一种药物分类方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种药物分类方法、装置、设备及存储介质，涉及人工智能技术深度学习和知识图谱领域。具体实现方案为：获取待分类药物的药物标识；基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。本申请中将药物标识的相关数据输入到预先训练的药物分类模型，由药物分类模型输出分类标签，避免了人工进行药物分类的过程，解决了现有技术中，根据药物成分确定分类标签所导致的，无法确定多成分复方药物的分类标签的问题，有效提高药物分类的效率和准确度。本方案可以采用云服务方式，具体应用于医疗大数据方面。

【技术实现步骤摘要】
一种药物分类方法、装置、设备及存储介质
本申请实施例涉及数据处理技术，尤其涉及人工智能技术深度学习和知识图谱领域，特别涉及一种药物分类方法、装置、设备及存储介质。
技术介绍
随着人们对身体健康重视程度的提升，医院每天需要接待大量用户，但医院工作量的增加可能引起开药错误等问题，因此，需要对药物进行更精确更快速的分类，以提高医生的工作效率。目前对药物分类的方法主要是由医学专业人员，给圈定的药物标注分类标签，或者挖掘药物的相关成分，根据已有的成分与标签的映射关系表，确定药物的分类标签。人工成本极高，分类准确率受限于专业人员自身的水平，药物分类效率和准确率较低。
技术实现思路
本申请实施例提供了一种药物分类方法、装置、设备及存储介质，以提高药物分类的效率和准确度。根据第一方面，提供了一种药物分类方法，该方法包括：获取待分类药物的药物标识；基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。第二方面，提供了一种药物分类装置，该装置包括：标识获取模块，用于获取待分类药本文档来自技高网...

【技术保护点】
1.一种药物分类方法，包括：/n获取待分类药物的药物标识；/n基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。/n

【技术特征摘要】
1.一种药物分类方法，包括：
获取待分类药物的药物标识；
基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。


2.根据权利要求1所述的方法，其中，所述药物分类模型包括图卷积神经网络GCN和全连接层网络。


3.根据权利要求2所述的方法，在获取待分类药物的药物标识之前，所述方法还包括：
获取药物集合中各药物的适应症表征数据和成分表征数据；
根据各药物的适应症表征数据和成分表征数据，构建GCN；
其中，所述GCN中包含多个节点，每个节点对应所述药物集合中的一个药物，每个节点的节点信息包括对应药物的适应症表征数据，并且具有相同成分的药物所对应的节点之间具有连接关系。


4.根据权利要求3所述的方法，在构建所述GCN之后，所述方法还包括：
获取所述药物集合的第一子集中样本药物的适应症表征数据和分类标签；
基于所述样本药物的适应症表征数据和分类标签构建样本数据，使用所述样本数据对所述药物分类模型进行训练。


5.根据权利要求4所述的方法，其中，使用所述样本数据对所述药物分类模型进行训练，包括：
将所述样本药物的适应症表征数据输入所述GCN，获取所述GCN输出的融合有图结构信息的药物特征向量；
将所述药物特征向量输入所述全连接层网络，获得所述全连接层网络输出的预测分类标签；
根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述药物分类模型中的权值参数和所述GCN中的节点信息。


6.根据权利要求2-5中任一项所述的方法，其中，所述待分类药物为西药。


7.根据权利要求1所述的方法，其中，所述药物分类模型包括全连接层网络。


8.根据权利要求7所述的方法，在获取待分类药物的药物标识之前，所述方法还包括：
获取样本药物的适应症表征数据和分类标签；
基于所述样本药物的适应症表征数据和分类标签构建样本数据，使用所述样本数据对所述药物分类模型进行训练。


9.根据权利要求8所述的方法，其中，使用所述样本数据对所述药物分类模型进行训练，包括：
将所述样本药物的适应症表征数据输入所述全连接层网络，获得所述全连接层网络输出的预测分类标签；
根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述全连接层网络中的权值参数。


10.根据权利要求7-9中任一项所述的方法，其中，所述待分类药物为中成药。


11.根据权利要求3-5、8-9中任一项所述的方法，其中，药物的适应症表征数据的获取方法包括：
将所述药物的适应症文本输入预先训练出的语义向量模型，获得所述语义向量模型的输出层的前一层输出的所述药物的适应症语义表示向量。


12.根据权利要11所述的方法，所述语义向量模型的训练方法包括：
获取样本药物的适应症文本和分类标签；
将所述样本药物的适应症文本输入所述语义向量模型，获得所述语义向量模型的输出层输出的预测分类标签；
根据所述预测分类标签和所述样本药物的分类标签，确定损失函数值，根据所述损失函数值调整所述语义向量模型中的权值参数。


13.根据权利要11所述的方法，所述语义向量模型包括：Ernie模型或BERT模型，所述Ernie模型为自然语言处理NLP预训练语言模型，所述BERT模型为双向编码器表示模型。


14.一种药物分类装置，包括：
标识获取模块，用于获取待分类药物的药物标识；
标签确定模块，用于基于所述药物标识和预先训练出的药物分类模型，确定所述待分类药物的分类标签。


15.根据权利要求14所述的装置，所述药物分类模型包括图卷积神经网络GCN和全连接层网络。


16.根据权利要求15所述的装置，...

【专利技术属性】
技术研发人员：施振辉，夏源，王春宇，黄海峰，王晓荣，陆超，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11