买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜浙大城市学院申请的专利基于知识增强超图对比学习的癌症辅助决策方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119560095B 。

龙图腾网通过国家知识产权局官网在2025-04-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510093516.3，技术领域涉及：G16H20/10；该发明授权基于知识增强超图对比学习的癌症辅助决策方法是由周斌彬;王维坤;孔睿莺;郑增威;周展;张艺桐设计研发完成，并于2025-01-21向国家知识产权局提交的专利申请。

本基于知识增强超图对比学习的癌症辅助决策方法在说明书摘要公布了：本发明提供一种基于知识增强超图对比学习的癌症辅助决策方法，涉及智能医疗技术领域，其包括：将原始药物和细胞系数据进行特征提取后，以药物和细胞系为顶点，协同关系为超边构造成训练超图；使用超图神经网络进行学习，得到联合药物和细胞系的嵌入表示；并对超图进行增强以对模型进行对比学习；基于学习后的模型对待测数据集进行特征提取并更新超图，得到待测顶点的嵌入表示；基于待测顶点的嵌入表示得到待测数据集中各药物的协同关系。本发明考虑到药物、细胞系之间的高阶依赖关系，得到良好的表征更好地用于预测协同关系，为临床辅助决策提供良好的基础。

本发明授权基于知识增强超图对比学习的癌症辅助决策方法在权利要求书中公布了：1.一种基于知识增强超图对比学习的癌症辅助决策方法，其特征在于，其包括：S1，获取包括若干个样本数据的原始药物协同关系数据集，所述样本数据为药物-药物-细胞系-实际协同关系的四元组数据；S2，基于各所述样本数据构建训练超图，并对所述训练超图进行增强操作得到第一增强视图和第二增强视图，基于所述训练超图、所述第一增强视图和所述第二增强视图对图卷积网络、全连接网络、超图神经网络和预测网络进行对比训练，得到训练好的所述图卷积网络、所述全连接网络、所述超图神经网络和所述预测网络；S3，基于训练好的所述图卷积网络对待测数据集中的药物进行特征提取，得到若干个待测药物分子表征；基于训练好的所述全连接网络对待测数据集中的若干个细胞系进行特征提取，得到若干个待测细胞系分子表征；基于训练好的所述图卷积网络对各所述样本数据的药物进行特征提取，得到若干个样本药物分子表征；基于训练好的所述全连接网络对各所述样本数据中的细胞系进行特征提取，得到若干个样本细胞系分子表征；S4，以各所述样本药物分子表征和各所述样本细胞系分子表征为样本顶点构建样本超图，以各所述待测药物分子表征和各所述待测细胞系分子表征为待测顶点更新到所述样本超图中，得到待测超图；S5，将所述待测超图输入到训练好的所述超图神经网络中得到各所述待测顶点的嵌入表示；S6，将各所述待测顶点的嵌入表示输入到训练好的所述预测网络中得到所述待测数据集中各药物的协同关系；所述S2包括：S21，使用图卷积网络对所述样本数据中的药物进行特征提取，得到若干个训练药物分子表征；使用全连接网络对各所述样本数据中的细胞系进行特征提取，得到若干个训练细胞系分子表征；S22，以各所述训练药物分子表征和各所述训练细胞系分子表征为训练顶点，在具有拮抗作用的药物所对应的训练药物分子表征之间添加边，得到药物关系矩阵，在相似性大于相似设定值的细胞系所对应的训练细胞系分子表征之间添加边，得到细胞系相似性矩阵，在协同关系大于关系阈值所对应的训练药物分子表征和训练细胞系分子表征之间添加超边，得到超边矩阵和所述训练超图，并对所述训练超图进行增强操作得到所述第一增强视图和所述第二增强视图；S23，基于所述超图神经网络得到所述训练超图中各训练顶点的嵌入表示、所述第一增强视图中各训练顶点的嵌入表示和所述第二增强视图中各训练顶点的嵌入表示；S24，将各所述样本数据对应的所述训练超图中各所述训练顶点的嵌入表示作为一个集合，得到若干个训练嵌入集合，将各所述训练嵌入集合输入到所述预测网络中，得到若干个训练预测协同关系；基于投影头对所述第一增强视图中各训练顶点的嵌入表示和所述第二增强视图中各训练顶点的嵌入表示进行转换，得到第一对比学习参考数据和第二对比学习参考数据；S25，基于所述训练预测协同关系、所述第一对比学习参考数据和所述第二对比学习参考数据获得目标损失函数值，并基于所述目标损失函数值对所述图卷积网络、所述全连接网络、所述超图神经网络、所述预测网络和所述投影头进行优化更新；S26，重复执行S21-S25，得到训练好的所述图卷积网络、训练好的所述全连接网络、训练好的所述超图神经网络和训练好的所述预测网络；所述目标损失函数值表达式为： 式中：L为目标损失函数值，α为权重参数，Ld为药物对比学习损失值，Lc为细胞系对比学习损失值，Ls为预测网络损失值；预测网络损失值表达式为： 式中：m为训练嵌入集合的数量，Sq表示第q个训练嵌入集合对应的训练预测协同关系，Yq表示第q个训练嵌入集合对应的实际协同关系；所述第一对比学习参考数据包括第一药物对比学习参考数据和第一细胞系对比学习参考数据，所述第二对比学习参考数据包括第二药物对比学习参考数据和第二细胞系对比学习参考数据；药物对比学习损失值表达式为： 式中：ldp'd,i,p”d,i表示药物对比损失函数，D为药物集合，为各所述样本数据中包含的药物的总数量，sim为余弦相似度函数，p'd,i为第一药物对比学习参考数据中第i个值，为第i个药物对应的第一个对比的值，p”d,i为第二药物对比学习参考数据中第i个值，为第i个药物对应的第二个对比的值，为药物关系矩阵中第i行第x列的值，代表第i个药物和第x个药物是否有拮抗作用，τ表示温度系数，为超参数；细胞系对比学习损失值表达式为： 式中，lcp'c,i,p”c,i表示细胞系对比损失函数，C为细胞系集合，为各所述样本数据中包含的细胞系的总数量，p'c,i表示第一细胞系对比学习参考数据中第i个值，为第i个细胞系对应的第一个对比的值，p”c,i表示第二细胞系对比学习参考数据中第i个值，为第i个细胞系对应的第二个对比的值，为细胞系相似矩阵中第i行第x列的值，代表第i个细胞系和第x个细胞系的相似性是否大于相似设定值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙大城市学院，其通讯地址为：310015 浙江省杭州市拱墅区湖州街51号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。