一种多层次异步时间的药物推荐方法

本发明涉及医疗保健的人工智能，具体而言，尤其涉及一种多层次异步时间的药物推荐方法。

背景技术：

1、在我国智慧医疗存在紧迫性，随着人口增长、老龄化加剧，人们对于高质量医疗服务的需求不断攀升。我国的诊疗人数不断攀升，但医疗资源和医疗水平相对于发达国家还有较大的不足，此外还存在着医疗资源分配不均的问题。基层医疗机构的医疗水平相对有限，而顶层机构是供不应求的。药物推荐任务应运而生。药物推荐任务可以根据患者的过往电子病历(ehrs)来对患者的此次就诊进行用药推荐。这就大大地减缓了医疗资源缺少的问题。目前，药物推荐是人工智能在医疗保健领域的一项关键任务。

2、近年来，深度学习的方法已成功应用于药物推荐。为了准确学习患者电子病历ehrs数据的表征，一些方法基于transformer进行药物推荐，如g-bert、tahdnet、cognet。这些方法一般用于捕捉患者的全局特征信息，以实现更准确的药物预测。此外，有些方法还利用了临床事件之间的时间依赖性，例如leap等。这些方法通过学习患者历史就诊信息的相似性来进行药物推荐。然而，这些基于深度学习的药物推荐方法存在以下三个局限性：忽略了电子病历的数据完整性，忽略了单次就诊数据对推荐结果的影响；对多层次依赖关系的了解不够充分；忽略了不规则时间间隔的异步关系对推荐结果的影响。

技术实现思路

1、根据上述提出的技术问题，提供一种多层次异步时间的药物推荐方法。本发明首先利用gat(图注意力机制)增强了电子病历数据的嵌入。然后，利用多核cnn模块学习局部时间依赖信息，从而获得全局-本地多层次依赖信息。最后，设计了一个异步时间模块来融合不规则的时间序列，从而更好的学习患者历史就诊信息，实现更加精准的用药推荐。在mimic-iii的各项指标表现证明了本发明的有效性。

2、本发明采用的技术手段如下：

3、一种多层次异步时间的药物推荐方法，包括：

4、s1、利用gat编码模块增强电子病历数据的嵌入；

5、s2、利用全局transformer和多核cnn的多层次依赖模块学习局部时间依赖信息，获得全局-本地多层次依赖信息；

6、s3、使用多核cnn网络来捕捉患者的局部不规则时间信息，对于不规则时间间隔序列，应用不同大小的卷积核进行卷积运算，以捕捉不同时间尺度的局部特征，使用resnet统一不同卷积核生成的特征的维度；

7、s4、利用异步时间模块对不规则时间间隔进行建模，学习患者历史就诊信息，给出用药推荐结果。

8、进一步地，所述步骤s1，具体包括：

9、s11、计算诊断记录、药物记录和处方记录中相邻数据之间的相似度，计算如下：

10、

11、

12、

13、其中，代表诊断向量，为隐藏大小，代表处方向量，代表药物向量，w是超参数，函数a将拼接后的高维特征映射到一个数值上；

14、s12、采用softmax计算记录的三个注意力系数，计算如下：

15、

16、

17、

18、其中，表示向量个数，αij为注意力系数；

19、s13、利用gat对ehrs数据进行增强嵌入，得到ehrs数据的嵌入编码xp：

20、

21、s14、提取出不规则时间间隔序列数据，得到时间序列的嵌入编码tp：

22、

23、进一步地，所述步骤s2，具体包括：

24、s21、使用如下的线性函数将病人的电子健康记录ehrs转换为嵌入向量，并利用注意力机制来学习嵌入向量之间的相关性，计算如下：

25、ep＝wexp+be

26、qi＝qwiq，ki＝kwik，vi＝vwiv，i＝1，2，...8

27、其中，为隐藏大小，为权重矩阵，为偏置向量，q，k，v是对输入的嵌入向量ep之间相关性的学习；

28、s22、使用mlp的transformer架构来学习患者的全局信息，计算出每个嵌入向量的权重，并对嵌入向量按权重加权并平均得到全局的特征表示og：

29、

30、og＝(concact(z1，...z8))·wo

31、其中，设置为默认值64，contact为每个嵌入向量权重zi的拼接函数，wo为权重矩阵，og为zc和wo的点乘之积。

32、进一步地，所述步骤s3，具体包括：

33、s31、使用线性函数，将不规则时间间隔序列转化为可输入的嵌入向量：

34、δp＝wetp+be

35、其中，为隐藏大小，为权重矩阵，为偏置向量；

36、s32、使用不同大小的卷积核来捕获不同时间尺度的局部特征：

37、t′ci＝cnnti(δ1，δ2，…，δp)，i＝3，5，7

38、其中，为多核cnn网络的隐藏层输出，同时，为的一个超参数-隐藏大小；

39、s33、为了使具有不同卷积核的resnet产生的特征维度一致，对5x5卷积核和7x7卷积核生成的特征进行降维，以使其与3x3卷积核生成的特征具有相同的维度：

40、

41、其中，x1代表t′c5，x2代表t′c7，xl代表残差单元的输入，f是学习到的残差；

42、s34、对特征维度进行归一化：

43、

44、其中，μ为层的平均值，σ2为层的方差，α和β分别表示缩放和平移的参数向量。

45、s35、将基于transformer的全局融合模块生成的特征表示与多核cnn模块生成的局部特征表示输入到全连接层进行拼接，以融合全局和局部信息，产生全局-局部多层次依赖的特征表示op：

46、op＝zwp+tcwo

47、其中，op为基于transformer的全局融合模块生成的特征表示，tc为多核cnn模块生成的局部特征表示，wo为权重矩阵。

48、进一步地，所述步骤s4，具体包括：

49、s41、将病人的表征嵌入向量e与异步时间序列t进行相关性计算，得到相关矩阵：

50、

51、s42、对相关矩阵应用softmax函数，得到相关性权重矩阵：

52、

53、s43、利用自注意机制，计算注意权值，生成不规则时间间隔的特征表示，并进行归一化处理，得到不规则时间间隔依赖的特征表示ol：

54、

55、ol＝layernorm(φ1，φ2，…，φi)，i＝1，2，...p

56、其中，qi，ki，vi是对相关性权重矩阵学习后生成的矩阵；

57、s44、将获得的表征og和ol进行拼接，并且构建了一个基于mlp的预测层，利用sigmoid激活函数来预测推荐用药代码：

58、o′＝concat(op，ol)

59、yp＝sigmoid(wpo′+bp)

60、其中，wp、bp为超参数。

61、较现有技术相比，本发明具有以下优点：

62、本发明提供的多层次异步时间的药物推荐方法，首先利用gat(图注意力机制)增强了电子病历数据的嵌入。然后，利用多核cnn模块学习局部时间依赖信息，从而获得全局-本地多层次依赖信息。最后，设计了一个异步时间模块来融合不规则的时间序列，从而更好的学习患者历史就诊信息，实现更加精准的用药推荐。在mimic-iii的各项指标表现证明了本发明的有效性。

63、基于上述理由本发明可在医疗保健的人工智能等领域广泛推广。