System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及人工智能与生物医学,具体为一种针对乙肝患者的治疗药物推荐方法、装置及介质。
技术介绍
1、乙肝病毒(hbv)是一种世界性的高危传染性疾病,具有传染性强、传播途径复杂、流行面广、发病率高等特点。现有的乙肝治疗药物种类繁多,不同患者对同一药物的敏感程度也不相同,疾病与药物之间也并不是简单的一对一的关系。在这种情况下,为了保证治疗的有效性,医生一方面需要给出合适的药物组合来治疗或缓解所有的疾病,另一方面还需要避免所选择的药物之间出现不良的反应,这对于医生来说耗时耗力。现有对于hbv在临床药物使用过程中,医生用药方案往往基于指南和经验判断。然而,指南主要从群体视角为肝病患者提供常规治疗参考,以及仅对少数几类特殊人群或特殊疾病状态的患者提出了抗病毒用药方案;在个体层面和亚群体层面,指南未明确给出用药方案指导建议。这就对经验不足的医生在进行乙肝治疗药物的使用提出了严峻考验。
2、近年来,深度学习技术的出现弥补了传统药物推荐算法的不足,深度学习有助于推荐实体的偏好信息表示。为提高推荐结果的个性化程度,许多药物推荐算法将病患电子病历中的历史医疗事件(如诊断、手术、临床笔记)作为辅助信息,利用深度学习进行表征以融合到推荐过程中,显著提高了药物推荐的准确性。然而,此类深度学习推荐算法在进行乙肝治疗的药物推荐时仍然存在三大挑战:(1)缺乏海量、长期临床诊疗数据,乙肝病毒感染引起的乙肝疾病是一种慢性疾病,病程较长,因此研究乙肝精准医疗需要长期追踪观察和大规模的临床研究;(2)乙肝的治疗需要按人群进行划分,涉及多种身体指标与并发
技术实现思路
1、本专利技术的目的在于提供一种针对乙肝患者的治疗药物推荐方法、装置及介质。本专利技术相比其他主流推荐方法在精度评价指标和相关度评价指标上能够获得更好的效果,调高了乙肝治疗药物推荐的准确度。
2、本专利技术提供一种针对乙肝患者的治疗药物推荐方法,具体按以下步骤执行:
3、s1:利用患者画像感知序列和药物种类集合构建身体指标感知超图,具体将与患者交互的药物按时间顺序排列,并记录下具体的个性化身体数据类型,得出患者画像感知序列,构建身体指标感知超图和药物组合超图;所述身体指标感知超图包括身体指标感知卷积通道和药物组合卷积通道;其中在身体指标感知卷积通道计算过程中,结合自注意力机制动态学习身体指标权重,将药物推荐与不同身体指标感知方法结合。在药物组合卷积通道计算过程中,增加hg-diffpool超图池化层降低药物特征维度,形成局部多种身体指标依赖与高阶药物组合关联。
4、所述的患者画像感知序列如式(1);
5、
6、其中,p为患者画像感知序列,为不同身体指标交互项,代表患者与乙肝治疗药物rn之间有类型为qk的交互身体指标;
7、按药物种类对p划分,如式(2);
8、
9、其中,sj为药物种类,与rn相关的所有不同身体指标交互项的集合;
10、构建身体指标感知超图gp=(vp,ep),其中,vp为超点集,由患者画像感知序列中的不同身体指标交互项构成,ep为超边集,超边由药物种类转换得到。
11、药物组合卷积通道如式(3);
12、
13、其中,:和分别为第w+1和第w层上的超图信号,n和d为节点个数与特征维度。
14、结合自注意力机制动态学习身体指标权重如式(4)-式(5);
15、
16、
17、其中,是经过特征采样后生成的特征向量,是池化后的超图信号。
18、s2:基于谱分解和多重超图的功能结构特性使用双通道超图卷积网络,形成局部多种身体指标依赖与高阶药物组合关联;
19、s3:利用个性化身体数据与药物剂量通过轻量图卷积形成嵌入向量,并输入卷积层提取出局部序列特征;
20、s4:再次利用嵌入向量计算出患者对药物敏感程度,融合超图信号,得到不同药物的推荐分数分布并计算出药物推荐结果。不同药物的推荐分数分布并计算出药物推荐结果如式(6);
21、
22、其中,pe为目标患者对药物敏感程度,do为卷积层融合序列特征与项目嵌入矩阵计算得到的局部序列特征。
23、进一步,本专利技术提供一种针对乙肝患者的治疗药物推荐装置,包括多重超图构建模块,用于将采集到的乙肝患者电子病历数据转化为患者画像感知序列和药物种类集合,根据不同身体指标交互类型和药物组合信息构建多重超图;
24、双通道超图卷积模块,用于于双通道超图卷积网络捕获不同身体指标依赖和高阶药物组合关联;
25、双通道轻量图卷积模型生成项目模块,用于患者个性化身体数据、药物剂量进行one-hot编码,再通过双通道轻量图卷积进行项目嵌入生成,结合不同身体指标依赖和高阶药物组合关联得到局部序列特征,预测推荐药物的概率,输出推荐药物结果。
26、进一步,本专利技术提供一种计算机可读存储介质,存储介质存储有计算机程序,所述计算机程序被主控制器执行时实现如上述中的任一项所述的方法。
27、与现有技术相比,本专利技术的有益效果是:
28、1、本专利技术提出一种针对乙肝患者的治疗药物推荐方法、装置及介质,通过自注意力机制,为不同的药物交互身体指标赋予权重,相比较于普通的图神经网络,通过多重超图结构能够有效地表示全局多种身体指标依赖和高阶药物组合关联两种特征。
29、2、本专利技术同时利用个性化身体数据与药物剂量通过轻量图卷积形成嵌入向量并计算出患者对药物敏感程度。
30、3、在不同地区电子病历构建的数据集上,本专利技术相比其他主流推荐方法在精度评价指标和相关度评价指标上能够获得更好的效果,调高了乙肝治疗药物推荐的准确度。
本文档来自技高网...【技术保护点】
1.一种针对乙肝患者的治疗药物推荐方法,其特征在于:具体按以下步骤执行:
2.根据权利要求1所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于,所述身体指标感知超图包括身体指标感知卷积通道和药物组合卷积通道;其中在身体指标感知卷积通道计算过程中,结合自注意力机制动态学习身体指标权重,将药物推荐与不同身体指标感知方法结合。
3.根据权利要求2所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于:在药物组合卷积通道计算过程中,增加HG-DiffPool超图池化层降低药物特征维度,形成局部多种身体指标依赖与高阶药物组合关联。
4.根据权利要求1所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于:所述的患者画像感知序列表达式为其中,P为患者画像感知序列,为不同身体指标交互项,代表患者与乙肝治疗药物rn之间有类型为qk的交互身体指标;
5.根据权利要求2所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于:药物组合卷积通道如表达式其中,和分别为第w+1和第w层上的超图信号,N和d为节点个数与特征维度。
6.根据权利要求2所述的
7.根据权利要求1所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于:在步骤S4中,不同药物的推荐分数分布并计算出药物推荐结果表达式为其中,Pe为目标患者对药物敏感程度,Do为卷积层融合序列特征与项目嵌入矩阵计算得到的局部序列特征。
8.一种针对乙肝患者的治疗药物推荐装置,其特征在于:包括多重超图构建模块,用于将采集到的乙肝患者电子病历数据转化为患者画像感知序列和药物种类集合,根据不同身体指标交互类型和药物组合信息构建多重超图;
9.一种计算机可读存储介质,存储介质存储有计算机程序,其特征在于,计算机程序被主控制器执行时实现如上述权利要求1-7中的任一项所述的方法。
...【技术特征摘要】
1.一种针对乙肝患者的治疗药物推荐方法,其特征在于:具体按以下步骤执行:
2.根据权利要求1所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于,所述身体指标感知超图包括身体指标感知卷积通道和药物组合卷积通道;其中在身体指标感知卷积通道计算过程中,结合自注意力机制动态学习身体指标权重,将药物推荐与不同身体指标感知方法结合。
3.根据权利要求2所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于:在药物组合卷积通道计算过程中,增加hg-diffpool超图池化层降低药物特征维度,形成局部多种身体指标依赖与高阶药物组合关联。
4.根据权利要求1所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于:所述的患者画像感知序列表达式为其中,p为患者画像感知序列,为不同身体指标交互项,代表患者与乙肝治疗药物rn之间有类型为qk的交互身体指标;
5.根据权利要求2所述的一种针对乙肝患者的治疗药物推荐方法,其特征在于:药物组合卷积通道如表...
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。