本發(fā)明涉及數(shù)據(jù)分析，尤其涉及一種基于大數(shù)據(jù)分析的腦出血個(gè)性化治療方案優(yōu)化方法及系統(tǒng)。

背景技術(shù)：

1、腦出血是一種常見(jiàn)的急性腦血管疾病，具有發(fā)病率高、致殘率高、病死率高等特點(diǎn)，嚴(yán)重威脅患者的生命健康，目前，腦出血的治療方案主要包括藥物治療、外科手術(shù)、介入治療等，但治療方案選擇主要依賴醫(yī)生的經(jīng)驗(yàn)和知識(shí)，缺乏量化、個(gè)性化的決策依據(jù)；

2、近年來(lái)，大數(shù)據(jù)分析技術(shù)在醫(yī)療領(lǐng)域得到廣泛應(yīng)用，研究人員嘗試?yán)脵C(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)，從海量醫(yī)療數(shù)據(jù)中挖掘隱藏模式，輔助疾病診斷和治療決策，但現(xiàn)有方法主要針對(duì)結(jié)構(gòu)化數(shù)據(jù)，如病歷信息和實(shí)驗(yàn)室檢查結(jié)果等，對(duì)于醫(yī)學(xué)影像、生理信號(hào)、臨床文本等非結(jié)構(gòu)化數(shù)據(jù)的分析和利用不足，此外，現(xiàn)有方法缺乏醫(yī)學(xué)知識(shí)的融合，生成的治療方案解釋性和可信度有待提高；

3、因此，亟需一種方案解決現(xiàn)有技術(shù)中存在的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種基于大數(shù)據(jù)分析的腦出血個(gè)性化治療方案優(yōu)化方法及系統(tǒng)，至少能解決現(xiàn)有技術(shù)中存在的部分問(wèn)題。

2、本發(fā)明實(shí)施例的第一方面，提供一種基于大數(shù)據(jù)分析的腦出血個(gè)性化治療方案優(yōu)化方法，包括：

3、構(gòu)建包含結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的腦出血患者多源異構(gòu)臨床數(shù)據(jù)庫(kù)，對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行相關(guān)性分析并提取得到結(jié)構(gòu)化特征子集，通過(guò)多尺度三維卷積神經(jīng)網(wǎng)絡(luò)提取所述非結(jié)構(gòu)化數(shù)據(jù)中影像數(shù)據(jù)對(duì)應(yīng)的影像特征子集，對(duì)生理信號(hào)數(shù)據(jù)通過(guò)小波包分解提取時(shí)頻域特征，結(jié)合預(yù)先設(shè)置的異常放電模式生成生理信號(hào)特征子集，通過(guò)預(yù)訓(xùn)練語(yǔ)言模型提取當(dāng)前患者電子病歷文本數(shù)據(jù)對(duì)應(yīng)的語(yǔ)義特征，生成病例文本特征子集，通過(guò)命名實(shí)體識(shí)別模型提取護(hù)理記錄數(shù)據(jù)對(duì)應(yīng)的護(hù)理信息特征子集，通過(guò)多模態(tài)自注意力表示學(xué)習(xí)模型對(duì)提取得到的特征子集進(jìn)行語(yǔ)義對(duì)齊，結(jié)合門控循環(huán)單元進(jìn)行時(shí)序建模并進(jìn)行融合，得到患者全景特征表示；

4、以藥物、治療技術(shù)和生物標(biāo)志物為核心節(jié)點(diǎn)，以藥物互相作用、藥物禁忌和療效影響因素作為有向邊，構(gòu)建腦出血診療知識(shí)圖譜，將所述患者全景特征表示和所述腦出血診療知識(shí)圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，通過(guò)多頭注意力機(jī)制為所述核心節(jié)點(diǎn)和所述有向邊分配權(quán)重，得到知識(shí)增強(qiáng)患者特征表示并將所述知識(shí)增強(qiáng)患者特征表示作為狀態(tài)，基于可選治療方案組合生成動(dòng)作空間，構(gòu)建獎(jiǎng)賞函數(shù)并確定候選治療方案，對(duì)所述候選治療方案進(jìn)行用藥適宜性分析并結(jié)合患者過(guò)敏史和合并癥進(jìn)行語(yǔ)義沖突識(shí)別，根據(jù)語(yǔ)義沖突識(shí)別結(jié)果對(duì)所述候選治療方案進(jìn)行篩選，重復(fù)篩選得到適宜候選治療方案集；

5、對(duì)所述適宜候選治療方案集中的每個(gè)方案，通過(guò)多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)患者在當(dāng)前方案下的多維度預(yù)后指標(biāo)，基于預(yù)先獲取的診療項(xiàng)目?jī)r(jià)格體系和患者商業(yè)保險(xiǎn)投保情況構(gòu)建多準(zhǔn)則決策矩陣，結(jié)合當(dāng)前患者的個(gè)人影響因素，通過(guò)動(dòng)態(tài)層次分析算法動(dòng)態(tài)調(diào)整所述多維度預(yù)后指標(biāo)中每個(gè)指標(biāo)的權(quán)重，通過(guò)偏好排序法將所述適宜候選治療方案建模為基于狀態(tài)轉(zhuǎn)移圖的隨機(jī)游走優(yōu)化問(wèn)題并通過(guò)引入狀態(tài)轉(zhuǎn)移概率懲罰項(xiàng)確定最優(yōu)治療方案。

6、在一種可選的實(shí)施方式中，

7、基于腦出血患者的病情信息構(gòu)建包含結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的腦出血患者多源異構(gòu)臨床數(shù)據(jù)庫(kù)，對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行相關(guān)性分析并提取得到結(jié)構(gòu)化特征子集，通過(guò)多尺度三維卷積神經(jīng)網(wǎng)絡(luò)提取所述非結(jié)構(gòu)化數(shù)據(jù)中影像數(shù)據(jù)對(duì)應(yīng)的影像特征子集，對(duì)生理信號(hào)數(shù)據(jù)通過(guò)小波包分解提取時(shí)頻域特征，結(jié)合預(yù)先設(shè)置的異常放電模式生成生理信號(hào)特征子集，通過(guò)預(yù)訓(xùn)練語(yǔ)言模型提取當(dāng)前患者電子病歷文本數(shù)據(jù)對(duì)應(yīng)的語(yǔ)義特征，生成病例文本特征子集，通過(guò)命名實(shí)體識(shí)別模型提取護(hù)理記錄數(shù)據(jù)對(duì)應(yīng)的護(hù)理信息特征子集，通過(guò)多模態(tài)自注意力表示學(xué)習(xí)模型對(duì)提取得到的特征子集進(jìn)行語(yǔ)義對(duì)齊，結(jié)合門控循環(huán)單元進(jìn)行時(shí)序建模并進(jìn)行融合，得到患者全景特征表示包括：

8、獲取腦出血患者對(duì)應(yīng)的結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)并構(gòu)建腦出血患者多源異構(gòu)臨床數(shù)據(jù)庫(kù)，其中，所述結(jié)構(gòu)化數(shù)據(jù)包括人口統(tǒng)計(jì)學(xué)信息、癥狀體征，影像學(xué)檢測(cè)結(jié)果，用藥史、電子病歷文本數(shù)據(jù)和護(hù)理記錄數(shù)據(jù)，所述非結(jié)構(gòu)化數(shù)據(jù)包括影像數(shù)據(jù)、腦電圖、血壓和心率動(dòng)態(tài)監(jiān)測(cè)數(shù)據(jù)，所述影像數(shù)據(jù)包括核磁共振圖影像和斷層掃描影像；

9、將所述影像數(shù)據(jù)作為輸入添加至預(yù)先設(shè)置的多尺度三維卷積神經(jīng)網(wǎng)絡(luò)中，通過(guò)所述多尺度三維卷積神經(jīng)網(wǎng)絡(luò)中的三維嵌入模塊以不同感受野并行提取多尺度圖像紋理特征，結(jié)合三維殘差連接模塊進(jìn)行跨層信息交互，結(jié)合全局平均池化和歸一化輸出當(dāng)前腦出血患者對(duì)應(yīng)的血腫類型和嚴(yán)重類型，組合得到所述影像特征子集；

10、將所述腦電圖、血壓和心率動(dòng)態(tài)監(jiān)測(cè)數(shù)據(jù)組合作為生理信號(hào)數(shù)據(jù)，通過(guò)小波包分解算法確定小波基函數(shù)和分解層數(shù)，對(duì)所述生理信號(hào)進(jìn)行小波包分解，提取得到每個(gè)頻段的頻域統(tǒng)計(jì)特征和每個(gè)時(shí)間尺度的時(shí)域統(tǒng)計(jì)特征，得到所述時(shí)頻域特征，定義每個(gè)異常放電模式對(duì)應(yīng)的典型波形的形態(tài)學(xué)模板，通過(guò)動(dòng)態(tài)時(shí)間彎曲準(zhǔn)則確定當(dāng)前腦電片段和每個(gè)形態(tài)學(xué)模板的相似度，若當(dāng)前腦電片段與任意形態(tài)學(xué)模板的相似度大于預(yù)先設(shè)置的相似度閾值，則將當(dāng)前腦電片段標(biāo)記為異常放電事件，將所述異常放電事件和所述時(shí)頻域特征組合生成生理信號(hào)特征，重復(fù)提取和判斷，得到所述生理信號(hào)特征子集；

11、對(duì)于所述電子病歷文本數(shù)據(jù)，通過(guò)預(yù)訓(xùn)練語(yǔ)言模型中的標(biāo)記器將文本轉(zhuǎn)化為標(biāo)記序列，將所述標(biāo)記序列添加至所述預(yù)訓(xùn)練語(yǔ)言模型中，提取每個(gè)標(biāo)記對(duì)應(yīng)的語(yǔ)境化嵌入，通過(guò)池化操作對(duì)所述語(yǔ)境化嵌入進(jìn)行聚合得到病例文本特征，重復(fù)聚合，生成所述病例文本特征子集；

12、對(duì)于所述護(hù)理記錄數(shù)據(jù)進(jìn)行分詞和詞性標(biāo)注，根據(jù)詞性標(biāo)注結(jié)果提取詞匯級(jí)、字符級(jí)和上下文窗口的特征向量序列，結(jié)合預(yù)先設(shè)置的命名實(shí)體識(shí)別模型對(duì)護(hù)理實(shí)體進(jìn)行實(shí)體標(biāo)注，得到關(guān)鍵命名實(shí)體和所述關(guān)鍵命名實(shí)體的類別，對(duì)于所述關(guān)鍵命名實(shí)體，通過(guò)預(yù)先設(shè)置的上下文滑動(dòng)窗口機(jī)制，以當(dāng)前關(guān)鍵命名實(shí)體為中心，提取當(dāng)前窗口內(nèi)的詞匯作為上下文詞匯，對(duì)所述上下文詞匯對(duì)應(yīng)的詞性和實(shí)體類型進(jìn)行編碼，生成上下文特征并結(jié)合雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)進(jìn)行編碼，通過(guò)確定長(zhǎng)距離語(yǔ)義依賴確定隱藏層狀態(tài)向量并將所述隱藏層狀態(tài)向量作為上下文表示特征，綜合所述關(guān)鍵命名實(shí)體、所述上下文特征和所述上下文表示特征，得到所述護(hù)理信息特征子集；

13、對(duì)于所述影像特征子集、所述生理信號(hào)特征子集、所述病例文本特征子集和所述護(hù)理信息特征子集，進(jìn)行語(yǔ)義對(duì)齊并通過(guò)線性變換將每個(gè)特征子集投影至公共語(yǔ)義空間，以當(dāng)前患者的診斷結(jié)果作為監(jiān)督信號(hào)，通過(guò)注意力運(yùn)算學(xué)習(xí)不同模態(tài)之間的語(yǔ)義相關(guān)性，基于所述語(yǔ)義相關(guān)性對(duì)每個(gè)模態(tài)的特征分配對(duì)應(yīng)的注意力權(quán)重，基于所述注意力權(quán)重進(jìn)行特征融合，生成多模態(tài)融合語(yǔ)義特征，對(duì)于不同時(shí)間步的多模態(tài)融合語(yǔ)義，通過(guò)門控循環(huán)單元確定所述多模態(tài)融合語(yǔ)義的長(zhǎng)時(shí)依賴關(guān)系，基于所述長(zhǎng)時(shí)依賴關(guān)系進(jìn)行更新，得到所述患者全景特征表示。

14、在一種可選的實(shí)施方式中，

15、結(jié)合預(yù)先設(shè)置的命名實(shí)體識(shí)別模型對(duì)護(hù)理實(shí)體進(jìn)行實(shí)體標(biāo)注，得到關(guān)鍵命名實(shí)體和所述關(guān)鍵命名實(shí)體的類別，對(duì)于所述關(guān)鍵命名實(shí)體如下公式所示：

16、

17、其中，x表示輸入的護(hù)理術(shù)語(yǔ)序列，y表示標(biāo)注后的標(biāo)簽序列，p(y|x)表示在給定輸入序列x的情況下，生成標(biāo)簽序列y的條件概率，z(x)表示歸一化因子，l表示上下文窗口大小，n表示護(hù)理術(shù)語(yǔ)序列x的長(zhǎng)度，i表示護(hù)理術(shù)語(yǔ)序列x的位置索引，j表示上下文窗口的相對(duì)位置索引，k表示特征函數(shù)的索引，λk表示第k個(gè)特征函數(shù)在模型中的重要性，gk(yi-1，yi，xi+j)為特征函數(shù)基本單元，表示標(biāo)簽從yi-1轉(zhuǎn)移到y(tǒng)i與護(hù)理術(shù)語(yǔ)序列x之間的依賴關(guān)系，yi-1為第i-1個(gè)標(biāo)簽，xi+j表示當(dāng)前位置xi的上下文元素。

18、在一種可選的實(shí)施方式中，

19、以藥物、治療技術(shù)和生物標(biāo)志物為核心節(jié)點(diǎn)，以藥物互相作用、藥物禁忌和療效影響因素作為有向邊，構(gòu)建腦出血診療知識(shí)圖譜，將所述患者全景特征表示和所述腦出血診療知識(shí)圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，通過(guò)多頭注意力機(jī)制為所述核心節(jié)點(diǎn)和所述有向邊分配權(quán)重，得到知識(shí)增強(qiáng)患者特征表示并將所述知識(shí)增強(qiáng)患者特征表示作為狀態(tài)，基于可選治療方案組合生成動(dòng)作空間，構(gòu)建獎(jiǎng)賞函數(shù)并確定候選治療方案，對(duì)所述候選治療方案進(jìn)行用藥適宜性分析并結(jié)合患者過(guò)敏史和合并癥進(jìn)行語(yǔ)義沖突識(shí)別，根據(jù)語(yǔ)義沖突識(shí)別結(jié)果對(duì)所述候選治療方案進(jìn)行篩選，重復(fù)篩選得到適宜候選治療方案集包括：

20、將藥物、治療技術(shù)、生物標(biāo)志物、藥物互相作用、藥物禁忌和療效影響因素定義為本體，基于所述本體，通過(guò)三元組表示語(yǔ)義關(guān)系并從所述腦出血患者多源異構(gòu)臨床數(shù)據(jù)庫(kù)中獲取所述本體對(duì)應(yīng)的概念實(shí)體，對(duì)于每個(gè)概念實(shí)體，以當(dāng)前概念實(shí)體為中心詞，提取語(yǔ)義關(guān)系并確定關(guān)系方向，所述概念實(shí)體和所述語(yǔ)義關(guān)系添加至圖數(shù)據(jù)庫(kù)，以所述藥物、治療技術(shù)和生物標(biāo)志物作為核心節(jié)點(diǎn)，以所述藥物互相作用、藥物禁忌和療效影響因素作為有向邊，構(gòu)建得到所述腦出血診療知識(shí)圖譜；

21、將所述患者全景特征表示和所述腦出血診療知識(shí)圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，對(duì)于所述腦出血診療知識(shí)圖譜中的每個(gè)節(jié)點(diǎn)，基于知識(shí)表示學(xué)習(xí)算法，根據(jù)概念實(shí)體在三元組中的共現(xiàn)關(guān)系學(xué)習(xí)對(duì)應(yīng)的低維稠密向量，計(jì)算每個(gè)三元組對(duì)應(yīng)的三元組損失并重復(fù)迭代，得到知識(shí)圖譜結(jié)構(gòu)信息對(duì)應(yīng)的實(shí)體嵌入表示，基于所述實(shí)體嵌入表示，通過(guò)圖注意力網(wǎng)絡(luò)建模節(jié)點(diǎn)間的語(yǔ)義傳播并基于鄰居節(jié)點(diǎn)的重要性和多頭注意力機(jī)制確定當(dāng)前節(jié)點(diǎn)的注意力權(quán)重，根據(jù)所述注意力權(quán)重對(duì)鄰居節(jié)點(diǎn)對(duì)應(yīng)的信息進(jìn)行聚合，得到層次化語(yǔ)義表示，將所述患者全景特征表示映射至所述層次化語(yǔ)義表示對(duì)應(yīng)的語(yǔ)義空間中，將所述患者全景特征表示作為查詢節(jié)點(diǎn)，通過(guò)多頭注意力機(jī)制確定所述腦出血診療知識(shí)圖譜中每個(gè)節(jié)點(diǎn)與所述查詢節(jié)點(diǎn)的相似性，基于所述相似性更新每個(gè)節(jié)點(diǎn)的注意力權(quán)重并對(duì)所有節(jié)點(diǎn)進(jìn)行加權(quán)求和，得到所述知識(shí)增強(qiáng)患者特征表示；

22、將所述知識(shí)增強(qiáng)患者特征表示作為狀態(tài)，以可選治療方案組合作為動(dòng)作空間，確定所述可選治療方案對(duì)患者狀態(tài)的影響并構(gòu)建獎(jiǎng)賞函數(shù)，基于所述狀態(tài)、動(dòng)作空間和所述獎(jiǎng)賞函數(shù)構(gòu)建馬爾可夫決策過(guò)程，通過(guò)強(qiáng)化學(xué)習(xí)算法求解所述馬爾可夫決策過(guò)程，得到候選治療方案，基于所述腦出血診療知識(shí)圖譜中的藥物禁忌和療效影響因素構(gòu)建用藥適宜性規(guī)則庫(kù)，其中，所述用藥適宜性規(guī)則庫(kù)中每個(gè)適宜性規(guī)則包括藥物、患者特征、適宜性類別和適宜性評(píng)分，對(duì)于所述候選治療方案中的每種藥物，檢索對(duì)應(yīng)的適宜性規(guī)則并根據(jù)所述患者全景特征表示進(jìn)行匹配，若所述適宜性類別為禁用，則將當(dāng)前藥物標(biāo)記為不適宜，若檢索到多個(gè)適宜性規(guī)則，選擇具有最小適宜性評(píng)分的適宜性規(guī)則作為初始用藥適宜性分析結(jié)果，結(jié)合當(dāng)前患者的過(guò)敏史對(duì)所述初始用藥適宜性分析結(jié)果進(jìn)行過(guò)敏交叉反應(yīng)分析，得到綜合適宜性分析結(jié)果；

23、基于所述綜合適宜性分析結(jié)果，結(jié)合當(dāng)前患者對(duì)應(yīng)的合并癥，將預(yù)先設(shè)置的治療術(shù)語(yǔ)、配伍禁忌和療效拮抗嵌入至所述腦出血診療知識(shí)圖譜中，構(gòu)建互斥邊并通過(guò)基于張量分解的語(yǔ)義匹配算法進(jìn)行語(yǔ)義沖突模式分析，生成語(yǔ)義沖突識(shí)別結(jié)果，基于所述語(yǔ)義沖突識(shí)別結(jié)果和所述綜合適宜性分析結(jié)果對(duì)所述候選治療方案進(jìn)行篩選，得到所述適宜候選治療方案集。

24、在一種可選的實(shí)施方式中，

25、計(jì)算每個(gè)三元組對(duì)應(yīng)的三元組損失如下公式所示：

26、

27、其中，l表示三元組損失值，s表示正樣本三元組的集合，h表示頭實(shí)體，r表示關(guān)系，t表示尾實(shí)體，σ表示映射函數(shù)，γ表示正樣本和負(fù)樣本之間的間隔，d(h+r，t)表示正樣本三元組中頭實(shí)體、關(guān)系和尾實(shí)體之間的距離度量，n表示負(fù)樣本數(shù)量，m表示負(fù)樣本索引，d(h′m+r，t′m)表示負(fù)樣本三元組中頭實(shí)體、關(guān)系和尾實(shí)體之間的距離度量，h′m表示負(fù)樣本三元組中的頭實(shí)體嵌入向量，t′m表示負(fù)樣本三元組中的尾實(shí)體嵌入向量。

28、在一種可選的實(shí)施方式中，

29、對(duì)所述適宜候選治療方案集中的每個(gè)方案，通過(guò)多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)患者在當(dāng)前方案下的多維度預(yù)后指標(biāo)，基于預(yù)先獲取的診療項(xiàng)目?jī)r(jià)格體系和患者商業(yè)保險(xiǎn)投保情況構(gòu)建多準(zhǔn)則決策矩陣，結(jié)合當(dāng)前患者的個(gè)人影響因素，通過(guò)動(dòng)態(tài)層次分析算法動(dòng)態(tài)調(diào)整所述多維度預(yù)后指標(biāo)中每個(gè)指標(biāo)的權(quán)重，通過(guò)偏好排序法將所述適宜候選治療方案建模為基于狀態(tài)轉(zhuǎn)移圖的隨機(jī)游走優(yōu)化問(wèn)題并通過(guò)引入狀態(tài)轉(zhuǎn)移概率懲罰項(xiàng)確定最優(yōu)治療方案包括：

30、對(duì)于所述適宜候選治療方案集中的每個(gè)方案和所述患者全景特征表示，通過(guò)多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)中的多層感知機(jī)進(jìn)行編碼，生成隱層表示并通過(guò)多頭圖注意力機(jī)制在所述腦出血診療知識(shí)圖譜中基于語(yǔ)義傳播確定每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的圖節(jié)點(diǎn)信息，將所述隱層表示和所述圖節(jié)點(diǎn)信息添加至預(yù)先設(shè)置的前饋神經(jīng)網(wǎng)絡(luò)中，得到融合表示，基于所述融合表示和不同患者之間的相關(guān)性，通過(guò)多任務(wù)輸出層將所述融合表示映射為指標(biāo)預(yù)測(cè)值，定義映射損失函數(shù)并結(jié)合反向傳播算法和梯度下降算法最小化映射損失，更新所述多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)中的超參數(shù)并通過(guò)前向傳播得到多個(gè)預(yù)后指標(biāo)的預(yù)測(cè)值，組合所述預(yù)測(cè)值，得到多維度預(yù)后指標(biāo)；

31、基于所述多維度預(yù)后指標(biāo)，結(jié)合預(yù)先獲取的診療項(xiàng)目?jī)r(jià)格體系和當(dāng)前患者對(duì)應(yīng)的患者商業(yè)保險(xiǎn)投保情況構(gòu)建多準(zhǔn)則決策矩陣，其中，所述多準(zhǔn)則決策矩陣的行表示候選方案，列表示預(yù)后指標(biāo)和費(fèi)用效益比，收集患者對(duì)不同預(yù)后指標(biāo)進(jìn)行的比較打分，基于所述比較打分構(gòu)建指標(biāo)比較矩陣并對(duì)所述比較矩陣進(jìn)行按行歸一化和按列平均，計(jì)算得到每個(gè)指標(biāo)對(duì)應(yīng)的指標(biāo)初始權(quán)重，獲取當(dāng)前患者的個(gè)人影響因素，結(jié)合動(dòng)態(tài)層次分析算法對(duì)所述指標(biāo)初始權(quán)重進(jìn)行指數(shù)調(diào)整和歸一化操作，重復(fù)迭代直至權(quán)重收斂，得到動(dòng)態(tài)調(diào)整后的指標(biāo)權(quán)重；

32、以所述適宜候選治療方案集中的方案作為節(jié)點(diǎn)，不同方案間的轉(zhuǎn)移關(guān)系作為邊，構(gòu)建狀態(tài)轉(zhuǎn)移圖，定義轉(zhuǎn)移概率并設(shè)置轉(zhuǎn)移概率懲罰項(xiàng)，在所述狀態(tài)轉(zhuǎn)移圖上定義隨機(jī)游走優(yōu)化問(wèn)題并進(jìn)行求解，生成每個(gè)方案對(duì)應(yīng)的綜合評(píng)分并選擇具有最高綜合評(píng)分的方案作為所述最優(yōu)治療方案。

33、在一種可選的實(shí)施方式中，

34、多任務(wù)輸出層對(duì)應(yīng)的映射損失函數(shù)如下公式所示：

35、

36、其中，q表示映射損失值，m表示患者總數(shù)，d表示預(yù)后指標(biāo)的總維度書，g表示患者索引，h表示預(yù)后指標(biāo)維度索引，表示第g個(gè)患者在第t步的自適應(yīng)權(quán)重，表示第h個(gè)預(yù)后指標(biāo)在第t步的權(quán)重，sim()表示相似性度量函數(shù)，表示第g個(gè)患者在第h個(gè)預(yù)后指標(biāo)上的真實(shí)值，表示第g個(gè)患者在第h個(gè)預(yù)后指標(biāo)上的真實(shí)值，β(t)表示第t步的相關(guān)性權(quán)重系數(shù)，表示第g個(gè)患者和第r個(gè)患者在第t步的相關(guān)性權(quán)重，表示第r個(gè)患者在第h個(gè)預(yù)后指標(biāo)上的真實(shí)值。

37、本發(fā)明實(shí)施例的第二方面，提供一種基于大數(shù)據(jù)分析的腦出血個(gè)性化治療方案優(yōu)化系統(tǒng)，包括：

38、第一單元，用于構(gòu)建包含結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的腦出血患者多源異構(gòu)臨床數(shù)據(jù)庫(kù)，對(duì)結(jié)構(gòu)化數(shù)據(jù)進(jìn)行相關(guān)性分析并提取得到結(jié)構(gòu)化特征子集，通過(guò)多尺度三維卷積神經(jīng)網(wǎng)絡(luò)提取所述非結(jié)構(gòu)化數(shù)據(jù)中影像數(shù)據(jù)對(duì)應(yīng)的影像特征子集，對(duì)生理信號(hào)數(shù)據(jù)通過(guò)小波包分解提取時(shí)頻域特征，結(jié)合預(yù)先設(shè)置的異常放電模式生成生理信號(hào)特征子集，通過(guò)預(yù)訓(xùn)練語(yǔ)言模型提取當(dāng)前患者電子病歷文本數(shù)據(jù)對(duì)應(yīng)的語(yǔ)義特征，生成病例文本特征子集，通過(guò)命名實(shí)體識(shí)別模型提取護(hù)理記錄數(shù)據(jù)對(duì)應(yīng)的護(hù)理信息特征子集，通過(guò)多模態(tài)自注意力表示學(xué)習(xí)模型對(duì)提取得到的特征子集進(jìn)行語(yǔ)義對(duì)齊，結(jié)合門控循環(huán)單元進(jìn)行時(shí)序建模并進(jìn)行融合，得到患者全景特征表示；

39、第二單元，用于以藥物、治療技術(shù)和生物標(biāo)志物為核心節(jié)點(diǎn)，以藥物互相作用、藥物禁忌和療效影響因素作為有向邊，構(gòu)建腦出血診療知識(shí)圖譜，將所述患者全景特征表示和所述腦出血診療知識(shí)圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，通過(guò)多頭注意力機(jī)制為所述核心節(jié)點(diǎn)和所述有向邊分配權(quán)重，得到知識(shí)增強(qiáng)患者特征表示并將所述知識(shí)增強(qiáng)患者特征表示作為狀態(tài)，基于可選治療方案組合生成動(dòng)作空間，構(gòu)建獎(jiǎng)賞函數(shù)并確定候選治療方案，對(duì)所述候選治療方案進(jìn)行用藥適宜性分析并結(jié)合患者過(guò)敏史和合并癥進(jìn)行語(yǔ)義沖突識(shí)別，根據(jù)語(yǔ)義沖突識(shí)別結(jié)果對(duì)所述候選治療方案進(jìn)行篩選，重復(fù)篩選得到適宜候選治療方案集；

40、第三單元，用于對(duì)所述適宜候選治療方案集中的每個(gè)方案，通過(guò)多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)患者在當(dāng)前方案下的多維度預(yù)后指標(biāo)，基于預(yù)先獲取的診療項(xiàng)目?jī)r(jià)格體系和患者商業(yè)保險(xiǎn)投保情況構(gòu)建多準(zhǔn)則決策矩陣，結(jié)合當(dāng)前患者的個(gè)人影響因素，通過(guò)動(dòng)態(tài)層次分析算法動(dòng)態(tài)調(diào)整所述多維度預(yù)后指標(biāo)中每個(gè)指標(biāo)的權(quán)重，通過(guò)偏好排序法將所述適宜候選治療方案建模為基于狀態(tài)轉(zhuǎn)移圖的隨機(jī)游走優(yōu)化問(wèn)題并通過(guò)引入狀態(tài)轉(zhuǎn)移概率懲罰項(xiàng)確定最優(yōu)治療方案。

41、本發(fā)明實(shí)施例的第三方面，

42、提供一種電子設(shè)備，包括：

43、處理器；

44、用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；

45、其中，所述處理器被配置為調(diào)用所述存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述所述的方法。

46、本發(fā)明實(shí)施例的第四方面，

47、提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述所述的方法。

48、本發(fā)明中，通過(guò)提取多模態(tài)特征，再通過(guò)多模態(tài)自注意力表示學(xué)習(xí)模型進(jìn)行語(yǔ)義對(duì)齊和融合，最終得到全面的患者全景特征表示，實(shí)現(xiàn)了對(duì)患者多源異構(gòu)數(shù)據(jù)的充分利用和深度融合，克服了不同數(shù)據(jù)模態(tài)之間的語(yǔ)義鴻溝，生成了全面準(zhǔn)確的患者特征表示，為后續(xù)的治療方案生成奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)，將醫(yī)學(xué)領(lǐng)域知識(shí)引入治療方案生成，使得生成的方案不僅考慮患者個(gè)人特征，還融合了藥物、治療技術(shù)等相關(guān)醫(yī)學(xué)知識(shí)，提高了方案的專業(yè)性和可解釋性，通過(guò)獎(jiǎng)賞機(jī)制優(yōu)化方案生成，同時(shí)進(jìn)行沖突識(shí)別和適宜性分析，保證了生成方案的安全性和有效性，減少了不良事件的發(fā)生風(fēng)險(xiǎn)，將候選方案建模為隨機(jī)游走優(yōu)化問(wèn)題，通過(guò)引入狀態(tài)轉(zhuǎn)移概率懲罰項(xiàng)，綜合考慮療效、成本、患者偏好等多個(gè)因素，最終確定最優(yōu)治療方案，實(shí)現(xiàn)了治療方案的多準(zhǔn)則動(dòng)態(tài)優(yōu)化，平衡了療效、成本等多個(gè)目標(biāo)，同時(shí)考慮了患者個(gè)人偏好，最終得到了定制化的最優(yōu)治療方案，綜上，本發(fā)明實(shí)現(xiàn)了從患者數(shù)據(jù)到治療方案的端到端智能生成和優(yōu)化，充分利用了患者的多模態(tài)數(shù)據(jù)和醫(yī)學(xué)領(lǐng)域知識(shí)，提高了治療方案的個(gè)性化、精準(zhǔn)性和安全性，同時(shí)通過(guò)多準(zhǔn)則動(dòng)態(tài)優(yōu)化平衡了療效、成本等多個(gè)目標(biāo)，最終得到了定制化的最優(yōu)治療方案，為腦出血精準(zhǔn)醫(yī)療提供了全新的技術(shù)途徑，有望顯著提高腦出血診療的智能化水平和療效，具有重要的臨床應(yīng)用價(jià)值。