抗生素耐药性预估方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能及智慧医疗技术领域，公开了一种抗生素耐药性预估方法、装置、设备及介质，包括：获取诊断样本集，所述诊断样本集包括多个诊断样本，所述诊断样本为样本对象的诊断数据；对所述样本对象的耐药性进行标注；基于预设的标签树、预设的初始预估模型以及诊断样本，确定所述样本对象的参考耐药性；根据所述参考耐药性以及标注耐药性对所述初始预估模型进行训练，得到耐药性预估模型，以通过所述耐药性预估模型对目标对象进行耐药性预估。本方案可以解决预估患者对于抗生素的耐药性的时间长且效率低下的技术问题。性的时间长且效率低下的技术问题。性的时间长且效率低下的技术问题。

【技术实现步骤摘要】
抗生素耐药性预估方法、装置、设备及介质


[0001]本专利技术涉及人工智能及智慧医疗
，尤其涉及一种抗生素耐药性预估方法、装置、设备及介质。

技术介绍

[0002]抗生素类药物广泛应用于防治人体疾病，滥用抗生素类药物会导致微生物进化出耐药性基因，并产生耐药性，这使得抗生素类药物在防治疾病时失效。病原微生物耐药性基因是治疗各种疾病时用药的重要依据。
[0003]目前，对抗生素的耐药性的预估手段通常为检测耐药性基因，从而预估患者对于抗生素的耐药性，然而，在进行耐药性基因检测时，需要培养、分离和纯化病原菌，导致检测的时间较长，从而延长了预估患者对于抗生素的耐药性的时间。并且，一次只能检测一种或少数几种耐药性基因，检测效率低下，进而降低了预估患者对于抗生素的耐药性的效率。

技术实现思路

[0004]本专利技术提供一种人工智能的抗生素耐药性预估方法、装置、计算机设备及介质，可以解决预估患者对于抗生素的耐药性的时间长且效率低下的技术问题。
[0005]第一方面，提供了一种抗生素耐药性预估方法，包括：
[0006]获取诊断样本集，所述诊断样本集包括多个诊断样本，所述诊断样本为样本对象的诊断数据；
[0007]对所述样本对象的耐药性进行标注；
[0008]基于预设的标签树、预设的初始预估模型以及诊断样本，确定所述样本对象的参考耐药性；
[0009]根据所述参考耐药性以及标注耐药性对所述初始预估模型进行训练，得到耐药性预估模型，以通过所述耐药性预估模型对目标对象进行耐药性预估。
[0010]第二方面，提供了一种抗生素耐药性预估装置，包括：
[0011]获取模块，用于获取诊断样本集，所述诊断样本集包括多个诊断样本，所述诊断样本为样本对象的诊断数据；
[0012]标注模块，用于对所述样本对象的耐药性进行标注；
[0013]确定模块，用于基于预设的标签树、预设的初始预估模型以及诊断样本，确定所述样本对象的参考耐药性；
[0014]训练模块，用于根据所述参考耐药性以及标注耐药性对所述初始预估模型进行训练，得到耐药性预估模型；
[0015]预估模块，用于通过所述耐药性预估模型对目标对象进行耐药性预估。
[0016]第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述抗生素耐药性预估方法的步骤。
[0017]第四方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述抗生素耐药性预估方法的步骤。
[0018]上述抗生素耐药性预估方法、装置、计算机设备及存储介质所实现的方案中，可以获取诊断样本集，所述诊断样本集包括多个诊断样本，所述诊断样本为样本对象的诊断数据，对所述样本对象的耐药性进行标注；基于预设的标签树、预设的初始预估模型以及诊断样本，确定所述样本对象的参考耐药性，根据所述参考耐药性以及标注耐药性对所述初始预估模型进行训练，得到耐药性预估模型，以通过所述耐药性预估模型对目标对象进行耐药性预估，在本专利技术中，利用预设的标签树、预设的初始预估模型以及诊断样本，确定样本对象的参考耐药性，然后，根据参考耐药性以及标注耐药性对初始预估模型进行训练，使得训练得到的耐药性预估模型具备对多种抗生素的确定结果，在进行抗生素耐药性预估时，可以一次性预估患者对于不同抗生素的耐药性，由此，可以减小预估患者对于抗生素的耐药性的时间，并且，提高了预估患者对于抗生素的耐药性的效率。
附图说明
[0019]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0020]图1是本专利技术一实施例提供的抗生素耐药性预估方法的一应用环境示意图；
[0021]图2是本专利技术一实施例提供的抗生素耐药性预估方法的一流程示意图；
[0022]图3是本专利技术一实施例提供的抗生素耐药性预估方法中标签树的一结构示意图；
[0023]图4是本专利技术一实施例提供的抗生素耐药性预估方法中初始预估模型的结构示意图
[0024]图5是本专利技术一实施例提供的抗生素耐药性预估装置的一结构示意图；
[0025]图6是本专利技术一实施例提供的抗生素耐药性预估装置的另一结构示意图
[0026]图7是本专利技术一实施例提供的计算机设备的一结构示意图；
[0027]图8是本专利技术一实施例提供的计算机设备的另一结构示意图。
具体实施方式
[0028]下面将结合本专利技术实施例中的附图，对本专利技术实施例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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0029]本专利技术实施例提供的抗生素耐药性预估方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。客户端可以获取诊断样本集，该诊断样本集包括多个诊断样本，诊断样本为样本对象的诊断数据，然后，对样本对象的耐药性进行标注，接着，基于预设的标签树、预设的初始预估模型以及诊断样本，确定样本对象的参考耐药性，最后，根据参考耐药性以及标注耐药性对初始预估模型进行训练，得到耐药性预估模型，以通过耐药性预估模型对目标对象进行耐药性预估，在本专利技术中，利用预设的标签树、预设的初
始预估模型以及诊断样本，确定样本对象的参考耐药性，然后，根据参考耐药性以及标注耐药性对初始预估模型进行训练，使得训练得到的耐药性预估模型具备对多种抗生素的确定结果，在进行抗生素耐药性预估时，可以一次性预估患者对于不同抗生素的耐药性，由此，可以减小预估患者对于抗生素的耐药性的时间，并且，提高了预估患者对于抗生素的耐药性的效率。
[0030]请参阅图2所示，图2为本专利技术实施例提供的抗生素耐药性预估方法的一个流程示意图，包括如下步骤：
[0031]S10：获取诊断样本集。
[0032]诊断样本集包括多个诊断样本，诊断样本为样本对象的诊断数据。其中，获取的途径可以有多种，比如，可以从互联网、指定数据库和/或医疗记录中进行获取，具体可以根据实际应用的需求而定。
[0033]需要说明的是，为了提高模型的训练速度，在获取诊断样本集之前，还可以包括：
[0034]S11：获取确定目标；
[0035]S12：确定确定目标对应的抗生素类型、以及每个抗生素类型对应的抗生素；
[0036]S13：基于抗生素类型以及抗生素类型对应的抗生素，构建确定目标对应的标签树。
[0037]例如，具体的，请参阅图3，确定目标可以为某个传染病X，在构建标签树时，第一层是抗生素的药物类型，下分为青霉素类、碳青霉烯类、1代头孢本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抗生素耐药性预估方法，其特征在于，包括：获取诊断样本集，所述诊断样本集包括多个诊断样本，所述诊断样本为样本对象的诊断数据；对所述样本对象的耐药性进行标注；基于预设的标签树、预设的初始预估模型以及所述诊断样本，确定所述样本对象的参考耐药性；根据所述参考耐药性以及标注耐药性对所述初始预估模型进行训练，得到耐药性预估模型，以通过所述耐药性预估模型对目标对象进行耐药性预估。2.根据权利要求1所述的抗生素耐药性预估方法，其特征在于，所述基于预设的标签树、预设的初始预估模型以及诊断样本，确定所述样本对象的参考耐药性，包括：基于预设的标签树以及诊断样本，构建多个标签特征；将多个所述标签特征输入至预设的初始预估模型中，确定所述样本对象的参考耐药性。3.根据权利要求2所述的抗生素耐药性预估方法，其特征在于，所述基于预设的标签树以及诊断样本，构建多个标签特征，包括：从所述诊断样本中提取诊断特征和诊断时刻；基于诊断特征和诊断时刻，构建所述样本对象在预设的标签树的每个标签下对应的标签矩阵。4.根据权利要求2所述的抗生素耐药性预估方法，其特征在于，所述将多个所述标签特征输入至预设的初始预估模型中，确定所述样本对象的参考耐药性，包括：融合所述标签特征，得到标签序列；根据所述标签序列对应的标签对所述标签序列进行特征学习，得到所述标签序列对应的权重矩阵；向量化所述权重矩阵，得到每个标签下对应的序列；对所述序列进行分类，得到所述样本对象的参考耐药性。5.根据权利要求1至4任一项所述的抗生素耐药性预估方法，其特征在于，所述根据所述参考耐药性以及标注耐药性对所述初始预估模型进行训练，得到耐药性预估模型，以通过所述耐药性预估模型对目标对象进行耐药性预估，包括：根据所述参考耐药性以及标注耐药性，计算所述初始预估模型的...

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