一种基于增强图时空卷积网络的处方药预测模型.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115910269A(43)申请公布日2023.04.04(21)申请号202211376035.6G06N3/08(2023.01)(22)申请日2022.11.04(71)申请人浙江科技学院地址310023浙江省杭州市留和路318号(72)发明人陈芳妮王建煜张蕾岳魏琦万健张丽娟王海江黄杰(74)专利代理机构杭州浙科专利事务所(普通合伙)33213专利代理师陈洁(51)Int.Cl.G16H20/10(2018.01)G16H10/60(2018.01)A61G12/00(2006.01)G06N3/0464(2023.01)G06N3/049(2023.01)权利要求书4页说明书12页附图2页(54)发明名称一种基于增强图时空卷积网络的处方药预测模型(57)摘要本发明属于计算机应用技术领域，公开了一种基于增强图时空卷积网络的处方药预测模型，包括数据预处理模块、医学实体嵌入模块、空间结构增强模块、时序关系递进模块、缓存结构增强模块和模型的训练与优化模块；本发明可以充分捕捉患者病历数据的结构相关性和时间连续性特征。在结构相关性方面，本发明提出建立全局性医学实体关系图，应用图注意力神经网络对目标特征进行学习，有效的建立起了各医学实体之间的内部相关性。同时，本发明将膨胀卷积结合残差链接应用于时序部分，在大幅度降低训练参数的前提下，提高了训练结果的准确率，更好的捕获了时序特征。在此基础上，本发明又使用了缓存机制来进一步提高了模型的推荐准确率。CN115910269ACN115910269A权利要求书1/4页1.一种基于增强图时空卷积网络的处方药预测模型，其特征在于，包括数据预处理模块、医学实体嵌入模块、空间结构增强模块、时序关系递进模块、缓存结构增强模块和模型的训练与优化模块；所述数据预处理模块用于对患者的历史就诊数据和当前就诊情况及用药信息进行结构化处理，构建对应电子病历结构化表示；所述医学实体嵌入模块用于对诊断数据和手术状况数据进行医学实体嵌入；所述空间结构增强模块用于对诊断事件和手术事件分别构建全局的结构相关图矩阵；所述时序关系递进模块使用膨胀卷积结合残差网络代替传统的RNN模型；所述缓存结构增强模块，将患者的历史数据通过key‑value对的形式存储于缓存中，通过基于注意力的相似性算法对得到的表征向量和缓存内容进行比对链接；所述模型的训练与优化模块用于训练和优化基于增强图时空卷积网络的处方药预测模型。2.根据权利要求1所述的基于增强图时空卷积网络的处方药预测模型，其特征在于，所述数据预处理模块包括执行下列步骤的装置：获取患者的电子病历数据，并进行结构化处理；患者的电子病历数据表示为时序数据的集合n∈[1,N],t∈[1,T]，其中，N代表患者总数，T代表患者的最大就诊次数，对于某个患者的第t次就诊其中包括第t次就诊时的诊断数据手术状况数据推荐用药数据经过结构化处理后，已将具体的医学事件名称进行标准化，转换成了ICD‑9诊断编码、ICD‑9手术编码和ATC药物编码。3.根据权利要求1所述的基于增强图时空卷积网络的处方药预测模型，其特征在于，所医学实体嵌入模块包括执行下列步骤的装置：对于某个患者的第t次就诊其中诊断数据手术状况数据是由上百位的独热编码构成，对分别做词嵌入，得到嵌入矩阵：其中分别表示第t次就诊时诊断和手术的数量，l表示嵌入矩阵的维度，嵌入公式如下：其中W*,e表示可学习的权重矩阵，表示诊断数据或手术状况数据，经过医疗实体嵌入，将输入xt转换成4.根据权利要求1所述的基于增强图时空卷积网络的处方药预测模型，其特征在于，所述空间结构增强模块包括执行下列步骤的装置：构建医学事件关系图，获取各医学事件的内部相关性，依据正点互信息PPMI原则，针对给定患者的诊断数据和手术状况数据分别构建诊断关系图矩阵和手术状况关系图矩阵其中Nd，Np表示整个数据集中的诊断事件总数和手术事件总数，对于具体的医学事件i和事件j的相关性，计算公式如下：2CN115910269A权利要求书2/4页其中，p(i,j)表示医学事件i和事件j同时发生的概率，p(i),p(j)表示事件i，事件j本身发生的概率；使用多头图注意力网络捕获医学事件的结构特征，使嵌入后各医学向量表示能包含具有相关关系的其它向量信息，将诊断关系图矩阵Gd和手术状况关系图矩阵Gp作为全局权重矩阵，对于中的每一个子事件用多头注意力机制的方式对其进行图变换，得到结构信息更加丰富的向量表示具体计算公式如下：其中，表示经过图变换的子事件的向量表示，由链接而成，K表示多头注意力个数，K＝3，σ表示一个非线性的激活函数，使用ReLU函数，Ni表示与i事件存在相关关系的其他医学事件，Wk,bk表示可学习的权重矩阵和偏置，表示第t次就诊