CN109147954A - 基于知识图谱的患者信息处理装置 - Google Patents

基于知识图谱的患者信息处理装置 Download PDF

Info

Publication number
CN109147954A
CN109147954A CN201810840199.7A CN201810840199A CN109147954A CN 109147954 A CN109147954 A CN 109147954A CN 201810840199 A CN201810840199 A CN 201810840199A CN 109147954 A CN109147954 A CN 109147954A
Authority
CN
China
Prior art keywords
entity
unit
knowledge
ambiguity
patient information
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
Application number
CN201810840199.7A
Other languages
English (en)
Inventor
亓晋
李梦蓉
孙雁飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201810840199.7A priority Critical patent/CN109147954A/zh
Publication of CN109147954A publication Critical patent/CN109147954A/zh
Pending legal-status Critical Current

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
    • G16H50/70—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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

基于知识图谱的患者信息处理装置，包括：实体识别单元，适于从所获取的患者电子病历和个人生活习惯信息中识别出对应的实体；关系识别单元，适于得到实体之间的实体关系；数据映射单元，适于构建本体中实体与不同数据源知识中的实体之间的映射关系；歧义消除单元，适于现实体歧义消除；冗余消除单元，适于对歧义消除后得到的实体进行实体解析，消除冗余实体；关系推理单元，适于对消除冗余后所得到的实体之间的实体关系进行补齐和纠正；可视化单元，适于将补齐和纠正后得到的实体关系及对应的实体所组成的三元组数据导入数据库中进行可视化，得到患者信息知识图谱。上述的方案，可以构建更加全面的医学知识图谱，从而提高医学知识图谱的参考价值。

Description

基于知识图谱的患者信息处理装置
技术领域
本发明涉及医疗技术领域，具体地涉及一种基于知识图谱的患者信息处理装置。
背景技术
智慧医疗是近几年兴起的一门融合了生命科学和信息技术的交叉学科，未来的医疗智能系统的关键组成部分将会是信息管理以及有效诊断。智慧医疗利用物联网技术打造区域医疗信息平台，通过建立人的电子健康档案，使得患者与医务人员、医疗机构、医疗设备之间的联系更加紧密，从而达到医疗全面信息化的目标。
知识图谱作为一种在大数据背景下产生的新型表示知识的方式，将为数据提供新的管理模式，近些年它已成为知识服务领域的新热点，受到国内外学者广泛关注。随着科技高速发展，医院的信息化程度日益提升，利用知识图谱强大的语义检索能力，从海量医学电子数据中提炼出医疗知识，构建医疗领域的知识图谱，有望带来更高效精准的医疗服务。
但是，现有的医学知识图谱存在着数据不够全面的问题，降低了医学知识图谱的参考价值。
发明内容
本发明解决的技术问题是如何构建更加全面的医学知识图谱数据，从而提高医学知识图谱的参考价值。
为解决上述技术问题，本发明实施例提供了一种基于知识图谱的患者信息处理装置，所述装置包括：
实体识别单元，适于从所获取的患者电子病历和个人生活习惯信息中识别出对应的实体；
关系识别单元，适于对识别出的实体进行关系识别，得到实体之间的实体关系；
数据映射单元，适于构建本体中实体与不同数据源知识中的实体之间的映射关系；
歧义消除单元，适于通过将相同数据源中的相同的实体进行实体融合，实现实体歧义消除；
冗余消除单元，适于对歧义消除后得到的实体进行实体解析，消除冗余实体；
关系推理单元，适于对消除冗余后所得到的实体之间的实体关系进行补齐和纠正；
可视化单元，适于将补齐和纠正后得到的实体关系及对应的实体所组成的三元组数据导入数据库中进行可视化，得到患者信息知识图谱。
可选地，所述从所获取的患者电子病历中识别出对应的实体，包括：
所述实体识别单元，适于采用实体链接技术从所获取的患者电子病历中识别出对应的实体。
可选地，所述从所获取的患者电子病历中识别出对应的实体，包括：
所述实体识别单元，适于通过命名识别技术从所获取的患者个人生活习惯信息中识别出对应的实体。
可选地，所述从所获取的患者电子病历中识别出对应的实体，包括：
所述数据映射单元，适于采用数据映射技术构建本体中实体与不同数据源知识中的实体之间的映射关系。
可选地，所述从所获取的患者电子病历中识别出对应的实体，包括：
所述歧义消除单元，适于通过将具有歧义的实体指称项链接到给定的知识库中，将相同数据源中的相同的实体进行实体融合，进行实体歧义消除。
可选地，所述从所获取的患者电子病历中识别出对应的实体，包括：
所述关系推理单元，适于采用链接预测技术对消除冗余后所得到的实体之间的实体关系进行补齐和纠正。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
上述的方案，从所获取的患者电子病历和个人生活习惯信息中识别出对应的实体；对识别出的实体进行关系识别，得到实体之间的实体关系；构建本体中实体与不同数据源知识中的实体之间的映射关系；通过将相同数据源中的相同的实体进行实体融合，实现实体歧义消除；对歧义消除后得到的实体进行实体解析，消除冗余实体；对消除冗余后所得到的实体之间的实体关系进行补齐和纠正；将补齐和纠正后得到的实体关系及对应的实体所组成的三元组数据导入数据库中进行可视化，得到患者信息知识图谱。通过加入人们患者日常生活习惯方面的数据至医学知识图谱中，可以提升所建立的医学知识图谱的数据的全面性，进而可以提高医学知识图谱的参考价值。
附图说明
图1是本发明实施例中的一种患者信息知识图谱构建方法的流程示意图；
图2是本发明实施例中的一种基于知识图谱的患者信息处理装置的结构示意图。
具体实施方式
本发明实施例中的技术方案通过加入人们患者日常生活习惯方面的数据至医学知识图谱中，可以提升所建立的医学知识图谱的数据的全面性，进而可以提高医学知识图谱的参考价值。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图1是本发明实施例中的一种患者信息知识图谱构建方法的流程示意图。参见图1，本发明实施例中的一种患者信息知识图谱构建方法，具体可以包括如下的步骤：
步骤S101：从所获取的患者电子病历和个人生活习惯信息中识别出对应的实体。
在本发明一实施例中，在从所获取的患者电子病历中识别出对应的实体时，可以使用实体链接技术将病历数据中可能的候选实体链接到预设的医学知识库上，从而识别出电子病历文本中的实体，并将无用知识剔除。
在本发明一实施例中，所获取的患者个人生活习惯信息，包括姓名、年龄、身高、体重、性别、婚姻状况、血型、饮食、作息、职业、家族病史等，并使用命名识别技术识别出患者生活习惯信息文本中的实体，并剔除无用知识。
步骤S102：对识别出的实体进行关系识别，得到实体之间的实体关系。
在本发明一实施例中，利用双层训练分类模型一长短期记忆网络-循环神经网络(Long Short Term Memory Network-Recurrent Neural Networks，LSTM-RNN)模型，进行匹配链接，以对从电子病历和患者个人信息的电子文档中抽取实体进行实体关系识别。其中，长短期记忆网络-循环神经网络模型中，第一层由长短期记忆网络模型根据输入词向量、位置信息等来识别试题类型，训练得到的长短期记忆网络中隐藏层的分布式表达和实体的分类标签信息，作为第二层的循环神经网络模型的输入，由循环神经网络模型训练对实体关系的分类。
步骤S103：构建本体中实体与不同数据源知识中的实体之间的映射关系。
在具体实施中，可以采用数据映射技术建立本体中实体和不同数据源抽取知识中实体之间的映射关系，将不同数据源的实体数据融合在一起。例如，可以采用模式匹配技术进行数据融合，结合多种匹配算法，对基本术语做相似度计算，对计算结果进行合并，然后进行一致性检查后去除导致不一致的对应关系，不断循环此过程，直至不能再找到新的实体关系为止。
步骤S104：通过将相同数据源中的相同的实体进行实体融合，实现实体歧义消除。
在具体实施中，通过将具有歧义的实体指称项链接到给定的知识库中，识别出对应的实体，并对识别出来的实体进行两两组合，进行关系分类，最后把存在实体关系的实体和对应的实体关系作为三元组数据，与候选实体之间进行语义相似度计算，从而实现实体歧义消除。
步骤S105：对歧义消除后得到的实体进行实体解析，消除冗余实体。
在具体实施中，实体名称相同可能代表事物不同，也可能是不同的实体名称却代表着同一个事物。实体解析的过程就是根据知识推理链接技术，通过上下文的语义实体解析预测出不同实体是否代表同一个事物，以此删除冗余的实体。
具体地，可以将已经确定关系、分组完成的实体作为对象推入事件缓冲队列中，触发推理机制，启动知识推理，在检测到数据异常状态时，先根据目前异常状态正向推理出可能的原因，再通过反向推理进一步求证，排除部分原因，接着再进行正向推理，对推理结果进行自适应学习，不断地修正推理规则。
步骤S106：对消除冗余后所得到的实体之间的实体关系进行补齐和纠正。
在具体实施中，采用链接预测技术对消除冗余后所得到的实体之间的实体关系进行补齐和纠正，即对知识图谱中可能存在的关系进行链接预测，将实体与实体之间缺失的关系进行补齐，并纠正实体之间错误的关系。具体而言，可以把各种不良症状的实体划分成不重叠的两个范围，一部分作为训练症状，另一部分作为测试症状，然后从症状与患疾病的关系网络中提取要得到的训练数据集，选取在训练症状中与患某疾病关联的作息作为训练样本，根据症状在测试症状中是否会产生影响，将对应的训练样本的类标号属性设为真或假，由此将链接预测问题转化成了二元分类问题。该推理方法，同样也适用于某不良生活作息与患病的关系之间的推理。
步骤S107：将补齐和纠正后得到的实体关系及对应的实体所组成的三元组数据导入数据库中进行可视化，得到患者信息知识图谱。
在具体实施中，在确定最终的实体及实体关系是，可以将对应的实体和实体关系构成对应的三元组数据，并将所确定的三元组数据导入数据库中进行可视化操作，生成较为全面的病患个人信息知识图谱。
上述的方案，通过加入人们患者日常生活习惯方面的数据至医学知识图谱中，可以提升所建立的医学知识图谱的全面性，进而可以提高医学知识图谱的参考价值。
上述对本发明实施例中的方法进行描述，下面将对上述的方法对应的额装置进行介绍。
图2示出了本发明实施例中的一种基于知识图谱的患者信息处理装置的结构示意图。参见图2，本发明实施例中的一种基于知识图谱的患者信息处理装置20可以包括实体识别单元201、关系识别单元202、数据映射单元203、歧义消除单元204、冗余消除单元205、关系推理单元206和可视化单元207，其中：
所述实体识别单元201，适于从所获取的患者电子病历和个人生活习惯信息中识别出对应的实体；在本发明一实施例中，所述实体识别单元201，适于采用实体链接技术从所获取的患者电子病历中识别出对应的实体，并通过命名识别技术从所获取的患者个人生活习惯信息中识别出对应的实体。
所述关系识别单元202，适于对识别出的实体进行关系识别，得到实体之间的实体关系，
所述数据映射单元203，适于构建本体中实体与不同数据源知识中的实体之间的映射关系；在本发明一实施例中，所述数据映射单元203，适于采用数据映射技术构建本体中实体与不同数据源知识中的实体之间的映射关系。
所述歧义消除单元204，适于通过将相同数据源中的相同的实体进行实体融合，实现实体歧义消除；在本发明一实施例中，所述歧义消除单元204，适于通过将具有歧义的实体指称项链接到给定的知识库中，将相同数据源中的相同的实体进行实体融合，进行实体歧义消除。
所述冗余消除单元205，适于对歧义消除后得到的实体进行实体解析，消除冗余实体；
所述关系推理单元206，适于对消除冗余后所得到的实体之间的实体关系进行补齐和纠正；在本发明一实施例中，所述关系推理单元206，适于采用链接预测技术对消除冗余后所得到的实体之间的实体关系进行补齐和纠正。
所述可视化单元207，适于将补齐和纠正后得到的实体关系及对应的实体所组成的三元组数据导入数据库中进行可视化，得到患者信息知识图谱。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述的患者信息知识图谱构建方法的步骤。其中，所述患者信息知识图谱构建方法请参见前述部分的介绍，不再赘述。
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上储存有能够在所述处理器上运行的计算机指令，所述处理器运行所述计算机指令时执行所述的患者信息知识图谱构建方法的步骤。其中，所述患者信息知识图谱构建方法请参见前述部分的介绍，不再赘述。
采用本发明实施例中的上述方案，从所获取的患者电子病历和个人生活习惯信息中识别出对应的实体；对识别出的实体进行关系识别，得到实体之间的实体关系；构建本体中实体与不同数据源知识中的实体之间的映射关系；通过将相同数据源中的相同的实体进行实体融合，实现实体歧义消除；对歧义消除后得到的实体进行实体解析，消除冗余实体；对消除冗余后所得到的实体之间的实体关系进行补齐和纠正；将补齐和纠正后得到的实体关系及对应的实体所组成的三元组数据导入数据库中进行可视化，得到患者信息知识图谱。通过加入人们患者日常生活习惯方面的数据至医学知识图谱中，可以提升所建立的医学知识图谱的数据的全面性，进而可以提高医学知识图谱的参考价值。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (6)

1.一种基于知识图谱的患者信息处理装置，其特征在于，包括：
实体识别单元，适于从所获取的患者电子病历和个人生活习惯信息中识别出对应的实体；
关系识别单元，适于对识别出的实体进行关系识别，得到实体之间的实体关系；
数据映射单元，适于构建本体中实体与不同数据源知识中的实体之间的映射关系；
歧义消除单元，适于通过将相同数据源中的相同的实体进行实体融合，实现实体歧义消除；
冗余消除单元，适于对歧义消除后得到的实体进行实体解析，消除冗余实体；
关系推理单元，适于对消除冗余后所得到的实体之间的实体关系进行补齐和纠正；
可视化单元，适于将补齐和纠正后得到的实体关系及对应的实体所组成的三元组数据导入数据库中进行可视化，得到患者信息知识图谱。
2.根据权利要求1所述的基于知识图谱的患者信息处理装置，其特征在于，所述实体识别单元，适于采用实体链接技术从所获取的患者电子病历中识别出对应的实体。
3.根据权利要求1所述的基于知识图谱的患者信息处理装置，其特征在于，所述实体识别单元，适于通过命名识别技术从所获取的患者个人生活习惯信息中识别出对应的实体。
4.根据权利要求1所述的基于知识图谱的患者信息处理装置，其特征在于，所述数据映射单元，适于采用数据映射技术构建本体中实体与不同数据源知识中的实体之间的映射关系。
5.根据权利要求1所述的基于知识图谱的患者信息处理装置，其特征在于，所述歧义消除单元，适于通过将具有歧义的实体指称项链接到给定的知识库中，将相同数据源中的相同的实体进行实体融合，进行实体歧义消除。
6.根据权利要求1所述的基于知识图谱的患者信息处理装置，其特征在于，所述关系推理单元，适于采用链接预测技术对消除冗余后所得到的实体之间的实体关系进行补齐和纠正。
CN201810840199.7A 2018-07-26 2018-07-26 基于知识图谱的患者信息处理装置 Pending CN109147954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810840199.7A CN109147954A (zh) 2018-07-26 2018-07-26 基于知识图谱的患者信息处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810840199.7A CN109147954A (zh) 2018-07-26 2018-07-26 基于知识图谱的患者信息处理装置

Publications (1)

Publication Number Publication Date
CN109147954A true CN109147954A (zh) 2019-01-04

Family

ID=64799094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810840199.7A Pending CN109147954A (zh) 2018-07-26 2018-07-26 基于知识图谱的患者信息处理装置

Country Status (1)

Country Link
CN (1) CN109147954A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740026A (zh) * 2019-01-11 2019-05-10 深圳市中电数通智慧安全科技股份有限公司 智慧城市边缘计算平台及其管理方法、服务器和存储介质
CN110598003A (zh) * 2019-08-15 2019-12-20 上海市大数据中心 基于公共数据资源目录的知识图谱构建系统及构建方法
CN111125361A (zh) * 2019-12-20 2020-05-08 天津幸福生命科技有限公司 数据增强方法及装置、存储介质及电子设备
CN111767412A (zh) * 2020-09-02 2020-10-13 成都数联铭品科技有限公司 用于知识图谱构建的数据映射方法及系统、电子设备
WO2020220545A1 (zh) * 2019-06-27 2020-11-05 平安科技（深圳）有限公司 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN117786126A (zh) * 2023-12-28 2024-03-29 永信至诚科技集团股份有限公司 基于知识图谱的裸敲线索分析方法及装置
CN118398201A (zh) * 2024-06-25 2024-07-26 长春中医药大学 一种基于临床知识图谱的中医妇科疾病诊断辅助系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776711A (zh) * 2016-11-14 2017-05-31 浙江大学 一种基于深度学习的中文医学知识图谱构建方法
CN107748799A (zh) * 2017-11-08 2018-03-02 四川长虹电器股份有限公司 一种多数据源影视数据实体对齐的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776711A (zh) * 2016-11-14 2017-05-31 浙江大学 一种基于深度学习的中文医学知识图谱构建方法
CN107748799A (zh) * 2017-11-08 2018-03-02 四川长虹电器股份有限公司 一种多数据源影视数据实体对齐的方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740026A (zh) * 2019-01-11 2019-05-10 深圳市中电数通智慧安全科技股份有限公司 智慧城市边缘计算平台及其管理方法、服务器和存储介质
WO2020220545A1 (zh) * 2019-06-27 2020-11-05 平安科技（深圳）有限公司 基于长短期记忆模型的疾病预测方法、装置和计算机设备
CN110598003A (zh) * 2019-08-15 2019-12-20 上海市大数据中心 基于公共数据资源目录的知识图谱构建系统及构建方法
CN111125361A (zh) * 2019-12-20 2020-05-08 天津幸福生命科技有限公司 数据增强方法及装置、存储介质及电子设备
CN111125361B (zh) * 2019-12-20 2024-02-02 北京懿医云科技有限公司 数据增强方法及装置、存储介质及电子设备
CN111767412A (zh) * 2020-09-02 2020-10-13 成都数联铭品科技有限公司 用于知识图谱构建的数据映射方法及系统、电子设备
CN111767412B (zh) * 2020-09-02 2020-12-08 成都数联铭品科技有限公司 用于知识图谱构建的数据映射方法及系统、电子设备
CN117786126A (zh) * 2023-12-28 2024-03-29 永信至诚科技集团股份有限公司 基于知识图谱的裸敲线索分析方法及装置
CN118398201A (zh) * 2024-06-25 2024-07-26 长春中医药大学 一种基于临床知识图谱的中医妇科疾病诊断辅助系统

Similar Documents

Publication Publication Date Title
CN109213871A (zh) 患者信息知识图谱构建方法、可读存储介质和终端
CN109147954A (zh) 基于知识图谱的患者信息处理装置
Ifraz et al. [Retracted] Comparative Analysis for Prediction of Kidney Disease Using Intelligent Machine Learning Methods
Martins et al. Data mining for cardiovascular disease prediction
Fang et al. Feature Selection Method Based on Class Discriminative Degree for Intelligent Medical Diagnosis.
Datta et al. Development of predictive model of diabetic using supervised machine learning classification algorithm of ensemble voting
CN111292848B (zh) 一种基于贝叶斯估计的医疗知识图谱辅助推理方法
Ding et al. Mortality prediction for ICU patients combining just-in-time learning and extreme learning machine
Roy et al. An enhanced machine learning framework for type 2 diabetes classification using imbalanced data with missing values
Theerthagiri et al. Cardiovascular disease prediction using recursive feature elimination and gradient boosting classification techniques
Afeni et al. Hypertension prediction system using naive bayes classifier
Guo et al. A disease inference method based on symptom extraction and bidirectional Long Short Term Memory networks
Yuan et al. Efficient symptom inquiring and diagnosis via adaptive alignment of reinforcement learning and classification
Ansari et al. Performance evaluation of machine learning techniques (MLT) for heart disease prediction
Dutta et al. Breast cancer prediction using stacked GRU-LSTM-BRNN
Ahmed et al. A review on the detection techniques of polycystic ovary syndrome using machine learning
Li Knowledge-based problem solving: an approach to health assessment
Chang et al. Towards fair patient-trial matching via patient-criterion level fairness constraint
Sanders Jr et al. Machine learning: at the heart of failure diagnosis
Yadav et al. Exploring Hyper-Parameters and Feature Selection for Predicting Non-Communicable Chronic Disease Using Stacking Classifier
Saleem Durai et al. An intelligent knowledge mining model for kidney cancer using rough set theory
Ahmad Mining health data for breast cancer diagnosis using machine learning
Abbas et al. An Efficient Stacked Ensemble Model for Heart Disease Detection and Classification.
Cui et al. Intelligent recommendation for departments based on medical knowledge graph
Jasim et al. e-Diagnostic system for diabetes disease prediction on an IoMT environment-based hyper AdaBoost machine learning model

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

Application publication date: 20190104

RJ01 Rejection of invention patent application after publication