爱游戏登陆.中科院1区-FordNet新技术：通过整合表型和分

　　即使在现代化发展的今日，中医问诊仍采用传统的望闻问切方式进行，且中医开方的质量与中医医师的经验与医术息息相关。深度学习算法蓬勃发展，运用深度学习算法从海量文本数据中提取有效信息已经较为成熟，同时运用AI技术对中医诊疗数据进行数据挖掘研究已成为目前的热点研究方向。故此学者提出一种基于深度学习的智能推方算法，并结合药物的分子信息与疾病的表型特征实现中医方剂的智能推荐，提升推荐方剂可靠性，为中医经验传承提供新思路。

　　学者主要纳入李济仁大师2013年至2020年3月年间的诊疗数据作为基础数据进行算法搭建，FordNet算法共分为四个框架，具体框架如图1所示。

　　（1）数据提取与研究。通过EHR（电子病历）提取疾病诊断数据与方剂数据信息，对数据疾病进行分类，确定最终纳入数据。

　　（2）特征提取。通过TEXTCNN算法提取诊断数据特征。在提取方剂特征时，嵌入药物-方剂-靶点网络分析方剂用药特征。选择LINE网络嵌入学习方法作为，其节点相似性计算公式如公式1所示。

　　（3）分层抽样模型建立。为扩充样本量，学者建立分层抽样模型对样本进行扩充，其扩充原理为公式2所示。

　　（1）数据纳入与分析：研究最终纳入10种疾病、6393条电子病历数据（图2A），大部分疾病诊断描述包含50-200个中文字符信息（图2B），大多数方剂包含10-25种中药（图2C），在数据处理中发现即使是相同疾病方剂的相似性也较低（图2D），且药物的频次与药物的重要性关联较大（图2E），经过分层抽样后数据分布（图2F）。

　　（3）系统评估：为了进一步评估FordNet的性能，通过专家的人工审核来评估通过专家的人工审核来评估推荐结果，如图4所示。这些结果表明FordNet可以很好地挖掘专家的经验，准确地推荐中医配方。

　　FordNet提供了一种在中医配方推荐过程中首次将表型和分子信息联系起来的方法，该方法与中医大师推荐优势病种的经验吻合率很高。

　　本公众号已与浙江慧通测评动物实验中心搭建紧密的合作关系：该动物中心已获得动物使用许可并在建动物行为学实验中心，如您需要含药血清制备-成分分析、灌胃给药、造模、药理、毒理以及相关实验技术支持，欢迎联系我们（1278317307）！

　　【福利时刻】毕业季找工作点击链接，多家企业30W+年薪工作招聘任你选（赶紧点击进入注册，上传简历吧~ ） 。