂量个体化推荐方法。
本发明提供的一种基于深度学习的文拉法辛剂量个体化推荐方法及装置,通过获取个体特征信息,能够更全面地了解患者的健康状况和用药历史,从而为后续的文拉法辛剂量预测提供更为准确的依据;采用xDeepFM剂量预测模型,结合压缩交互网络和深度神经网络,能够更好地处理个体特征信息中各项维度特征信息之间的关系,这有助于提高预测准确性,从而有效帮助用户确定文拉法辛对于个体的有效剂量。
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文拉法辛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文拉法辛剂量个体化推荐方法的流程示意图之二;
图3是本发明提供的基于深度学习的文拉法辛剂量个体化推荐装置的结构示意图;
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文拉法辛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:人体体征信息、用药历史剂量信息和综合用药信息;
在本申请实施例中,个体特征信息是指表示个体特征和属性的信息,具体可以包括人体体征信息、用药历史剂量信息和综合用药信息。
具体地,人体体征信息是指反映人体生理状态和健康状况的各种信息,具体可以包括形态指标信息,反映人体的形态特征,例如,人体的身高和体重等;还可以包括生理指标信息,反映人体的生理状态,例如,人体的性别、体温、心率、呼吸频率、血压和血氧饱和度等;还可以包括生化指标信息,反映人体的代谢状态和内分泌功能,例如血糖、胆固醇和肝酶等。
具体地,用药历史剂量信息可以是指个体在过去一段时间内所使用的文拉法辛的剂量数据的记录。具体地,综合用药信息可以是指个体在一段时间内,所使用的除文拉法辛外的多种药物的种类、剂量、用药时间、用药频率等相关信息的综合记录和分析,考虑了不同文拉法辛之间的相互作用和影响。
在本申请实施例中,获取个体特征信息,具体可以是以用文拉法辛进行治疗,且达到稳态血药浓度的个体为目标个体,获取目标个体的个体特征信息,并且以所有目标个体的个体特征信息建立文拉法辛的个体特征信息数据库。
步骤120,将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛剂量标签的个体特征样本信息训练得到的。
具体地,xDeepFM剂量预测模型(eXtreme Deep Factorization Machine,极限深度分解机)是将压缩交互网络和深度神经网络结合成了一个统一的模型。
具体地,压缩交互网络可以处理个体特征信息中各项维度特征信息之间的关系。
具体地,深度神经网络中由多个深度神经网络层组成,这些深度神经网络层按照顺序进行信息传递和特征传输,可以让深度神经网络学习到复杂的非线性关系。
具体地,文拉法辛剂量预测信息与单个个体相对应,是指该个体使用文拉法辛时,由xDeepFM剂量预测模输出的适宜该个体的文拉法辛剂量,可以将其作为一个参考。
在本申请实施例中,xDeepFM剂量预测模型是基于携带有文拉法辛剂量标签的个体特征样本信息训练得到的。
具体地,个体特征样本信息具体可以由多个个体的样本组成,每个个体的样本中包含该个体的个体特征信息,以及文拉法辛剂量标签。
具体地,文拉法辛剂量标签具体可以是指个体服用文拉法辛的剂量数据。
具体地,以个体特征样本信息中的文拉法辛剂量标签为目标变量,以除文拉法辛剂量以外的个体特征样本信息为协变量。
具体地,由于个体特征样本信息的数据维度高且数据缺失严重,可以在个体特征样本信息训练xDeepFM剂量预测模型前,对个体特征样本信息进行协变量筛选,使得模型预测结果更为准确。
具体地,对个体特征样本信息进行协变量筛选,具体可以是利用多种检验方法将个体特征样本信息中的无用协变量筛选出来,并将其删除。
具体地,无用协变量具体可以是指对文拉法辛剂量标签的影响程度低,甚至没有影响的协变量。
具体地,多种检验方法具体可以是Mann-Whitney U(曼-惠特尼-威尔科克森)检验方法、方差检验方法、卡方检验方法、Fish检验(费舍尔精确检验)方法和CatBoost(Category Boosting,类别提升)算法中的至少一项。
具体地,由经过了上述协变量筛选过程的个体特征样本信息,对xDeepFM剂量预测模型进行训练。
本申请实施例中,通过获取个体特征信息,能够更全面地了解患者的健康状况和用药历史,从而为后续的文拉法辛剂量预测提供更为准确的依据;采用xDeepFM剂量预测模型,结合压缩交互网络和深度神经网络,能够更好地处理个体特征信息中各项维度特征信息之间的关系,有助于提高预测准确性,从而有效帮助用户确定文拉法辛对于个体的有效剂量。
可选地,所述将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,包括:
对个体特征信息中的各个所述维度特征信息进行嵌入,得到各个所述维度特征信息的嵌入向量;
将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,输出压缩交互网络的输出向量;
将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,输出最后一层所述深度神经网络层的输出向量;
将所有所述维度特征信息的嵌入向量、压缩交互网络的输出向量以及最后一层所述深度神经网络层的输出向量进行加权,输出文拉法辛剂量预测信息。
在本申请实施例中,将个体特征信息中的各个维度特征信息,例如年龄、性别等,转化为各个维度特征信息对应的嵌入向量。
在本申请实施例中,压缩交互网络由多个层组成,可以捕捉各个维度特征信息之间的特征交互信息。
在本申请实施例中,将各个维度特征信息的嵌入向量输入到压缩交互网络中,由压缩交互网络计算嵌入向量之间的交互,并且随着层数的增加能够捕捉到更多维度特征之间的特征交互信息。
具体地,压缩交互网络的输出向量中包含了维度特征信息之间的高阶交互信息。
在本申请实施例中,将各个维度特征信息的嵌入向量输入到深度神经网络,按照顺序进行信息传递和特征传输。
具体地,最后一层深度神经网络层的输出向量中包含了维度特征信息之间复杂的非线性关系。
具体地,所有维度特征信息的嵌入向量压缩交互网络的输出向量/>以及最后一层深度神经网络层的输出向量P+进行加权,输出文拉法辛剂量预测信息ypredict的公式具体如下:
具体地,其中a为原始特征,为所有维度特征信息的嵌入向量,/>为深度神经网络的输出向量,P+为压缩交互网络的输出向量,w和b为参数,通过学习得到。
本申请实施例中,通过对维度特征信息的嵌入向量、压缩交互网络的输出向量以及最后一层所述深度神经网络层的输出向量进行加权,从多方面获取维度特征信息的特征,及各个维度特征信息之间的特征交互信息,可以有效保证输出的文拉法辛剂量预测信息的准确性。
可选地,所述将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,输出压缩交互网络的输出向量,包括:
将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,所述压缩交互网络对各个所述维度特征信息的所述嵌入向量利用哈达玛积,得到各层压缩交互网络层对应的特征交互矩阵;
对每层所述压缩交互网络层对应的特征交互矩阵进行池化,得到每层所述压缩交互网络层对应的输出向量;
将各层所述压缩交互网络层对应的输出向量进行横向连接,输出所述压缩交互网络的输出向量。
在本申请实施例中,哈达玛积是一种矩阵运算,指两个矩阵对应元素之间的乘积,在压缩交互网络中,哈达玛积用于计算特征嵌入向量之间的元素级别交互。
具体地,特征交互矩阵具体表示了该层特征嵌入向量之间的交互信息。
具体地,对于第k层压缩交互网络层,对第h个维度特征信息的嵌入向量利用哈达玛积,得到该层压缩交互网络层对应的特征交互矩阵具体可以由下述公式得到:
其中1<=h<=Hk,Hk表示第k层嵌入向量的个数,为第h个维度特征信息的嵌入向量的参数矩阵,°为哈达玛积。其中,Xk是通过Xk-1和X0之间的相互作用得到的,因此特征相互作用的程度随着层深度的增加而增加。
具体地,对第k层压缩交互网络层的特征交互矩阵进行池化,得到输出向量
在本申请实施例中,将各层压缩交互网络层对应的输出向量进行横向连接,输出压缩交互网络的输出向量P+,公式具体可以是:
本申请实施例中,通过压缩交互网络可以有效学习了个体特征信息中各项维度特征信息之间的关系,这有助于提高预测准确性,从而有效帮助用户确定文拉法辛对于个体的有效剂量。
可选地,所述将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,输出最后一层所述深度神经网络层的输出向量,包括:
将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,所述深度神经网络对各个所述维度特征信息的嵌入向量进行拼接,作为初始深度神经网络层的输入向量;
将所述初始深度神经网络层的输入向量与所述初始深度神经网络层对应的权重矩阵,经过相乘和非线性变换处理,得到所述初始深度神经网络层的输出向量;
每层所述深度神经网络层结合上一层所述深度神经网络层的输出向量,与各层所述深度神经网络层对应的权重矩阵,经过相乘和非线性变换处理,得到各层所述深度神经网络层的输出向量;
输出最后一层所述深度神经网络层的输出向量。
在本申请实施例中,深度神经网络层是一种复杂的神经网络结构,包含多个隐藏层,其中第一个隐藏层就是初始深度神经网络层。
具体地,深度神经网络对各个维度特征信息的嵌入向量进行拼接,形成深度神经网络的输入向量,输入到深度神经网络中的初始深度神经网络层中,该输入向量中包含了个体特征信息中各个维度特征信息的嵌入向量。
在本申请实施例中,初始深度神经网络层对应的权重矩阵,具体可以是随机生成的,也可以是事先预设的,可以在后续的深度神经网络层中不断调整。
具体地,初始深度神经网络层的输入向量与权重矩阵相乘,然后通过非线性变换,比如ReLU激活函数来进行处理,得到初始深度神经网络层的输出向量。
具体地,从第二层隐藏层开始,每层深度神经网络层需要结合上一层深度神经网络层的输出向量,将上一层深度神经网络层的输出向量与当前层的权重矩阵进行相乘,并对相乘后的结果进行非线性变换处理,例如ReLU激活函数,得到每层深度神经网络层的输出向量。
具体地,利用非线性变换,可以捕捉到各个维度特征信息之间的非线性关系。
具体地,每层深度神经网络层结合上一层的输出向量继续进行处理,可以不断在各个深度神经网络层之间传递信息,从而使得深度神经网络捕捉到输入向量中的高阶特征表示,例如各个维度特征信息之间的相互依赖的关系,或是条件关系等。
经过前述的过程,在经过所有深度神经网络层的计算后,最后一层深度神经网络层的输出向量将作为整个网络的输出。
本申请实施例中,通过深度神经网络,能够进一步处理个体特征信息中各个维度特征信息之间的关系,这有助于提高预测准确性,从而有效帮助用户确定文拉法辛对于个体的有效剂量。
可选地,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,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维度特征信息;
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维度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维度特征信息中的至少一项:文拉法辛剂量信息、人体体征信息、用药历史剂量信息、综合用药信息、文拉法辛副作用信息、诊断结果信息和治疗计划信息。
在本申请实施例中,初始个体特征样本信息是原始的个体特征样本信息,未经任何处理。
具体地,由于多个中可能会出现某个样本的初始个体特征样本信息中缺失数据过多的情况,因此需要将出现这种情况的初始个体特征样本信息删除掉。
在本申请实施例中,预先设置预设阈值,当初始个体特征样本信息中的某个维度特征信息的数据的数量小于预设阈值时,将该维度特征信息设为目标初始个体特征样本信息,将多个目标初始个体特征样本信息一一删除,从而得到N个个体特征样本信息。
具体地,文拉法辛剂量信息具体可以是指个体服用文拉法辛的剂量数据。
具体地,人体体征信息是指反映人体生理状态的指标,如身高、体重、血压、体温以及心率等信息,可以反映一个人的身体健康状况。
具体地,用药历史剂量信息具体可以指的是某个个体在过去使用文拉法辛的历史剂量数据记录。
具体地,综合用药信息具体可以是指个体在过去使用的除文拉法辛以外的其他药物的历史记录,包括用药剂量、用药频次、用药时长等信息。
具体地,文拉法辛副作用信息可以是指个体在用药期间出现的副作用的记录,包括具体症状、发生的时间、持续时间以及程度等副作用信息。
具体地,诊断结果信息可以是指就诊过程中有关目标疾病的确诊信息,包括目标疾病名称、确诊结果以及严重程度等诊断信息,其中,目标疾病可以是预先指定的,并将目标疾病与用于治疗该疾病的文拉法辛之间建立对应关系。
具体地,治疗计划信息具体可以是指治疗目标疾病所采用的具体治疗信息,包括治疗周期、手术类型以及手术时长等信息。
本申请实施例中,通过将目标初始个体特征样本信息删除,使得缺失数据过多的初始个体特征样本信息可以不影响后续处理,从而保证预测结果的准确性。
可选地,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,还包括:
对所述N个个体特征样本信息中的连续型协变量特征信息进行Mann-Whitney U检验方法或方差检验方法检验,根据检验结果,筛选得到初筛后的K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型变量特征信息的独热编码进行比例分析,得到比例分析结果信息;对分类型变量特征信息进行卡方检验方法或Fish检验方法检验,结合所述比例分析结果信息,筛选得到初筛后的P个个体特征样本信息;
重要度分析算法对各个初筛后的个体特征样本信息进行重要性提取,根据重要性提取结果,确定N个筛选后的个体特征样本信息。
在本申请实施例中,Mann-Whitney U检验方法,可以将个体特征信息中的连续性协变量分成两组,一组包含文拉法辛剂量信息,另一组不包含文拉法辛剂量信息,将两组数据进行比较,通过对两组数据的秩次进行比较,计算出P值来判断两组数据是否存在显著性差异。如果P值小于0.05,则检验结果为该连续型协变量特征信息与文拉法辛剂量信息之间存在显著性差异,保留该连续型协变量特征信息,否则将该连续型协变量特征信息删除。
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,具体可以是利用p值来评估不同连续型协变量特征信息对文拉法辛剂量信息的影响是否显著。如果P值小于0.05,则检验结果为该连续型协变量特征信息与文拉法辛剂量信息之间存在显著性差异,保留该连续型协变量特征信息,否则将该连续型协变量特征信息删除。
具体地,经过前述对连续型协变量特征信息的检验,根据检验结果进行筛选,得到初筛后的K个个体特征样本信息,其中,K为非零正整数。
在本申请实施例中,分类型变量特征信息是指那些只在有限选项内取值的特征,如性别、血型等。
在本申请实施例中,分类型变量特征信息的独热编码是将分类型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,对分类型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,则认为该分类型变量特征信息是极度不平衡变量,否则认为不是。
具体地,在删除极度不平衡变量的分类型变量特征信息后,可以使用卡方检验方法或Fish检验方法,检验分类型变量特征信息和文拉法辛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。自由度是将分类型变量特征信息的取值数目减去1和文拉法辛剂量信息的取值数目减去1的乘积。
具体地,如果p值小于0.05,则可以认为该分类型变量特征信息对文拉法辛剂量信息的影响是显著的,保留该分类型变量特征信息,否则删除该分类型变量特征信息。
具体地,经过上述对分类型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,可以使用CatBoost算法作为重要度分析算法,该算法是基于梯度提升树的机器学习算法,适用于回归和排序等任务。
具体地,针对每个初筛后的个体特征样本信息,可以使用CatBoost算法构建决策树进行重要性提取。
具体地,在单个决策树中,可以选择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。例如,以身高170厘米为分裂点,则该分裂点将数据分为两组,小于170厘米的数据属于左子节点,大于170厘米的数据属于右子节点,该分裂点与其他分裂点相比,使两个子节点的均方误差之和最小,则为最佳分裂点。
具体地,可以将每个初筛后的个体特征样本信息的所有数据分为九类,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,CatBoost模型会构建多颗决策树,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,用验证集进行验证。
具体地,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)插补筛选后的个体特征样本信息的缺失值。
本申请实施例中,通过对连续型协变量特征信息和分类型变量特征信息进行筛选,以减少多个体特征样本信息的维度,同时保留与文拉法辛剂量信息相关性较高的特征,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,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,还包括:
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xDeepFM剂量预测模型中,输出文拉法辛剂量预测信息;
基于文拉法辛剂量预测信息和所述训练样本对应的所述文拉法辛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xDeepFM剂量预测模型。
具体地,同一个训练样本中,对应了一个文拉法辛剂量预测信息,和一个文拉法辛剂量标签。
在本申请实施例中,第一损失函数用来衡量文拉法辛剂量预测信息和文拉法辛剂量标签之间的差距,表示预测结果和实际数据之间的差距。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xDeepFM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,更新模型的压缩交互网络和深度神经网络,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,将预设xDeepFM剂量预测模型的目标函数设为:
OF=L+γ*‖Λ‖
其中γ*为正则化项,Λ为嵌入向量、压缩交互网络和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xDeepFM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,通过基于文拉法辛剂量预测信息和训练样本对应的文拉法辛剂量标签确定的第一损失函数,可以不断更新预设xDeepFM剂量预测模型的参数,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文拉法辛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,将人体体征信息、文拉法辛剂量信息、诊断结果信息、治疗计划信息、文拉法辛副作用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,即与文拉法辛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xDeepFM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文拉法辛剂量预测的装置中,该装置可以有效得出针对个体的文拉法辛剂量预测信息,并且结合文拉法辛剂量预测信息,安排文拉法辛剂量的服用,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基于深度学习的文拉法辛剂量个体化推荐装置进行描述,下文描述的基于深度学习的文拉法辛剂量个体化推荐装置与上文描述的基于深度学习的文拉法辛剂量个体化推荐方法可相互对应参照。
图3是本发明提供的基于深度学习的文拉法辛剂量个体化推荐装置的结构示意图,如图3所示,包括:
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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
输入模块320,用于将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛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文拉法辛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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛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文拉法辛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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛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文拉法辛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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛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 (10)
1.一种基于深度学习的文拉法辛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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛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文拉法辛剂量个体化推荐方法,其特征在于,所述将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,包括:
对个体特征信息中的各个所述维度特征信息进行嵌入,得到各个所述维度特征信息的嵌入向量;
将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,输出压缩交互网络的输出向量;
将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,输出最后一层所述深度神经网络层的输出向量;
将所有所述维度特征信息的嵌入向量、压缩交互网络的输出向量以及最后一层所述深度神经网络层的输出向量进行加权,输出文拉法辛剂量预测信息。
3.根据权利要求2所述的基于深度学习的文拉法辛剂量个体化推荐方法,其特征在于,所述将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,输出压缩交互网络的输出向量,包括:
将各个所述维度特征信息的所述嵌入向量输入到所述压缩交互网络,所述压缩交互网络对各个所述维度特征信息的所述嵌入向量利用哈达玛积,得到各层压缩交互网络层对应的特征交互矩阵;
对每层所述压缩交互网络层对应的特征交互矩阵进行池化,得到每层所述压缩交互网络层对应的输出向量;
将各层所述压缩交互网络层对应的输出向量进行横向连接,输出所述压缩交互网络的输出向量。
4.根据权利要求2所述的基于深度学习的文拉法辛剂量个体化推荐方法,其特征在于,所述将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,输出最后一层所述深度神经网络层的输出向量,包括:
将各个所述维度特征信息的所述嵌入向量输入到所述深度神经网络,所述深度神经网络对各个所述维度特征信息的嵌入向量进行拼接,作为初始深度神经网络层的输入向量;
将所述初始深度神经网络层的输入向量与所述初始深度神经网络层对应的权重矩阵,经过相乘和非线性变换处理,得到所述初始深度神经网络层的输出向量;
每层所述深度神经网络层结合上一层所述深度神经网络层的输出向量,与各层所述深度神经网络层对应的权重矩阵,经过相乘和非线性变换处理,得到各层所述深度神经网络层的输出向量;
输出最后一层所述深度神经网络层的输出向量。
5.根据权利要求1所述的基于深度学习的文拉法辛剂量个体化推荐方法,其特征在于,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,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维度特征信息;
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维度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维度特征信息中的至少一项:文拉法辛剂量信息、人体体征信息、用药历史剂量信息、综合用药信息、文拉法辛副作用信息、诊断结果信息和治疗计划信息。
6.根据权利要求5所述的基于深度学习的文拉法辛剂量个体化推荐方法,其特征在于,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,还包括:
对所述N个个体特征样本信息中的连续型协变量特征信息进行Mann-Whitney U检验方法或方差检验方法检验,根据检验结果,筛选得到初筛后的K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型变量特征信息的独热编码进行比例分析,得到比例分析结果信息;对分类型变量特征信息进行卡方检验方法或Fish检验方法检验,结合所述比例分析结果信息,筛选得到初筛后的P个个体特征样本信息;
重要度分析算法对各个初筛后的个体特征样本信息进行重要性提取,根据重要性提取结果,确定N个筛选后的个体特征样本信息。
7.根据权利要求1所述的基于深度学习的文拉法辛剂量个体化推荐方法,其特征在于,在所述将所述个体特征信息输入到xDeepFM剂量预测模型之前,还包括:
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xDeepFM剂量预测模型中,输出文拉法辛剂量预测信息;
基于文拉法辛剂量预测信息和所述训练样本对应的所述文拉法辛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xDeepFM剂量预测模型。
8.一种基于深度学习的文拉法辛剂量个体化推荐装置,其特征在于,包括:
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维度特征信息中的至少一项:人体体征信息、用药历史剂量信息和综合用药信息;
输入模块,用于将所述个体特征信息输入到xDeepFM剂量预测模型,输出文拉法辛剂量预测信息,其中,所述xDeepFM剂量预测模型包括压缩交互网络和深度神经网络;
其中,所述xDeepFM剂量预测模型是基于携带有文拉法辛剂量标签的个体特征样本信息训练得到的。
9.一种电子设备,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7任一项所述基于深度学习的文拉法辛剂量个体化推荐方法。
10.一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7任一项所述基于深度学习的文拉法辛剂量个体化推荐方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339478 | 2023-03-31 | ||
CN2023103394786 | 2023-03-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994699A true CN116994699A (zh) | 2023-11-03 |
CN116994699B CN116994699B (zh) | 2024-06-11 |
Family
ID=88525643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310755380.9A Active CN116994699B (zh) | 2023-03-31 | 2023-06-25 | 基于深度学习的文拉法辛剂量个体化推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994699B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN114913942A (zh) * | 2022-04-18 | 2022-08-16 | 北京健康之家科技有限公司 | 患者招募项目智能匹配方法及装置 |
US20230034559A1 (en) * | 2021-07-18 | 2023-02-02 | Sunstella Technology Corporation | Automated prediction of clinical trial outcome |
-
2023
- 2023-06-25 CN CN202310755380.9A patent/CN116994699B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6658396B1 (en) * | 1999-11-29 | 2003-12-02 | Tang Sharon S | Neural network drug dosage estimation |
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
US20230034559A1 (en) * | 2021-07-18 | 2023-02-02 | Sunstella Technology Corporation | Automated prediction of clinical trial outcome |
CN114913942A (zh) * | 2022-04-18 | 2022-08-16 | 北京健康之家科技有限公司 | 患者招募项目智能匹配方法及装置 |
Non-Patent Citations (2)
Title |
---|
JIANXUN LIAN ETC.: "xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems", KDD 2018会议, 23 August 2018 (2018-08-23) * |
陶竹林;宋格格;黄祥林;: "点击预测的关键技术研究", 中国传媒大学学报(自然科学版), no. 06, 25 December 2019 (2019-12-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN116994699B (zh) | 2024-06-11 |
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 | |
CN109637669B (zh) | 基于深度学习的治疗方案的生成方法、装置及存储介质 | |
CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
CN111657888A (zh) | 重度急性呼吸窘迫综合症预警方法及系统 | |
Ogunleye et al. | Enhanced XGBoost-based automatic diagnosis system for chronic kidney disease | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
Kedia et al. | Prediction of mortality from heart failure using machine learning | |
WO2024008043A1 (zh) | 一种基于因果关系挖掘的临床数据自动化生成方法及系统 | |
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 | |
CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及系统 | |
Vijayaganth et al. | Smart sensor based prognostication of cardiac disease prediction using machine learning techniques | |
CN115966314B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
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 | |
CN112035627A (zh) | 自动问答方法、装置、设备及存储介质 | |
EP4174721A1 (en) | Managing a model trained using a machine learning process | |
CN116994700B (zh) | 基于深度学习的喹硫平剂量个体化推荐方法及装置 | |
Arab et al. | Artificial intelligence for diabetes mellitus type II: forecasting and anomaly detection | |
CN114822849B (zh) | 基于数字孪生的数据监测方法、装置、设备和存储介质 | |
Liu et al. | Artificial neural networks condensation: A strategy to facilitate adaption of machine learning in medical settings by reducing computational burden | |
CN117838072B (zh) | 智能床垫的心血管疾病监控方法、装置、设备及存储介质 | |
CN115796235B (zh) | 补充缺失数据的生成器模型训练方法和系统 | |
CN116994698A (zh) | 基于深度学习的舍曲林剂量个体化推荐方法及装置 | |
Firdaus et al. | XU-NetI: Simple U-Shaped Encoder-Decoder Network for Accurate Imputation of Multivariate Missing Data |
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 |