[發明專利]一種藥物分類方法、裝置、設備及存儲介質

有效

• 申請號: 202010549622.5
• 申請日: 2020-06-16
• 公開（公告）號: CN111738014B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 施振輝;夏源;王春宇;黃海峰;王曉榮;陸超
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06F40/30;G06N3/0464;G06N3/084;G16H70/40
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種藥物分類方法，包括：

獲取待分類藥物的藥物標識；

基于所述藥物標識和預先訓練出的藥物分類模型，確定所述待分類藥物的分類標簽；

其中，當所述待分類藥物為西藥時，所述藥物分類模型包括圖卷積神經網絡GCN和全連接層網絡；所述GCN是根據從藥物集合中獲取的各藥物的適應癥表征數據和成分表征數據進行構建；所述GCN中包含多個節點，每個節點對應所述藥物集合中的一個藥物，每個節點的節點信息包括對應藥物的適應癥表征數據，并且具有相同成分的藥物所對應的節點之間具有連接關系；所述藥物分類模型基于樣本藥物的適應癥表征數據和分類標簽構建的樣本數據進行訓練；所述樣本藥物的適應癥表征數據和分類標簽從所述藥物集合的第一子集中獲取；

其中，當所述待分類藥物為中成藥時，所述藥物分類模型包括全連接層網絡；所述藥物分類模型基于獲取的樣本藥物的適應癥表征數據和分類標簽構建的樣本數據進行訓練。

2.根據權利要求1所述的方法，若所述待分類藥物為西藥時，使用所述樣本數據對所述藥物分類模型進行訓練，包括：

將所述樣本藥物的適應癥表征數據輸入所述GCN，獲取所述GCN輸出的融合有圖結構信息的藥物特征向量；

將所述藥物特征向量輸入所述全連接層網絡，獲得所述全連接層網絡輸出的預測分類標簽；

根據所述預測分類標簽和所述樣本藥物的分類標簽，確定損失函數值，根據所述損失函數值調整所述藥物分類模型中的權值參數和所述GCN中的節點信息。

3.根據權利要求1所述的方法，若所述待分類藥物為中成藥時，使用所述樣本數據對所述藥物分類模型進行訓練，包括：

將所述樣本藥物的適應癥表征數據輸入所述全連接層網絡，獲得所述全連接層網絡輸出的預測分類標簽；

根據所述預測分類標簽和所述樣本藥物的分類標簽，確定損失函數值，根據所述損失函數值調整所述全連接層網絡中的權值參數。

4.根據權利要求1-3中任一項所述的方法，其中，藥物的適應癥表征數據的獲取方法包括：

將所述藥物的適應癥文本輸入預先訓練出的語義向量模型，獲得所述語義向量模型的輸出層的前一層輸出的所述藥物的適應癥語義表示向量。

5.根據權利要求4所述的方法，所述語義向量模型的訓練方法包括：

獲取樣本藥物的適應癥文本和分類標簽；

將所述樣本藥物的適應癥文本輸入所述語義向量模型，獲得所述語義向量模型的輸出層輸出的預測分類標簽；

根據所述預測分類標簽和所述樣本藥物的分類標簽，確定損失函數值，根據所述損失函數值調整所述語義向量模型中的權值參數。

6.根據權利要求4所述的方法，所述語義向量模型包括：Ernie模型或BERT模型，所述Ernie模型為自然語言處理NLP預訓練語言模型，所述BERT模型為雙向編碼器表示模型。

7.一種藥物分類裝置，包括：

標識獲取模塊，用于獲取待分類藥物的藥物標識；

標簽確定模塊，用于基于所述藥物標識和預先訓練出的藥物分類模型，確定所述待分類藥物的分類標簽；其中，當所述待分類藥物為西藥時，所述藥物分類模型包括圖卷積神經網絡GCN和全連接層網絡；

GCN構建模塊，用于根據從藥物集合中獲取的各藥物的適應癥表征數據和成分表征數據，構建GCN；所述GCN中包含多個節點，每個節點對應所述藥物集合中的一個藥物，每個節點的節點信息包括對應藥物的適應癥表征數據，并且具有相同成分的藥物所對應的節點之間具有連接關系；

分類模型訓練模塊，用于基于樣本藥物的適應癥表征數據和分類標簽構建的樣本數據，對所述藥物分類模型進行訓練；所述樣本藥物的適應癥表征數據和分類標簽從所述藥物集合的第一子集中獲取；

其中，當所述待分類藥物為中成藥時，所述藥物分類模型包括全連接層網絡；

模型訓練模塊，用于基于獲取的樣本藥物的適應癥表征數據和分類標簽構建的樣本數據，對所述藥物分類模型進行訓練。