基于深度学习模型的不良反应报告分析方法及系统

本发明涉及深度学习，特别是基于深度学习模型的不良反应报告分析方法及系统。

背景技术：

1、药物不良反应是指合格药品在正常用法用量下出现的与用药目的无关的有害反应，是影响患者用药安全的重要因素。随着药品品种和数量的不断增加，以及联合用药方案的日益复杂，药物不良反应的监测与预警已成为药物警戒工作的核心内容之一。传统的药物不良反应监测主要依赖医务人员主动上报、药品上市许可持有人定期汇总分析以及监管部门的被动收集和分析。随着信息技术的发展，药物警戒领域积累了大量非结构化的不良反应报告数据，包括药物警戒个例安全性报告，icsr中的自由文本叙述、电子健康记录中的不良反应描述、医学文献中的病例报道以及社交媒体中的药物体验分享等。然而，现有技术仍未能充分整合药品分子层面、临床语义层面和患者个体层面的多源异构信息，导致预测的准确性低下和全面性受限；存在报告漏报率高、信号发现滞后、分析效率低下等问题。

技术实现思路

1、本发明的目的是为了解决上述问题，设计了基于深度学习模型的不良反应报告分析方法及系统。

2、实现上述目的本发明的技术方案为，进一步，在上述基于深度学习模型的不良反应报告分析方法中，该不良反应报告分析方法包括以下步骤：

3、获取多源不良反应报告，对多源不良反应报告进行预处理后利用医学预训练语言模型对报告文本进行语义编码，提取文本语义特征向量；

4、基于文本语义特征向量，采用bilstm-crf模型识别报告中的关键实体，再通过注意力图卷积网络抽取实体间关系，构建结构化的异构图数据；

5、提取异构图数据中的药品分子结构特征、不良反应语义特征和患者个体化特征，通过跨模态注意力机制对三类特征进行自适应加权融合，生成多模态融合特征向量；

6、构建多类型节点和多类型边的异构图，将所述多模态融合特征向量输入异构图中利用基于元路径的异构图神经网络进行表示学习，得到风险分析模型；

7、将待分析报告输入风险分析模型，输出风险预测结果，并利用注意力机制和梯度归因方法对关键特征进行溯源定位，生成可解释性分析报告。

8、进一步，在上述基于深度学习模型的不良反应报告分析方法中，所述获取多源不良反应报告，对多源不良反应报告进行预处理后利用医学预训练语言模型对报告文本进行语义编码，提取文本语义特征向量，包括：

9、获取多源不良反应报告数据，所述多源不良反应报告数据包括药物警戒个例安全性报告、电子健康记录中的不良反应记录、医学文献中的不良反应描述、社交媒体中的药物不良反应自述文本；

10、对所述不良反应报告数据进行文本清洗与标准化处理，包括去除无关字符与噪音信息、统一医学术语表述、进行中文分词与词性标注，得到清洗后的报告文本；

11、利用医学预训练语言模型对清洗后的报告文本进行语义编码，提取文本语义特征向量，所述医学预训练语言模型为基于transformer架构的预训练模型，训练语料包含医学文献、药品说明书、临床指南及不良反应报告文本。

12、进一步，在上述基于深度学习模型的不良反应报告分析方法中，所述基于文本语义特征向量，采用bilstm-crf模型识别报告中的关键实体，再通过注意力图卷积网络抽取实体间关系，构建结构化的异构图数据，包括：

13、基于所述文本语义特征向量，采用bilstm-crf双向长短期记忆网络-条件随机场模型对不良反应报告文本进行序列标注，识别报告中的关键实体，所述关键实体包括药品名称、不良反应症状、患者人口学信息、用药剂量与疗程、合并用药信息和既往病史；

14、基于注意力机制的图卷积网络对识别出的关键实体进行实体间关系抽取，所述实体间关系包括药品-不良反应因果关系、药品-药品相互作用关系、剂量-不良反应强度关系、时间-不良反应发生关系；

15、将识别出的关键实体及实体间关系构建为结构化不良反应事件表示，生成包含实体节点与关系边的异构图数据。

16、进一步，在上述基于深度学习模型的不良反应报告分析方法中，所述提取异构图数据中的药品分子结构特征、不良反应语义特征和患者个体化特征，通过跨模态注意力机制对三类特征进行自适应加权融合，生成多模态融合特征向量，包括：

17、获取异构图数据中药品的smiles序列，通过图注意力网络对药品分子图进行编码，提取药品分子结构特征向量，所述分子图以原子为节点、化学键为边构建；

18、基于医学知识图谱获取异构图数据中不良反应症状的语义嵌入向量，所述医学知识图谱包含疾病、症状、药物、基因、通路多种生物医学实体及其关联关系；

19、对患者的年龄、性别、体重、肝肾功能指标、基因型信息进行编码，生成患者个体化特征向量；

20、采用跨模态注意力融合机制对所述药品分子结构特征向量、语义嵌入向量和患者个体化特征向量进行自适应加权融合，生成多模态融合特征向量。

21、进一步，在上述基于深度学习模型的不良反应报告分析方法中，所述构建多类型节点和多类型边的异构图，将所述多模态融合特征向量输入异构图中利用基于元路径的异构图神经网络进行表示学习，得到风险分析模型，包括：

22、构建异构图神经网络模型，所述异构图神经网络模型以异构图数据结构为基础，包含药品节点、不良反应节点、患者节点、疾病节点多种类型的节点，以及药品-不良反应关系边、药品-药品相互作用边、患者-药品用药关系边、疾病-不良反应关联边多种类型的关系边；

23、将所述多模态融合特征向量输入异构图中，利用基于元路径的异构图神经网络对异构图进行表示学习，通过预设的元路径模板在异构图中进行邻域采样与特征聚合，生成各节点的增强特征表示；

24、构建多任务学习框架对所述异构图神经网络模型进行联合训练，采用对比学习策略优化所述异构图神经网络模型的表示学习，得到风险分析模型。

25、进一步，在上述基于深度学习模型的不良反应报告分析方法中，所述构建多任务学习框架对所述异构图神经网络模型进行联合训练，包括：

26、不良反应分类任务为基于增强特征表示，预测目标药品对目标患者产生各类不良反应的概率；

27、不良反应严重程度预测任务为基于增强特征表示，预测已发生不良反应的严重程度等级；

28、不良反应时间预测任务为基于增强特征表示，预测不良反应发生的预期时间窗口。

29、进一步，在上述基于深度学习模型的不良反应报告分析方法中，所述将待分析报告输入风险分析模型，输出风险预测结果，并利用注意力机制和梯度归因方法对关键特征进行溯源定位，生成可解释性分析报告，包括：

30、将待分析的不良反应报告数据输入风险分析模型，输出不良反应风险预测结果；

31、基于所述风险预测结果，利用注意力机制对模型预测贡献度最高的特征进行溯源定位，生成可解释性分析报告，可解释性分析报告包含导致预测结果的关键实体、关键关系及其贡献权重；

32、根据预设的风险阈值对不良反应进行分级预警，生成包含风险等级、风险因素、建议措施的结构化分析报告。

33、进一步，在基于深度学习模型的不良反应报告分析系统，所述评价系统包括以下模块：

34、多源数据获取模块，用于获取多源不良反应报告，对多源不良反应报告进行预处理后利用医学预训练语言模型对报告文本进行语义编码，提取文本语义特征向量；

35、异构图数据获取模块，用于基于文本语义特征向量，采用bilstm-crf模型识别报告中的关键实体，再通过注意力图卷积网络抽取实体间关系，构建结构化的异构图数据；

36、特征向量融合模块，用于提取异构图数据中的药品分子结构特征、不良反应语义特征和患者个体化特征，通过跨模态注意力机制对三类特征进行自适应加权融合，生成多模态融合特征向量；

37、分析模型建立模块，用于构建多类型节点和多类型边的异构图，将所述多模态融合特征向量输入异构图中利用基于元路径的异构图神经网络进行表示学习，得到风险分析模型；

38、反应报告分析模块，用于将待分析报告输入风险分析模型，输出风险预测结果，并利用注意力机制和梯度归因方法对关键特征进行溯源定位，生成可解释性分析报告。

39、进一步，在基于深度学习模型的不良反应报告分析系统中，所述异构图数据获取模块包括以下子模块：

40、标注子模块，用于基于所述文本语义特征向量，采用bilstm-crf双向长短期记忆网络-条件随机场模型对不良反应报告文本进行序列标注，识别报告中的关键实体，所述关键实体包括药品名称、不良反应症状、患者人口学信息、用药剂量与疗程、合并用药信息和既往病史；

41、抽取子模块，用于基于注意力机制的图卷积网络对识别出的关键实体进行实体间关系抽取，所述实体间关系包括药品-不良反应因果关系、药品-药品相互作用关系、剂量-不良反应强度关系、时间-不良反应发生关系；

42、构建子模块，用于将识别出的关键实体及实体间关系构建为结构化不良反应事件表示，生成包含实体节点与关系边的异构图数据。

43、进一步，在基于深度学习模型的不良反应报告分析系统中，所述反应报告分析模块包括以下子模块：

44、输入子模块，用于将待分析的不良反应报告数据输入风险分析模型，输出不良反应风险预测结果；

45、定位子模块，用于基于所述风险预测结果，利用注意力机制对模型预测贡献度最高的特征进行溯源定位，生成可解释性分析报告，可解释性分析报告包含导致预测结果的关键实体、关键关系及其贡献权重；

46、预警子模块，用于根据预设的风险阈值对不良反应进行分级预警，生成包含风险等级、风险因素、建议措施的结构化分析报告。

47、其有益效果在于，通过医学预训练语言模型的语义编码和bilstm-crf模型的精细化序列标注，能够从自由文本中精准识别药品、症状、剂量、病史等关键医学实体，并进一步通过注意力图卷积网络抽取实体间的复杂语义关系，将非结构化文本有效转化为结构化知识图谱，显著提升了不良反应报告的信息提取质量和效率。通过跨模态注意力机制进行自适应加权融合。多模态融合策略使模型能够同时从分子层面、语义层面和个体层面全面评估不良反应风险，显著提高了预测的准确性和全面性。构建了基于异构图神经网络的联合分析框架。通过构建包含药品、不良反应、患者、疾病等多种节点类型和多种关系边的异构图，并采用基于元路径的异构图神经网络进行表示学习，本发明能够充分利用药物警戒领域中丰富多样的实体关联关系。同时，通过多任务学习框架同时完成不良反应分类、严重程度预测和时间预测三个相关任务，并通过对比学习策略优化表示学习，显著提升了模型的泛化能力和预测精度。