药物不良反应的预测方法、装置、设备及存储介质

本发明涉及模型预测，尤其涉及一种药物不良反应的预测方法、装置、设备及存储介质。

背景技术：

1、药物不良反应是药物可能产生的意料之外的作用，也是医疗过程中导致病人发病和死亡的主要原因中的一种。目前药物不良反应事件的数目急剧上升，为临床合理用药以及病人自主服药带来了困难。

2、因此，预测药物的不良反应，使用户能够及时获取服用某一药物后可能产生的不良反应，并辅助医生的临床用药和给患者开药的操作。目前对药物不良反应的预测往往是基于不同药物本身的，且多采用二元预测，未考虑到不同用户对同一药物产生的不良反应可能存在较大差异性。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是相关技术。

技术实现思路

1、本发明的主要目的在于提供了一种药物不良反应的预测方法、装置、设备及存储介质，旨在解决现有方法难以基于不同用户对药物的不良反应进行区别性预测的技术问题。

2、为实现上述目的，本发明提供了一种药物不良反应的预测方法，所述方法包括以下步骤：

3、基于resnet构建初始化预测模型；

4、获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块；

5、对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集；

6、基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型；

7、将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。

8、可选地，所述目标药物的不良反应预测模型包括依次连接的图像预处理模块、图像块抽取模块、特征提取模块、双注意力模块和分类器模块；

9、所述将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果，包括：

10、将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块；

11、通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块；

12、通过所述特征提取模块对所述当前用户的目标图像块进行特征提取，获得图像块特征图；

13、通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图；

14、通过所述分类器模块对所述目标特征图进行预测，获得目标药物的不良反应预测结果。

15、可选地，所述双注意力模块包括：空间注意力单元和示例注意力单元，所述空间注意力单元分别与所述特征提取模块和所述示例注意力单元连接，所述示例注意力单元还与所述分类器模块连接；

16、所述通过所述双注意力模块对所述图像块特征图进行特征融合，获得目标特征图，包括：

17、通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图；

18、通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图。

19、可选地，所述通过所述空间注意力单元对所述图像块特征图进行空间维度的特征过滤，并得到过滤后的图像块特征图，包括：

20、通过所述空间注意力单元对所述图像块特征图进行非线性卷积运算和特征标准化，得到标准化的图像块特征图，对所述图像块特征图进行卷积运算，确定所述图像块特征图在空间维度的权重得分，基于所述空间维度的权重得分对所述标准化的图像块特征图进行整合，得到过滤后的图像块特征图。

21、可选地，所述通过所述示例注意力单元对各个图像块特征图分配对应的权重得分，并基于所述权重得分对过滤后的所述各个图像块特征图进行加权整合，获得目标特征图，包括：

22、通过所述示例注意力单元对各个图像块特征图进行信息整合和非线性运算降维，采用softmax函数将经过所述信息整合和非线性运算降维的各个图像块特征图对应分配预设范围内的权重得分，基于所述预设范围内的权重得分对所述各个图像块特征图进行加权整合，获得目标特征图。

23、可选地，所述图像预处理模块包括图像切分单元和图像增强单元，所述图像切分单元与所述图像增强单元连接，所述图像增强单元还与所述图像块抽取模块连接，所述将所述当前用户的病理图像发送至所述图像预处理模块进行预处理，获得当前用户的病理图像块，包括：

24、通过所述图像切分单元对所述当前用户的病理图像进行图像块切分，获得当前用户的全部病理图像块；

25、通过所述图像增强单元对所述当前用户的全部病理图像块进行背景去除、平铺排列并去除无效图像块，获得经过筛选的当前用户的病理图像块。

26、可选地，所述通过所述图像块抽取模块对所述当前用户的病理图像块进行随机抽样，获得当前用户的目标图像块，包括：

27、通过所述图像块抽取模块对所述当前用户的病理图像块进行迭代抽样，并将抽取的预设数量的病理图像块作为所述当前用户的目标图像块。

28、此外，为实现上述目的，本发明还提出一种药物不良反应的预测装置，所述装置包括：

29、模型初始化模块，用于基于resnet构建初始化预测模型；

30、图像切分模块，用于获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块；

31、图像抽样模块，用于对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集；

32、模型训练模块，用于基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型；

33、模型检测模块，用于将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。

34、此外，为实现上述目的，本发明还提出一种药物不良反应的预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的药物不良反应的预测程序，所述药物不良反应的预测程序配置为实现上文所述的药物不良反应的预测方法的步骤。

35、此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有药物不良反应的预测程序，所述药物不良反应的预测程序被处理器执行时实现如上文所述的药物不良反应的预测方法的步骤。

36、本发明首先基于resnet构建初始化预测模型，接着获取服用目标药物的患者的相关病理图像，对所述相关病理图像进行切分，获得相关病理图像块，再对所述相关病理图像块进行随机抽样，将抽样获取的相关病理图像块作为第一训练集，然后基于所述第一训练集训练所述初始化预测模型，获得目标药物的不良反应预测模型，最后将当前用户的病理图像输入至所述目标药物的不良反应预测模型，获得目标药物的不良反应预测结果。由于本发明是根据模型来预测药物的不良反应，能够考虑到不同用户的个性化差异，区别地预测其对目标药物的不良反应，并将抽样后的服用目标药物的患者的相关病理图像块作为训练集对模型进行训练，能够提高模型预测的准确性，使模型的预测结果具有可解释性。