[發明專利]一種融合改進CNN和LSTM的抗菌藥物耐藥性預測方法

在審

• 申請號: 202111423699.9
• 申請日: 2021-11-26
• 公開（公告）號: CN114068038A
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 謝修娟;盧琬歆
• 申請（專利權）人: 東南大學成賢學院
• 主分類號: G16H70/40
• 分類號: G16H70/40;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京業騰知識產權代理事務所(特殊普通合伙) 32321
• 代理人: 周姍姍

本發明公開了一種融合改進CNN和LSTM的抗菌藥物耐藥性預測方法，包括將藥敏檢測樣本的深層文本特征和細菌與抗菌藥物間的耐藥性趨勢變化的時間序列特征相結合，構建檢測樣本與抗菌藥物間的分類模型，而后利用此模型判斷待測樣本對抗菌藥物的耐受程度，第一時間為醫生臨床用藥提供最適合個體患者的決策支持，為抗菌藥物的合理使用提供輔助作用，其中，對ResNet?50的Bottleneck塊，使用深度可分離卷積代替普通卷積，以降低參數量和計算量，同時，在ResNet?50的每個Bottleneck塊最后，嵌入通道注意力模塊和空間注意力模塊，增強重要特征以提高模型精度。

技術領域

本發明涉及智能醫學檢驗技術領域，具體為一種融合改進CNN和LSTM的抗菌藥物耐藥性預測方法。

背景技術

隨著全球細菌耐藥性的加劇，抗菌藥物的不合理使用問題愈來愈嚴重，濫用情況時有發生，對于人類生命健康和社會經濟發展具有不可忽視的負面影響。目前，各大醫院細菌耐藥性檢測方法多采用傳統的細菌培養方法，細菌培養一般需要1天以上的時間才能鑒定細菌，并且再需要2天以上的時間才能完成藥敏檢測，碰到疑難菌種則需要5天甚至一周的時間，這種傳統檢測方法延誤了醫生對患者的抗菌藥物耐藥性的知悉時機，給臨床用藥帶來挑戰和困境。因此，急需一種融合改進CNN和LSTM的抗菌藥物耐藥性預測方法來解決上述問題。

發明內容

本發明提供一種融合改進CNN和LSTM的抗菌藥物耐藥性預測方法，能快速且準確的判斷待測樣本對抗菌藥物的耐受程度，第一時間為醫生臨床用藥提供最適合個體患者的決策支持，以解決上述現有技術中存在的問題。

為實現上述目的，本發明提供如下技術方案：一種融合改進CNN和LSTM的抗菌藥物耐藥性預測方法，包括如下步驟：

S1、以藥敏檢測樣本數據作為輸入，利用卷積神經網絡提取藥敏檢測文本中的高層語義特征，并進行全連接和分類，得到檢測樣本對應抗菌藥物的MIC分類結果；

S2、以細菌和抗菌藥物間的隨時間變化的MIC檢測序列數據作為輸入，利用雙向長短期記憶網絡提取特定細菌與特定抗菌藥物間的耐藥性隨時間變化的序列特征；

S3、將兩種網絡的耐藥分類結果進行加權，構建檢測樣本與抗菌藥物間的分類模型，判斷待測樣本對抗菌藥物的耐受程度。

優選的，所述卷積神經網絡包括：

輸入層，為網絡提供數據輸入，支持圖像或文本數據；

卷積層，用于提取特征值，卷積運算公式為：c_i＝f(Σw.x_i:i-h+1+b)；

其中，c_i表示第i個特征值，f為激活函數，w為卷積核，h為卷積核窗口滑動大小，x為輸入層或者前一個卷積層，x_i:i-h+1為從x中第i行至第i-h+1行提取到的局部文本矩陣，b為偏置項；池化層，采用最大池化法和平均池化法；

輸出層，將經過卷積和池化后得到的特征值拉平，進行全連接運算，將隱層特征空間映射為樣本標記空間，完成分類輸出。

優選的，將藥敏檢測樣本的二維文本數據作為輸入，導入輸入層，將文本映射為k維的向量空間。

優選的，所述卷積神經網絡以ResNet-50為網絡主干，提取藥敏檢測文本中的高層語義特征，其中，ResNet-50的Bottleneck塊，使用深度可分離卷積代替普通卷積，降低參數量和計算量；并在ResNet-50的每個Bottleneck塊最后，嵌入通道注意力模塊和空間注意力模塊。

優選的，所述通道注意力模塊將輸入的特征矩陣分別進行最大池化和平均池化操作，再經過MLP，對MLP輸出的兩個向量特征進行逐元素相加，通過sigmoid激活操作，得到通道注意力權重，運算過程公式為：