[发明专利]一种脑卒中患者个性化治疗方案推荐系统

权利要求书

1.一种脑卒中患者个性化治疗方案推荐系统，其特征在于，所述系统用于执行以下步骤：

S1、将患者电子病历中的查体与评估结果的文本信息进行预处理；

S2、将患者电子病历中的查体与评估结果中的词语、句子、文档用向量的方式表示；具体实现方法为：将每个患者的查体结果与评估结果分别表示为一个文档；获取所有文档的不同词组成词表，词表长度为M；假设每个文档中含有L个句子，第i个句子表示为s_i，i∈[1，L]，设句子s_i中有T个单词，第t个单词的one-hot向量表示为x_it，t∈[1，T]；则对于每一个词的one-hot向量均为一个M维向量，且只在其对应位置上的值为1，其他位置都是0；

句子s_i使用该句子所包含的所有词的词向量加权平均表示：

将L个句子横向拼接生成第i个患者的查体与评估结果文档d_i，表示为一个L×M的二维矩阵：

d_i＝[s₁，s₂，s₃，...s_L]；

S3、基于步骤S2得到的文档向量对神经网络模型进行训练，得到个性化治疗方案推荐模型；包括以下子步骤：

S31、使用步骤S2得到的文档向量作为输入，使用VGG16网络提取患者特征；所述VGG16网络包含16个隐藏层，其中13层为卷积层，3层为全连接层；卷积核大小3×3，卷积步长为1；

每个卷积层分5个卷积段，每个卷积段后都连接一个最大池化层来进行下采样，池化核大小为2×2，池化步长为2；

第一个卷积段使用64个卷积核进行两次卷积；第二个卷积段使用128个卷积核进行两次卷积；第三个卷积段使用256个卷积核进行三次卷积操作；第四和第五个卷积段都使用512个卷积核进行三次卷积操作；

全连接层的目的是为了将输出扁平化，即转化为一个一维向量，其中前两层全连接层神经元个数都为4096，即将其转化为1×4096大小，最后一层神经元数为1000；

若第k层为卷积层，第k-1层为池化层或者输入层，则第k层的第j个特征图计算如下：

其中，M_j表示卷积核数量，表示第k-1层所有关联的特征图，表示第k层的第j个卷积核，“*”表示卷积运算；表示偏置参数；

若第k层为池化层，第k-1层为卷积层，则第k层池化的计算公式如下所示：

其中down表示池化操作，表示权重参数，表示第k-1层所有关联的特征图；

网络的所有隐藏层都使用ReLU作为激活函数，其计算公式如下：

f(x)＝max(0，x)

VGG16网络输出一维向量，表示从患者电子病历文档中提取的患病特征；

S32、将S31得到的患者患病特征作为输入，使用Unet网络实现特征重构；

Unet网络结构由卷积层、最大池化层、反卷积层以及ReLU非线性激活函数组成；

Unet网络的下采样过程分多组卷积操作进行，每组卷积操作后进行一次最大池化操作；收缩路径共进行4次下采样，每次下采样使用大小为3×3的卷积核进行两次卷积操作，接着使用ReLU作为激活函数进行计算，最后进行最大池化操作；

Unet网络的上采样过程进行4次上采样操作，上采样过程使用的是多组反卷积；每次上采样经过卷积核大小为2×2的卷积操作后，使用ReLU作为激活函数进行计算，然后输入大小为3×3的卷积核进行两次卷积操作；每次上采样操作都需要将前一次上采样后得到的特征进行合并；

Unet最后一层输出长度为n的特征向量s＝{s₁,…,s_t,…,s_n}，其中n表示标签总数量，s_t表示模型输出的对应第t个标签的特征值；

S33、使用softmax计算标签归一化概率；

将Unet网络输出的特征值作为softmax的输入，计算患者数据经模型预测的第t个标签，即第t个治疗方案的概率：

S34、误差反向传播与迭代训练：利用样本的真实治疗方案概率分布和模型预测治疗方案概率分布之间的交叉熵计算代价函数L(θ)，作为模型预测误差：

其中Batch为批量随机梯度下降中设置的批量样本数，P_i为第i个样本的预测治疗方案概率分布，y_i为第i个样本的真实治疗方案概率分布，θ为模型参数，包括所有权重和偏置参数；

使用批量梯度下降的误差反向传播算法对网络进行迭代训练，更新模型参数，使模型预测误差最小化，完成模型训练并保存训练好的模型；

S4、将新患者电子病历的查体与评估结果进行数据统一表达、分词及文本过滤处理后进行文档向量表示，然后输入步骤S3训练好的个性化治疗方案推荐模型，得到模型推荐的个性化治疗方案。