一、 课题研究背景临床上很多情况下两种或多种药物的联合使用可以带来更好的治疗效果，尤其是癌症的治疗过程中，极易产生耐药性，药物联合使用可以一定程的解决这一问题。
但是，现今关于联合用药的研究大多为传统的体内外实验，人力及时间成本较高，同时研究缺乏全面性和应对复杂靶点的能力。
被广泛应用于医学信息处理的人工智能技术可以很好地用来处理这一问题，并且已经有了一些成功的案例。
二、 课题研究意义本课题针对药品的协同度、临床联合用药数据、传统经验等给出联合用药的推荐方案，并通过对影响药物协同度的药物数据构建深度学习模型预测两种或多种药物的协同度。
模型相较临床体内外演剧能显著降低时间和成本，并提供更多联合用药的可探索方案，从而促进药学研究的进步。
三、 拟解决的问题根据临床试验所得药物协同度训练模型，使其能对新的药物对做出协同度预测，并且预测结果达到一定的准确度。
同时实现联合用药方案推荐的可视化。
四、 研究主要内容1. 获取可用于联合用药的药品特征信息以及临床联合用药数据；2. 建立联合用药数据库；3. 搭建联合用药相关度深度学习模型，训练模型，验证模型；4. 分析训练结果，总结对于推荐联合用药方案的意义；5. 实现联合用药推荐可视化。
五、研究方法和步骤1. 从drug bank中获取药品信息，网站和文献的公开数据集中获取相应的临床联合用药数据；2. 使用mysql建立联合用药推荐数据库；3. 利用keras搭建深度学习模型，80%的临床数据作为训练集，20%为验证集；4. 分析训练结果，改进模型，直至达到相应要求；5. 使用django框架搭建联合用药推荐可视化平台；6. 总结研究结果意义以及还能进一步改进的地方。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
