智能医疗领域近年来受深度学习的发展影响取得了重要突破,创新药物研发,以及智能辅助医疗技术等与人们的生活息息相关的研究重要性得到广泛的认可。其中智能药物重定向与疾病辅助决策相辅相成,一方面探索“老药新用”,另一方面同步实现临床转化价值,从药物发现到临床应用打造成智能医疗一体化闭环生态圈。本文从药物靶点靶向作用预测和罕见疾病辅助决策这两个方向入手,针对存在的预测精度低,可解释性不强等问题,运用深度学习方法进行改进。此外本文还完成了临床辅助诊断系统的设计与实现,能够有效提升医生的诊断效率。本文具体研究内容如下:1)提出了基于子结构表示的靶向作用预测模型。模型首先通过融合异质图丰富了药物靶点的特征信息;其次设计了基于子结构的互信息估计器,一方面有效消除图网络中的噪声信息,另一方面增强了图级表示和子图表示之间的关联性;最终基于学习到的药物靶点的高质量嵌入,提出了端到端的自解码器模型来完成链路预测的下游任务。案例研究和对比实验也表明了模型的有效性。2)提出了基于RNNs增强图网络模型的罕见疾病辅助决策方法。模型根据患者主诉推断罕见疾病概率,其中文本结构化模块基于BERT的预训练模型捕获文本的整体句法,并使用卷积神经网络对局部语义进行建模,从而识别患者意图及词槽。疾病辅助决策模块中设计了RNNs模型来捕获罕见病周围的多跳节点信息,并包含了带有权重的随机游走算法,避免了游走过程中的盲目性,最终转化为语言模型问题进行预测。实验中,模型在真实的疾病图谱上取得了当前最优的效果,证明了模型的先进性。3)基于上述研究的疾病预测模型构建了临床辅助决策系统,系统采用主动交互方式,在诊断过程中给出患有疾病的可能性,并列出患病起因,治疗方案以及注意事项等。同时系统应用Elasticsearch技术协助医生快速地检索症状信息。