申请/专利权人:东北大学
申请日:2021-02-03
公开(公告)日:2024-03-22
公开(公告)号:CN112786104B
主分类号:G16B15/30
分类号:G16B15/30;G06N20/00
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2021.05.28#实质审查的生效;2021.05.11#公开
摘要:本发明提供一种基于机器学习的药物疗效影响因子挖掘方法,涉及机器学习技术领域。该方法首先获取多种药物数据,针对某种疾病构造影响因子空间,其中包括可治疗该疾病的药物以及不可治疗该疾病的药物,并对影响因子空间内的数据进行预处理;然后基于统计学指标计算影响因子空间的每个影响因子与药效之间的相关系数;并建立机器学习的树模型计算各个影响因子与药效之间的相关系数;最后针对不同相关系数所对应的影响因子分别从大到小排序,并按照百分占比进行权重标识,再将对应影响因子的权重相加,最终选择排行前n的影响因子。该方法能够考虑到影响药效的多种影响因素,范围较广,得到的结果有较高的可信度。
主权项:1.一种基于机器学习的药物疗效影响因子挖掘方法,其特征在于:包括以下步骤:步骤1:获取多种药物数据,针对某种疾病构造影响因子空间,其中包括可治疗该疾病的药物以及不可治疗该疾病的药物,并对影响因子空间内的数据进行预处理;步骤2:针对某种疾病的影响因子空间,基于统计学指标计算影响因子空间的每个影响因子与药效之间的相关系数;所述药效指的是这种药物是否能够治愈这种疾病,用0、1表示;步骤3:针对某种疾病的影响因子空间的数据,基于机器学习的树模型进行影响因子的选择;首先建立LightGB决策树模型并进行训练,根据模型计算各个影响因子与药效之间的相关系数;步骤4:根据步骤2和步骤3计算的各相关系数,得到对药效有重要影响的n个影响因子;针对不同相关系数所对应的影响因子分别从大到小排序,并按照百分占比进行权重标识,再将对应影响因子的权重相加,最终选择排行前n的影响因子;步骤2所述基于统计学指标计算影响因子空间的每个影响因子与药效之间的相关系数具体包括Pearson系数,Spearman系数,Kendall系数和MutualInformation系数;步骤3所述根据模型计算各个影响因子与药效之间的相关系数具体包括Permutation系数,TreeImportance系数和SHAP系数。
全文数据:
权利要求:
百度查询: 东北大学 基于机器学习的药物疗效影响因子挖掘方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。