医学人工智能成为当前研究热点之一,将人工智能相关技术应用于医疗领域,不仅能实现诊疗智能化,同时也能显著提升整体医疗水平,减少医疗成本。在中医领域,处方推荐是辅助诊疗的核心问题之一,由于中医处方药物组合的复杂性、患者合并疾病的复杂性以及患者的个性化差异,处方推荐依然是中医人工智能中最为困难的研究问题。处方推荐可以分为两种模式,一是学习医生积累的经验,通过症状来预测处方;二是将患者的治疗看作序贯决策过程,挖掘患者的治疗路径,预测最佳诊疗方案序列。随着大规模真实世界临床数据的积累和深度学习、强化学习技术发展,使得构建精准模型进行处方推荐成为可能。本文基于大规模真实世界临床数据,首先研究糖尿病合并疾病预测和处方预测,然后在此基础上,进一步研究患者动态诊疗方案优化问题,本文主要工作分为以下三个方面。(1)针对临床患者的合并疾病预测问题,提出一种融合临床与多源网络数据的图卷积神经网络分类模型(GCN-CMSN)。首先我们利用临床患者的疾病合并关系以及多次住院信息,构建20000例的糖尿病合并疾病标准数据集。然后利用随机森林算法分析糖尿病的相关风险疾病。最后提出融合疾病基因关系以及临床疾病合并关系的糖尿病合并疾病预测模型(GCN-CMSN),不同于以往模型,GCN-CMSN能够融合临床与多源疾病网络数据,进行患者合并疾病的预测,实验结果表明,该模型在查全率和F1值上都取得最好的效果。(2)针对特定疾病人群的中医处方推荐研究,提出一种基于编码器和解码器的多任务多标签处方预测模型(MTL-ED)。首先对中国中医科学院数据中心提供的中医治疗糖尿病数据进行预处理,构建糖尿病症状处方数据集。然后提出一种面向多标签分类任务的算法MTL-ED,该算法通过患者的症状预测治则治法和中医处方,同时预测出每味药物的相关症状,最后将该处方推荐给患者或医生以供参考。实验结果显示,算法在准确率和召回率等评价指标上取得较大提升。(3)针对特定疾病人群的中医动态诊疗方案优化问题,提出基于深度强化学习的诊疗方案优化方法。首先构建糖尿病序贯诊疗标准数据集,然后构建基于深度强化学习的两阶段处方推荐框架,该框架第一阶段利用强化模型优化诊疗方案,第二阶段根据患者的症状和诊疗方案预测中药处方。此外,设计了一种预测患者状态转移的虚拟环境。实验结果表明,强化模型推荐的诊疗方案使患者具有更佳的愈后,比医生给出的诊疗方案序列更加合理。