药物效果预测模型训练方法技术

公开了药物效果预测模型训练方法

【技术实现步骤摘要】
药物效果预测模型训练方法、药物效果预测方法及其装置


[0001]本公开涉及计算机
，具体地，涉及一种药物效果预测模型训练方法
、
药物效果预测方法
、
装置
、
计算设备
、
计算机可读存储介质以及计算机程序产品
。

技术介绍

[0002]用药计划对于患有严重或危及生命的患者至关重要
。
合适的药物治疗可以降低死亡率，缩短住院时间和提高健康评估评分
。
在临床实践中，用药计划往往容易出现偏差和错误，这尤其容易发生在针对危机生命的情况在重症监护病房中必须迅速做出决定时
。
可见，用药方案的有效性（例如，患者入院前
24
小时的用药有效性）对于辅助医生快速做出正确决定具有重要的作用
。
[0003]然而，现有药物有效性预测工作通常集中针对一种特定药物
、
一种特定疾病或一种特定检验，难以扩展到医院重症加强护理病房
ICU
（
Intensive Care Unit
）场景中的一般药物和疾病
。

技术实现思路

[0004]有鉴于此，本公开提供了一种药物效果预测模型训练方法
、
药物效果预测方法
、
装置
、
计算设备
、
计算机可读存储介质以及计算机程序产品，以缓解
、
减轻
、
甚至消除上述问题/>。
[0005]根据本专利技术的第一方面，提供了一种药物效果预测模型的训练方法，所述药物效果预测模型用于对药物效果进行预测，包括：将数据集输入所述药物效果预测模型，所述数据集包括多个样本，每个样本包括至少一个第一条目
、
至少一个第二条目及该样本的真实标签；获取与所述至少一个第一条目中的每个第一条目中的药物相关联的知识图谱，所述知识图谱包括与所述药物相关联的至少一个实体的向量表示；将所述至少一个第一条目和与所述药物相关联的至少一个实体的向量表示输入第一编码器得到第一条目增强向量表示；将所述至少一个第二条目输入第二编码器得到第二条目向量表示；计算所述第一条目增强向量表示和所述第二条目向量表示之间的互注意力表示；将所述互注意力表示输入多层感知器得到药物效果预测结果；基于所述药物效果预测结果和所述真实标签确定所述药物效果预测模型的目标损失，对所述药物效果预测模型的参数进行迭代更新以使所述目标损失满足预设条件，并将更新参数后的药物效果预测模型确定为所述药物效果预测模型
。
[0006]在一些实施例中，针对每个样本，每个第一条目至少包括所述药物名称和所述药物的给药方法，每个第二条目至少包括一个诊断疾病信息，并且所述真实标签至少包括死亡概率
。
[0007]在一些实施例中，将所述至少一个第一条目和与所述药物相关联的至少一个实体的向量表示输入第一编码器得到第一条目增强向量表示包括：将所述至少一个第一条目中的每一个第一条目输入第一子编码器得到第一条目向量表示；将与所述药物相关联的至少一个实体的向量表示与所述第一条目向量表示进行拼接，得到经拼接的第一条目向量表
示；以及将至少一个经拼接的第一条目向量表示输入第二子编码器，第二子编码器基于所述至少一个经拼接的第一条目向量表示得到第一条目增强向量表示，其中所述第一子编码器和第二子编码器包括在第一编码器中，所述与所述药物相关联的至少一个实体包括与所述药物相关联的至少一个疾病实体以及与所述药物相似的其他药物实体
。
[0008]在一些实施例中，与所述药物相关联的至少一个实体的向量表示至少通过下述方式获得：取得所述知识图谱中与每个第一条目中的药物相关联至少一个疾病的向量表示以及与所述药物相似的其他药物的向量表示，对所述至少一个疾病的向量表示和所述其他药物的向量表示进行平均池化，得到与所述药物相关联的至少一个实体的向量表示
。
[0009]在一些实施例中，其中所述模型的目标损失包括第一损失和第二损失，所述第一损失是所述药物效果预测结果与所述真实标签之间的交叉熵函数；所述第二损失是基于下述步骤进行计算的：比较所述药物效果预测结果与所述真实标签，基于所述药物效果预测结果与所述真实标签是否一致将样本分为第一集合和第二集合；对所述第一集合和所述第二集合进行对比学习，并基于所述对比学习的对比学习损失计算所述第二损失
。
[0010]在一些实施例中，所述药物效果预测结果包括预测住院死亡率
、
预测住院时长是否大于预定天数和预测健康得分中的至少一个
。
[0011]在一些实施例中，计算所述第一条目增强向量表示和所述第二条目向量表示之间的互注意力表示包括：将第一条目增强向量表示记为
c
，第二条目向量表示记为
x
，基于下式计算述第一条目增强向量表示和所述第二条目向量表示之间的互注意力表示，所述互注意力表示包括药物治疗基于与所述诊断疾病信息的注意力的表示与所述诊断疾病信息基于与药物治疗的表示：，其中
Attention
为注意力函数
。
[0012]根据本专利技术的第二方面，提供了一种药物效果预测方法，所述药物效果预测模型用于对药物效果进行预测，包括：将至少包括所述药物名称和所述药物的给药方法的第一条目和至少包括一个诊断疾病信息的第二条目输入药物效果预测模型，所述药物效果预测模型用于对药物效果进行预测；输出药物效果预测结果；其中所述药物效果预测模型是基于下述步骤进行训练的：将数据集输入所述药物效果预测模型，所述数据集包括多个样本，每个样本包括至少一个第一条目
、
至少一个第二条目及该样本的真实标签；获取与所述至少一个第一条目中的每个第一条目中的药物相关联的知识图谱，所述知识图谱包括与所述药物相关联的至少一个实体的向量表示；将所述至少一个第一条目和与所述药物相关联的至少一个实体的向量表示输入第一编码器得到第一条目增强向量表示；将所述至少一个第二条目输入第二编码器得到第二条目向量表示；计算所述第一条目增强向量表示和所述第二条目向量表示之间的互注意力表示；将所述互注意力表示输入多层感知器得到药物效果预测结果；基于所述药物效果预测结果和所述真实标签确定所述药物效果预测模型的目标损失，对所述药物效果预测模型的参数进行迭代更新以使所述目标损失满足预设条件，并将更新参数后的药物效果预测模型确定为所述药物效果预测模型
。
[0013]在一些实施例中，所述至少一个第一条目和与所述药物相关联的至少一个实体的向量表示输入第一编码器得到第一条目增强向量表示包括：将所述至少一个第一条目中的每一个第一条目输入第一子编码器得到第一条目向量表示；将与所述药物相关联的至少一
个实体的向量表示与所述第一条目向量表示进行拼接，得到经拼接的第一条目向量表示；以及将至少一个经拼接的第一条目向量表示输入第二子编码器，第二子编码器基于所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种药物效果预测模型的训练方法，所述药物效果预测模型用于对药物效果进行预测，其特征在于，包括：将数据集输入所述药物效果预测模型，所述数据集包括多个样本，每个样本包括至少一个第一条目
、
至少一个第二条目及该样本的真实标签；获取与所述至少一个第一条目中的每个第一条目中的药物相关联的知识图谱，所述知识图谱包括与所述药物相关联的至少一个实体的向量表示；将所述至少一个第一条目和与所述药物相关联的至少一个实体的向量表示输入第一编码器得到第一条目增强向量表示；将所述至少一个第二条目输入第二编码器得到第二条目向量表示；计算所述第一条目增强向量表示和所述第二条目向量表示之间的互注意力表示；将所述互注意力表示输入多层感知器得到药物效果预测结果；基于所述药物效果预测结果和所述真实标签确定所述药物效果预测模型的目标损失，对所述药物效果预测模型的参数进行迭代更新以使所述目标损失满足预设条件，并将更新参数后的药物效果预测模型确定为所述药物效果预测模型
。2.
如权利要求1所述的方法，其特征在于，针对每个样本，每个第一条目至少包括所述药物名称和所述药物的给药方法，每个第二条目至少包括一个诊断疾病信息，并且所述真实标签至少包括死亡概率
。3.
如权利要求1所述的方法，其特征在于，将所述至少一个第一条目和与所述药物相关联的至少一个实体的向量表示输入第一编码器得到第一条目增强向量表示包括：将所述至少一个第一条目中的每一个第一条目输入第一子编码器得到第一条目向量表示；将与所述药物相关联的至少一个实体的向量表示与所述第一条目向量表示进行拼接，得到经拼接的第一条目向量表示；以及将至少一个经拼接的第一条目向量表示输入第二子编码器，第二子编码器基于所述至少一个经拼接的第一条目向量表示得到第一条目增强向量表示，其中所述第一子编码器和第二子编码器包括在第一编码器中，所述与所述药物相关联的至少一个实体包括与所述药物相关联的至少一个疾病实体以及与所述药物相似的其他药物实体
。4.
如权利要求3所述的方法，其特征在于，与所述药物相关联的至少一个实体的向量表示至少通过下述方式获得：取得所述知识图谱中与每个第一条目中的药物相关联至少一个疾病的向量表示以及与所述药物相似的其他药物的向量表示，对所述至少一个疾病的向量表示和所述其他药物的向量表示进行平均池化，得到与所述药物相关联的至少一个实体的向量表示
。5.
如权利要求1或2所述的方法，其特征在于，所述模型的目标损失包括第一损失和第二损失，所述第一损失是所述药物效果预测结果与所述真实标签之间的交叉熵函数；所述第二损失是基于下述步骤进行计算的：比较所述药物效果预测结果与所述真实标签，基于所述药物效果预测结果与所述真实
标签是否一致将样本分为第一集合和第二集合；对所述第一集合和所述第二集合进行对比学习，并基于所述对比学习的对比学习损失计算所述第二损失
。6.
如权利要求3或4所述的方法，其特征在于，所述药物效果预测结果包括预测住院死亡率
、
预测住院时长是否大于预定天数和预测健康得分中的至少一个
。7.
如权利要求1所述的方法，其特征在于，计算所述第一条目增强向量表示和所述第二条目向量表示之间的互注意力表示包括：将第一条目增强向量表示记为
c
，第二条目向量表示记为
x
，基于下式计算述第一条目增强向量表示和所述第二条目向量表示之间的互注意力表示，所述互注意力表示包括药物治疗基于与诊断疾病信息的注意力的表示与所述诊断疾病信息基于与药物治疗的表示：其中
Attention
为注意力函数
。8.
一种药物效果预测方法，其特征在于，包括：将至少包括所述药物名称和所述药物的给药方法的第一条目和至少包括一个诊断疾病信息的第二条目输入药物效果预测模型，所述药物效果预测模型用于对药物效果进行预测；输出药物效果预测结果；其中所述药物效果预测模型是基于下述步骤进行训练的：将数据集输入所述药物效果预测模型，所述数据集包括多个样本，每个样本包括至少一个第一条目
、
至少一个第二条目及该样本的真实标签；获取与所述至少一个第一条目中的每个第一条目中的药物相关联的知识图谱，所述知识图谱包括与所述药物相关联的至少一个实体的向量表示；将所述至少一个第一条目和与所述药物相关联的至少一个实体的向量表示输入第一编码器得到第一条目增强向量表示；将所述至少一个第二条目输入第二编码器得到第二条目向量表示；计...

【专利技术属性】
技术研发人员：张莹莹，吴贤，张渝，郑冶枫，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：