【摘要】：臨床診療決策支持是醫(yī)學人工智能研究的核心內容。中醫(yī)是我國獨具優(yōu)勢和特色的傳統(tǒng)醫(yī)學體系,以四診信息(主要包括癥狀與體征等信息)為依據(jù),進行個體化診療是其主要臨床模式。因此,中醫(yī)人工智能研究的核心任務之一是實現(xiàn)以癥狀體征為輸入,處方信息為輸出的臨床處方決策支持技術和方法。鑒于中醫(yī)臨床處方的復雜性和個體性,臨床處方的決策支持技術研究一直是未能有效解決的研究難題。隨著大量以電子病歷信息為主要載體的臨床數(shù)據(jù)積累,基于大規(guī)模臨床數(shù)據(jù),結合當前的機器學習和信息推薦方法進行個體化處方推薦成為可能。本文基于較大規(guī)模的中醫(yī)臨床病歷數(shù)據(jù),結合信息推薦和表示學習等方法,開展了中醫(yī)臨床處方推薦方法及系統(tǒng)研究,主要工作包括以下幾個方面:(1)利用脫敏后的11379例中醫(yī)臨床病歷數(shù)據(jù),進行基于正則表達式的數(shù)據(jù)預處理,對現(xiàn)病史中的癥狀進行批量結構化解析,形成了具有較高質量的臨床處方推薦數(shù)據(jù)集,該數(shù)據(jù)集包含11379條現(xiàn)病史,11247副處方和463味中藥等主要信息,為開展中醫(yī)臨床處方信息推薦方法研究提供了重要數(shù)據(jù)基礎。(2)針對處方推薦中需要利用癥狀集和處方信息等問題,構建了包含癥狀集和處方的異質網(wǎng)絡,在此基礎上,采用網(wǎng)絡嵌入表示學習方法進行特征學習,并研制了基于類方分析和相似度的處方推薦算法。經實驗分析表明,基于社團劃分的處方推薦方法具有較好的處方推薦性能,實現(xiàn)了一定程度的個體化推薦效果。(3)面向臨床數(shù)據(jù)預處理和中醫(yī)處方推薦應用,本文設計并實現(xiàn)了中醫(yī)臨床處方推薦原型系統(tǒng),該系統(tǒng)基于Flask框架和Neo4j的圖數(shù)據(jù)庫存儲,實現(xiàn)了基于Web的臨床數(shù)據(jù)檢索、癥狀結構化處理及處方推薦等功能。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.3;R24
【圖文】：

的序列就可以看作輸入向量所對應單詞的詞向量，并且該詞向量的維度就是訓練逡逑模型中隱層神經元的數(shù)目。逡逑ｓｋｉｐ－ｇｒａｍ的模型結構如圖２－１所示。逡逑輸入向量邐隱層邐輸出層邐輸出向量逡逑圖２－１邋Ｓｋｉｐ－ｇｒａｍ的模型逡逑Ｆｉｇｕｒｅ邋２－１邋Ｔｈｅ邋ｍｏｄｅｌ邋ｏｆ邋ｓｋｉｐ－ｇｒａｍ逡逑在實際應用中，一般在訓練結束后將所有單詞所對應的詞向量進行組合，形逡逑成權重矩陣，再將原單詞的ｏｎｅｈｏｔ表示與該權重矩陣進行相乘就可以得到該單詞逡逑對應的詞向量，如式（２－１）所示。逡逑＂０．２邋０．５邋０．７＇逡逑０．５邋０．４邋０．２逡逑［０邋０邋１邋０邋０］ｘ邋０．７邋０．３邋０．５邋＝［０．７邋０．３邋０．５］邐（２－１）逡逑０．８邋０．９邋０．２逡逑０．５邋０．４邋０．８逡逑但是由于矩陣乘法運算的低效性，對寶貴的計算資源消耗巨大，借助單詞逡逑ｏｎｅｈｏｔ表示只有一個維度的值為１、其余維度的值為0的特性，可以快速的獲取該逡逑單詞所對應的詞向量，即直接在權重矩陣中對應于單詞ｏｎｅｈｏｔ表示的值１所在維逡逑度的位置作為索引，并取出權重矩陣與該索引相對應的向量，則此向量就是該單逡逑詞所對應的詞向量。還是以式（２－１）為例

如果訪問到某個節(jié)點發(fā)現(xiàn)該節(jié)點己不存在未訪問到的直接鄰居節(jié)點則進逡逑行回溯，再按照該規(guī)則繼續(xù)訪問，直到遍歷完畢。逡逑以上圖２－３為例，已知源節(jié)點為ｔ／，且設定節(jié)點Ｕ的鄰域節(jié)點集合所包含的逡逑節(jié)點數(shù)Ａ：為４，那么依據(jù)上文介紹的ＢＦＳ的流程，采樣得到的源節(jié)點（／的鄰域節(jié)逡逑點為＆、＆、＆和＆，而根據(jù)ＤＦＳ流程采樣得到的源節(jié)點Ｕ的鄰域節(jié)點為＆、＆、逡逑＆和ＢＦＳ和ＤＦＳ分別對應了源節(jié)點鄰域采樣中的兩種極端情況。一般而言，逡逑ＢＦＳ策略下采樣得到的鄰域集合中的節(jié)點和源節(jié)點往往有著比較緊密的關系，但逡逑是所覆蓋的范圍很小，鄰域集合中常常僅包含源節(jié)點的直接鄰居，該鄰域集合側逡逑重于表示微觀層面的局部信息；ＤＦＳ策略下采樣得到的鄰域集合中的節(jié)點覆蓋的逡逑范圍比較大，但是所采樣節(jié)點與源節(jié)點的關系可能不夠緊密，距離源節(jié)點的平均逡逑路徑較長，該鄰域集合側重于表示宏觀層面的全局信息。Ｎ0ｄｅ２ｖｅｃ模型的鄰域選逡逑擇策略對ＢＦＳ和ＤＦＳ進行了綜合

用戶ｃ邐物品ｄ逡逑—？行為逡逑——？推薦逡逑圖２－７基于用戶的協(xié)同過濾算法逡逑Ｆｉｇｕｒｅ邋２－７邋Ｕｓｅｒ－ｂａｓｅｄ邋ｃｏｌｌａｂｏｒａｔｉｖｅ邋ｆｉｌｔｅｒｉｎｇ邋ａｌｇｏｒｉｔｈｍ逡逑ｒ－ＣＦ算法的關鍵就是計算出不同用戶之間的興趣相似度，而在的計算主要是依靠不同用戶行為之間的關系來獲取的，常用要有杰卡德相似度和余弦相似度。逡逑卡德相似度逡逑Ｎ邋（ｕ）ｒ＼Ｎ邋（ｖ）逡逑丨，式（２－１８）中ＡＹＷ表示用戶ｗ選購過的物品集合，＾叫表示用戶合，表示用戶ｗ和用戶ｖ共同選購過的物品集表示用戶ｗ或用戶ｖ選購過的物品集合的數(shù)目，杰卡德相

【參考文獻】

相關期刊論文 前5條

1 趙志升;張曉;宋晨晏;;醫(yī)學決策支持系統(tǒng)的發(fā)展現(xiàn)狀與趨勢分析[J];醫(yī)學與哲學(B);2015年01期

2 孟凡紅;萬芳;;我國中醫(yī)藥信息化建設與發(fā)展[J];中國中醫(yī)藥信息雜志;2010年11期

3 王林;戴冠中;趙煥成;;一種新的評價社區(qū)結構的模塊度研究[J];計算機工程;2010年14期

4 ;衛(wèi)生部出臺電子病歷基本規(guī)范[J];中國社區(qū)醫(yī)師(醫(yī)學專業(yè));2010年11期

5 劉建國;周濤;汪秉宏;;個性化推薦系統(tǒng)的研究進展[J];自然科學進展;2009年01期

相關博士學位論文 前1條

1 王昱;基于電子病歷數(shù)據(jù)的臨床決策支持研究[D];浙江大學;2016年

本文編號：2785679