[发明专利]一种基于多源数据融合的帕金森氏病药物推荐模型

说明书

本发明是专门针对帕金森病提出的一种基于多源数据融合的药物推荐模型，属于计算机应用领域。一种基于多源数据融合的帕金森氏病药物推荐模型，包括如下步骤：步骤（1）前期数据收集PD患者的运动和非运动症状以及相对应的医生开具临床治疗的药物处方，步骤（2）根据观察到的运动和非运动症状的设计基于特征和基于相似度的表示；步骤（3）学习一个将观察到的症状与处方药联系起来的潜在症状空间；步骤（4）迭代优化PALAS模型参数；步骤（5）保存模型参数；步骤（6）测试集测试结果并评估。本发明通过分析观察到的PD患者的运动和非运动症状来实现，计算机自动预测适合帕金森氏病患者的药物，从而从数据驱动角度为神经病理学家提供参考。

技术领域

本发明涉及一种基于基于多源数据融合的帕金森氏病药物推荐模型，属于计算机应用领域。

背景技术

帕金森氏病症(Parkinson'sDisease，PD)是一种慢性发展的神经系统紊乱，伴有如活动和睡眠困难、震颤、头晕和昏厥症状。现在，它被认为是第二大最常见的神经退化疾病，在美国近一百万人遭受PD困扰。尽管研究表明帕金森病可能与遗传和环境因素有关，但帕金森病的确切原因仍然未知。

近年来，为了更好指导介入治疗，针对PD患者的计算机辅助方法成为一个广泛的研究热点。所有研究都集中在用于预测患者早期是否属于PD的计算机辅助诊断上。尚未进行关于计算机PD药物处方推荐的研究，即根据观察到的症状为PD患者选择合适的日常治疗药物。

处方预测任务是有临床意义的，并且在实践中是可行的。在传统的基于患者的处方方法中，需要神经病理学家的专业经验才能为PD患者开药。不幸的是，实际上没有最佳处方的通用标准。不同的神经病理学家通常根据自己的经验和判断开出不同的治疗药物。此外，如果考虑到其他因素，例如价格和药物的隐性副作用，为每个患者寻找(接近)最佳处方将变得更加复杂和困难。因此，通过将数据驱动的机器学习技术生成的药物处方与基于患者的处方结合是非常有用的，并且可以当一种指导或参考，尤其是当不同的神经病理学家之间存在多种观点时。

近些年来，计算机辅助PD诊断的工作在不断发展。Fang等人提出了一种用于图像分类的多模态共识表示学习的方法，该方法提出了最大化差异度量来提高泛化能力。对于图像标注任务，Zou等人开发了一种称为MVML的方法，通过在增强框架中融合多个单标签学习器，其中基础学习器是改进的基于多模态的SVM。但是，如果直接利用这两个方法进行研究，则预测性能会非常有限，因为未考虑症状与药物的内在联系，并且忽略了药物标签矩阵的稀疏特性。

发明内容

本发明专门针对帕金森病提出的一种基于多源数据融合的药物推荐模型，该算法旨在根据观察到的帕金森氏病患者的运动和非运动症状来预测合适的治疗药物。

一种基于多源数据融合的帕金森氏病药物推荐模型，包括如下步骤：

步骤(1)前期数据收集PD患者的运动和非运动症状以及相对应的医生开具临床治疗的药物处方；

步骤(2)根据观察到的运动和非运动症状的设计基于特征和基于相似度的表示；

步骤(3)学习一个将观察到的症状与处方药联系起来的潜在症状空间；

步骤(4)迭代优化PALAS模型参数；

步骤(5)保存模型参数；

在进一步的实施例中，所述步骤(1)的数据收集过程中，包括136位年龄在48至92岁之间的PD患者的运动和非运动症状以及经验丰富的神经病理学家根据症状对于每位患者提供适合临床治疗的药物处方。

在进一步的实施例中，所述步骤(2)中的数据表示是一种多模态表示，设计了表示观察到的运动和非运动症状的基于特征的表示以及利用各种核函数设计了集中基于相似度的表示法来反映患者方面的相似度，随后基于特征和基于相似度的表示形式组合为观察到的运动和非运动症状的多模态表示。