基于机器学习的急性脑梗死中药方剂治疗效果预测系统技术方案

本发明专利技术公开了基于机器学习的急性脑梗死中药方剂治疗效果预测系统，包括：获取模块，获取待预测的急性脑梗死中药方剂；模型生成模块，将待预测的急性脑梗死中药方剂中的每一种中药作为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型；贴近度计算模块，基于复杂网络模型，计算每个节点的相对贴近度；特征选择模块，对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序，选择排序靠前的若干种相对贴近度作为当前中药方剂样本的特征；预测模块，基于当前中药方剂样本的特征和训练后的机器学习模型，得到中药方剂的治疗效果预测结果。通过训练后的随机森林模型，实现对急性脑梗死疾病的药物疗效预测。疾病的药物疗效预测。疾病的药物疗效预测。

【技术实现步骤摘要】
基于机器学习的急性脑梗死中药方剂治疗效果预测系统


[0001]本专利技术涉及药物疗效预测
，特别是涉及基于机器学习的急性脑梗死中药方剂治疗效果预测系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]目前对急性脑梗死的药物研发，面临药效不足、药物不良反应评估不全等问题，因此继续发展新的针对急性脑梗死疾病的药物治疗效果预测系统。
[0004]专利技术人发现，现有的药物疗效筛选方法往往没有考虑中药方剂，或者没有考虑到中药方剂中哪些中药才是影响治疗效果的关键药物；导致，现有的药物疗效分析系统的药物疗效预测精度不够准确。
[0005]针对中国专利技术专利，授权公告号CN109411033B，专利名称：一种基于复杂网络的药物疗效筛选方法，专利技术人认为，虽然其解决了药物疗效的筛选，但是其没有解决急性脑梗死这类疾病的药物疗效筛选，更没有解决针对急性脑梗死这类疾病的中药类方剂的药物疗效筛选。

技术实现思路

[0006]为了解决现有技术的不足，本专利技术提供了基于机器学习的急性脑梗死中药方剂治疗效果预测系统；
[0007]第一方面，本专利技术提供了基于机器学习的急性脑梗死中药方剂治疗效果预测系统；
[0008]基于机器学习的急性脑梗死中药方剂治疗效果预测系统，包括：
[0009]获取模块，其被配置为：获取待预测的急性脑梗死中药方剂；
[0010]模型生成模块，其被配置为：将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型；
[0011]贴近度计算模块，其被配置为：基于所述复杂网络模型，计算每个节点的相对贴近度；
[0012]特征选择模块，其被配置为：对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序，选择排序靠前的若干种相对贴近度作为当前中药方剂样本的特征；
[0013]预测模块，其被配置为：基于当前中药方剂样本的特征和训练后的机器学习模型，得到当前中药方剂的治疗效果预测结果。
[0014]第二方面，本专利技术还提供了一种电子设备，包括：
[0015]存储器，用于非暂时性存储计算机可读指令；以及
[0016]处理器，用于运行所述计算机可读指令，
[0017]其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
[0018]获取待预测的急性脑梗死中药方剂；
[0019]将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型；
[0020]基于所述复杂网络模型，计算每个节点的相对贴近度；
[0021]对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序，选择排序靠前的若干种相对贴近度作为当前中药方剂样本的特征；
[0022]基于当前中药方剂样本的特征和训练后的机器学习模型，得到当前中药方剂的治疗效果预测结果。
[0023]第三方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
[0024]获取待预测的急性脑梗死中药方剂；
[0025]将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型；
[0026]基于所述复杂网络模型，计算每个节点的相对贴近度；
[0027]对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序，选择排序靠前的若干种相对贴近度作为当前中药方剂样本的特征；
[0028]基于当前中药方剂样本的特征和训练后的机器学习模型，得到当前中药方剂的治疗效果预测结果。
[0029]与现有技术相比，本专利技术的有益效果是：
[0030]1、本专利技术通过训练后的随机森林模型，实现对急性脑梗死这类疾病的药物疗效预测；
[0031]2、本专利技术通过构造同一篇中药文献的复杂网络模型，并且通过计算复杂网络模型中每个节点的节点属性矩阵，进而得到每个节点的相对贴近度，解决了每个中药方剂中最重要若干种中药的筛选，为随机森林模型的高精度训练做了铺垫。
[0032]3、能够大量减少模型训练所需要的参数，并对方剂的治疗总有效率改善、BI评分改善、FIB水平改善、PV改善、HSV水平改善和Lp
‑
PLA2水平改善6个结局指标进行有效预测。
附图说明
[0033]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0034]图1为实施例一的系统功能模块图。
具体实施方式
[0035]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0036]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0037]本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
[0038]复杂网络(Complex Network)，是指具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络。在我们的现实生活中，许多复杂系统都可以建模成一种复杂网络进行分析。复杂网络不仅是一种数据的表现形式，它同样也是一种科学研究的手段，复杂网络方面的研究目前受到了广泛的关注和研究。
[0039]随机森林(Random Forest)是一种灵活的、便于使用的机器学习算法，即使没有超参数调整，大多数情况下也会带来好的结果。它可以用来进行分类和回归任务。
[0040]通过复杂网络计算每个药物节点的相对贴近度进而生成训练和测试样本，对随机森林模型进行训练。
[0041]实施例一
[0042]本实施例提供了基于机器学习的急性脑梗死中药方剂治疗效果预测系统；
[0043]如图1所示，基于机器学习的急性脑梗死中药方剂治疗效果预测系统，包括：
[0044]获取模块，其被配置为：获取待预测的急性脑梗死中药方剂；
[0045]模型生成模块，其被配置为：将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型；
[0046]贴近度计算模块，其被配置为：基于所述复杂网络模型，计算每个节点的相对贴近度；
[0047]特征选择模块，其被配置为：对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序，选择排序靠前的若干种相对贴近度作为当前中药方剂样本的特征；
[0048]预测模块，其被配置为：基于当前中药方剂样本的特征和训练后的机器学习模型，得到当前中药方剂的治疗效果预测结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的急性脑梗死中药方剂治疗效果预测系统，其特征是，包括：获取模块，其被配置为：获取待预测的急性脑梗死中药方剂；模型生成模块，其被配置为：将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型；贴近度计算模块，其被配置为：基于所述复杂网络模型，计算每个节点的相对贴近度；特征选择模块，其被配置为：对待预测的急性脑梗死中药方剂中所有节点的相对贴近度按照降序进行排序，选择排序靠前的若干种相对贴近度作为当前中药方剂样本的特征；预测模块，其被配置为：基于当前中药方剂样本的特征和训练后的机器学习模型，得到当前中药方剂的治疗效果预测结果。2.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统，其特征是，所述特征选择模块与预测模块之间，还设有特征预处理模块；所述特征预处理模块，被配置为：对选择的当前中药方剂样本的特征进行归一化处理和降维处理。3.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统，其特征是，所述将所述待预测的急性脑梗死中药方剂中的每一种中药作为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型；具体包括：将所述待预测的急性脑梗死中药方剂中的每一种中药为一个节点，为当前方剂中包含的所有中药两两之间建立无向边，生成复杂网络模型。4.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统，其特征是，所述基于所述复杂网络模型，计算每个节点的相对贴近度；具体步骤包括：基于所述复杂网络模型，计算每个节点的若干个属性；所述每个节点的属性，包括：每个节点的度、每个节点的中介中心性、每个节点的接近中心性和每个节点的邻接信息熵；基于每个节点的所有属性，计算每个节点的相对贴近度。5.如权利要求1所述的基于机器学习的急性脑梗死中药方剂治疗效果预测系统，其特征是，所述基于所述复杂网络模型，计算每个节点的相对贴近度；具体步骤包括：基于所述复杂网络模型，计算每个节点的若干个属性；所述每个节点的属性，包括：每个节点的度、每个节点的中介中心性、每个节点的接近中心性和每个节点的邻接信息熵；基于每个节点的度、每个节点的中介中心性、每个节点的接近中心性和每个节点的邻接信息熵，构建标准化后的加权决策矩阵；取标准化后的加权决策矩阵每列的最大值作为最优解，将最优解加入到最优解集合；取标准化后的加权决策矩阵每列的最小值作为最劣解，将最劣解加入到最劣解集合；利用最优解集合、最劣解集合以及标准化后的加权决策矩阵每行数据，计算节点的相对熵；基于每个节点的相对熵，计算每个节点的相对贴近度。...

【专利技术属性】
技术研发人员：王正中，耿世超，李小宁，王琳，廖星，胡瑞学，李慧敏，
申请(专利权)人：中国中医科学院中医临床基础医学研究所，
类型：发明
国别省市：