[发明专利]一种基于深度学习的用药决策方法和系统

权利要求书

1.一种基于深度学习的用药决策方法，其特征在于，包括：

收集患者相关信息、用药方案相关信息和用药方案对患者的实际疗效效果的实际疗效评估信息，以获取分析数据集，

构建疗效预测模型，以根据所述分析数据集分析各个所述患者之间的关系、所述用药方案之间的关系，并结合所述实际疗效评估信息预测各个所述用药方案对不同的所述患者治疗效果的预测疗效评估信息，

根据所述预测疗效评估信息给所述患者推荐适合所述患者个性化要求的所述用药方案；

所述预测模型获取所述预测疗效评估信息的步骤包括：

获取表征所述患者和所述用药方案之间关系的关系矩阵，所述关系矩阵中的关系元素表征所述患者与所述用药方案之间的关系，若所述患者使用过所述用药方案，则对应的所述关系元素表示为所述用药方案对所述患者的实际疗效评估值，若所述患者未使用过所述用药方案，则对应的所述关系元素设置为第一固定值，

根据所述关系矩阵获取患者潜在向量和药物潜在向量，每一个所述一个患者潜在向量的表示一个患者和不同的用药方案之间的关系，每一个所述药物潜在向量表示一个用药方案和不同的患者之间的关系，

根据所述患者相关信息和所述用药方案相关信息分别获取患者辅助信息矩阵和用药方案辅助信息矩阵，所述患者辅助信息矩阵中的元素表示包含所述患者相关的信息，所述用药方案辅助信息矩阵中的元素表示所述用药方案相关的信息，

通过SDAE自编码器分别从所述患者辅助信息矩阵和用药方案辅助信息矩阵中提取患者潜在因子向量和用药方案潜在因子向量，所述患者潜在因子向量和用药方案潜在因子向量为所述自编码器的隐藏层输出信息，

将所述药物潜在向量、药物方案潜在向量、所述患者因子向量以及所述用药方案因子向量通过神经网络进行协同过滤，从以学习各个所述患者之间的相似性和各个所述用药方案之间的相似性，并结合所述患者和所述患者的历史用药方案之间的关系预测每一个所述用药方案对各个不同的所述患者的治疗效果，以获得所述预测疗效评估信息。

2.根据权利要求1所述的基于深度学习的用药决策方法，其特征在于，所述分析数据集包括患者集合和用药方案集合，根据所述关系矩阵获取患者潜在向量和所述药物潜在向量的步骤包括：

将所述关系矩阵中的非所述第一固定值均设置为第二固定值，以获得相似关系矩阵，

根据所述相似关系矩阵，获取表征各个所述患者对应的各个患者标签向量和表征各个所述药物方案对应药物标签向量，所述患者集合中的第i个患者标签向量除第i个元素为所述第二固定值外，其余的元素均设置为所述第一固定值，所述药物方案集合中的第j个药物方案标签向量除第j个元素为第二固定值外，其余的元素均设置为所述第一固定值，

从所述相似关系矩阵中提取第i个所述患者与所述用药方案集合中的各个用药方案之间关系的患者-用药方案关系特征向量，

从所述相似关系矩阵中提取第j个所述用药方案与所述患者集合中的各个患者之间关系的患用药方案-患者关系特征向量，

将所述患者-用药方案关系特征向量与所述第i个患者标签向量相连接，以获得所述第i个患者对应的所述患者潜在向量，

将所述用药方案-患者关系特征向量与所述第j个患者标签向量相连接，以获得所述第j个用药方案对应的所述药物潜在向量。

3.根据权利要求2所述的基于深度学习的用药决策方法，其特征在于，分别将所述患者辅助信息矩阵和所述药物方案辅助信息矩阵中的元素随机的设置为所述第一固定值后，再分别通过所述SDAE自编码器提取患者潜在因子向量和用药方案潜在因子向量。

4.根据权利要求3所述的基于深度学习的用药决策方法，其特征在于，通过最小化重构误差训练所述SDAE自编码器来学习所述患者潜在因子向量和所述药物方案潜在向量。

5.根据权利要求4所述的基于深度学习的用药决策方法，其特征在于，所述疗效预测模型的损失函数由所述SDAE自编码器在进行特征提取过程中的最小化重构误差和所述疗效预测模型进行所述疗效预测的预测误差组成，

所述预测误差根据所述预测疗效评估信息和所述实际疗效评估信息确定。