【技术实现步骤摘要】
基于效用模型的个性化诊疗方法的确定方法及系统
本专利技术涉及一种人工智能
，特别涉及一种基于效用模型的个性化诊疗方法的确定方法及系统。
技术介绍
随着社会的不断发展，人们的物质生活越来越好，但随之而来的却是各种大小病症。医生诊断主要靠知识和经验，而现在医疗大数据的研究在一定程度上可以帮助制定个性化治疗方案，对症状和治疗手段的未知组合进行改善效果的预测，这将大大提高病症的治愈率，减小病人的治疗痛苦。推荐技术与医疗诊断的结合意义重大，在传统的推荐技术中通常会用到聚类、协同过滤的手段进行个性化的推荐，但是这样推荐出来的诊断方案对不确定信息处理的能力较弱，当病人病症情况比较模糊时并不能为用户推荐较有效的诊疗方法，普遍性并不强。此外，虽然神经网络算法被广泛运用在各种应用上，但是它难以被解释清楚，而医疗与人们的健康息息相关，所以我们并不希望直接使用神经网络算法应用在诊疗方法推荐上。并且目前，当医生在为病人进行诊断时，常常会针对病症罗列好几种诊疗方法，有时候还会推荐病人同时采用几种诊疗方法来解决病症，但是这样往往会忽...
【技术保护点】
1.一种基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述确定方法包括：/n对历史用户病症特征数据进行预处理，得到用户特征；/n基于粒子群算法，根据所述历史用户病症特征数据，构建改善方法的效用矩阵；/n根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。/n
【技术特征摘要】
1.一种基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述确定方法包括：
对历史用户病症特征数据进行预处理，得到用户特征；
基于粒子群算法，根据所述历史用户病症特征数据，构建改善方法的效用矩阵；
根据所述效用矩阵及所述用户特征和当前用户的需求，得到针对该当前用户的个性化诊疗方法。
2.根据权利要求1所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述对历史用户病症特征数据进行预处理，得到用户特征，具体包括：
将所述历史用户病症特征数据的维度降至r维数据；
根据以下公式，对所述r维数据进行归一化处理，得到用户特征：
其中，X为r维数据中的任意值，Xmin为r维数据中的最小值，Xmax为r维数据中的最大值，X′为归一化处理后的用户特征，X′∈[-1,1]。
3.根据权利要求1所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述基于粒子群算法，根据所述历史用户病症特征数据，构建改善方法效用矩阵，具体包括：
根据以下两种公式，确定效用矩阵的权重wk：i|j：
其中，d1为改善效果为变好的阈值，d2为改善效果为变坏的阈值，max(.)为取最大值函数，arg(.)为取自变量函数；
根据以下公式，计算所述效用矩阵的元素uij：
其中，uij表示在方法xj作用的前提下方法xi对目标特征产生的效用，当j＝i时表示方法xi单独作用下产生的效用，n为有方法xi、xj同时作用下的样本个数，为降维和归一化处理后第t个样本的用户特征，Y(t)为第t个样本的改善结果：Y＝1表示变好，Y＝0表示不变，Y＝-1表示变坏，wk；i|j为样本在方法xi和方法xj共同作用下的第k个症状征属性的权重；
根据所述效用矩阵的元素uij，确定效用矩阵U：
4.根据权利要求3所述的基于效用模型的个性化诊疗方法的确定方法，其特征在于，所述确定所述效用矩阵的权重wk；i|j，具体包括：
各粒子拥有一个速度决定飞行的距离和方向，在粒子搜索空间维度降为r维时，第i个粒子的参数如下：
粒子i的位置为：xi＝(xi1，xi2，...，xir)，i＝1，2，...，pop_size；
粒子i的速度为：vi＝(vi1，vi2，...，vir)，i＝1，2，...，pop_size；
粒子i经过的历史最好位置为：
pi＝(pi1，pi2，...，pir)，i＝1，2，...，pop_size；
粒子群所经过的历史最好位置为：
pg＝(pg1，pg2，...，pgr)，i＝1，2，...，pop_size；
在训练的过程中，粒子能够根据当前的位置和速度通过以下公式得到下一时刻的速度和位置：
其中，pop_size为粒子群个数，为当前速度，为当前位置，为目前粒子最好位置，为目前粒子群的最好位置，W为惯性权重，c1，c2为学习因子，r1，r2为[0,1]之间的随机数；
通过上述公式对速度与位置进行迭代训练，通过最大适应度得到粒子群最佳的位置，该...
【专利技术属性】
技术研发人员：罗冠，张涵钰，徐欣之，何子畅，胡卫明，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。