深度學(xué)習(xí)在電子病歷抗菌藥物使用方法分類中的應(yīng)用①

梁治鋼， 王一敏

(甘肅省人民醫(yī)院 網(wǎng)絡(luò)中心，蘭州 730000)

前言

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，醫(yī)院的信息化得到了前所未有的發(fā)展，醫(yī)院綜合實(shí)力得到明顯的提升，信息化技術(shù)覆蓋比較全面的醫(yī)院發(fā)展優(yōu)勢(shì)更加顯著. 大量的醫(yī)療數(shù)據(jù)如何轉(zhuǎn)換成有價(jià)值的信息已經(jīng)變得越來(lái)越重要，數(shù)據(jù)的智能分析處理技術(shù)已經(jīng)廣泛應(yīng)用到工業(yè)和學(xué)術(shù)界，在醫(yī)療領(lǐng)域雖然已經(jīng)有不少的分析軟件在應(yīng)用，但是隨著數(shù)據(jù)量的急劇增加和數(shù)據(jù)分析要求的提高，傳統(tǒng)的分析方法已經(jīng)不能適應(yīng)醫(yī)院的發(fā)展，處理醫(yī)院的大量數(shù)據(jù)時(shí)顯得力不從心.

近些年來(lái)，深度學(xué)習(xí)已經(jīng)在圖像處理、科研教學(xué)等領(lǐng)域的應(yīng)用上取得了優(yōu)異的表現(xiàn)，在文本處理方面，Bengio 等學(xué)者提出一種使用神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)產(chǎn)生詞向量的技術(shù)，稱之為詞嵌入技術(shù)(word embedding). 通過(guò)該方法訓(xùn)練的過(guò)程中可以實(shí)現(xiàn)對(duì)文本中詞之間的語(yǔ)義信息進(jìn)行考慮，采用此方法的詞向量可以有效解決了傳統(tǒng)詞向量的一些弊端. 隨著，卷積神經(jīng)網(wǎng)絡(luò)以及循環(huán)神經(jīng)網(wǎng)絡(luò)在文本中的應(yīng)用，文本分類任務(wù)也開(kāi)始了深度學(xué)習(xí)處理的方法，并且和傳統(tǒng)的方法相比有大幅度的提升[1].

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域中一系列試圖使用多重非線性變換對(duì)數(shù)據(jù)進(jìn)行多層抽象的算法，不僅學(xué)習(xí)輸入和輸出之間的非線性映射，還學(xué)習(xí)輸入數(shù)據(jù)向量的隱藏結(jié)構(gòu)，以用來(lái)對(duì)新的樣本進(jìn)行智能識(shí)別或預(yù)測(cè)，深度學(xué)習(xí)克服了以前機(jī)器學(xué)習(xí)方法的局限性，隨著醫(yī)院大量數(shù)據(jù)的產(chǎn)生和對(duì)數(shù)據(jù)的深層次利用率提高，深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)領(lǐng)域的應(yīng)用也不斷的增強(qiáng)，目前深度學(xué)習(xí)在醫(yī)學(xué)影像領(lǐng)域已經(jīng)得到了不錯(cuò)的發(fā)展和應(yīng)用，但是在抗菌藥物的使用分析方面應(yīng)用極少. 深度學(xué)習(xí)模型在自然語(yǔ)言問(wèn)題中具有本身自學(xué)習(xí)能力的優(yōu)勢(shì)，為了能夠自動(dòng)學(xué)習(xí)電子病歷中抗菌藥物語(yǔ)義匹配關(guān)系，在不依賴人工特征提取的情況下，本文將深度學(xué)習(xí)的相關(guān)技術(shù)融入抗菌藥物數(shù)據(jù)挖掘分析問(wèn)題中，提出長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制相結(jié)合的方法，將病歷數(shù)據(jù)向量化，學(xué)習(xí)單病種和并發(fā)癥文本中的語(yǔ)義特征，從而形成知識(shí)庫(kù)并選擇出最適合患者的藥物治療方案.

1 深度學(xué)習(xí)

1.1 深度學(xué)習(xí)概念

深度學(xué)習(xí)(deep learning)是機(jī)器學(xué)習(xí)的一個(gè)分支，深度學(xué)習(xí)通過(guò)學(xué)習(xí)深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，逐層訓(xùn)練特征，將樣本在原空間的特征表示逐步變換到新特征空間，展現(xiàn)從樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的強(qiáng)大能力.相比于機(jī)器學(xué)習(xí)，深度學(xué)習(xí)是唯一端到端的系統(tǒng)，中間不需要人為參與，不需要先驗(yàn)知識(shí). 深度學(xué)習(xí)的最大好處是可以自動(dòng)學(xué)習(xí)特征和抽象特征，深度學(xué)習(xí)以機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)分支呈現(xiàn)給人們，它采用多層復(fù)雜結(jié)構(gòu)或者采用多重非線性變換構(gòu)成的多個(gè)層進(jìn)行數(shù)據(jù)處理. 用深度學(xué)習(xí)進(jìn)行醫(yī)療疾病診斷具有獨(dú)特的優(yōu)勢(shì)，它可以充分挖掘海量醫(yī)療數(shù)據(jù)中隱藏的深層關(guān)系，通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)獲得更抽象的特征值，提高疾病診斷的正確率.

在自然語(yǔ)言處理領(lǐng)域用深度學(xué)習(xí)模型解決文本分類問(wèn)題受到人們的關(guān)注，文獻(xiàn)[2]提出基于句法樹(shù)的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)將標(biāo)準(zhǔn)的時(shí)序結(jié)構(gòu)改為語(yǔ)法樹(shù)結(jié)構(gòu)，在文本分類上得到非常好的提升，在LSTM的基礎(chǔ)上引入attention 以此來(lái)捕獲不同上下文信息對(duì)給定情感的重要性，文獻(xiàn)[3]提出一種適用于前饋神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)化注意力模型，證明attention機(jī)制能夠在文本較長(zhǎng)的情況下，有效解決信息丟失等長(zhǎng)期依賴問(wèn)題，文獻(xiàn)[4]提出的層次化注意網(wǎng)絡(luò)有2個(gè)層次的注意機(jī)制在短語(yǔ)詞和句子層次上應(yīng)用，使它能夠在構(gòu)造文檔表示時(shí)關(guān)注更重要的內(nèi)容，充分說(shuō)明了attention機(jī)制能夠給文本中的關(guān)鍵部分分配更多的注意力，突出其重要性.

1.2 分類流程

從患者電子病歷中得到首程和病程記錄數(shù)據(jù)，里面記錄了患者的既往史、身體特征、檢驗(yàn)檢查結(jié)果、抗菌藥物使用等數(shù)據(jù)，將這些數(shù)據(jù)作為輸入數(shù)據(jù). 系統(tǒng)或子系統(tǒng)在特定約束條件下輸入、輸出時(shí)，參數(shù)或狀態(tài)變化的一種抽象描述. 抗菌藥物使用分類分為訓(xùn)練過(guò)程和測(cè)試過(guò)程. 如圖1所示.

圖1 抗菌藥物使用分類流程

1.3 基于LSTM-attention 網(wǎng)絡(luò)的文本特征提取

從患者電子病歷中得到首程和病程記錄數(shù)據(jù)，里面記錄了患者的既往史、身體特征、檢驗(yàn)、檢查、抗菌藥物使用等數(shù)據(jù)，將這些數(shù)據(jù)作為輸入數(shù)據(jù). 文本特征提取過(guò)程分文本預(yù)處理、特征提取、文本表示等部分，最終目的是把文本轉(zhuǎn)換成計(jì)算機(jī)可理解的格式.

(1) 文本預(yù)處理

文本預(yù)處理過(guò)程是在文本中提取關(guān)鍵詞表示文本的過(guò)程，中文文本處理中主要包括文本分詞和去停用詞兩個(gè)階段，傳統(tǒng)算法主要有基于字符串匹配的正向/逆向/雙向最大匹配，基于理解的句法和語(yǔ)義分析消除;基于統(tǒng)計(jì)的互信息/CRF方法. 近年來(lái)隨著深度學(xué)習(xí)的應(yīng)用，WordEmbedding+Bi-LSTM+CRF方法逐漸成為主流. 在對(duì)電子病歷中的數(shù)據(jù)進(jìn)行分析前，需要對(duì)原始的文本數(shù)據(jù)進(jìn)行必要的文本預(yù)處理，進(jìn)行預(yù)處理時(shí)將噪聲數(shù)據(jù)進(jìn)行去噪化處理，也就是停止詞階段，停止詞是文本中一些高頻的代詞連詞介詞等對(duì)文本分類無(wú)意義的詞，在本文中抗菌藥物中一些特定的關(guān)鍵字需要進(jìn)行特殊處理，如單位、規(guī)格、劑量等，為了保留關(guān)鍵字的語(yǔ)義信息，本文中把關(guān)鍵字跟一些專業(yè)術(shù)語(yǔ)分離，關(guān)鍵字做了保留，文本中所有的藥品中的英文單詞進(jìn)行了規(guī)范化處理，全部采用了小寫(xiě)方式，以免與藥品化學(xué)名或者符號(hào)沖突，導(dǎo)致后面的數(shù)據(jù)處理和分析發(fā)生錯(cuò)誤和偏差.

分布式表示(distributed representation)，其實(shí)Hinton最早在1986年就提出了，基本思想是將每個(gè)詞表達(dá)成 n維稠密、連續(xù)的實(shí)數(shù)向量，與之相對(duì)的onehot編碼向量空間只有一個(gè)維度是1，其余都是0.Bengio在2003年便提出了神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型(Neural Probabilistic Language Model，NNLM). 詞向量被廣泛應(yīng)用是2013年后，在本文中采用了Google Mikolov于2013年發(fā)布的Word2Vec工具包，Word2Vec主要采用的是CBOW 和 Skip-Gram兩個(gè)模型的結(jié)構(gòu)，這兩個(gè)模型的直接目的就是得到高質(zhì)量的詞向量，它們基本類似于NNLM，不同的是模型去掉了非線性隱層，預(yù)測(cè)目標(biāo)不同，CBOW是上下文詞預(yù)測(cè)當(dāng)前詞，Skip-Gram則相反. 兩種模型都包括輸入層、投影層、輸出層，其中CBOW 模型利用詞Wd的上下文Wdn去預(yù)測(cè)給定詞Wd，而Skip-gram 模型恰好相反，是在已知給定詞Wd的前提下預(yù)測(cè)該詞的上下文Wdn，具體見(jiàn)式(1)：

在本文中，數(shù)據(jù)集內(nèi)容主要由不定長(zhǎng)的患者電子病歷中抗菌藥物使用方法、時(shí)間、內(nèi)容等組成，這些內(nèi)容經(jīng)過(guò)預(yù)處理和文本表示得到文本向量表示，使文本數(shù)據(jù)從高緯度高稀疏的神經(jīng)網(wǎng)絡(luò)難處理的方式，變成了類似圖像、語(yǔ)音的的連續(xù)稠密數(shù)據(jù). 電子病歷文本向量表示由基于attention機(jī)制的LSTM訓(xùn)練得到的向量作為抗菌藥物使用分類的文本特征. 通過(guò)池化層連接以上病歷中部分特征，將其作為患者電子病歷中抗菌藥物使用方法分類的總體特征，之后用這些特征向量去構(gòu)建或調(diào)用Softmax分類模型，最終輸出即是電子病歷抗菌藥物分類所屬的效果.

(2) 模型的構(gòu)建

目前采用編碼器-解碼器(encode-eecode)結(jié)構(gòu)的模型，LSTM屬于一種編碼-解碼框架，這種結(jié)構(gòu)的模型通常將輸入序列編碼成一個(gè)固定長(zhǎng)度的向量表示，對(duì)于長(zhǎng)度較短的輸入序列而言，該模型能夠?qū)W習(xí)出對(duì)應(yīng)合理的向量表示. 但是，這種模型存在的問(wèn)題在于當(dāng)輸入序列非常長(zhǎng)時(shí)，模型難以學(xué)到合理的向量表示，當(dāng)文本較長(zhǎng)時(shí)，無(wú)論輸入包含多少信息量，最終所有語(yǔ)義完全通過(guò)一個(gè)中間語(yǔ)義向量來(lái)表示，詞語(yǔ)自身的信息已經(jīng)消失. 編碼過(guò)程中丟失很多細(xì)節(jié)信息，解碼過(guò)程中相應(yīng)的結(jié)果也會(huì)變差，因此引入注意力機(jī)制(attention)，該機(jī)制的基本思想是，打破了傳統(tǒng)編碼器-解碼器結(jié)構(gòu)在編解碼時(shí)都依賴于內(nèi)部一個(gè)固定長(zhǎng)度向量的限制.單純的LSTM模型在解決文本分類任務(wù)時(shí)，僅考慮了上文信息，沒(méi)有用到下文信息，丟失部分語(yǔ)義信息. 而雙向LSTM前向傳遞層可以獲取到輸入序列的上文信息，后向傳遞層可以獲取到輸入序列的下文信息，從而豐富了語(yǔ)義信息. 如圖2 所示為基于注意力的雙向LSTM神經(jīng)網(wǎng)絡(luò)，該分類模型分為編碼過(guò)程、注意力層和Softmax分類器層.

圖2 詞向量注意力機(jī)制雙向LSTM模型結(jié)構(gòu)

(3) 編碼過(guò)程

本文給出一個(gè)詞向量表示的文本序列，詞向量用Xij表示，表示第j個(gè)詞向量在第i個(gè)文本中，在這里把像Xi這樣的詞向量稱為節(jié)點(diǎn). 為得到電子病歷中抗菌藥物使用特征向量，使用雙向LSTM對(duì)句子進(jìn)行注釋，計(jì)算公式如式(2)所示.

(4) 注意力機(jī)制

注意力(attention)機(jī)制的實(shí)現(xiàn)是通過(guò)保留LSTM編碼器對(duì)輸入序列的中間輸出結(jié)果，然后訓(xùn)練一個(gè)模型來(lái)對(duì)這些輸入進(jìn)行選擇性的學(xué)習(xí)并且在模型輸出時(shí)將輸出序列與之進(jìn)行關(guān)聯(lián). 雖然模型使用attention機(jī)制之后會(huì)增加計(jì)算量，但是性能水平能夠得到提升. 另外，使用attention機(jī)制便于理解在模型輸出過(guò)程中輸入序列中的信息是如何影響最后生成序列的. 注意力機(jī)制主要分為soft attention與hard attention兩種形式，其中soft attention是指對(duì)每一個(gè)特征都分配一個(gè)注意力權(quán)值，認(rèn)為是個(gè)概率分布; 而hard attention 在選取特征組合時(shí)，并不是對(duì)所有的特征都生產(chǎn)權(quán)值，可能只選取一個(gè)或者多個(gè)[5].

我們從輸出端，即decoder部分，從輸出端到輸入端看公式.

其中，St是指decoder在t時(shí)刻的狀態(tài)輸出，St-1是指decoder在t-1時(shí)刻的狀態(tài)輸出，Yt-1是t-1時(shí)刻的標(biāo)識(shí)，Ct看下一個(gè)公式，f是一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)，hj是指第j個(gè)輸入在encoder里的輸出，atj是一個(gè)權(quán)重

其中，hj是指第j個(gè)輸入在encoder里的輸出，atj是一個(gè)權(quán)重

式(6)跟Softmax是相似，道理是一樣的，是為了得到條件概率P(a|e)，這個(gè)a的意義是當(dāng)前這一步decoder對(duì)齊第j個(gè)輸入的程度.

式(7)中的M可以用一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)逼近，它用來(lái)計(jì)算St-1，hj這兩者的關(guān)系分?jǐn)?shù)，如果分?jǐn)?shù)大則說(shuō)明關(guān)注度較高，注意力分布就會(huì)更加集中在這個(gè)輸入詞上，當(dāng)前一步輸出St應(yīng)該對(duì)齊相應(yīng)的輸入，主要取決于前一步輸出St-1和這一步輸入的encoder結(jié)果hj.

(5) 文本分類

文本向量是文本的更高層次的表達(dá)，它可以作為抗菌藥物文本數(shù)據(jù)分類的部分特征向量，圖3中的Y表示經(jīng)Word2Vec映射后的功能向量，它在經(jīng)過(guò)標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)得到向量V作為抗菌藥物文本數(shù)據(jù)分類的另一部分依據(jù). 這里特征向量在分類中的權(quán)重分別為0.6 和0.4，則文本屬于某一類效應(yīng)的概率計(jì)算公式如式(8)所示：

圖3 Attention機(jī)制編碼解碼

使用正確標(biāo)簽的負(fù)對(duì)數(shù)似然作為訓(xùn)練損失，計(jì)算公式如下：

2 數(shù)據(jù)分類和數(shù)據(jù)挖掘應(yīng)用

2.1 基本數(shù)據(jù)

本文以醫(yī)院信息系統(tǒng)電子病歷中抗菌藥物的數(shù)據(jù)分析為實(shí)例，對(duì)提出的基于深度學(xué)習(xí)抗菌藥物文本數(shù)據(jù)分析進(jìn)行研究(如表1). 本實(shí)例的優(yōu)化目標(biāo)就是根據(jù)電子病歷中不同患者的診斷、個(gè)人體征、檢查結(jié)果抗菌藥物使用的方法來(lái)自動(dòng)學(xué)習(xí)抗菌藥物使用方法[6，7]，建立抗菌藥物特征庫(kù)以及自主學(xué)習(xí)的分類技術(shù)在該實(shí)例應(yīng)用. 對(duì)2018年醫(yī)院某一個(gè)月住院病人電子病歷文本抗菌藥物的數(shù)據(jù)進(jìn)行分析，其中住院病人6154人，使用抗菌藥物的病人2671人. 本文用Word2Vec 來(lái)訓(xùn)練電子病歷中的文本詞向量，去除多余標(biāo)簽，語(yǔ)料大小為1363 MB，為了防止維度太大導(dǎo)致數(shù)據(jù)訓(xùn)練復(fù)雜度增加，訓(xùn)練詞向量的維數(shù)選擇為160 維.

表1 訓(xùn)練集和測(cè)試集分類

2.2 本文3種方法在模型上的比較

為驗(yàn)證深度學(xué)習(xí)在本文提出問(wèn)題分類上的有效性，本文采用3種評(píng)價(jià)標(biāo)準(zhǔn)：精確率、召回率和F1測(cè)量值，通過(guò)這三個(gè)指標(biāo)來(lái)衡量算法的有效性. 召回率(R)衡量的是實(shí)際屬于某個(gè)類別的所有文本中被分類器正確劃分到該類別中的比率. 召回率越高說(shuō)明分類器在該類上漏掉的文本越少，式(10)為召回率數(shù)學(xué)公式：

精確率是衡量劃分到某個(gè)類別中的文本中屬于此類別的比率精確率越高說(shuō)明分類器分類越準(zhǔn)確. 式(11)為精確率的數(shù)學(xué)公式.

F1值是召回率和精確率的加權(quán)調(diào)和平均，它平衡了精確率和召回率. 式(12)為F1 值的計(jì)算公式.

在實(shí)驗(yàn)中，分別采用支持向量機(jī)(SVM)，普通的卷積神經(jīng)網(wǎng)(CNN)，長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTM)，基于注意力機(jī)制的長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTMattention)等4種模型進(jìn)行分類對(duì)比結(jié)果如表2所示，根據(jù)實(shí)驗(yàn)結(jié)果，5類病癥分類對(duì)比，基于注意力機(jī)制的長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)都顯示出比較優(yōu)越的性能和優(yōu)勢(shì)，在對(duì)抗菌藥物使用分類分析中，單病種和其他兩類有著類似的結(jié)果，由于這兩大類抗菌藥物的使用相對(duì)比較單一，所以分類的時(shí)候表現(xiàn)出優(yōu)勢(shì)，外科類里由于手術(shù)使用抗菌藥物情況比較復(fù)雜，所以分類稍顯遜色.

表2 4種學(xué)習(xí)方法文本分類比較

2.3 數(shù)據(jù)挖掘規(guī)則算法

本文中利用深度學(xué)習(xí)算法來(lái)對(duì)電子病歷中抗菌藥物進(jìn)行分類以及求解患者使用抗菌藥物的合理性、知識(shí)庫(kù)和規(guī)則特征庫(kù)的建立、自學(xué)習(xí)能力，表3中是各個(gè)變量指標(biāo)和名稱[6].

數(shù)據(jù)挖掘的目標(biāo)是求解某醫(yī)院2018年一個(gè)月電子病歷抗菌藥物的合理性使用情況，希望通過(guò)分類學(xué)習(xí)能發(fā)現(xiàn)最優(yōu)解，由于每個(gè)患者的生理情況不同，抗菌用藥的使用也沒(méi)有一個(gè)具體的標(biāo)準(zhǔn)，只是根據(jù)電子病歷中相關(guān)藥物信息進(jìn)行分析探索性研究，從病歷中不同的醫(yī)療數(shù)據(jù)獲取最適合病人的知識(shí). 在求解的過(guò)程中，將抗菌藥物數(shù)據(jù)按照表3中的數(shù)據(jù)變量指標(biāo)值進(jìn)行相應(yīng)的判斷，表4是具體判定標(biāo)準(zhǔn).

2.4 驗(yàn)證結(jié)果

在實(shí)驗(yàn)過(guò)程中，為了驗(yàn)證本文提出的算法的合理性，根據(jù)2018某月2671名患者抗菌藥物病歷進(jìn)行仿真求解，優(yōu)化結(jié)果主要是判斷抗菌用藥的輔助規(guī)則使用及加入知識(shí)庫(kù)情況，最終求解的輸出結(jié)果如表5所示，其中符合是在基本符合的基礎(chǔ)上加權(quán)得到.

3 結(jié)束語(yǔ)

本文分析了問(wèn)題分類的現(xiàn)狀以及深度學(xué)習(xí)在文本處理領(lǐng)域的成功應(yīng)用，在LSTM基礎(chǔ)上引入注意力機(jī)制，以此來(lái)提取文本特征向量，提取特征向量之后，再利用Softmax回歸來(lái)解決文本多分類問(wèn)題. 本文嘗試用深度學(xué)習(xí)的方法進(jìn)行的是探索性研究，對(duì)于患者的抗菌藥物數(shù)據(jù)利用深度學(xué)習(xí)框架進(jìn)行嘗試和創(chuàng)新，為電子病歷中抗菌藥物利用深入研究提供新的思路并借助實(shí)驗(yàn)，提出、混合長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)框架[8，9]，有助于建立醫(yī)療數(shù)據(jù)倉(cāng)庫(kù)并進(jìn)行知識(shí)發(fā)現(xiàn)的使用.

表3 變量指標(biāo)及名稱

表4 數(shù)據(jù)挖掘判定標(biāo)準(zhǔn)

表5 實(shí)驗(yàn)結(jié)果

隨著醫(yī)院信息化的發(fā)展，HIS系統(tǒng)已經(jīng)向著智慧醫(yī)療的方向在發(fā)展，人工智能的一些技術(shù)也不斷被應(yīng)用到了醫(yī)療領(lǐng)域. 由于患者個(gè)體生理各項(xiàng)指標(biāo)的不確定性以及醫(yī)療環(huán)境的特殊性，抗菌藥物智能輔助判斷需要慎重，專業(yè)知識(shí)、用藥習(xí)慣和臨床經(jīng)驗(yàn)以及合理的自主學(xué)習(xí)算法起著至關(guān)重要的作用，因此本研究在對(duì)某類疾病的抗菌藥物使用合理情況與否進(jìn)行智能判斷時(shí)，沒(méi)有直接判斷是否合理，而是以既定指標(biāo)的“符合”或“不符合”標(biāo)準(zhǔn)進(jìn)行分類[6].

測(cè)試結(jié)果表明深度學(xué)習(xí)在抗菌藥物使用學(xué)習(xí)方法在一定程度上可以幫助醫(yī)生對(duì)抗菌藥物的輔助使用及診斷準(zhǔn)確性問(wèn)題，對(duì)抗菌藥物輔助知識(shí)庫(kù)和規(guī)則庫(kù)的數(shù)據(jù)可以進(jìn)行有效更新，對(duì)其中的干擾數(shù)據(jù)進(jìn)行了加權(quán)修正，為醫(yī)生的輔助決策提供了良好的數(shù)據(jù)基礎(chǔ)[10].總之，深度學(xué)習(xí)在抗菌藥物的合理使用是一個(gè)復(fù)雜過(guò)程，實(shí)驗(yàn)結(jié)果得到的符合值同患者數(shù)量之間有差值，為了增強(qiáng)分類精度和模型的說(shuō)服力，需要采用更多的樣本數(shù)據(jù)集和改進(jìn)算法使得模型和知識(shí)庫(kù)更完善并符合患者實(shí)際情況.