一种基于多任务学习的个性化用药推荐方法、设备及存储介质与流程

本发明涉及人工智能技术，尤其涉及一种基于多任务学习的个性化用药推荐方法、设备及存储介质。

背景技术：

1、传统的医疗实践中，医生常常根据自我的经验以及病人的病案记录来向患者提供药物。不同医生在对患者身体状态进行判定时不可避免地受到个人主观意见因素的影响；而每个患者的身体特征、生理状况、疾病历史以及基因遗传等因素存在显著的个体差异，因此医生针对同一病情提出的相同治疗方案和用药建议仍然会发生不同的患者产生截然不同的治疗效果或者副作用的情况。为了应对存在的问题，个性化药物推荐应运而生，致力于为患者提供更加精准、科学的用药建议。

2、近年来一些基于深度学习的药物推荐方法通过利用患者病历中的历史医疗事件作为辅助信息进行推荐，在一定程度上弥补了传统药物推荐方法的不足，但由于医疗健康数据的多样性和复杂性，这类药物推荐研究存在忽视患者健康数据中一些重要且有效信息的问题。另外，由于医疗领域的知识图谱数量在不断增加，于是也出现了许多使用医学知识图谱作为辅助特征的用药推荐方法，但这些工作对图谱信息的利用情况仍存在有效信息利用不足或者带来噪音等问题。因此，在互联网高速发展的当下，如何通过繁杂的数据信息为患者提供最理想的药物，成为药物推荐研究面临的一大挑战。

技术实现思路

1、本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于多任务学习的个性化用药推荐方法、设备及存储介质。

2、本发明解决其技术问题所采用的技术方案是：一种基于多任务学习的个性化用药推荐方法，包括以下步骤：

3、步骤1)获取用户的医疗健康数据；

4、用户的医疗健康数据包括用户的年龄、性别以及体重在内的生理特征信息、所患疾病信息、所做手术信息、历史用药信息和体检信息；

5、步骤2)根据用户的医疗健康数据，获得用户医疗健康特征表示；

6、步骤3)构建医学知识图谱，根据知识图谱中药物实体的信息，获得药物特征表示；

7、所述医学知识图谱为医学知识的实体关系三元组，实体包括药物、疾病、不良反应；关系为实体之间的关系；

8、医学知识图谱通过公开数据集或者专业医学数据库中直接获取，或根据机构提供的药物说明书间接构建；

9、步骤4)根据用户医疗健康特征表示和药物特征表示，利用预测函数学习用户医疗健康与药物之间的交互情况，计算得到两者发生交互的概率；

10、步骤5)根据步骤4中获得的预测概率对药物进行排序，将top-k的药物推荐给用户。

11、按上述方案，所述步骤2)中，根据用户的医疗健康数据，获得用户医疗健康特征表示，具体如下：

12、基于深度神经网络的多任务学习，构建一个参数共享的主次任务学习网络结构；

13、根据用户的医疗健康数据，将预测用户体征是否异常设定为主次任务学习网络结构中的一个次要辅助任务，将用药推荐设定为主次任务学习网络结构中的主要任务，利用特征分析任务辅助用药推荐任务获取到增强后的用户医疗健康特征表示。

14、按上述方案，所述步骤2)中，主次任务学习网络结构包括：底层网络和上层网络；在主次任务学习网络结构的底层，从用户的医疗健康数据中提取特征，所述特征包括平均值、标准差、峰值在内的统计特征、频域特征、时域特征和时间序列特征；在底层完成特征提取之后，在主次任务学习网络结构的上层，选择合适的分类模型，将提取到的所有特征表示s(ui)输入到分类模型中，通过学习和训练最终得到一个预测函数fpa，计算出患者身体状态为健康的概率：pu＝fpa(s(ui))，根据计算出的预测概率，获取用户医疗健康特征表示。

15、按上述方案，所述步骤3)中，根据知识图谱中药物实体的信息，获得药物特征表示，具体如下：

16、通过信息互补模块，学习药物信息和药物实体信息之间的潜在交互特征，然后利用多跳知识图嵌入任务辅助用药推荐任务，充分运用医学知识图谱中的有效信息，获取到更丰富的药物特征表示；

17、所述药物信息包括：药物的名称、使用方式、使用剂量、药物与用户是否存在交互；

18、知识图谱中药物实体信息为知识图谱中与已有药物相关的药物、适用的疾病以及药物的不良反应；

19、按上述方案，所述步骤3)中，根据知识图谱中药物实体的信息，获得药物特征表示，具体如下：

20、引入一个控制用药推荐与知识图嵌入之间交叉信息传递的信息互补模块，该模块执行以下步骤：

21、交叉步骤，根据药物的特征表示和该药物对应实体的特征表示生成它们之间的交互矩阵，交互矩阵揭示药物和实体之间的相互作用程度；

22、压缩步骤，利用学习到的交互矩阵将药物和实体的嵌入映射到统一的特征空间，即在下一层生成更新后的药物和实体嵌入表示；

23、对于药物item的特征向量v和知识图谱中与item相关联的实体向量e，首先在第l层为它们的潜在特征和构建d×d的成对相互作用：其中是为第l层的交叉特征矩阵，d为隐藏层的维度大小；

24、然后，通过将该交叉特征矩阵投影到药物和实体的潜在表示空间中，生成下一层的特征向量：和其中，和表示可训练权重，和为相应的偏差向量；

25、对于药物v，使用信息互补模块对用户的药物特征进行编码，利用医学知识图谱中的有效信息，为药物提供丰富的特征表示，将其编码为一个新的特征向量vl。

26、按上述方案，所述步骤3)中，利用多跳知识图嵌入获取医学知识图谱中有关药物实体更为深层的关系，完成对尾部实体的预测；

27、首先使用信息互补模块对与药物相关的头实体hv进行编码，获得丰富的药物实体表示然后使用多个非线性层处理中间实体hn和各个实体之间的关系rn，获得最终的头实体嵌入表示hl和关系嵌入表示rl，最后将两者组合起来并使用k层感知器进行尾部实体的预测：是最后预测得到的尾部实体t的向量表示，最后，使用一个得分函数计算出三元组(h,r,t)的分数：

28、根据上述方案，本发明还提供一种电子设备，包括：一个或多个处理器；以及存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行上述方案中任一项所述的方法。

29、根据上述方案，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方案任一项所述的方法。

30、本发明产生的有益效果是：

31、本发明基于多任务学习的思想，充分融合医疗健康数据和医学知识图谱中的有效信息，显著提升个性化用药推荐的准确性和推荐结果的可解释性。

技术特征：

1.一种基于多任务学习的个性化用药推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多任务学习的个性化用药推荐方法，其特征在于，医学知识图谱通过公开数据集或者专业医学数据库中直接获取，或根据机构提供的药物说明书间接构建。

3.根据权利要求1所述的基于多任务学习的个性化用药推荐方法，其特征在于，所述步骤2)中，根据用户的医疗健康数据，获得用户医疗健康特征表示，具体如下：

4.根据权利要求3所述的基于多任务学习的个性化用药推荐方法，其特征在于，所述步骤2)中，主次任务学习网络结构包括：底层网络和上层网络；在主次任务学习网络结构的底层，从用户的医疗健康数据中提取特征，所述特征包括平均值、标准差、峰值在内的统计特征、频域特征、时域特征和时间序列特征；在底层完成特征提取之后，在主次任务学习网络结构的上层，选择合适的分类模型，将提取到的所有特征表示s(ui)输入到分类模型中，通过学习和训练最终得到一个预测函数fpa，计算出患者身体状态为健康的概率：pu＝fpa(s(ui))，根据计算出的预测概率，获取用户医疗健康特征表示。

5.根据权利要求1所述的基于多任务学习的个性化用药推荐方法，其特征在于，所述步骤3)中，根据知识图谱中药物实体的信息，获得药物特征表示，具体如下：

6.根据权利要求1所述的基于多任务学习的个性化用药推荐方法，其特征在于，所述步骤3)中，根据知识图谱中药物实体的信息，获得药物特征表示，具体如下：

7.根据权利要求5所述的基于多任务学习的个性化用药推荐方法，其特征在于，所述步骤3)中，利用多跳知识图嵌入获取医学知识图谱中有关药物实体的关系，完成对尾部实体的预测；

8.一种电子设备，其特征在于，

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。

技术总结本发明公开了一种基于多任务学习的个性化用药推荐方法、设备及存储介质，该方法包括以下步骤：步骤1)获取用户的医疗健康数据；步骤2)根据用户的医疗健康数据，获得用户医疗健康特征表示；步骤3)构建医学知识图谱，根据知识图谱中药物实体的信息，获得药物特征表示；步骤4)根据用户医疗健康特征表示和药物特征表示，利用预测函数模型学习用户医疗健康与药物之间的交互情况，计算得到两者发生交互的概率；步骤5)根据步骤4)中获得的概率对药物进行排序，将top‑k的药物推荐给用户。本发明基于多任务学习的思想，充分融合医疗健康数据和医学知识图谱中的有效信息，显著提升个性化用药推荐结果的准确性和推荐结果的可解释性。技术研发人员：黎云,袁冲,高峰,李涛,刘燕君,沈章,吕静受保护的技术使用者：武汉海云健康科技股份有限公司技术研发日：技术公布日：2024/10/10