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！

申请/专利权人：山东卓业医疗科技有限公司

摘要：本发明涉及医疗临床技术领域，尤其涉及一种基于药品知识图谱推理的用药决策支持系统的构建方法。所述方法包括以下步骤：获取患者源影像数据以及用药计划信息数据；基于稀疏表示方法对患者源影像数据进行图像融合处理和患者个性特征分析，得到患者影像个性特征数据；根据用药计划信息数据推理构建药品知识图谱；利用患者影像个性特征数据以及药品知识图谱构建患者用药剂量规划模型；通过迁移学习优化患者用药剂量规划模型的网络超参数，得到患者用药剂量优化模型；利用患者用药剂量优化模型进行模型集成预测和用药决策构建分析，以生成患者用药决策支持系统。本发明可以大大减轻医生的工作负担，同时能够提供个性化和精确的用药决策。

主权项：1.一种基于药品知识图谱推理的用药决策支持系统的构建方法，其特征在于，包括以下步骤：步骤S1：获取患者源影像数据以及用药计划信息数据；基于稀疏表示方法对患者源影像数据进行图像融合处理，以得到患者影像稀疏表示融合数据；根据用药计划信息数据推理构建药品知识图谱；其中，步骤S1包括以下步骤：步骤S11：获取患者源影像数据以及用药计划信息数据；步骤S12：对患者源影像数据进行灰度标准化处理，以得到患者源影像灰度标准数据；步骤S13：对患者源影像灰度标准数据进行像素提取处理，得到患者源影像像素数据；利用傅里叶变换算法对患者源影像像素数据进行频域转换处理，以得到患者源影像像素频域信息数据；步骤S14：对患者源影像像素频域信息数据进行频域噪声消除处理，得到患者源影像噪声消除数据；其中，步骤S14包括以下步骤：步骤S141：利用频域噪声分布计算公式对患者源影像像素频域信息数据进行噪声分布程度计算，以得到患者源影像频域噪声分布程度值；其中，频域噪声分布计算公式具体为： ；式中，为在噪声频率上的患者源影像频域噪声分布程度值，为患者源影像像素频域信息数据的噪声频率参数，为患者源影像像素频域信息数据的噪声频率缩放因子，为患者源影像像素频域信息数据的噪声频率增益参数，为患者源影像像素频域信息数据的噪声频率控制参数，为噪声频率偏移分布均值，为噪声频率偏移分布标准差，为患者源影像像素频域信息数据的噪声波动幅度参数，为噪声波动幅度偏移分布均值，为噪声波动幅度偏移分布标准差，为噪声波动幅度的变化调整参数，为噪声波动幅度的相位偏移参数，为患者源影像频域噪声分布程度值的修正值；步骤S142：根据预设的噪声分布程度标准值对患者源影像频域噪声分布程度值进行比较判断，当患者源影像频域噪声分布程度值大于或等于预设的噪声分布程度标准值时，则将该患者源影像频域噪声分布程度值对应的患者源影像像素频域信息数据标记为患者源影像高频噪声数据；当患者源影像频域噪声分布程度值小于预设的噪声分布程度标准值时，则将该患者源影像频域噪声分布程度值对应的患者源影像像素频域信息数据标记为患者源影像低频噪声数据；步骤S143：对患者源影像高频噪声数据进行噪声分级滤波处理，得到患者源影像高频滤噪数据；其中，步骤S143包括以下步骤：步骤S1431：将患者源影像高频噪声数据输入到预设的一级FIFO噪声处理缓存队列，以得到高频噪声一级FIFO待处理数据；利用噪声滤波处理方法对高频噪声一级FIFO待处理数据进行一级噪声滤波，得到高频噪声一级FIFO滤波数据；步骤S1432：利用噪声滤波效果计算公式对高频噪声一级FIFO滤波数据进行滤波效果计算，得到高频噪声一级滤波效果程度值；其中，噪声滤波效果计算公式具体为： ；式中，为高频噪声一级滤波效果程度值，为高频噪声一级FIFO滤波数据的滤波角频率，为滤波效果计算的初始时间，为滤波效果计算的终止时间，为滤波效果计算的积分时间变量参数，，，．．．，均为一级噪声滤波过程中滤波器的滤波时间常数，，，．．．，均为一级噪声滤波过程中滤波器的滤波阶数，为滤波频域虚数单位，为高频噪声一级滤波效果程度值的修正值；步骤S1433：根据预设的滤波效果程度阈值对高频噪声一级滤波效果程度值进行判断筛选，确定高频噪声一级滤波效果程度值大于或等于预设的滤波效果程度阈值时，则将该高频噪声一级滤波效果程度值对应的高频噪声一级FIFO滤波数据判定为高频噪声一级滤波完成数据；确定高频噪声一级滤波效果程度值小于预设的滤波效果程度阈值时，则将该高频噪声一级滤波效果程度值对应的高频噪声一级FIFO滤波数据筛选出来，并判定为高频噪声一级滤波未完成数据；步骤S1434：将高频噪声一级滤波未完成数据输入到预设的二级FIFO噪声处理缓存队列，以得到高频噪声二级FIFO待处理数据；利用局部噪声滤波算法对高频噪声二级FIFO待处理数据进行二级噪声滤波，得到高频噪声二级FIFO滤波数据；步骤S1435：对高频噪声一级滤波完成数据以及高频噪声二级FIFO滤波数据进行数据融合，得到患者源影像高频滤噪数据；步骤S144：利用中位值滤波算法对患者源影像低频噪声数据进行噪声滤除处理，得到患者源影像低频滤噪数据；步骤S145：对患者源影像高频滤噪数据以及患者源影像低频滤噪数据进行时序合并，得到患者源影像噪声消除数据；步骤S15：基于稀疏表示方法对患者源影像噪声消除数据进行图像融合处理，以得到患者影像稀疏表示融合数据；其中，步骤S15包括以下步骤：步骤S151：利用稀疏表示方法对患者源影像噪声消除数据进行稀疏表示处理，以得到患者源影像稀疏表示数据；步骤S152：对患者源影像稀疏表示数据进行字典映射学习，得到患者源影像稀疏映射关联字典；步骤S153：对患者源影像稀疏表示数据进行稀疏融合，得到患者源影像稀疏表示初始融合数据，并为每个患者源影像稀疏表示数据赋予稀疏融合贡献权重；步骤S154：根据患者源影像稀疏映射关联字典对患者源影像稀疏表示初始融合数据进行逆字典重建变换，得到患者稀疏表示融合影像数据；对患者稀疏表示融合影像数据进行融合质量评估，得到患者影像稀疏融合质量评估数据；步骤S155：根据患者影像稀疏融合质量评估数据对稀疏融合贡献权重进行权重优化，以得到稀疏融合贡献优化权重；步骤S156：根据稀疏融合贡献优化权重对患者源影像稀疏表示初始融合数据进行融合优化，以得到患者影像稀疏表示融合数据；步骤S16：根据用药计划信息数据推理构建药品知识图谱；其中，步骤S16包括以下步骤：步骤S161：利用自然语言处理技术对用药计划信息数据进行药品实体识别分析，得到计划药品实体信息数据；步骤S162：对计划药品实体信息数据进行药品属性提取处理，得到计划药品属性信息数据；步骤S163：对用药计划信息数据进行药品关系抽取处理，以得到用药药品关系数据；步骤S164：基于用药药品关系数据以及计划药品属性信息数据对用药计划信息数据进行知识图谱推理分析，以构建得到药品知识图谱；步骤S2：对患者影像稀疏表示融合数据进行患者个性特征分析，以得到患者影像个性特征数据；利用患者影像个性特征数据以及药品知识图谱构建药品剂量自动规划网络框架；利用预设的端到端训练策略以及最小化损失函数对药品剂量自动规划网络框架进行模型训练，以得到患者用药剂量规划模型；其中，步骤S2包括以下步骤：步骤S21：对患者影像稀疏表示融合数据进行患者个性特征分析，以得到患者影像个性特征数据；步骤S22：利用深度学习卷积神经网络将患者影像个性特征数据以及药品知识图谱封装成卷积层，以得到患者影像特征卷积层以及药品知识图谱卷积层；步骤S23：对患者影像特征卷积层以及药品知识图谱卷积层进行向下联合池化，直至向下池化到全连接层，并通过在全连接层对患者影像特征卷积层以及药品知识图谱卷积层进行药品规划关联学习，以构建药品剂量自动规划网络框架；步骤S24：利用预设的端到端训练策略对药品剂量自动规划网络框架进行模型训练，并利用预设的最小化损失函数对药品剂量自动规划网络框架的下卷积池化阶段的药品剂量关联损失进行最小化，以得到药品剂量关联损失最小值；步骤S25：根据药品剂量关联损失最小值不断调整药品剂量自动规划网络框架的网络模型参数，以得到患者用药剂量规划模型；步骤S3：对患者影像个性特征数据进行数据增强处理，得到患者影像个性特征增强数据；对患者用药剂量规划模型进行迁移学习，以优化患者用药剂量规划模型的网络超参数，得到患者用药剂量优化模型；利用患者用药剂量优化模型对患者影像个性特征增强数据进行模型集成预测，以得到患者药品剂量分布关联关系数据；步骤S4：对患者药品剂量分布关联关系数据进行用药决策构建分析，以生成患者用药决策支持系统。

全文数据：

权利要求：

百度查询： 山东卓业医疗科技有限公司 基于药品知识图谱推理的用药决策支持系统的构建方法