基于药物分子图像分类的信息推送方法及装置制造方法及图纸

本发明专利技术公开了一种基于药物分子图像分类的信息推送方法及装置，涉及智能医疗技术领域，主要目的在于解决现有基于药物分子结构进行信息推送效率较低的问题。包括：获取目标药物的药物分子结构图像数据；基于训练后的图像分类模型对所述药物分子结构图像数据进行分类处理，得到药物分子分类结果；基于药物分子特征分布序列解析所述药物分子分类结果的药物特征信息，并基于所述药物特征信息与目标病症的病症特征信息进行匹配；若所述药物特征信息与目标病症的病症特征信息匹配，则输出与所述药物特征信息匹配的药物特征组合信息、药物特征风险信息。主要用于基于药物分子图像分类的信息推送。的信息推送。的信息推送。

【技术实现步骤摘要】
基于药物分子图像分类的信息推送方法及装置


[0001]本专利技术涉及一种智能医疗
，特别是涉及一种基于药物分子图像分类的信息推送方法及装置。

技术介绍

[0002]近年来，智能医疗技术的应用领域已经从临床治疗逐步向药物研发方向发展，越来越多的人工智能技术涉足于药物对不同病症的适用情况的分析，从而准确找到适用于临床治疗的药物。尤其是针对药物的分子结构进行研究，从而基于药物特征来确定适合患者的治疗方案或者病症的治疗，向用户进行推送。
[0003]目前，现有基于药物分子结构的研究均是采用物理实验方式来确定药物特征，从而进行人为识别病症进行推送，但是，药物分子结构识别过程较慢，导致无法适用于智能医疗中进行相关信息的推送，从而使得基于药物特征匹配病症在智能医疗中的使用效率较低，因此，亟需一种基于药物分子图像分类的信息推送方法来解决上述问题。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于药物分子图像分类的信息推送方法及装置，主要目的在于解决现有基于药物分子结构进行信息推送效率较低的问题。
[0005]依据本专利技术一个方面，提供了一种基于药物分子图像分类的信息推送方法，包括：
[0006]获取目标药物的药物分子结构图像数据；
[0007]基于训练后的图像分类模型对所述药物分子结构图像数据进行分类处理，得到药物分子分类结果，所述图像分类模型为基于训练样本构建正样本数据、负样本数据进行模型训练得到的，其中，所述负样本数据用于在模型训练过程中网络连接结构不变时对图节点的特征矩阵进行打乱处理；
[0008]基于药物分子特征分布序列解析所述药物分子分类结果的药物特征信息，并基于所述药物特征信息与目标病症的病症特征信息进行匹配；
[0009]若所述药物特征信息与目标病症的病症特征信息匹配，则输出与所述药物特征信息匹配的药物特征组合信息、药物特征风险信息。
[0010]进一步地，所述基于训练后的图像分类模型对所述药物分子结构图像数据进行分类处理，得到药物分子分类结果之前，所述方法还包括：
[0011]获取药物分子结构图像训练样本数据，并构建图卷积网络；
[0012]对所述药物分子结构图像训练样本数据进行特征扰动处理，得到作为扰动伪特征的药物分子结构图像训练样本数据，作为负样本数据，并将未特征扰动处理的所述药物分子结构图像训练样本数据作为正样本数据；
[0013]基于所述正样本数据、所述负样本数据分别与图节点构建数据对，并基于所述数据对对所述图卷积网络进行模型训练，得到图像分类模型。
[0014]进一步地，所述基于所述正样本数据、所述负样本数据分别与图节点构建数据对
包括：
[0015]按照预设比例筛选所述药物分子结构图像数据的图节点，得到多尺度的所述药物分子结构图像数据；
[0016]将所述正样本数据与多尺度的所述药物分子结构图像数据的图节点组合构建第一数据对，并将所述负样本数据与多尺度的所述图卷积神经网络的图节点组合构建第二数据对，其中，所述第一数据对的标签为1，所述第二数据对的标签为0。
[0017]进一步地，所述基于所述数据对对所述图卷积网络进行模型训练，得到图像分类模型之前，所述方法还包括：
[0018]基于判别器结合所述正样本数据、所述负样本数据的样本个数构建损失函数；
[0019]所述基于所述数据对对所述图卷积网络进行模型训练，得到图像分类模型包括：
[0020]在基于所述第一数据对、所述第二数据对对图卷积网络进行模型训练时，所述第二数据对对所述图节点的特征矩阵进行打乱处理，并基于所述损失函数对打乱处理后的所述图卷积网络进行学习评估；
[0021]若所述学习评估符合预设模型训练精度，则完成所述图卷积网络的模型训练，得到图像分类模型。
[0022]进一步地，所述基于药物分子特征分布序列解析所述药物分子分类结果的药物特征信息之前，所述方法还包括：
[0023]获取至少一种药物的分子组成成分数据，基于分子化学键、分子化学性质信息、病症对抗属性构建所述目标药物的药物分子特征分布序列；
[0024]所述基于药物分子特征分布序列解析所述药物分子分类结果的药物特征信息包括：
[0025]将所述药物分子分类结果与所述药物分子特征分布序列进行分子与原子化学键逐一项对比，从所述药物分子特征分布序列中确定化学键相似度最大的分子化学性质信息、病症对抗属性为所述目标药物的药物特征信息。
[0026]进一步地，所述基于所述药物特征信息与目标病症的病症特征信息进行匹配之后，所述方法还包括：
[0027]获取药物知识图谱，所述药物知识图谱中存储有不同药物特征信息存在的关联组合内容以及不同药物特征信息之间关联组合对应的风险信息；
[0028]从所述药物知识图谱中查找与所述药物特征信息匹配的药物特征组合信息、药物特征风险信息。
[0029]进一步地，所述方法还包括：
[0030]若所述药物特征信息与目标病症的病症特征信息不匹配，则输出所述药物分子分类结果，以指示对所述药物分子分类结果进行人工匹配。
[0031]依据本专利技术另一个方面，提供了一种基于药物分子图像分类的信息推送装置，包括：
[0032]获取模块，用于获取目标药物的药物分子结构图像数据；
[0033]处理模块，用于基于训练后的图像分类模型对所述药物分子结构图像数据进行分类处理，得到药物分子分类结果，所述图像分类模型为基于训练样本构建正样本数据、负样本数据进行模型训练得到的，其中，所述负样本数据用于在模型训练过程中网络连接结构
不变时对图节点的特征矩阵进行打乱处理；
[0034]解析模块，用于基于药物分子特征分布序列解析所述药物分子分类结果的药物特征信息，并基于所述药物特征信息与目标病症的病症特征信息进行匹配；
[0035]输出模块，用于若所述药物特征信息与目标病症的病症特征信息匹配，则输出与所述药物特征信息匹配的药物特征组合信息、药物特征风险信息。
[0036]进一步地，所述装置还包括：训练模块，
[0037]所述获取模块，用于获取药物分子结构图像训练样本数据，并构建图卷积网络；
[0038]所述处理模块，用于对所述药物分子结构图像训练样本数据进行特征扰动处理，得到作为扰动伪特征的药物分子结构图像训练样本数据，作为负样本数据，并将未特征扰动处理的所述药物分子结构图像训练样本数据作为正样本数据；
[0039]所述训练模块，用于基于所述正样本数据、所述负样本数据分别与图节点构建数据对，并基于所述数据对对所述图卷积网络进行模型训练，得到图像分类模型。
[0040]进一步地，所述构建模块包括：
[0041]筛选单元，用于按照预设比例筛选所述药物分子结构图像数据的图节点，得到多尺度的所述药物分子结构图像数据；
[0042]构建单元，用于将所述正样本数据与多尺度的所述药物分子结构图像数据的图节点组合构建第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于药物分子图像分类的信息推送方法，其特征在于，包括：获取目标药物的药物分子结构图像数据；基于训练后的图像分类模型对所述药物分子结构图像数据进行分类处理，得到药物分子分类结果，所述图像分类模型为基于训练样本构建正样本数据、负样本数据进行模型训练得到的，其中，所述负样本数据用于在模型训练过程中网络连接结构不变时对图节点的特征矩阵进行打乱处理；基于药物分子特征分布序列解析所述药物分子分类结果的药物特征信息，并基于所述药物特征信息与目标病症的病症特征信息进行匹配；若所述药物特征信息与目标病症的病症特征信息匹配，则输出与所述药物特征信息匹配的药物特征组合信息、药物特征风险信息。2.根据权利要求1所述的方法，其特征在于，所述基于训练后的图像分类模型对所述药物分子结构图像数据进行分类处理，得到药物分子分类结果之前，所述方法还包括：获取药物分子结构图像训练样本数据，并构建图卷积网络；对所述药物分子结构图像训练样本数据进行特征扰动处理，得到作为扰动伪特征的药物分子结构图像训练样本数据，作为负样本数据，并将未特征扰动处理的所述药物分子结构图像训练样本数据作为正样本数据；基于所述正样本数据、所述负样本数据分别与图节点构建数据对，并基于所述数据对对所述图卷积网络进行模型训练，得到图像分类模型。3.根据权利要求2所述的方法，其特征在于，所述基于所述正样本数据、所述负样本数据分别与图节点构建数据对包括：按照预设比例筛选所述药物分子结构图像数据的图节点，得到多尺度的所述药物分子结构图像数据；将所述正样本数据与多尺度的所述药物分子结构图像数据的图节点组合构建第一数据对，并将所述负样本数据与多尺度的所述图卷积神经网络的图节点组合构建第二数据对，其中，所述第一数据对的标签为1，所述第二数据对的标签为0。4.根据权利要求3所述的方法，其特征在于，所述基于所述数据对对所述图卷积网络进行模型训练，得到图像分类模型之前，所述方法还包括：基于判别器结合所述正样本数据、所述负样本数据的样本个数构建损失函数；所述基于所述数据对对所述图卷积网络进行模型训练，得到图像分类模型包括：在基于所述第一数据对、所述第二数据对对图卷积网络进行模型训练时，所述第二数据对对所述图节点的特征矩阵进行打乱处理，并基于所述损失函数对打乱处理后的所述图卷积网络进行学习评估；若所述学习评估符合预设模型训练精度，则完成所述图卷积网络的模型训练，得到图像分类模型。5.根据权利要求1所述的方法，其特征在于，所述基于药物分子特征分布序列解析所述药物分子分类结果...

【专利技术属性】
技术研发人员：王俊，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：