[發明專利]基于時間注意力機制和圖卷積網絡的藥物組合推薦方法

在審

• 申請號: 202010529940.5
• 申請日: 2020-06-11
• 公開（公告）號: CN111798954A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 王震;高超;王海強;李向華;朱培燦;李學龍
• 申請（專利權）人: 西北工業大學
• 主分類號: G16H20/10
• 分類號: G16H20/10;G06N3/04;G06N3/08
• 代理公司: 西安中科匯知識產權代理有限公司 61254
• 代理人: 王培境

1.一種基于時間注意力機制和圖卷積網絡的藥物組合推薦方法，其特征在于包括以下步驟：

S1：診斷，治療程序與用藥組成了每位患者的醫療事件x_i，其中每位患者的診斷代碼和治療程序代碼，經過獨熱編碼后成為統一維度的診斷向量與治療向量利用線性嵌入方式，轉化為診斷嵌入向量和治療嵌入向量其中，w_d和w_p分別表示學習的嵌入矩陣，計算方式為：

S2：利用循環神經網絡RNN_α分別學習診斷嵌入向量與治療嵌入向量得到診斷注意力參數α_d與治療注意力參數α_p；同樣的，利用另外一個循環神經網絡RNN_β學習診斷嵌入向量與治療嵌入向量得到診斷注意力參數β_d與治療注意力參數β_p；其中，兩個循環神經網絡使用了不同的激活函數，即f_α＝tanh()和f_β＝tanhshrink()；o_α和o_β分別為兩個循環神經網絡的輸出向量，w_α,b_α,w_β,b_β分別表示神經網絡要學習的參數。用來表示診斷嵌入向量或治療嵌入向量那么計算過程如下：

S3：利用前兩步計算的診斷嵌入向量診斷注意力參數α_d與β_d，以及治療嵌入向量治療注意力參數α_p與β_p，將診斷表示向量為治療表示向量為那么患者就診向量就可以表示為

S4:由S3得到的每位患者就診向量表示P_i及其對應的用藥獨熱編碼組成一對鍵值對，為了把相似的患者就放在一起，所有患者保存為鍵值對的字典結構數據，得到患者的就診歷史向量H，n表示患者數量，計算過程如下：

S5：輸入電子健康檔案中患者處方用藥構成的網絡G_ehr＝(V,δ_ehr)和已知的藥物不良反應構成的網絡G_ddi＝(V,δ_ddi)；其中，V是圖節點，表示各種藥物；δ_ehr是電子健康檔案中藥物圖網絡中連接節點的邊，δ_ddi是已知藥物不良反應中藥物圖網絡的邊，δ_ehr與δ_ddi表示了藥物之間的關系連接；得到電子健康檔案中藥物圖網絡的度矩陣D_ehr，初始鄰接矩陣A_ehr，單位矩陣I_ehr和已知藥物不良反應中藥物圖網絡的度矩陣D_ddi，初始鄰接矩陣A_ddi，單位矩陣I_ddi；然后，對上述矩陣做如下處理，得到歸一化后電子健康檔案中藥物圖網絡的矩陣N_ehr與已知藥物不良反應中藥物圖網絡的矩陣N_ddi，計算公式如下：

S6：電子健康檔案中藥物的獨熱編碼組成向量陣M_ehr，已知藥物不良反應中藥物的獨熱編碼組成向量矩陣M_ddi，初始化隱藏的權值參數矩陣W_ehr和W_ddi，以及權重變量λ，對網絡中的藥物知識進行融合，計算出融合后的藥物知識向量K，公式如下：

K＝N_ehrM_ehrW_ehr+λ(N_ddiM_ddiW_ddi) (4)

S7：K是由S6得到的融合藥物知識，P_i表示每位患者就診向量。在患者歷史表示向量H中，表示第i位患者的鍵向量，表示第i位患者的值向量，激活函數計算后獲得輸出向量和計算過程如下：

S8：通過Sigmoid函數σ來預測藥物，計算過程如下：

S9：利用損失函數來降低預測錯誤的損失，其中，i和j分別表示第i和j位患者，t表示第t次就診，T表示總共就診次數；為電子健康檔案記錄的醫生為患者開的治療藥物，為方法預測推薦的藥物；π[0]和π[1]表示調節權重，且π[0]+π[1]＝1；s′表示藥物組合中發在藥物不良反應的可能性，s表示期望得到的藥物不良反應的可能性參數，η表示懲罰系數參數；

損失函數的計算過程如下：

S10：利用衡量指標Jaccard、PRAUC、F1來衡量預測的準確性，值越高表明預測的藥物組合就越準確；DDI Rate來衡量預測的藥物組合安全性，值越低表明預測的藥物組合發生不良反應的情況越低，藥物組合的安全性就更加可靠，T表示總共就診次數，N表示總共患者數量；為醫生為第i位患者在第t次就診開的治療藥物，是方法預測推薦的藥物，(c_a,c_b)表示預測藥物a與b是在已知藥物不良反應集合δ_ddi中的組合，以公式(9)計算Jaccard，公式(10)計算的Recall和Precision為橫縱坐標的點連接成的曲線與坐標軸圍成的面積即為PRAUC，公式(12)計算F1，公式(12)計算DDI Rate。