CN106933994A - 一种基于中医药知识图谱的核心症证关系构建方法 - Google Patents

Abstract

本发明公开了一种基于中医药知识图谱的核心症证关系构建方法，其从中医药文献以及疾病诊断数据库中挖掘提取以中医病案的中医四诊信息、辨证要素知识元以及理、法、方、药等辅助知识元组成的案例集，并通过深度学习器将每一个案例对应四诊信息和辨证要素建立样本关系然后将样本关系转换为有向加权复杂网络，将各症候对应样本所包含的知识元推理关系抽象成有向边集合，再以知识地图和知识推理网络的方式进行可视化拓扑图输出。本发明能充分利用中医医案承载的有效信息，利用深度神经网络最大程度的实现特征抽取和自学习，中医症状、辨证要素可视化拓扑图的构建大大提高了潜在知识的发现效率，为中医智能诊断辅助决策和导医推荐打下基础。

Description

一种基于中医药知识图谱的核心症证关系构建方法

技术领域

本发明涉及医学诊断中症候群的图谱构建领域，尤其涉及一种基于中医药知识图谱的核心症证关系构建方法。

背景技术

知识图谱融合所有学科，将不同来源、不同类型、不同结构的知识单元通过链接关联成图，基于各学科的元数据，为用户提供更广度、更深度的知识体系并不断扩充。其本质上是将领域知识数据体系化、关系化，并以图的方式将知识可视化。简单来说，知识图谱是基于信息系统建立的知识体系，通过数据采集、数据挖掘、信息处理、知识计量和图形绘制等技术把复杂的知识领域系统地显示出来，揭示知识领域的动态发展规律。在中医药知识图谱的构建中，需要对不同病机对应的症候建立关联关系，因此，不同症候构成的症候群是完善中医药知识图谱的重要数据源。然而已有的中医药知识图谱数据来源大多是医学典籍和官方诊疗指南等固化知识，一方面无法满足临床对知识动态更新的需求，另一方面只起到了查询作用，限制了临床医生在知识图谱使用过程中的自主性探究。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于中医药知识图谱的核心症证关系构建方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于中医药知识图谱的核心症证关系构建方法，包括步骤：

S1、从中医药文献以及疾病诊断数据库中挖掘提取中医病案的中医四诊信息、辨证要素知识元以及理、法、方、药辅助知识元组成的案例集，以作为基于中医药知识图谱的核心症证关系的关联关系的基础数据以及复杂网络的节点集合；

S2、通过深度学习器将每一个案例对应四诊信息和辨证要素建立样本关系然后将样本关系转换为有向加权复杂网络，将各症候对应样本所包含的知识元推理关系抽象成有向边集合；

S3、根据步骤S1和步骤S2中的节点集和边集进行生成知识地图以及知识推理网络的可视化。

进一步地，在步骤S1中，通过计算机对名医验案进行文本清洗、实体抽取，获取中医专有名词，并初步建立它们的语义关系。

进一步地，在步骤S1的实施过程中又包括以下步骤：

S101、根据病案中的中医四诊信息及医生所判断的病机抽取知识元；

S102、结合中医药知识本体，对步骤S101中所抽取知识元进行概念逻辑层次的构建；

S103、将所抽取的实体转换为知识元节点集合；

S104、根据步骤S102中所构建逻辑层次对所抽取知识元节点进行特征分组；

进一步地，在步骤S2的实施过程中又包括以下步骤：

S201、根据病案中知识元节点出现的关系先后进行有向关系抽取，形成有向边集合；

S202、根据知识元节点在病案中的分布为节点赋权，根据知识元节点间语义距离为其有向关系赋权；

S203、根据症状与病机节点集合以及边集合建立有向加权复杂网络，输出病机推理网络。

进一步地，在步骤S3的实施过程中又包括以下步骤：

S301、确立坐标原点，根据所选各知识元节点属性特征计算地图坐标以定位各节点，输出症状与病机的知识地图；

S302、通过设定聚类个数对已有节点进行聚类，并聚类结果进行区块划分，以不同的背景色区别不同聚类；

S303、根据步骤S1中确定的节点类别分组结果为节点着色；根据步骤S2中的节点赋权结果调整节点大小。

进一步地，对所述症候群知识图谱模型进行可视化地输出形式之一包括：知识地图

再进一步地，用以生成所述知识地图的参数至少包括：区块数量、图谱尺寸以及知识元范围。

进一步地，对所述症候群知识图谱模型进行可视化地输出形式之一包括：病机推理网络。

再进一步地，所述病机推理网络由所述症候群知识图谱模型自动生成，用以生成知识元构成的有向加权网络，所述知识元构成的有向加权网络中的各样本关系、节点均具有权重，并可自动/手动定义聚类数量。

本发明的有益效果：本发明的基于中医药知识图谱的核心症证关系构建方法通过将各症候对应的每一个案例建立样本关系然后将样本关系转换为有向加权复杂网络，较之以往的中医药知识图谱以及单味药、基础方的关联性研究有显著的优越性。发明有机结合了知识检索功能与数据分析功能，从检索功能看，提高了知识的更新频率及名医验案的利用效率；从分析功能看，结合专病专家知识对比的数据分析提升了潜在知识的发现效率。

附图说明

图1为本发明基于中医药知识图谱的核心症证关系构建方法的流程图；

图2为本发明的中医医案局部展示图；

图3为本发明的分类知识元视图的局部展示图；

图4为本发明的中医四诊知识地图的局部展示图；

图5为本发明的中医辨证要素知识分布地图的局部呈现图；

图6为本发明的中医辨证要素知识推理网络图的局部呈现图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

本发明提供了一种基于中医药知识图谱的核心症证关系构建方法，如图1所示，具体包括步骤：

S1，从中医药文献以及疾病诊断数据库中挖掘提取中医病案的中医四诊信息、辨证要素知识元以及理、法、方、药辅助知识元组成的案例集，以作为基于中医药知识图谱的核心症证关系的关联关系的基础数据；

S2，通过深度学习器将每一个案例对应四诊信息和辨证要素建立样本关系然后将样本关系转换为有向权值复杂网络，将各症候对应样本所包含的知识元推理关系抽象成有向边集合；

S3，根据步骤S1和步骤S2中的节点集和边集进行生成知识地图及知识推理网络的可视化，即知识图谱的输出。

具体的，在步骤S1中又包括以下步骤：

S101，根据病案中的中医四诊信息及医生所判断的病机抽取知识元；

S102，结合中医药知识本体，对步骤S101中所抽取知识元进行概念逻辑层次的构建；

S103，将所抽取的实体转换为知识元节点集合；

S104，根据步骤S102中所构建逻辑层次对所抽取知识元节点进行特征分组；

具体的，在步骤S2的实施过程中有包括以下步骤：

S201，根据病案中知识元节点出现的关系先后进行有向关系抽取，形成有向边集合；

S202，根据知识元节点在病案中的分布为节点赋权，根据知识元节点间语义距离为其有向关系赋权；

S203，根据症状与病机节点集合以及边集合建立有向加权复杂网络，输出病机推理网络。

具体的，在步骤S3的实施过程中又包括以下步骤：

S301，确立坐标原点，根据所选各知识元节点属性特征计算地图坐标以定位各节点，输出症状与病机的知识地图；

S302，通过设定聚类个数对已有节点进行聚类，并聚类结果进行区块划分，以不同的背景色区别不同聚类；

S303，根据步骤S1中确定的节点类别分组结果为节点着色，根据步骤S2中的节点赋权结果调整节点大小。

如图2所示，为本发明的中医医案局部展示图，其将不同就诊ID的主诉、辨证关系和患者特点进行归纳，作为基础数据的提取来源。如图3所示，为本发明的分类知识元视图的局部展示图，其以矩形色块的方式将知识元进行可视化呈现，包括中医四诊、案例用药、辩证关系、法治法治、脉诊、中医辨证、中医辨病等信息。如图4所示，为本发明的中医四诊知识地图的局部展示图，其以不同色块将不同症候进行归纳，不同色块具体不同的坐标，以此实现症候分布的可视化以及核心症候群分析的可视化。如图5所示，为本发明的中医辨证要素知识分布地图的局部呈现图，其以不同色块将中医辨证要素进行归纳。如图6所示，为本发明的中医辨证要素知识推理网络图的局部呈现图，其将图5中的中医辨证要素以推理网络的形式进行可视化呈现。

根据所建立的可视化知识地图和病机推理网络，用户可进行专科单病种核心症-证的直观分析挖掘。具体场景：对中医专科单病种患者的症状和病机进行分析，输出该病种的核心症状，并描绘出该病种的症状与病机的知识地图和知识推理网络。输入中医门诊非结构化文本病历，根据预定义的结构化知识量表模板抽取文本知识元，规范化、标准化医生采集的中医四诊信息和医生判断的病机。输入深度学习器，输出症状与病机的知识地图及其相关关系的有向网络图。利用知识地图和知识语义网络实现中医专科单病种核心症-证的可视化分析挖掘。

本发明的基于中医药知识图谱的核心症证关系构建方法通过将各症候对应的每一个案例建立样本关系然后将样本关系转换为有向加权复杂网络向量模型，使其在较之以往的中医药知识图谱以及核心症证的关联性研究上有显著的优越性。，发明有机结合了知识检索功能与数据分析功能，大大从检索功能看，提高了诊断的准确性知识的更新频率及名医验案的利用效率；从分析功能看，结合专病专家知识对比的数据分析提升了潜在知识的发现效率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，包括步骤：

S1、从中医药文献以及疾病诊断数据库中挖掘提取中医病案的中医四诊信息、辨证要素知识元以及理、法、方、药辅助知识元组成的案例集，以作为基于中医药知识图谱的核心症证关系的关联关系的基础数据以及复杂网络的节点集合；

S2、通过深度学习器将每一个案例对应四诊信息和辨证要素建立样本关系，然后将样本关系转换为有向加权复杂网络，将各症候对应样本所包含的知识元推理关系抽象成有向边集合；

S3、根据步骤S1和步骤S2中的节点集和边集进行生成知识地图以及知识推理网络的可视化。

2.根据权利要求1所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，在步骤S1中，通过计算机对名医验案进行文本清洗、实体抽取，获取中医专有名词，并初步建立它们的语义关系。

3.根据权利要求1所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，在步骤S1的实施过程中又包括以下步骤：

S101、根据病案中的中医四诊信息及医生所判断的病机抽取知识元；

S102、结合中医药知识本体，对步骤S101中所抽取知识元进行概念逻辑层次的构建；

S103、将所抽取的实体转换为知识元节点集合；

S104、根据步骤S102中所构建逻辑层次对所抽取知识元节点进行特征分组。

4.根据权利要求1所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，在步骤S2的实施过程中又包括以下步骤：

S201、根据病案中知识元节点出现的关系先后进行有向关系抽取，形成有向边集合；

S202、根据知识元节点在病案中的分布为节点赋权，根据知识元节点间语义距离为其有向关系赋权；

S203、根据症状与病机节点集合以及边集合建立有向加权复杂网络，输出病机推理网络。

5.根据权利要求1所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，在步骤S3的实施过程中又包括以下步骤：

S301、确立坐标原点，根据所选各知识元节点属性特征计算地图坐标以定位各节点，输出症状与病机的知识地图；

S302、通过设定聚类个数对已有节点进行聚类，并聚类结果进行区块划分，以不同的背景色区别不同聚类；

S303、根据步骤S1中确定的节点类别分组结果为节点着色；根据步骤S2中的节点赋权结果调整节点大小。

6.根据权利要求1所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，对所述症候群知识图谱模型进行可视化地输出形式之一包括：知识地图。

7.根据权利要求6所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，用以生成所述知识地图的参数至少包括：区块数量、图谱尺寸以及知识元范围。

8.根据权利要求1所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，对所述症候群知识图谱模型进行可视化地输出形式之一包括：病机推理网络。

9.根据权利要求8所述的一种基于中医药知识图谱的核心症证关系构建方法，其特征在于，所述病机推理网络由所述症候群知识图谱模型自动生成，用以生成知识元构成的有向加权网络，所述知识元构成的有向加权网络中的各样本关系、节点均具有权重，并可自动/手动定义聚类数量。