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，嚴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)驗和知識，缺乏量化、個性化的決策依據(jù)；

2、近年來，大數(shù)據(jù)分析技術(shù)在醫(yī)療領(lǐng)域得到廣泛應(yīng)用，研究人員嘗試利用機器學(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)有方法主要針對結(jié)構(gòu)化數(shù)據(jù)，如病歷信息和實驗室檢查結(jié)果等，對于醫(yī)學(xué)影像、生理信號、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)中存在的問題。

技術(shù)實現(xiàn)思路

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

2、本發(fā)明實施例的第一方面，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，對結(jié)構(gòu)化數(shù)據(jù)進行相關(guān)性分析并提取得到結(jié)構(gòu)化特征子集，通過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)對應(yīng)的影像特征子集，對生理信號數(shù)據(jù)通過小波包分解提取時頻域特征，結(jié)合預(yù)先設(shè)置的異常放電模式生成生理信號特征子集，通過預(yù)訓(xùn)練語言模型提取當(dāng)前患者電子病歷文本數(shù)據(jù)對應(yīng)的語義特征，生成病例文本特征子集，通過命名實體識別模型提取護理記錄數(shù)據(jù)對應(yīng)的護理信息特征子集，通過多模態(tài)自注意力表示學(xué)習(xí)模型對提取得到的特征子集進行語義對齊，結(jié)合門控循環(huán)單元進行時序建模并進行融合，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，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)建腦出血診療知識圖譜，將所述患者全景特征表示和所述腦出血診療知識圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，通過多頭注意力機制為所述核心節(jié)點和所述有向邊分配權(quán)重，得到知識增強患者特征表示并將所述知識增強患者特征表示作為狀態(tài)，基于可選治療方案組合生成動作空間，構(gòu)建獎賞函數(shù)并確定候選治療方案，對所述候選治療方案進行用藥適宜性分析并結(jié)合患者過敏史和合并癥進行語義沖突識別，根據(jù)語義沖突識別結(jié)果對所述候選治療方案進行篩選，重復(fù)篩選得到適宜候選治療方案集；

5、對所述適宜候選治療方案集中的每個方案，通過多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)模型預(yù)測患者在當(dāng)前方案下的多維度預(yù)后指標(biāo)，基于預(yù)先獲取的診療項目價格體系和患者商業(yè)保險投保情況構(gòu)建多準(zhǔn)則決策矩陣，結(jié)合當(dāng)前患者的個人影響因素，通過動態(tài)層次分析算法動態(tài)調(diào)整所述多維度預(yù)后指標(biāo)中每個指標(biāo)的權(quán)重，通過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)移圖的隨機游走優(yōu)化問題并通過引入狀態(tài)轉(zhuǎn)移概率懲罰項確定最優(yōu)治療方案。

6、在一種可選的實施方式中，

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，對結(jié)構(gòu)化數(shù)據(jù)進行相關(guān)性分析并提取得到結(jié)構(gòu)化特征子集，通過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)對應(yīng)的影像特征子集，對生理信號數(shù)據(jù)通過小波包分解提取時頻域特征，結(jié)合預(yù)先設(shè)置的異常放電模式生成生理信號特征子集，通過預(yù)訓(xùn)練語言模型提取當(dāng)前患者電子病歷文本數(shù)據(jù)對應(yīng)的語義特征，生成病例文本特征子集，通過命名實體識別模型提取護理記錄數(shù)據(jù)對應(yīng)的護理信息特征子集，通過多模態(tài)自注意力表示學(xué)習(xí)模型對提取得到的特征子集進行語義對齊，結(jié)合門控循環(huán)單元進行時序建模并進行融合，得到患者全景特征表示包括：

8、獲取腦出血患者對應(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，其中，所述結(jié)構(gòu)化數(shù)據(jù)包括人口統(tǒng)計學(xué)信息、癥狀體征，影像學(xué)檢測結(jié)果，用藥史、電子病歷文本數(shù)據(jù)和護理記錄數(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、血壓和心率動態(tài)監(jiān)測數(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)前腦出血患者對應(yīng)的血腫類型和嚴重類型，組合得到所述影像特征子集；

10、將所述腦電圖、血壓和心率動態(tài)監(jiān)測數(shù)據(jù)組合作為生理信號數(shù)據(jù)，通過小波包分解算法確定小波基函數(shù)和分解層數(shù)，對所述生理信號進行小波包分解，提取得到每個頻段的頻域統(tǒng)計特征和每個時間尺度的時域統(tǒng)計特征，得到所述時頻域特征，定義每個異常放電模式對應(yīng)的典型波形的形態(tài)學(xué)模板，通過動態(tài)時間彎曲準(zhǔn)則確定當(dāng)前腦電片段和每個形態(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頻域特征組合生成生理信號特征，重復(fù)提取和判斷，得到所述生理信號特征子集；

11、對于所述電子病歷文本數(shù)據(jù)，通過預(yù)訓(xùn)練語言模型中的標(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)練語言模型中，提取每個標(biāo)記對應(yīng)的語境化嵌入，通過池化操作對所述語境化嵌入進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、對于所述護理記錄數(shù)據(jù)進行分詞和詞性標(biāo)注，根據(jù)詞性標(biāo)注結(jié)果提取詞匯級、字符級和上下文窗口的特征向量序列，結(jié)合預(yù)先設(shè)置的命名實體識別模型對護理實體進行實體標(biāo)注，得到關(guān)鍵命名實體和所述關(guān)鍵命名實體的類別，對于所述關(guān)鍵命名實體，通過預(yù)先設(shè)置的上下文滑動窗口機制，以當(dāng)前關(guān)鍵命名實體為中心，提取當(dāng)前窗口內(nèi)的詞匯作為上下文詞匯，對所述上下文詞匯對應(yīng)的詞性和實體類型進行編碼，生成上下文特征并結(jié)合雙向長短時記憶網(wǎng)絡(luò)進行編碼，通過確定長距離語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)鍵命名實體、所述上下文特征和所述上下文表示特征，得到所述護理信息特征子集；

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

14、在一種可選的實施方式中，

15、結(jié)合預(yù)先設(shè)置的命名實體識別模型對護理實體進行實體標(biāo)注，得到關(guān)鍵命名實體和所述關(guān)鍵命名實體的類別，對于所述關(guān)鍵命名實體如下公式所示：

16、

17、其中，x表示輸入的護理術(shù)語序列，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表示護理術(shù)語序列x的長度，i表示護理術(shù)語序列x的位置索引，j表示上下文窗口的相對位置索引，k表示特征函數(shù)的索引，λk表示第k個特征函數(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與護理術(shù)語序列x之間的依賴關(guān)系，yi-1為第i-1個標(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，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)建腦出血診療知識圖譜，將所述患者全景特征表示和所述腦出血診療知識圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，通過多頭注意力機制為所述核心節(jié)點和所述有向邊分配權(quán)重，得到知識增強患者特征表示并將所述知識增強患者特征表示作為狀態(tài)，基于可選治療方案組合生成動作空間，構(gòu)建獎賞函數(shù)并確定候選治療方案，對所述候選治療方案進行用藥適宜性分析并結(jié)合患者過敏史和合并癥進行語義沖突識別，根據(jù)語義沖突識別結(jié)果對所述候選治療方案進行篩選，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，通過三元組表示語義關(guān)系并從所述腦出血患者多源異構(gòu)臨床數(shù)據(jù)庫中獲取所述本體對應(yīng)的概念實體，對于每個概念實體，以當(dāng)前概念實體為中心詞，提取語義關(guān)系并確定關(guān)系方向，所述概念實體和所述語義關(guān)系添加至圖數(shù)據(jù)庫，以所述藥物、治療技術(shù)和生物標(biāo)志物作為核心節(jié)點，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圖譜；

21、將所述患者全景特征表示和所述腦出血診療知識圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，對于所述腦出血診療知識圖譜中的每個節(jié)點，基于知識表示學(xué)習(xí)算法，根據(jù)概念實體在三元組中的共現(xiàn)關(guān)系學(xué)習(xí)對應(yīng)的低維稠密向量，計算每個三元組對應(yīng)的三元組損失并重復(fù)迭代，得到知識圖譜結(jié)構(gòu)信息對應(yīng)的實體嵌入表示，基于所述實體嵌入表示，通過圖注意力網(wǎng)絡(luò)建模節(jié)點間的語義傳播并基于鄰居節(jié)點的重要性和多頭注意力機制確定當(dāng)前節(jié)點的注意力權(quán)重，根據(jù)所述注意力權(quán)重對鄰居節(jié)點對應(yīng)的信息進行聚合，得到層次化語義表示，將所述患者全景特征表示映射至所述層次化語義表示對應(yīng)的語義空間中，將所述患者全景特征表示作為查詢節(jié)點，通過多頭注意力機制確定所述腦出血診療知識圖譜中每個節(jié)點與所述查詢節(jié)點的相似性，基于所述相似性更新每個節(jié)點的注意力權(quán)重并對所有節(jié)點進行加權(quán)求和，得到所述知識增強患者特征表示；

22、將所述知識增強患者特征表示作為狀態(tài)，以可選治療方案組合作為動作空間，確定所述可選治療方案對患者狀態(tài)的影響并構(gòu)建獎賞函數(shù)，基于所述狀態(tài)、動作空間和所述獎賞函數(shù)構(gòu)建馬爾可夫決策過程，通過強化學(xué)習(xí)算法求解所述馬爾可夫決策過程，得到候選治療方案，基于所述腦出血診療知識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，其中，所述用藥適宜性規(guī)則庫中每個適宜性規(guī)則包括藥物、患者特征、適宜性類別和適宜性評分，對于所述候選治療方案中的每種藥物，檢索對應(yīng)的適宜性規(guī)則并根據(jù)所述患者全景特征表示進行匹配，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，若檢索到多個適宜性規(guī)則，選擇具有最小適宜性評分的適宜性規(guī)則作為初始用藥適宜性分析結(jié)果，結(jié)合當(dāng)前患者的過敏史對所述初始用藥適宜性分析結(jié)果進行過敏交叉反應(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)前患者對應(yīng)的合并癥，將預(yù)先設(shè)置的治療術(shù)語、配伍禁忌和療效拮抗嵌入至所述腦出血診療知識圖譜中，構(gòu)建互斥邊并通過基于張量分解的語義匹配算法進行語義沖突模式分析，生成語義沖突識別結(jié)果，基于所述語義沖突識別結(jié)果和所述綜合適宜性分析結(jié)果對所述候選治療方案進行篩選，得到所述適宜候選治療方案集。

24、在一種可選的實施方式中，

25、計算每個三元組對應(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表示頭實體，r表示關(guān)系，t表示尾實體，σ表示映射函數(shù)，γ表示正樣本和負樣本之間的間隔，d(h+r，t)表示正樣本三元組中頭實體、關(guān)系和尾實體之間的距離度量，n表示負樣本數(shù)量，m表示負樣本索引，d(h′m+r，t′m)表示負樣本三元組中頭實體、關(guān)系和尾實體之間的距離度量，h′m表示負樣本三元組中的頭實體嵌入向量，t′m表示負樣本三元組中的尾實體嵌入向量。

28、在一種可選的實施方式中，

29、對所述適宜候選治療方案集中的每個方案，通過多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)模型預(yù)測患者在當(dāng)前方案下的多維度預(yù)后指標(biāo)，基于預(yù)先獲取的診療項目價格體系和患者商業(yè)保險投保情況構(gòu)建多準(zhǔn)則決策矩陣，結(jié)合當(dāng)前患者的個人影響因素，通過動態(tài)層次分析算法動態(tài)調(diào)整所述多維度預(yù)后指標(biāo)中每個指標(biāo)的權(quán)重，通過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)移圖的隨機游走優(yōu)化問題并通過引入狀態(tài)轉(zhuǎn)移概率懲罰項確定最優(yōu)治療方案包括：

30、對于所述適宜候選治療方案集中的每個方案和所述患者全景特征表示，通過多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)中的多層感知機進行編碼，生成隱層表示并通過多頭圖注意力機制在所述腦出血診療知識圖譜中基于語義傳播確定每個節(jié)點對應(yīng)的圖節(jié)點信息，將所述隱層表示和所述圖節(jié)點信息添加至預(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，通過多任務(wù)輸出層將所述融合表示映射為指標(biāo)預(yù)測值，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)并通過前向傳播得到多個預(yù)后指標(biāo)的預(yù)測值，組合所述預(yù)測值，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)先獲取的診療項目價格體系和當(dāng)前患者對應(yīng)的患者商業(yè)保險投保情況構(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)和費用效益比，收集患者對不同預(yù)后指標(biāo)進行的比較打分，基于所述比較打分構(gòu)建指標(biāo)比較矩陣并對所述比較矩陣進行按行歸一化和按列平均，計算得到每個指標(biāo)對應(yīng)的指標(biāo)初始權(quán)重，獲取當(dāng)前患者的個人影響因素，結(jié)合動態(tài)層次分析算法對所述指標(biāo)初始權(quán)重進行指數(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，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，在所述狀態(tài)轉(zhuǎn)移圖上定義隨機游走優(yōu)化問題并進行求解，生成每個方案對應(yīng)的綜合評分并選擇具有最高綜合評分的方案作為所述最優(yōu)治療方案。

33、在一種可選的實施方式中，

34、多任務(wù)輸出層對應(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個患者在第t步的自適應(yīng)權(quán)重，表示第h個預(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個患者在第h個預(yù)后指標(biāo)上的真實值，表示第g個患者在第h個預(yù)后指標(biāo)上的真實值，β(t)表示第t步的相關(guān)性權(quán)重系數(shù)，表示第g個患者和第r個患者在第t步的相關(guān)性權(quán)重，表示第r個患者在第h個預(yù)后指標(biāo)上的真實值。

37、本發(fā)明實施例的第二方面，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，對結(jié)構(gòu)化數(shù)據(jù)進行相關(guān)性分析并提取得到結(jié)構(gòu)化特征子集，通過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)對應(yīng)的影像特征子集，對生理信號數(shù)據(jù)通過小波包分解提取時頻域特征，結(jié)合預(yù)先設(shè)置的異常放電模式生成生理信號特征子集，通過預(yù)訓(xùn)練語言模型提取當(dāng)前患者電子病歷文本數(shù)據(jù)對應(yīng)的語義特征，生成病例文本特征子集，通過命名實體識別模型提取護理記錄數(shù)據(jù)對應(yīng)的護理信息特征子集，通過多模態(tài)自注意力表示學(xué)習(xí)模型對提取得到的特征子集進行語義對齊，結(jié)合門控循環(huán)單元進行時序建模并進行融合，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，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)建腦出血診療知識圖譜，將所述患者全景特征表示和所述腦出血診療知識圖譜添加至預(yù)先設(shè)置的圖注意力網(wǎng)絡(luò)中，通過多頭注意力機制為所述核心節(jié)點和所述有向邊分配權(quán)重，得到知識增強患者特征表示并將所述知識增強患者特征表示作為狀態(tài)，基于可選治療方案組合生成動作空間，構(gòu)建獎賞函數(shù)并確定候選治療方案，對所述候選治療方案進行用藥適宜性分析并結(jié)合患者過敏史和合并癥進行語義沖突識別，根據(jù)語義沖突識別結(jié)果對所述候選治療方案進行篩選，重復(fù)篩選得到適宜候選治療方案集；

40、第三單元，用于對所述適宜候選治療方案集中的每個方案，通過多任務(wù)自注意力圖神經(jīng)網(wǎng)絡(luò)模型預(yù)測患者在當(dāng)前方案下的多維度預(yù)后指標(biāo)，基于預(yù)先獲取的診療項目價格體系和患者商業(yè)保險投保情況構(gòu)建多準(zhǔn)則決策矩陣，結(jié)合當(dāng)前患者的個人影響因素，通過動態(tài)層次分析算法動態(tài)調(diào)整所述多維度預(yù)后指標(biāo)中每個指標(biāo)的權(quán)重，通過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)移圖的隨機游走優(yōu)化問題并通過引入狀態(tài)轉(zhuǎn)移概率懲罰項確定最優(yōu)治療方案。

41、本發(fā)明實施例的第三方面，

42、提供一種電子設(shè)備，包括：

43、處理器；

44、用于存儲處理器可執(zhí)行指令的存儲器；

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

46、本發(fā)明實施例的第四方面，

47、提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。

48、本發(fā)明中，通過提取多模態(tài)特征，再通過多模態(tài)自注意力表示學(xué)習(xí)模型進行語義對齊和融合，最終得到全面的患者全景特征表示，實現(xiàn)了對患者多源異構(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實的數(shù)據(jù)基礎(chǔ)，將醫(yī)學(xué)領(lǐng)域知識引入治療方案生成，使得生成的方案不僅考慮患者個人特征，還融合了藥物、治療技術(shù)等相關(guān)醫(yī)學(xué)知識，提高了方案的專業(yè)性和可解釋性，通過獎賞機制優(yōu)化方案生成，同時進行沖突識別和適宜性分析，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，將候選方案建模為隨機游走優(yōu)化問題，通過引入狀態(tài)轉(zhuǎn)移概率懲罰項，綜合考慮療效、成本、患者偏好等多個因素，最終確定最優(yōu)治療方案，實現(xiàn)了治療方案的多準(zhǔn)則動態(tài)優(yōu)化，平衡了療效、成本等多個目標(biāo)，同時考慮了患者個人偏好，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，提高了治療方案的個性化、精準(zhǔn)性和安全性，同時通過多準(zhǔn)則動態(tài)優(yōu)化平衡了療效、成本等多個目標(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)用價值。