データ拡張を用いた漢方処方最適化のための深層ニューラルネットワークモデル

科学分野:

• 医療における人工知能; 計算薬理学; 漢方研究

背景:

• 漢方処方の最適化は、ノイズの多いデータや過度の変更といった課題に直面しています。; 既存の臨床意思決定支援システムは、漢方におけるこれらの重要な問題に不十分に対処しています。

研究 の 目的:

• 漢方処方を最適化するための深層学習フレームワークDA-TCMPOを開発すること。; 漢方におけるデータノイズに対処し、処方変更によるリスクを最小限に抑えること。

主な方法:

• 調整されたデータ拡張技術を利用したDA-TCMPOフレームワークを提案しました。; サンプル多様性のための二重注意に基づく拡散モデル（DAD）と、ノイズ除去のための可変ノイズ埋め込みモジュール（VNE）を組み込みました。; モデルトレーニングのために、漢方処方疾患（CH）データセットを開発しました。

主要な成果:

• DA-TCMPOは、CHデータセットにおいてベースラインモデルを大幅に上回り、適合率、精度、再現率、F1スコアはそれぞれ67.8%、83.3%、83.3%、83.6%向上しました。; 潰瘍性大腸炎（UC）マウスモデルにおけるin vivo検証では、DA-TCMPOで最適化された処方（例：CYKKL-2）が主要な健康指標を大幅に改善することが示されました。; 前臨床モデルにおける最適化された漢方処方の実用的な有効性が実証されました。

結論:

• DA-TCMPOは、漢方における診断および治療的意思決定を強化する可能性を示しています。; このフレームワークは、臨床実践における漢方処方の最適化のための実行可能なソリューションを提供します。; 漢方の研究を進める上で、深層学習とデータ拡張の可能性を強調しています。