[發(fā)明專利]一種智能臨床試驗方案生成方法及相關(guān)裝置

在審

• 申請?zhí)枺?/td>: 202310029360.3
• 申請日: 2023-01-09
• 公開（公告）號: CN115954072A
• 公開（公告）日: 2023-04-11
• 發(fā)明（設(shè)計）人: 何國平;翁星河;李金泉;陳海燕
• 申請（專利權(quán)）人: 杭州數(shù)垚科技有限公司
• 主分類號: G16H10/20
• 分類號: G16H10/20;G06F16/36;G06F40/295;G06F18/23213;G06F18/24;G06F18/22;G06N3/0442;G06N3/08
• 代理公司: 深圳市精英創(chuàng)新知識產(chǎn)權(quán)代理有限公司 44740
• 代理人: 劉杰

1.一種智能臨床試驗方案生成方法，其特征在于，包括：

通過神經(jīng)網(wǎng)絡(luò)算法對臨床試驗知識數(shù)據(jù)進行標(biāo)注得到標(biāo)注信息，并對所述標(biāo)注信息進行數(shù)據(jù)清洗，將數(shù)據(jù)清洗后的標(biāo)注信息轉(zhuǎn)化為統(tǒng)一語言內(nèi)容并將轉(zhuǎn)化后的標(biāo)注信息錄入知識庫；

獲取用戶的試驗?zāi)康臄?shù)據(jù)，并利用自然語言識別技術(shù)對所述試驗?zāi)康臄?shù)據(jù)進行識別，得到目的文本信息；

通過深度學(xué)習(xí)算法對所述用戶的歷史試驗方案數(shù)據(jù)和使用行為習(xí)慣數(shù)據(jù)進行訓(xùn)練，得到訓(xùn)練好的試驗數(shù)據(jù)模型；

將所述文本信息輸入至所述試驗數(shù)據(jù)模型，得到試驗結(jié)果；

將所述試驗結(jié)果輸入所述知識庫，生成相應(yīng)的臨時試驗方案和知識體系并發(fā)送給用戶；

獲取用戶根據(jù)所述知識體系對所述臨時試驗方案的完善內(nèi)容并生成最終試驗方案。

2.根據(jù)權(quán)利要求1所述的智能臨床試驗方案生成方法，其特征在于，所述通過神經(jīng)網(wǎng)絡(luò)算法對臨床試驗知識數(shù)據(jù)進行標(biāo)注得到標(biāo)注信息包括：

對所述臨床試驗知識數(shù)據(jù)進行預(yù)處理，得到預(yù)處理數(shù)據(jù)；

將所述預(yù)處理數(shù)據(jù)中的半結(jié)構(gòu)化、非結(jié)構(gòu)化的數(shù)據(jù)按照藥物、臨床、統(tǒng)計的類別進行預(yù)標(biāo)注并對所述預(yù)標(biāo)注進行標(biāo)簽處理；

采用雙向長短期記憶神經(jīng)網(wǎng)絡(luò)和條件隨機場相結(jié)合的算法從經(jīng)過預(yù)標(biāo)注的臨床試驗知識數(shù)據(jù)中抽取出實體信息；

運用命名實體識別技術(shù)對所述實體信息進行文本三元組標(biāo)注，得到文本三元組；

根據(jù)所述文本三元組構(gòu)建出知識圖譜。

3.根據(jù)權(quán)利要求2所述的智能臨床試驗方案生成方法，其特征在于，所述采用雙向長短期記憶神經(jīng)網(wǎng)絡(luò)和條件隨機場相結(jié)合的算法從經(jīng)過預(yù)標(biāo)注的臨床試驗知識數(shù)據(jù)中抽取出實體信息包括：

獲取經(jīng)過預(yù)標(biāo)注的臨床試驗知識數(shù)據(jù)；

將經(jīng)過預(yù)標(biāo)注的臨床試驗知識數(shù)據(jù)輸入長短期記憶模型，得到字符嵌入；

將經(jīng)過預(yù)標(biāo)注的臨床試驗知識數(shù)據(jù)輸入語言表征預(yù)訓(xùn)練模型，得到詞嵌入；

將所述字符嵌入和所述詞嵌入拼接處理，將拼接后的字符嵌入和詞嵌入輸入到雙向長短期記憶網(wǎng)絡(luò)，得到處理結(jié)果；

將所述處理結(jié)果輸入條件隨機場，得到實體信息。

4.根據(jù)權(quán)利要求1所述的智能臨床試驗方案生成方法，其特征在于，所述通過深度學(xué)習(xí)算法對所述用戶的歷史試驗方案數(shù)據(jù)和使用行為習(xí)慣數(shù)據(jù)進行訓(xùn)練，得到訓(xùn)練好的試驗數(shù)據(jù)模型包括：

對所述用戶的歷史試驗方案數(shù)據(jù)和使用行為習(xí)慣數(shù)據(jù)進行實體抽取，得到實體識別數(shù)據(jù)；

對所述實體識別數(shù)據(jù)進行特征選擇和特征降維，得到特征數(shù)據(jù)；

對所述特征數(shù)據(jù)進行聚類分析，得到歸類數(shù)據(jù)；

通過所述深度學(xué)習(xí)算法構(gòu)建試驗數(shù)據(jù)模型；

將所述歸類數(shù)據(jù)輸入所述試驗數(shù)據(jù)模型進行訓(xùn)練，得到訓(xùn)練好的試驗數(shù)據(jù)模型。

5.根據(jù)權(quán)利要求4所述的智能臨床試驗方案生成方法，其特征在于，所述對所述實體識別數(shù)據(jù)進行特征選擇和特征降維，得到特征數(shù)據(jù)包括：

獲取所述實體識別數(shù)據(jù)的特征子集；

計算所述特征子集的方差，并選取出方差最小的10個特征；

采用特征壓縮方法對所述10個特征進行降維，得到5個描述特征并將所述描述特征作為所述實體識別數(shù)據(jù)的特征數(shù)據(jù)。

6.根據(jù)權(quán)利要求4所述的智能臨床試驗方案生成方法，其特征在于，所述對所述特征數(shù)據(jù)進行聚類分析，得到歸類數(shù)據(jù)包括：

通過K-means密度聚類算法將所述特征數(shù)據(jù)的集合按照特征相似度分成不同簇類對象，將特征相似的數(shù)據(jù)分布于同一簇中，將特征不相似的數(shù)據(jù)分布在簇外；

計算所述特征數(shù)據(jù)的分布密度，并對所述特征數(shù)據(jù)的分布密度進行數(shù)據(jù)分析，得到歸類數(shù)據(jù)。

7.根據(jù)權(quán)利要求1所述的智能臨床試驗方案生成方法，其特征在于，所述獲取用戶對所述臨時試驗方案的完善內(nèi)容并生成最終試驗方案之后包括：

將所述最終試驗方案輸入所述試驗數(shù)據(jù)模型進行訓(xùn)練更新，同時通過神經(jīng)網(wǎng)絡(luò)算法將所述最終試驗方案轉(zhuǎn)化為知識圖譜存儲在知識庫中。