一种基于创伤状态数据分析的中药外用制剂智能匹配方法
本发明涉及人工智能数据处理,具体为一种基于创伤状态数据分析的中药外用制剂智能匹配方法。
背景技术:
1、中药外用制剂是以中药材或中药提取物为主要组成成分,并通过膏剂、凝胶剂、散剂、膜剂、贴剂等外用剂型作用于创面或皮肤表面的制剂形式。针对不同创伤状态,中药外用制剂的匹配通常需要综合考虑创面颜色、面积、纹理、渗出情况、温湿度、ph值、微生物相关指标以及目标对象的中医体质类型等因素。随着图像采集设备、创面理化检测设备和人工智能模型的发展,将伤口视觉特征数据、创面理化指标数据和中医体质编码数据进行融合处理,并基于神经网络模型和知识图谱进行中药外用制剂智能匹配,已成为中药外用制剂数据化、智能化应用的重要方向。
2、然而,现有中药外用制剂匹配方式中,创伤状态数据、制剂属性数据和知识图谱约束数据通常分散处理,缺少能够将上述数据在同一计算流程中进行关联处理的技术方案,导致难以实现创伤状态数据结构化表达、候选制剂计算筛选、匹配评分量化输出以及模型参数反馈更新。
技术实现思路
1、针对现有技术的不足,本发明提供了一种基于创伤状态数据分析的中药外用制剂智能匹配方法,解决了其多源创伤状态数据、制剂属性数据和约束数据分散处理,难以形成统一匹配计算流程的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:一种基于创伤状态数据分析的中药外用制剂智能匹配方法,包括以下步骤:
3、s1,获取目标对象的创伤状态多源数据,并对创伤状态多源数据进行预处理;
4、s2,基于s1预处理后的创伤状态多源数据进行多模态特征提取与融合,得到标准化创伤特征向量;
5、s3,将s2得到的标准化创伤特征向量输入创伤状态表征神经网络,得到创伤状态表征结果;
6、s4,基于s3得到的创伤状态表征结果,在中药外用制剂知识图谱中执行候选制剂筛选,得到候选中药外用制剂集合;
7、s5,基于s4得到的候选中药外用制剂集合中各候选中药外用制剂的制剂属性向量,以及s3得到的创伤状态表征结果,生成创伤状态与制剂匹配对向量;
8、s6,将s5得到的创伤状态与制剂匹配对向量输入多任务注意力制剂匹配模型,得到匹配评分结果;
9、s7,基于s6得到的匹配评分结果和预设约束条件,输出中药外用制剂匹配结果列表;
10、s8,基于s7输出的中药外用制剂匹配结果列表对应的后续创伤状态数据生成反馈训练样本,并基于反馈训练样本更新创伤状态表征神经网络和多任务注意力制剂匹配模型。
11、通过采用上述技术方案,由于采用创伤状态多源数据预处理、多模态特征融合、创伤状态表征神经网络、中药外用制剂知识图谱、创伤状态与制剂匹配对向量以及多任务注意力制剂匹配模型相结合的方式,使创伤状态数据、制剂属性数据和知识图谱约束数据能够在同一计算流程中进行关联处理,因此,获得了创伤状态数据结构化表达、候选制剂计算筛选、匹配评分量化输出以及模型参数反馈更新的技术效果。
12、优选的,所述s1中,创伤状态多源数据至少包括伤口视觉特征数据、创面理化指标数据和中医体质编码数据;所述伤口视觉特征数据包括伤口可见光图像以及由所述伤口可见光图像提取得到的颜色特征、纹理特征、边缘特征和伤口面积特征;所述创面理化指标数据包括创面渗液ph值、创面温度、创面湿度和细菌蛋白酶活性;所述中医体质编码数据包括气虚质、阳虚质、血瘀质、湿热质、痰湿质和阴虚质的体质分类编码。
13、通过采用上述技术方案,由于采用伤口视觉特征数据、创面理化指标数据和中医体质编码数据作为创伤状态多源数据,使图像模态、数值模态和体质编码模态能够共同参与后续特征构建,因此,获得了创伤状态输入维度更完整、数据来源更明确以及模型输入特征可分层解析的技术效果。
14、优选的,所述s1中,预处理包括:对所述创伤状态多源数据进行时间戳对齐、异常值剔除、缺失值掩码生成和归一化处理;并基于采样完整度、时间一致性、噪声水平和来源可信度生成各数据源的数据质量评分,将所述数据质量评分与对应数据源建立映射关系。
15、通过采用上述技术方案,由于采用时间戳对齐、异常值剔除、缺失值掩码生成、归一化处理和数据质量评分映射,使不同来源、不同量纲和不同采集时间的数据能够转换为统一样本结构,因此,获得了多源数据时间一致、数值尺度统一、缺失信息可标识以及数据源质量可量化输入的技术效果。
16、优选的,所述s2包括:将伤口可见光图像输入预训练卷积神经网络,得到伤口深度视觉特征向量;对所述创面理化指标数据进行归一化编码,得到理化特征向量;对所述中医体质编码数据进行独热编码或嵌入编码,得到体质特征向量;将所述伤口深度视觉特征向量、理化特征向量和体质特征向量进行拼接,并通过全连接层或注意力融合层进行降维融合,得到所述标准化创伤特征向量。
17、通过采用上述技术方案,由于采用预训练卷积神经网络提取视觉特征、归一化编码提取理化特征、独热编码或嵌入编码提取体质特征,并通过拼接和降维融合生成标准化创伤特征向量,使不同模态特征能够映射至统一向量空间,因此,获得了多模态特征统一表达、输入维度压缩以及后续神经网络计算接口一致的技术效果。
18、优选的,所述伤口视觉特征数据还包括伤口近红外图像;所述s2中,对所述伤口视觉特征数据进行特征提取包括:将所述伤口可见光图像和伤口近红外图像进行图像配准,利用双流卷积神经网络分别提取可见光特征向量和近红外特征向量,并通过跨模态注意力融合层对所述可见光特征向量和近红外特征向量进行融合,得到多光谱融合视觉特征向量,将所述多光谱融合视觉特征向量作为所述伤口深度视觉特征向量。
19、通过采用上述技术方案,由于采用伤口可见光图像和伤口近红外图像配准、双流卷积神经网络特征提取以及跨模态注意力融合,使可见光图像中的颜色纹理信息和近红外图像中的光谱响应信息能够在视觉特征层进行关联,因此,获得了多光谱视觉特征统一编码、视觉模态特征维度扩展以及视觉特征融合权重可计算的技术效果。
20、优选的,所述s3中,创伤状态表征结果包括创伤状态隐向量、创伤状态等级向量和状态可信度值;所述创伤状态表征神经网络包括特征编码层、时序编码层、交叉注意力融合层和状态输出层;所述特征编码层用于对所述标准化创伤特征向量进行编码,所述时序编码层用于对多个采集时刻对应的标准化创伤特征向量进行时序编码,所述交叉注意力融合层用于融合单时刻编码结果和时序编码结果,所述状态输出层用于输出所述创伤状态表征结果。
21、通过采用上述技术方案,由于采用特征编码层、时序编码层、交叉注意力融合层和状态输出层,使单次采集得到的标准化创伤特征向量与多个采集时刻形成的时序特征能够共同参与创伤状态表征计算,因此,获得了创伤状态隐向量、创伤状态等级向量和状态可信度值同步输出的技术效果。
22、优选的,所述s4中,当所述状态可信度值大于或等于第一可信度阈值时,基于所述创伤状态隐向量和创伤状态等级向量在中药外用制剂知识图谱中执行图嵌入相似度检索,得到候选中药外用制剂集合;当所述状态可信度值小于第一可信度阈值时,生成数据复核标识,并按照预设低置信匹配规则得到待复核候选集合。
23、通过采用上述技术方案,由于采用状态可信度值与第一可信度阈值进行比较,并根据比较结果分别执行图嵌入相似度检索或低置信匹配规则,使候选制剂筛选流程能够根据创伤状态表征结果的可信度进入不同计算分支,因此,获得了候选集合生成路径可控、低可信数据可标识以及候选筛选规则可切换的技术效果。
24、优选的,所述s4中,中药外用制剂知识图谱包括创伤状态节点、中医体质节点、中药材节点、外用剂型节点、基质材料节点、制备工艺节点、候选制剂节点和禁配约束节点;其中,所述创伤状态节点与候选制剂节点之间通过状态关联边连接,所述中医体质节点与中药材节点之间通过体质关联边连接,所述中药材节点与外用剂型节点之间通过剂型关联边连接,所述外用剂型节点与基质材料节点之间通过基质关联边连接,所述禁配约束节点与中药材节点、外用剂型节点、基质材料节点或候选制剂节点之间通过约束排除边连接。
25、通过采用上述技术方案,由于采用包含创伤状态节点、中医体质节点、中药材节点、外用剂型节点、基质材料节点、制备工艺节点、候选制剂节点和禁配约束节点的中药外用制剂知识图谱,并通过状态关联边、体质关联边、剂型关联边、基质关联边和约束排除边建立节点关系,因此,获得了制剂候选信息、体质编码信息、剂型信息、基质信息和约束信息的图结构表达技术效果。
26、优选的,所述s4中,在得到所述候选中药外用制剂集合或待复核候选集合之后,将预设约束条件与所述禁配约束节点进行匹配;当候选中药外用制剂与任一禁配约束节点之间存在约束排除边时,将该候选中药外用制剂从对应集合中删除或标记为约束排除对象;所述s5中,制剂属性向量包括中药组成属性、外用剂型属性、基质属性、黏附性属性、透皮释放属性、创面状态属性和禁配约束属性;所述创伤状态与制剂匹配对向量由所述创伤状态隐向量、创伤状态等级向量和候选制剂嵌入向量组合得到。
27、通过采用上述技术方案,由于采用禁配约束节点对候选中药外用制剂集合或待复核候选集合进行约束匹配,并将制剂属性向量转换为候选制剂嵌入向量后与创伤状态隐向量、创伤状态等级向量组合,使候选制剂筛选结果能够继续转换为神经网络可处理的创伤状态与制剂匹配对向量,因此,获得了约束信息参与候选过滤、制剂属性向量化表达以及创伤状态与制剂属性联合建模的技术效果。
28、优选的,所述s6中,多任务注意力制剂匹配模型包括共享特征编码器、候选制剂嵌入层、注意力交互层、创伤类型分类头和制剂评分回归头;所述创伤状态表征神经网络和多任务注意力制剂匹配模型的训练过程包括:构建训练样本集,所述训练样本集包括历史创伤状态多源数据、候选中药外用制剂属性数据、创伤类型标签、制剂关联标签和后续状态标签;基于所述创伤类型标签、制剂关联标签和后续状态标签分别构建焦点损失函数、对比损失函数和评分回归损失函数,并对所述焦点损失函数、对比损失函数和评分回归损失函数进行加权求和,得到联合损失函数;基于所述联合损失函数训练所述创伤状态表征神经网络和多任务注意力制剂匹配模型;
29、所述s8中,基于所述反馈训练样本更新模型参数、候选制剂嵌入向量和匹配阈值参数。
30、通过采用上述技术方案,由于采用共享特征编码器、候选制剂嵌入层、注意力交互层、创伤类型分类头和制剂评分回归头,并基于焦点损失函数、对比损失函数和评分回归损失函数构建联合损失函数进行训练,使创伤类型分类、制剂关联表征和评分回归能够在同一训练框架下进行参数更新,因此,获得了多任务模型联合训练、候选制剂嵌入向量更新以及匹配阈值参数反馈调整的技术效果。
31、本发明提供了一种基于创伤状态数据分析的中药外用制剂智能匹配方法。具备以下有益效果:
32、1、本发明通过采用创伤状态多源数据预处理、多模态特征融合、创伤状态表征神经网络、中药外用制剂知识图谱、创伤状态与制剂匹配对向量以及多任务注意力制剂匹配模型相结合的技术方案,达到了创伤状态数据、制剂属性数据和知识图谱约束数据在同一计算流程中进行关联处理的技术效果,相较于现有技术中依赖人工经验或单一数据指标进行中药外用制剂匹配的技术方案,解决了其多源创伤状态数据、制剂属性数据和约束数据分散处理,难以形成统一匹配计算流程的问题。
33、2、本发明采用伤口视觉特征、创面理化特征和中医体质编码特征分别提取并融合生成标准化创伤特征向量的技术方案,达到了不同模态创伤状态信息能够转换为统一向量表达并输入神经网络模型进行计算的技术效果,相较于现有技术中仅基于单一创面图像或单一创面指标进行制剂筛选的技术方案,解决了其不同来源创伤状态信息缺少统一特征表达,导致后续模型难以进行联合计算的问题。
34、3、本发明采用基于后续创伤状态数据生成反馈训练样本,并基于反馈训练样本更新创伤状态表征神经网络和多任务注意力制剂匹配模型的技术方案,达到了模型参数、候选制剂嵌入向量和匹配阈值参数能够根据反馈训练样本进行更新的技术效果,相较于现有技术中匹配规则或模型参数固定不变的技术方案,解决了其无法根据后续状态数据对匹配模型进行参数更新的问题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com