Un modelo de red neuronal profunda para optimizar las prescripciones de medicina tradicional china con aumento de...

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Farmacología Computacional
• Investigación de Medicina Tradicional China

Sus antecedentes:

• La optimización de las prescripciones de Medicina Tradicional China (MTC) se enfrenta a desafíos con datos ruidosos y modificaciones excesivas.
• Los sistemas de apoyo a la toma de decisiones clínicas existentes abordan de manera inadecuada estos problemas críticos en la MTC.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo, DA-TCMPO, para optimizar las prescripciones de MTC.
• Abordar el ruido de los datos y minimizar los riesgos de las modificaciones de las prescripciones en la MTC.

Principales métodos:

• Propuesto marco DA-TCMPO que utiliza técnicas personalizadas de aumento de datos.
• Incorporado un Modelo de Difusión Basado en Doble Atención (DAD) para la diversidad de muestras y un Módulo de Incrustación de Ruido Variable (VNE) para la eliminación de ruido.
• Desarrollado el conjunto de datos de Prescripciones de Hierbas Chinas para Enfermedades (CH) para el entrenamiento del modelo.

Principales resultados:

• DA-TCMPO superó significativamente a los modelos de referencia en el conjunto de datos CH, con mejoras en precisión, exactitud, recuperación y puntuación F1 del 67,8%, 83,3%, 83,3% y 83,6%, respectivamente.
• La validación in vivo en modelos de ratón con colitis ulcerosa (CU) mostró que las prescripciones optimizadas por DA-TCMPO (por ejemplo, CYKKL-2) mejoraron significativamente los indicadores clave de salud.
• Demostró la eficacia práctica de las prescripciones optimizadas de MTC en un modelo preclínico.

Conclusiones:

• DA-TCMPO muestra potencial para mejorar la toma de decisiones diagnósticas y terapéuticas en la MTC.
• El marco ofrece una solución viable para optimizar las prescripciones de MTC en la práctica clínica.
• Destaca el potencial del aprendizaje profundo y el aumento de datos en el avance de la investigación de la MTC.