CN110391021A - 一种基于医学知识图谱的疾病推理系统 - Google Patents
一种基于医学知识图谱的疾病推理系统 Download PDFInfo
- Publication number
- CN110391021A CN110391021A CN201910598982.1A CN201910598982A CN110391021A CN 110391021 A CN110391021 A CN 110391021A CN 201910598982 A CN201910598982 A CN 201910598982A CN 110391021 A CN110391021 A CN 110391021A
- Authority
- CN
- China
- Prior art keywords
- disease
- clinical manifestation
- medical knowledge
- patient
- knowledge map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本发明实施例提供了一种基于医学知识图谱的疾病推断系统,包括:获取模块,用于获取患者的诊断证据信息;疾病推断模块,用于根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种基于医学知识图谱的疾病推理系统。
背景技术
传统的疾病推理系统多是基于规则的,需要医生专家根据医学知识及临床经验制定大量的规则,且这些规则不具有通用性,完成疾病推理需要大量的专家工作。而最新的基于深度学习技术的疾病推理系统,需要大量的医学病历或数据训练模型,且推理结果不具有可解释性,很难被接受。
发明内容
针对现有技术中的问题,本发明实施例提供一种基于医学知识图谱的疾病推理系统。
第一方面,本发明实施例提供了一种基于医学知识图谱的疾病推断系统,包括:
获取模块,用于获取患者的诊断证据信息;
疾病推断模块,用于根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;
其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
进一步地,所述疾病推断模块,具体包括:
第一推断子模块,用于根据所述诊断证据信息查询医学知识图谱,获取所有相关的临床表现;
筛选子模块,用于对所述所有相关的临床表现进行筛选,获取有效的临床表现;
第二推断子模块,用于根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病。
进一步地,所述第一推断子模块,具体包括:
症状分类单元,用于根据所述诊断证据信息获取患者的症状信息,并对获取的症状信息进行分类,分为:确定存在症状集、确定不存在症状集和不确定症状集;
症状分值确定单元,用于根据各类症状信息对疾病判别的影响程度,为各类症状信息分别赋予不同的分值;
临床表现获取单元,用于根据所述确定存在症状集中的症状,查询所述医学知识图谱,获取与所述确定存在症状集中的症状对应的所有相关临床表现。
进一步地,所述筛选子模块,具体包括:
患病背景分类单元,用于对患者的患病背景信息进行分类,分为:确定存在背景集和确定不存在背景集;
患病背景分值确定单元,用于根据各类别患病背景对疾病判别的影响程度,为各类别患病背景分别赋予不同的分值;
筛选单元,用于根据与临床表现相关的症状个数、症状与临床表现的关系、与临床表现相关的症状所属的症状类别、各症状类别对应的分值信息、患者的患病背景信息以及各患病背景类别对应的分值对获取的所有相关临床表现进行筛选,获取有效的临床表现以及各有效临床表现的分值。
进一步地,所述筛选单元,具体用于:
若判断获知临床表现的相关症状只有一个,则确定该临床表现为有效临床表现,且该临床表现的分值为相关症状的分值;
若判断获知临床表现的相关症状有多个,则判断症状与临床表现之间的关系标签:
若关系标签为and,则判断该临床表现的所有相关的症状是否存在所述确定不存在症状集中的症状,若存在,则删除该临床表现,否则判断该临床表现的所有相关的患病背景是否存在所述确定不存在背景集中的背景,若存在,则删除该临床表现;否则,确定该临床表现为有效临床表现,且该临床表现的分值为:(a+b)/c;其中,a表示患者提供的与该临床表现相关的所有症状的分值之和,b表示患者提供的与该临床表现相关的所有患病背景的分值之和,c表示与该临床表现所有相关的症状数量和患病背景数量之和;
若关系标签为or,则确定该临床表现为有效临床表现,且该临床表现的分值为患者提供的与该临床表现相关的症状的分值的最大值。
进一步地,所述第二推断子模块,具体包括:
疑似疾病推断单元,用于根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病;
疾病得分计算单元,用于根据患者所有与各疑似疾病相关的临床表现的分值计算各疑似疾病的分值,输出包含疑似疾病名称和对应分值的疑似疾病列表。
进一步地,所述疾病得分计算单元,具体用于:
按照下面关系模型计算各疑似疾病的分值:
Possibilities=Possibility1+Possibility2+…+Possibilityn;
其中,n表示患者所有与该疑似疾病相关的临床表现的个数;
Possibilityi=scorei*weighti*Mi/(weight1*M1+…+weightm*Mm),1≤i≤n;
其中,Possibilityi表示与该疑似疾病相关的临床表现i对确定为该疑似疾病的贡献值大小,scorei表示患者与该疑似疾病相关的临床表现i的分值,weighti表示患者与该疑似疾病相关的临床表现i的预设影响因子,Mi表示患者与该疑似疾病相关的临床表现i的预设普遍程度,m表示与该疑似疾病相关的所有临床表现的个数;weightj表示与该疑似疾病相关的临床表现j的预设影响因子,Mj表示与该疑似疾病相关的临床表现j的预设普遍程度,1≤j≤m。
进一步地,所述第二推断子模块,还包括:
疾病筛选单元,用于对所述疑似疾病推断单元获取的疑似疾病,根据患者的患病背景以及相应疑似疾病的患病特征,依据疾病的必要条件和/或互斥条件进行疑似疾病的筛选。
第二方面,本发明实施例还提供了一种基于医学知识图谱的疾病推理装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下方法:
获取患者的诊断证据信息;
根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
第三方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如下方法:
获取患者的诊断证据信息;
根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
由上述技术方案可知,本发明实施例提供的基于医学知识图谱的疾病推断系统,包括:获取模块,用于获取患者的诊断证据信息;疾病推断模块,用于根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;由于本发明实施例中的医学知识图谱为预先根据医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图,因此,在获取患者的诊断证据信息后可以根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据对应的临床表现,进而通过查询医学知识图谱,获取与临床表现对应的疑似疾病,从而实现了基于患者诊断证据的疾病推断。本发明实施例基于医学知识图谱进行疾病推断,既能利用医生的专业知识进行推理,又具有很高的通用性,且对推理结果可解释性强。此外,本发明实施例提供的基于医学知识图谱的疾病推断系统,还能够支持疾病库的不断扩充,因而可以有效辅助医生进行疾病诊断。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于医学知识图谱的疾病推断系统的结构示意图;
图2是本发明一实施例提供的疾病推断模块的结构示意图;
图3是本发明一实施例提供的第一推断子模块的结构示意图;
图4是本发明一实施例提供的筛选子模块的结构示意图;
图5是本发明一实施例提供的第二推断子模块的结构示意图;
图6是本发明又一实施例提供的基于医学知识图谱的疾病推断装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明实施例提供的基于医学知识图谱的疾病推断系统的结构示意图。如图1所示,本发明实施例提供的基于医学知识图谱的疾病推断系统,包括:获取模块11和疾病推断模块12,其中:
获取模块11,用于获取患者的诊断证据信息;
疾病推断模块12,用于根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;
在本实施例中,所述患者的诊断证据信息包括患者的症状信息、体征信息、检验项和检查项等信息,如头痛、肌痛、腹痛、咽痛、咳嗽、发热、白细胞值偏高等。
在本实施例中,为了体现医学知识在诊断时的融合性,多个医学证据组合在一起对疾病更有指向性,为此引入了临床表现这个概念。例如,对于疾病急性气管支气管炎来说,其所述临床表现为“咳嗽{扩展:咳嗽有痰}”and{“咳嗽{颜色:白色}”or“咳嗽{性质:脓痰}”},也即当证据“咳嗽{扩展:咳嗽有痰}”存在且“咳嗽{颜色:白色}”、“咳嗽{性质:脓痰}”有一个存在时,则指向“急性气管支气管炎”的特异性很高,因此就将其作为急性气管支气管炎的一个临床表现放入知识图谱。如果患者提供了诊断证据“咳嗽{扩展:咳嗽有痰}”和“咳嗽{颜色:白色}”,则满足了上述的临床表现,因而可以指向疾病急性气管支气管炎。
在本实施例中,所述疾病信息包括患者可能患有哪种或哪些疑似疾病,或者还可以进一步提供患者患相应疑似疾病的概率。
在本实施例中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。在本实施例中,可以收集关于疾病的各种资源,形成疾病知识库,以供医生查询和读取,医生可以从疾病知识库中抽取和总结出诊断证据、临床表现和疾病等信息,然后由医生结合相应的临床诊断经验和专业知识,建立这些诊断证据、临床表现和疾病信息之间的相互关系,从而形成所述医学知识图谱。
在本实施例中,根据患者的诊断证据信息查询医学知识图谱可以获取与诊断证据信息对应的临床表现,然后再根据临床表现获取与临床表现对应的疾病信息,并将获取的这些疾病信息作为患者的疑似疾病进行输出。
在本实施例中,为了体现医学知识在诊断时的融合性,多个医学证据组合在一起对疾病更有指向性,因此引入了临床表现这一中间变量,临床表现为专业医生从诊断证据到疾病诊断结果的中间推理过程信息,也即所述临床表现信息为能够体现医生鉴别诊断疾病思想的推理过程信息,因此引入临床表现这一中间变量可以使得疾病的推理过程充分体现医学诊断的核心推理思想,从而使得疾病推理结果具有较好的解释性和准确性。
需要说明的是,本发明实施例提供的基于医学知识图谱的疾病推断系统,需要先构建医学知识图谱,将医生的医学诊断思想和知识整理到医学知识图谱中,然后利用医学知识图谱中的实体及实体之间的关系作为推理依据,推断患者可能患有的疾病。可见,本发明实施例基于医学知识图谱的疾病推断系统,充分参考了医生诊断疾病的思想,由于整个推断过程基于预先建立好的医学知识图谱,因此具有较好的通用性,不用再实时依赖专家医生的参与,降低了专家医生的工作量,同时保证了疾病推理的可解释性。此外,随着医学知识图谱的不断更新,可以使得该系统的通用性不断提高。
由上述技术方案可知,本发明实施例提供的基于医学知识图谱的疾病推断系统,包括:获取模块,用于获取患者的诊断证据信息;疾病推断模块,用于根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;由于本发明实施例中的医学知识图谱为预先根据医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图,因此,在获取患者的诊断证据信息后可以根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据对应的临床表现,进而通过查询医学知识图谱,获取与临床表现对应的疑似疾病,从而实现了基于患者诊断证据的疾病推断。本发明实施例基于医学知识图谱进行疾病推断,既能利用医生的专业知识进行推理,又具有很高的通用性,且对推理结果可解释性强。此外,本发明实施例提供的基于医学知识图谱的疾病推断系统,还能够支持疾病库的不断扩充,因而可以有效辅助医生进行疾病诊断。
图2示出了本发明实施例提供的疾病推断模块的结构示意图。如图2所示,基于上述实施例的内容,在本实施例中,所述疾病推断模块12,具体包括:
第一推断子模块121,用于根据所述诊断证据信息查询医学知识图谱,获取所有相关的临床表现;
筛选子模块122,用于对所述所有相关的临床表现进行筛选,获取有效的临床表现;
第二推断子模块123,用于根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病。
在本实施例中,先根据所述诊断证据信息查询医学知识图谱,获取所有相关的临床表现,然后对所有相关的临床表现进行筛选,获取有效的临床表现,最后根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病,从而可以提高最后输出的疑似疾病的准确度。
图3示出了本发明实施例提供的第一推断子模块的结构示意图。如图3所示,基于上述实施例的内容,在本实施例中,所述第一推断子模块121,具体包括:
症状分类单元1211,用于根据所述诊断证据信息获取患者的症状信息,并对获取的症状信息进行分类,分为:确定存在症状集、确定不存在症状集和不确定症状集;其中,确定存在症状集中的症状为患者主诉症状中明确具有的症状;确定不存在症状集中的症状为患者主诉症状中明确不具有的症状;不确定症状集为患者不确定或不知道是否具有的症状;
症状分值确定单元1212,用于根据各类症状信息对疾病判别的影响程度,为各类症状信息分别赋予不同的分值;例如,对于确定存在的症状的分值为1分,对于确定不存在的症状的分值为0分,对于不确定的症状的分值为0.5分;
临床表现获取单元1213,用于根据所述确定存在症状集中的症状,查询所述医学知识图谱,获取与所述确定存在症状集中的症状对应的所有相关临床表现。
举例来说,假设对于疾病:鼻后滴流综合征,其对应的临床表现为:
鼻后滴流综合征_临床表现1(证据:咳嗽{病程:[8,)=8周及以上}and咽后壁粘液附着感or鼻后滴流)。
鼻后滴流综合征_临床表现2(证据:鼻塞{诱因:无明显原因}or鼻塞{诱因:受凉或感冒})。
如果患者提供主诉:咳嗽8周以上、鼻后滴流、不确定咽后壁粘液有无附着感,因受凉引起鼻塞,进入诊断后发现,咳嗽{病程:[8,)=8周及以上}、鼻后滴流、鼻塞{诱因:受凉或感冒}分到确定存在症状集都为1分,咽后壁粘液附着感分到不确定存在症状集赋值为0.5,满足了鼻后滴流综合征_临床表现1、鼻后滴流综合征_临床表现2,则推断为鼻后滴流综合征,并根据后续介绍的计算方式计算患者患鼻后滴流综合征的分值。
在本实施例中,将的症状信息进行分类,分为:确定存在症状集、确定不存在症状集和不确定症状集,然后根据所述确定存在症状集中的症状,查询所述医学知识图谱,获取与所述确定存在症状集中的症状对应的所有相关临床表现。由于本实施例根据确定存在症状集中的症状获取对应的所有相关临床表现,因此本实施例获取的临床表现噪声较小,便于后期根据临床表现确定对应的疑似疾病。此外,本实施例还根据各类症状信息对疾病判别的影响程度,为各类症状信息分别赋予不同的分值,便于后期进行进一步的临床表现筛选时使用。
图4示出了本发明实施例提供的筛选子模块的结构示意图。如图4所示,基于上述实施例的内容,在本实施例中,所述筛选子模块122,具体包括:
患病背景分类单元1221,用于对患者的患病背景信息进行分类,分为:确定存在背景集和确定不存在背景集;其中,所述确定存在背景集中的背景是指患者基本信息中确定存在的背景,如存在某既往病史、年龄、性别、发生季节等;所述确定不存在背景集中的背景是指患者基本信息中确定不存在的背景,如不存在高血压等。
患病背景分值确定单元1222,用于根据各类别患病背景对疾病判别的影响程度,为各类别患病背景分别赋予不同的分值;例如,对确定存在的背景集赋予分值1,对于确定不存在背景集赋予分值1。
筛选单元1223,用于根据与临床表现相关的症状个数、症状与临床表现的关系、与临床表现相关的症状所属的症状类别、各症状类别对应的分值信息、患者的患病背景信息以及各患病背景类别对应的分值对获取的所有相关临床表现进行筛选,获取有效的临床表现以及各有效临床表现的分值。
在本实施例中,对上述实施例获取的临床表现进行了进一步的筛选,将与患者疾病推断无效的临床表现进行删除,留下有效的临床表现进行后续疾病推断。其中,在进行有效临床表现筛选时,考虑了与临床表现相关的症状个数、症状与临床表现的关系、与临床表现相关的症状所属的症状类别、各症状类别对应的分值信息、患者的患病背景信息以及各患病背景类别对应的分值等这些因素,从而可以提高筛选的准确度,使得得到的有效临床表现具有较为准确的代表意义,从而提高疾病推断的准确性。
基于上述实施例的内容,在本实施例中,所述筛选单元1223,具体用于:
若判断获知临床表现的相关症状只有一个,则确定该临床表现为有效临床表现,且该临床表现的分值为相关症状的分值;
若判断获知临床表现的相关症状有多个,则判断症状与临床表现之间的关系标签:
若关系标签为and,则判断该临床表现的所有相关的症状是否存在所述确定不存在症状集中的症状,若存在,则删除该临床表现,否则判断该临床表现的所有相关的患病背景是否存在所述确定不存在背景集中的背景,若存在,则删除该临床表现;否则,确定该临床表现为有效临床表现,且该临床表现的分值为该临床表现所有证据的分值的最小值;
若关系标签为or,则确定该临床表现为有效临床表现,且该临床表现的分值为患者提供的与该临床表现相关的症状的分值的最大值。
在本实施例中,给出了根据与临床表现相关的症状个数、症状与临床表现的关系、与临床表现相关的症状所属的症状类别、各症状类别对应的分值信息、患者的患病背景信息以及各患病背景类别对应的分值对获取的所有相关临床表现进行筛选,获取有效的临床表现以及各有效临床表现的分值的一种具体实现过程,当然本发明实施例的保护范围并不限于此,还可以根据与临床表现相关的症状个数、症状与临床表现的关系、与临床表现相关的症状所属的症状类别、各症状类别对应的分值信息、患者的患病背景信息以及各患病背景类别对应的分值这些内容按照其他处理方式对获取的所有相关临床表现进行筛选,获取有效的临床表现以及各有效临床表现的分值。例如,还可以是将与患者的患病背景相抵触或违背的临床表现进行删除等处理方式。此外,在确定有效临床表现的分值时,可以按照上面提出的方案进行计算,也可以按照医生的历史诊断经验给不同的有效临床表现赋予不同的分值。
图5示出了本发明实施例提供的第二推断子模块的结构示意图。如图5所示,基于上述实施例的内容,在本实施例中,所述第二推断子模块123,具体包括:
疑似疾病推断单元1231,用于根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病;
疾病得分计算单元1233,用于根据患者所有与各疑似疾病相关的临床表现的分值计算各疑似疾病的分值,输出包含疑似疾病名称和对应分值的疑似疾病列表。
在本实施例中,根据上面实施例获取的有效临床表现查询医学知识图谱,从而能够获取准确度较高或相关度较高的疑似疾病。此外,本实施例在获取疑似疾病后,还进一步根据上面实施例得到的各有效临床表现的分值计算各疑似疾病的分值,从而最终输出包含疑似疾病名称和对应分值的疑似疾病列表,进而便于医生和患者进行参考。
基于上述实施例的内容,在本实施例中,所述疾病得分计算单元1233,具体用于:
按照下面关系模型计算各疑似疾病的分值:
Possibilities=Possibility1+Possibility2+…+Possibilityn;
其中,n表示患者所有与该疑似疾病相关的临床表现的个数;
Possibilityi=scorei*weighti*Mi/(weight1*M1+…+weightm*Mm),1≤i≤n;
其中,Possibilityi表示与该疑似疾病相关的临床表现i对确定为该疑似疾病的贡献值大小,scorei表示患者与该疑似疾病相关的临床表现i的分值,weighti表示患者与该疑似疾病相关的临床表现i的预设影响因子,Mi表示患者与该疑似疾病相关的临床表现i的预设普遍程度,m表示与该疑似疾病相关的所有临床表现的个数;weightj表示与该疑似疾病相关的临床表现j的预设影响因子,Mj表示与该疑似疾病相关的临床表现j的预设普遍程度,1≤j≤m;其中,所述预设普遍程度可以从major-16,normal-4,minor-1这三种中根据实际情况选择其中的一种,也可以根据需要设定其他值。所述预设影响因子一般取医生建议的取值,其值也可以根据实际情况进行调整。
在本实施例中,给出了各疑似疾病分值的一种计算方法,从而可以按照上面方式得到患者患有各疑似疾病的可能性大小,进而便于医生和患者进行参考。
基于上述实施例的内容,在本实施例中,所述第二推断子模块123,还包括:
疾病筛选单元1232,用于对所述疑似疾病推断单元获取的疑似疾病,根据患者的患病背景以及相应疑似疾病的患病特征,依据疾病的必要条件和/或互斥条件进行疑似疾病的筛选。
在本实施例中,在利用疑似疾病推断单元1231根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病后,可以根据患者的患病背景以及相应疑似疾病的患病特征,依据疾病的必要条件和/或互斥条件对疑似疾病进行筛选,获取有效的疑似疾病,然后再对这些有效的疑似疾病计算各自的分值,最后输出带有包含有效的疑似疾病名称和对应分值的疑似疾病列表,进而便于医生和患者进行参考。
例如,输出的疑似疾病列表如下表1所示:
表1
疑似疾病 | 分值 |
疑似疾病1 | 0.9 |
疑似疾病2 | 0.8 |
疑似疾病3 | 0.35 |
疑似疾病4 | 0.12 |
例如,假设某种疑似疾病是老人才可能患有的,而假若患者是位儿童,则可以将该疑似疾病删除。又如,若某种疾病的患病特征是低血压,而根据患者的患病背景确定患者为高血压患者,则可以将该疑似疾病删除。
本发明实施例提供的基于医学知识图谱的疾病推断系统,先将各类诊断证据进行分类,赋予不同的权重,再根据分类后的诊断证据查找知识图谱相应实体对应的临床表现,并计算多层临床表现的权重,最终根据临床表现实体找到对应的疾病,并计算疑似疾病的得分(类似于患对应疾病的概率),整个疾病推断过程有理有据,保证了疾病推理的准确性及可解释性。
基于相同的发明构思,本发明另一实施例提供了一种基于医学知识图谱的疾病推理装置,参见图6,所述基于医学知识图谱的疾病推理装置包括如下内容:处理器301、存储器302、通信接口303和总线304;
其中,所述处理器301、存储器302、通信接口303通过所述总线304完成相互间的通信;所述通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输;所述处理器301用于调用所述存储器302中的计算机程序,所述处理器执行所述程序时实现如下方法:获取患者的诊断证据信息;根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
对于本发明实施例提供的基于医学知识图谱的疾病推理装置,其工作原理和有益效果和上述实施例提供的基于医学知识图谱的疾病推理系统类似,具体内容和参见上述实施例的介绍,本发明实施例对此不再详述。
基于相同的发明构思,本发明又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如下方法:获取患者的诊断证据信息;根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明实施例提供的计算机可读存储介质,其上存储的计算机程序的工作原理和有益效果和上述实施例提供的基于医学知识图谱的疾病推理系统类似,具体内容和参见上述实施例的介绍,本发明实施例对此不再详述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的测试报告自动生成方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于医学知识图谱的疾病推断系统,其特征在于,包括:
获取模块,用于获取患者的诊断证据信息;
疾病推断模块,用于根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;
其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
2.根据权利要求1所述的基于医学知识图谱的疾病推断系统,其特征在于,所述疾病推断模块,具体包括:
第一推断子模块,用于根据所述诊断证据信息查询医学知识图谱,获取所有相关的临床表现;
筛选子模块,用于对所述所有相关的临床表现进行筛选,获取有效的临床表现;
第二推断子模块,用于根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病。
3.根据权利要求2所述的基于医学知识图谱的疾病推断系统,其特征在于,所述第一推断子模块,具体包括:
症状分类单元,用于根据所述诊断证据信息获取患者的症状信息,并对获取的症状信息进行分类,分为:确定存在症状集、确定不存在症状集和不确定症状集;
症状分值确定单元,用于根据各类症状信息对疾病判别的影响程度,为各类症状信息分别赋予不同的分值;
临床表现获取单元,用于根据所述确定存在症状集中的症状,查询所述医学知识图谱,获取与所述确定存在症状集中的症状对应的所有相关临床表现。
4.根据权利要求3所述的基于医学知识图谱的疾病推断系统,其特征在于,所述筛选子模块,具体包括:
患病背景分类单元,用于对患者的患病背景信息进行分类,分为:确定存在背景集和确定不存在背景集;
患病背景分值确定单元,用于根据各类别患病背景对疾病判别的影响程度,为各类别患病背景分别赋予不同的分值;
筛选单元,用于根据与临床表现相关的症状个数、症状与临床表现的关系、与临床表现相关的症状所属的症状类别、各症状类别对应的分值信息、患者的患病背景信息以及各患病背景类别对应的分值对获取的所有相关临床表现进行筛选,获取有效的临床表现以及各有效临床表现的分值。
5.根据权利要求4所述的基于医学知识图谱的疾病推断系统,其特征在于,所述筛选单元,具体用于:
若判断获知临床表现的相关症状只有一个,则确定该临床表现为有效临床表现,且该临床表现的分值为相关症状的分值;
若判断获知临床表现的相关症状有多个,则判断症状与临床表现之间的关系标签:
若关系标签为and,则判断该临床表现的所有相关的症状是否存在所述确定不存在症状集中的症状,若存在,则删除该临床表现,否则判断该临床表现的所有相关的患病背景是否存在所述确定不存在背景集中的背景,若存在,则删除该临床表现;否则,确定该临床表现为有效临床表现,且该临床表现的分值为该临床表现相关的证据得分的最小值;
若关系标签为or,则确定该临床表现为有效临床表现,且该临床表现的分值为患者提供的与该临床表现相关的证据的分值的最大值。
6.根据权利要求5所述的基于医学知识图谱的疾病推断系统,其特征在于,所述第二推断子模块,具体包括:
疑似疾病推断单元,用于根据所述有效的临床表现查询医学知识图谱,获取所有相关的疑似疾病;
疾病得分计算单元,用于根据患者所有与各疑似疾病相关的临床表现的分值计算各疑似疾病的分值,输出包含疑似疾病名称和对应分值的疑似疾病列表。
7.根据权利要求6所述的基于医学知识图谱的疾病推断系统,其特征在于,所述疾病得分计算单元,具体用于:
按照下面关系模型计算各疑似疾病的分值:
Possibilities=Possibility1+Possibility2+…+Possibilityn;
其中,n表示患者所有与该疑似疾病相关的有效临床表现的个数;
Possibilityi=scorei*weighti*Mi/(weight1*M1+…+weightm*Mm),1≤i≤n;
其中,Possibilityi表示与该疑似疾病相关的临床表现i对确定为该疑似疾病的贡献值大小,scorei表示患者与该疑似疾病相关的临床表现i的分值,weighti表示患者与该疑似疾病相关的临床表现i的预设影响因子,Mi表示患者与该疑似疾病相关的临床表现i的预设普遍程度,m表示与该疑似疾病相关的所有临床表现的个数;weightj表示与该疑似疾病相关的临床表现j的预设影响因子,Mj表示与该疑似疾病相关的临床表现j的预设普遍程度,1≤j≤m。
8.根据权利要求6或7所述的基于医学知识图谱的疾病推断系统,其特征在于,所述第二推断子模块,还包括:
疾病筛选单元,用于对所述疑似疾病推断单元获取的疑似疾病,根据患者的患病背景以及相应疑似疾病的患病特征,依据疾病的必要条件和/或互斥条件进行疑似疾病的筛选。
9.一种基于医学知识图谱的疾病推理装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下方法:
获取患者的诊断证据信息;
根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如下方法:
获取患者的诊断证据信息;
根据患者的诊断证据信息查询医学知识图谱,获取与诊断证据信息对应的临床表现,以及根据所述临床表现查询医学知识图谱,获取与所述临床表现对应的疾病信息;其中,所述医学知识图谱为预先根据疾病知识库和医生的专业知识建立的用于表示诊断证据实体、临床表现实体和疑似疾病实体之间相互关系的映射地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598982.1A CN110391021A (zh) | 2019-07-04 | 2019-07-04 | 一种基于医学知识图谱的疾病推理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910598982.1A CN110391021A (zh) | 2019-07-04 | 2019-07-04 | 一种基于医学知识图谱的疾病推理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110391021A true CN110391021A (zh) | 2019-10-29 |
Family
ID=68286219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910598982.1A Pending CN110391021A (zh) | 2019-07-04 | 2019-07-04 | 一种基于医学知识图谱的疾病推理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110391021A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210910A (zh) * | 2020-01-13 | 2020-05-29 | 秒针信息技术有限公司 | 猪只疾病诊断方法及系统 |
CN112420211A (zh) * | 2020-09-30 | 2021-02-26 | 医渡云(北京)技术有限公司 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
CN112749286A (zh) * | 2021-01-26 | 2021-05-04 | 北京搜狗科技发展有限公司 | 知识图谱的构建和使用方法、装置和介质 |
CN112820400A (zh) * | 2021-01-27 | 2021-05-18 | 华侨大学 | 基于医疗知识图谱知识推理的疾病诊断方法、装置、设备 |
CN113035346A (zh) * | 2021-02-22 | 2021-06-25 | 北京信息科技大学 | 基于医学知识图谱的疾病类别评估装置及方法 |
CN113257371A (zh) * | 2021-06-03 | 2021-08-13 | 中南大学 | 基于医学知识图谱的临床检验结果分析方法及系统 |
CN113409936A (zh) * | 2021-06-16 | 2021-09-17 | 北京欧应信息技术有限公司 | 用于辅助疾病推理的系统及存储介质 |
CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
WO2022141923A1 (zh) * | 2020-12-31 | 2022-07-07 | 上海明品医学数据科技有限公司 | 一种智能医学大脑模型建立系统、方法、服务系统及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112380A1 (en) * | 2009-11-12 | 2011-05-12 | eTenum, LLC | Method and System for Optimal Estimation in Medical Diagnosis |
CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
CN103164616A (zh) * | 2013-02-02 | 2013-06-19 | 杭州卓健信息科技有限公司 | 一种智能导诊系统和方法 |
CN109166622A (zh) * | 2018-08-20 | 2019-01-08 | 重庆柚瓣家科技有限公司 | 基于知识图谱的疾病预诊系统 |
CN109509551A (zh) * | 2018-11-01 | 2019-03-22 | 新博卓畅技术(北京)有限公司 | 一种常见疾病智能诊断方法及系统 |
-
2019
- 2019-07-04 CN CN201910598982.1A patent/CN110391021A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112380A1 (en) * | 2009-11-12 | 2011-05-12 | eTenum, LLC | Method and System for Optimal Estimation in Medical Diagnosis |
CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
CN103164616A (zh) * | 2013-02-02 | 2013-06-19 | 杭州卓健信息科技有限公司 | 一种智能导诊系统和方法 |
CN109166622A (zh) * | 2018-08-20 | 2019-01-08 | 重庆柚瓣家科技有限公司 | 基于知识图谱的疾病预诊系统 |
CN109509551A (zh) * | 2018-11-01 | 2019-03-22 | 新博卓畅技术(北京)有限公司 | 一种常见疾病智能诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘德培: "《中华医学百科全书 医学信息学》", 31 May 2017, 中国协和医科大学出版社 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210910A (zh) * | 2020-01-13 | 2020-05-29 | 秒针信息技术有限公司 | 猪只疾病诊断方法及系统 |
CN112420211A (zh) * | 2020-09-30 | 2021-02-26 | 医渡云(北京)技术有限公司 | 未知传染病的预警方法、装置、电子设备及计算机介质 |
WO2022141923A1 (zh) * | 2020-12-31 | 2022-07-07 | 上海明品医学数据科技有限公司 | 一种智能医学大脑模型建立系统、方法、服务系统及介质 |
CN112749286A (zh) * | 2021-01-26 | 2021-05-04 | 北京搜狗科技发展有限公司 | 知识图谱的构建和使用方法、装置和介质 |
CN112820400A (zh) * | 2021-01-27 | 2021-05-18 | 华侨大学 | 基于医疗知识图谱知识推理的疾病诊断方法、装置、设备 |
CN112820400B (zh) * | 2021-01-27 | 2022-07-05 | 华侨大学 | 基于医疗知识图谱知识推理的疾病诊断装置、设备 |
CN113035346A (zh) * | 2021-02-22 | 2021-06-25 | 北京信息科技大学 | 基于医学知识图谱的疾病类别评估装置及方法 |
CN113035346B (zh) * | 2021-02-22 | 2023-09-22 | 北京信息科技大学 | 基于医学知识图谱的疾病类别评估装置及方法 |
CN113257371A (zh) * | 2021-06-03 | 2021-08-13 | 中南大学 | 基于医学知识图谱的临床检验结果分析方法及系统 |
CN113409936A (zh) * | 2021-06-16 | 2021-09-17 | 北京欧应信息技术有限公司 | 用于辅助疾病推理的系统及存储介质 |
CN113409936B (zh) * | 2021-06-16 | 2022-08-05 | 北京欧应信息技术有限公司 | 用于辅助疾病推理的系统及存储介质 |
CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
CN113488183B (zh) * | 2021-06-30 | 2023-10-31 | 吾征智能技术(北京)有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110391021A (zh) | 一种基于医学知识图谱的疾病推理系统 | |
CN111340819B (zh) | 图像分割方法、装置和存储介质 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN107785057B (zh) | 医疗数据处理方法、装置、存储介质和计算机设备 | |
CN109920547A (zh) | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 | |
WO2013065090A1 (ja) | 類似症例検索装置および類似症例検索方法 | |
CN103959358B (zh) | 一种医疗培训方法及系统 | |
CN110464380A (zh) | 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法 | |
CN106599553A (zh) | 疾病预警方法及装置 | |
CN111767952B (zh) | 一种可解释的肺结节良恶性分类方法 | |
CN110458217A (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
CN109615012A (zh) | 基于机器学习的就诊数据异常识别方法、设备及存储介质 | |
CN105956386A (zh) | 基于健康人胸片的健康指标指数分类系统和方法 | |
CN106919804A (zh) | 基于临床数据的药物推荐方法、推荐装置及服务器 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN116386795A (zh) | 一种产科康复数据管理方法及系统 | |
CN115719334A (zh) | 基于人工智能的医学影像评价方法、装置、设备及介质 | |
CN115376648A (zh) | 一种智能处方生成装置和智能处方生成系统 | |
CN113012803A (zh) | 计算机设备、系统、可读存储介质及医学数据分析方法 | |
CN109523135A (zh) | 生成绩效考核数据报表的方法和装置 | |
CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
JP7449366B2 (ja) | 機械学習システムおよび方法、統合サーバ、情報処理装置、プログラムならびに推論モデルの作成方法 | |
CN115631823A (zh) | 相似病例推荐方法及系统 | |
CN109192306A (zh) | 一种糖尿病的判断装置、设备及计算机可读存储介质 | |
CN109872812A (zh) | 一种基于卷积神经网络的虚拟医生诊断系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |