[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

说明书

本发明公开了一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，包括将药敏检测样本的深层文本特征和细菌与抗菌药物间的耐药性趋势变化的时间序列特征相结合，构建检测样本与抗菌药物间的分类模型，而后利用此模型判断待测样本对抗菌药物的耐受程度，第一时间为医生临床用药提供最适合个体患者的决策支持，为抗菌药物的合理使用提供辅助作用，其中，对ResNet‑50的Bottleneck块，使用深度可分离卷积代替普通卷积，以降低参数量和计算量，同时，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，增强重要特征以提高模型精度。

技术领域

本发明涉及智能医学检验技术领域，具体为一种融合改进CNN和LSTM的抗菌药物耐药性预测方法。

背景技术

随着全球细菌耐药性的加剧，抗菌药物的不合理使用问题愈来愈严重，滥用情况时有发生，对于人类生命健康和社会经济发展具有不可忽视的负面影响。目前，各大医院细菌耐药性检测方法多采用传统的细菌培养方法，细菌培养一般需要1天以上的时间才能鉴定细菌，并且再需要2天以上的时间才能完成药敏检测，碰到疑难菌种则需要5天甚至一周的时间，这种传统检测方法延误了医生对患者的抗菌药物耐药性的知悉时机，给临床用药带来挑战和困境。因此，急需一种融合改进CNN和LSTM的抗菌药物耐药性预测方法来解决上述问题。

发明内容

本发明提供一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，能快速且准确的判断待测样本对抗菌药物的耐受程度，第一时间为医生临床用药提供最适合个体患者的决策支持，以解决上述现有技术中存在的问题。

为实现上述目的，本发明提供如下技术方案：一种融合改进CNN和LSTM的抗菌药物耐药性预测方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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：