[发明专利]一种融合改进CNN和LSTM的抗菌药物耐药性预测方法

权利要求书

1.一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：包括如下步骤：

S1、以药敏检测样本数据作为输入，利用卷积神经网络提取药敏检测文本中的高层语义特征，并进行全连接和分类，得到检测样本对应抗菌药物的MIC分类结果；

S2、以细菌和抗菌药物间的随时间变化的MIC检测序列数据作为输入，利用双向长短期记忆网络提取特定细菌与特定抗菌药物间的耐药性随时间变化的序列特征；

S3、将两种网络的耐药分类结果进行加权，构建检测样本与抗菌药物间的分类模型，判断待测样本对抗菌药物的耐受程度。

2.根据权利要求1所述的一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：所述卷积神经网络包括：

输入层，为网络提供数据输入，支持图像或文本数据；

卷积层，用于提取特征值，卷积运算公式为：c_i＝f(Σw.x_i:i-h+1+b)；

其中，c_i表示第i个特征值，f为激活函数，w为卷积核，h为卷积核窗口滑动大小，x为输入层或者前一个卷积层，x_i:i-h+1为从x中第i行至第i-h+1行提取到的局部文本矩阵，b为偏置项；

池化层，采用最大池化法和平均池化法；

输出层，将经过卷积和池化后得到的特征值拉平，进行全连接运算，将隐层特征空间映射为样本标记空间，完成分类输出。

3.根据权利要求2所述的一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：将药敏检测样本的二维文本数据作为输入，导入输入层，将文本映射为k维的向量空间。

4.根据权利要求1或2所述的一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：所述卷积神经网络以ResNet-50为网络主干，提取药敏检测文本中的高层语义特征，其中，ResNet-50的Bottleneck块，使用深度可分离卷积代替普通卷积，降低参数量和计算量；并在ResNet-50的每个Bottleneck块最后，嵌入通道注意力模块和空间注意力模块。

5.根据权利要求4所述的一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：所述通道注意力模块将输入的特征矩阵分别进行最大池化和平均池化操作，再经过MLP，对MLP输出的两个向量特征进行逐元素相加，通过sigmoid激活操作，得到通道注意力权重，运算过程公式为：

M_c(F)＝σ(MLP(AvgPool(F)+MLP(MaxPool(F))；

其中，F为输入特征矩阵，σ为sigmoid激活函数。

6.根据权利要求5所述的一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：所述空间注意力模块，以通道注意力模块输出的特征作为输入，做一个最大池化和平均池化操作，将两个池化结果进行融合，经过一个卷积操作，得到一个通道数为1的特征向量，通过sigmoid生成空间注意力权重，将该权重与该模块的输入特征矩阵做乘法运算，生成最终的特征矩阵；

空间注意力权重公式：M_s(F′)＝σ(f^7×7([AvgPool(F′),MaxPool(F′)]))；

最终的特征矩阵：

其中，f为卷积运算，表示元素间的乘法运算。

7.根据权利要求1所述的一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：长短期记忆网络通过增加三个门控制信息的长距离传输，三个门分别是：输入门i_t、遗忘门f_t和输出门o_t，其中，i_t决定t时刻向存储单元添加哪些新的信息，f_t决定当前时刻存储单元需要遗忘哪些信息，o_t用以控制当前存储单元信息的输出。

8.根据权利要求7所述的一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，其特征在于：所述双向长短期记忆网络以单向长短期记忆网络为基础，增加一个反向的长短期记忆网络层，从正、反两个方向同时捕捉正向和反向序列特征，运算公式为：

输入门：i_t＝σ(W_i·[h_t-1,x_t]+b_i)；

遗忘门：f_t＝σ(W_f·[h_t-1,x_t]+b_f)；

输出门：o_t＝σ(W_o·[h_t-1,x_t]+b_o)。