一种基于深度学习的药物组合预测方法技术

本发明专利技术涉及一种基于深度学习的药物组合预测方法，包括：首先，根据医疗数据集中药物与诊断结果之间的对应关系，设计一种先验知识提取规则，计算患者的启发式用药序列；然后，利用多头注意力机制学习患者病史的医疗数据序列中各元素之间的关系，提取患者特征表示向量；最后，利用图卷积网络(Graph Convolutional Network，GCN)来融合药物组合中的药物知识，实现药物组合的预测推荐。结果表明，本发明专利技术提供的方法在不同的评价指标上，均优于目前先进的药物组合预测方法。

【技术实现步骤摘要】
一种基于深度学习的药物组合预测方法
本专利技术涉及人工智能
，尤其涉及一种基于深度学习的药物组合预测方法。
技术介绍
随着计算机技术的发展，电子病历详细记录了患者的诊疗过程，如诊断、医疗程序、用药组合等。深度学习技术可以学习这些医疗数据中的患者特征和医疗知识，并对患者治疗的药物组合进行预测，从而帮助专家挖掘分析医疗数据潜藏的疾病与用药规则，进一步改善临床指南与医疗专家系统。
技术实现思路
本专利技术的目的在于提供一种如何根据患者的历史记录与临床事件之间的相关性，为具有复杂健康状况的患者推荐药物组合的方法。本专利技术提供的基于深度学习的药物组合推荐方法，帮助专家挖掘分析医疗数据潜藏的疾病与用药规则，进一步改善临床指南与医疗专家系统。电子病历中记录了患者就诊过程中产生的序列数据，例如诊断、医疗程序、用药等，这些医疗记录可以为患者的治疗提供帮助。多次就诊的患者，每次的就诊医疗记录对患者当前健康状况的影响各不相同。通过多头注意力可以捕获电子病历中的医疗数据各次就诊医疗记录之间的关系特征，对历史就诊医疗记录的重要程度加以区分。电子病历中，记录的处方药物组合包含了丰富的药物知识，利用图卷积网络来学习药物组合构成的图网络结构，学习的药物表示向量融合了药物知识，可以将患者历史用药嵌入到深度学习模型中。为达到上述目的，本专利技术提供如下技术方案：一种基于深度学习的药物组合预测方法，包括以下步骤：S1：根据提取的先验知识获取启发式药物序列Mi；S2：将患者i的诊断Di、医疗程序Pi与所述启发式用药Mi分别转化成线性嵌入向量和计算方法如公式(1)：其中，Wd、Wp和Wm分别表示诊断、医疗程序和启发式用药的嵌入权重矩阵；S3：根据获取的诊断、医疗程序和启发式用药这些序列数据中的不同元素所在位置的序列，利用位置编码来分别计算诊断、医疗程序与启发式用药的序列数据的位置嵌入向量ped，pep与pem，如公式(2)：其中，pos表示位置，而2j+1和2j分别表示奇偶位置的索引，dim表示嵌入维度；S4：根据S2计算的线性嵌入向量和与S3计算的位置嵌入向量ped，pep与pem之和，得到诊断、医疗程序与启发式用药的嵌入表示向量，计算方式如公式(3)：S5：利用不同的多头注意力模块分别学习步骤S4得到的所述诊断、医疗程序与启发式用药的嵌入表示向量Eid、Eip与Eim，进而分别得到诊断特征向量Sd、医疗程序特征向量Sp与启发式用药特征向量Sm；其中，每个多头注意力模板由多个自注意力头组成，每个自注意力头学习的注意力向量进行级联，其中，每个自注意力头通过学习查询向量Q＝EWq、键向量K＝EWk、值向量V＝EWv来获取数据的内部序列特征，E表示不同多头注意力模块学习的嵌入向量，如Eid、Eip与Eim，而Wq、Wk与Wv则表示学习的权重矩阵，dim表示嵌入维度，n表示自注意力头的数目，h表示第h个自注意力头；Attention(Q、K、V)则表示自注意力头获取的数据内部序列特征向量，MultiHead(Q、K、V)表示的是将多个自注意力头(head1、head2，…headn)获取的特征表示向量拼接之后得到的向量；S6：根据电子医疗记录的患者历史用药，构成药物网络，利用图卷积神经网络计算药物节点的表示向量P；S7：根据步骤S5计算的诊断表示向量Sd与医疗程序表示向量Sp，结合步骤S6计算的药物节点的表示向量P，得到当前患者用药特征的输出表示向量Ft；S8：根据步骤S5计算的启发式用药特征，步骤S7计算的输出表示向量Ft与用药特征表示向量Ot，预测患者需要的药物组合；S9：利用损失函数量降低所述预测的患者需要的药物组合的预测损失；S10：重复步骤S5-S9，直到达到最大训练轮数；S11：利用衡量指标Jaccard、PRAUC、F1来衡量预测的准确性，值越高表明预测的药物组合就越准确。进一步地，如上所述的基于深度学习的药物组合预测方法，步骤S1包括：统计每种诊断D的出现频次fd及其可能用药M的出现频次fm，当fm>ηfd时，fm对应的药物M为诊断D的启发式用药；所述启发式药物序列Mi是由多个启发式用药组成的用药序列；η是用来选择启发式用药的阈值，计算得到每种诊断及其启发式用药的映射关系选择的启发式用药利用了hammingloss来判断，hammingloss计算方式如公式(5)：其中，T、N、L分别表示患者的就诊次数、数量和用药标签的长度，y和y’分别表示实际用药与启发式用药，Δ表示实际用药与启发式用药的对称差。进一步地，如上所述的基于深度学习的药物组合预测方法，所述启发式用药的阈值为0.73。进一步地，如上所述的基于深度学习的药物组合预测方法，所述S6包括：步骤S61:根据电子医疗记录的患者历史用药构成图网络G＝(θ,ε)，利用两层图神经网络来学习药物网络中药物节点的表示向量，计算公式如(6)：其中，θ是图节点，表示各种药物；ε是电子病历中处方药物图网络中连接节点的边，其表示了药物之间的关系连接；这样就得到电子病历中药物图网络的度矩阵De，初始邻接矩阵A，单位矩阵I；步骤S62:对所述单位矩阵I进行归一化，得到电子病历中药物图网络的矩阵其中，M表示电子病历中的药物编码，We1和We2分别表示药物嵌入权重矩阵和隐藏层的权重矩阵，tanh表示激活函数，P表示药物网络中药物节点的表示向量。进一步地，如上所述的基于深度学习的药物组合预测方法，所述S7包括：根据步骤S5计算的诊断表示向量Sd与医疗程序表示向量Sp，得到患者属性特征表示向量F，并用H来表示其历史用药；通过患者历史当前患病特征Ft与历史患病特征Ft-1的匹配度，来提取患者历史用药Ht-1的特征，再根据步骤S6得到的药物节点的表示向量P来获取当前患者用药特征的输出表示向量Ft；计算如公式(7)所示，其中t表示患者的就诊次数。Ot＝softmax(Ft(Ft-1)T)Ht-1P(7)进一步地，如上所述的基于深度学习的药物组合预测方法，所述S8包括：根据步骤S5计算的患者启发式用药特征Stm、步骤S7计算的得到的输出表示向量Ft与患者用药特征的表示向量Ot级联，通过Sigmoid函数σ来预测药物，计算过程如公式(8)：进一步地，如上所述的基于深度学习的药物组合预测方法，所述S9包括：利用损失函数来降低预测的损失，损失函数L如公式(9)所示，由二分交叉熵损失Lbinary和多标签边缘损失Lmulti组成；损失函数L的计算过程如下：其中，|y|与分别表示真实处方中药物标签数量与预测药物标签的数量，To表示患者就诊的次数，L表示药物标签的长度，与分别表示预测药物在真实处方药物集与预测药物集中的位置索引，λ和γ用来平衡二分交叉熵损失Lbinary和多标签边缘损失Lmulti的参数；表示第i个患者第本文档来自技高网...

【技术保护点】
1.一种基于深度学习的药物组合预测方法，其特征在于，包括以下步骤：/nS1：根据提取的先验知识获取启发式药物序列M

【技术特征摘要】
1.一种基于深度学习的药物组合预测方法，其特征在于，包括以下步骤：
S1：根据提取的先验知识获取启发式药物序列Mi；
S2：将患者i的诊断Di、医疗程序Pi与所述启发式用药Mi分别转化成线性嵌入向量和计算方法如公式(1)：



其中，Wd、Wp和Wm分别表示诊断、医疗程序和启发式用药的嵌入权重矩阵；
S3：根据获取的诊断、医疗程序和启发式用药这些序列数据中的不同元素所在位置的序列，利用位置编码来分别计算诊断、医疗程序与启发式用药的序列数据的位置嵌入向量ped，pep与pem，如公式(2)：



其中，pos表示位置，而2j+1和2j分别表示奇偶位置的索引，dim表示嵌入维度；
S4：根据S2计算的线性嵌入向量和与S3计算的位置嵌入向量ped，pep与pem之和，得到诊断、医疗程序与启发式用药的嵌入表示向量，计算方式如公式(3)：



S5：利用不同的多头注意力模块分别学习步骤S4得到的所述诊断、医疗程序与启发式用药的嵌入表示向量Eid、Eip与Eim，进而分别得到诊断特征向量Sd、医疗程序特征向量Sp与启发式用药特征向量Sm；
其中，每个多头注意力模板由多个自注意力头组成，每个自注意力头学习的注意力向量进行级联，



whereheadh＝Attention(Qh,Kh,Vh)(h≤n)
其中，每个自注意力头通过学习查询向量Q＝EWq、键向量K＝EWk、值向量V＝EWv来获取数据的内部序列特征，E表示不同多头注意力模块学习的嵌入向量，如Eid、Eip与Eim，而Wq、Wk与Wv则表示学习的权重矩阵，dim表示嵌入维度，n表示自注意力头的数目，h表示第h个自注意力头；Attention(Q、K、V)则表示自注意力头获取的数据内部序列特征向量，MultiHead(Q、K、V)表示的是将多个自注意力头(head1、head2，…headn)获取的特征表示向量拼接之后得到的向量；
S6：根据电子医疗记录的患者历史用药，构成药物网络，利用图卷积神经网络计算药物节点的表示向量P；
S7：根据步骤S5计算的诊断表示向量Sd与医疗程序表示向量Sp，结合步骤S6计算的药物节点的表示向量P，得到当前患者用药特征的输出表示向量Ft；
S8：根据步骤S5计算的启发式用药特征，步骤S7计算的输出表示向量Ft与用药特征表示向量Ot，预测患者需要的药物组合；
S9：利用损失函数量降低所述预测的患者需要的药物组合的预测损失；
S10：重复步骤S5-S9，直到达到最大训练轮数；
S11：利用衡量指标Jaccard、PRAUC、F1来衡量预测的准确性，值越高表明预测的药物组合就越准确。


2.根据权利要求1所述的基于深度学习的药物组合预测方法，其特征在于，步骤S1包括：统计每种诊断D的出现频次fd及其可能用药M的出现频次fm，当fm>ηfd时，fm对应的药物M为诊断D的启发式用药；
所述启发式药物序列Mi是由多个启发式用药组成的用药序列；η是用来选择启发式用药的阈值，计算得到每种诊断及其启发式用药的映射关系选择的启发式用药利用了hammingloss来判断，hammingloss计算方式如公式(5)：



其中...

【专利技术属性】
技术研发人员：高超，王海强，王震，朱培灿，李向华，李学龙，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61