CN110827990A - 一种基于知识图谱的伤寒辨证推理系统 - Google Patents

一种基于知识图谱的伤寒辨证推理系统 Download PDF

Info

Publication number
CN110827990A
CN110827990A CN201911052179.4A CN201911052179A CN110827990A CN 110827990 A CN110827990 A CN 110827990A CN 201911052179 A CN201911052179 A CN 201911052179A CN 110827990 A CN110827990 A CN 110827990A
Authority
CN
China
Prior art keywords
symptoms
typhoid fever
syndrome differentiation
syndrome
reasoning
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.)
Granted
Application number
CN201911052179.4A
Other languages
English (en)
Other versions
CN110827990B (zh
Inventor
谢永红
蒋彦钊
石英杰
张德政
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.)
Institute Of Information On Traditional Chinese Medicine Cacms
University of Science and Technology Beijing USTB
Original Assignee
Institute Of Information On Traditional Chinese Medicine Cacms
University of Science and Technology Beijing USTB
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 Institute Of Information On Traditional Chinese Medicine Cacms, University of Science and Technology Beijing USTB filed Critical Institute Of Information On Traditional Chinese Medicine Cacms
Priority to CN201911052179.4A priority Critical patent/CN110827990B/zh
Publication of CN110827990A publication Critical patent/CN110827990A/zh
Application granted granted Critical
Publication of CN110827990B publication Critical patent/CN110827990B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Medicines Containing Plant Substances (AREA)

Abstract

本发明提供一种基于知识图谱的伤寒辨证推理系统，能够将伤寒的诊疗模式运用到现代智能辅助诊疗系统中来。所述系统包括：分析模块，用于对伤寒论和有关伤寒论方证对应论著进行分析，得到基于六经和多纲的辨证要素；构建模块，用于根据伤寒论、有关伤寒论方证对应论著及得到的基于六经和多纲的辨证要素，对伤寒体系知识进行解析，将伤寒体系知识以节点的形式表示并将节点分层，并确定层次节点间的关系，构建伤寒论体系知识图谱；推理模块，用于在构建的伤寒论体系知识图谱的基础上，构建基于中医经方医案的深度学习模型和基于中医知识的匹配模型对输入的一组症状进行方剂推理。本发明涉及中医、计算机技术领域。

Description

一种基于知识图谱的伤寒辨证推理系统
技术领域
本发明涉及中医、计算机技术领域，特别是指一种基于知识图谱的伤寒辨证推理系统。
背景技术
近年来，中医经方是传统中医之精粹所在，是现代中医学习的必经之路。经方组成简单，但非常严谨。经方是中华民族的临床经验结晶，现如今利用计算机技术对中医理论研究集中于对中医基础理论可视化、推理决策等方面，但是，对基于中医典籍经方缺少推理决策方面的研究，无法实现症状到方剂的推理。
发明内容
本发明要解决的技术问题是提供一种基于知识图谱的伤寒辨证推理系统，利用计算机技术，将中医经方医案中的伤寒的诊疗模式运用到现代智能辅助诊疗系统中来，实现症状到方剂的推理。
为解决上述技术问题，本发明实施例提供一种基于知识图谱的伤寒辨证推理系统，包括：
分析模块，用于对伤寒论和有关伤寒论方证对应论著进行分析，得到基于六经和多纲的辨证要素；
构建模块，用于根据伤寒论、有关伤寒论方证对应论著及得到的基于六经和多纲的辨证要素，对伤寒体系知识进行解析，将伤寒体系知识以节点的形式表示并将节点分层，并确定层次节点间的关系，构建伤寒论体系知识图谱；
推理模块，用于在构建的伤寒论体系知识图谱的基础上，构建基于中医经方医案的深度学习模型和基于中医知识的匹配模型对输入的一组症状进行方剂推理。
进一步地，辨证要素中的六经包括：太阳、阳明、少阳、太阴、少阴和厥阴；
辨证要素中的多纲包括：阴、阳、表、里、寒、热、虚、实、气、血、津液和风。
进一步地，节点分层后的层级包括：层级1、层级2、层级3、层级4、层级5和层级6；其中，
层级1包含的节点为：症状和证候；
层级2包含的节点为：症状对应的症状标准词；
层级3包含的节点为：六经和多纲；
层级4包含的节点为：方剂和原方名；
层级5包含的节点为：方药；
层级6包含的节点为：药味、药性和药物归经。
进一步地，层次节点间的关系包括：药物和其药味、药性之间的关系，症状到六经、多纲的关系，六经、多纲到证候的关系以及证候到方剂的关系。
进一步地，所述系统还包括：
训练模块，用于获取标注后的中医经方医案，利用深度学习模型对标注后的医案进行训练；其中，标注结果包括：医案对应的辨证要素信息；
训练好的深度学习模型，用于对输入的一组症状进行识别，确定输入的症状属于各辨证要素的概率。
进一步地，所述推理模块，包括：
第一推理单元，用于利用训练好的基于中医经方医案的深度学习模型对输入的一组症状进行识别，得到输入的症状属于各辨证要素的概率；
第二推理单元，用于利用基于中医知识的匹配模型对输入的所述症状进行识别，得到输入的症状属于各辨证要素的概率；
第三推理单元，用于将基于中医经方医案的深度学习模型与基于中医知识的匹配模型所得的对应的各辨证要素的概率相加，作为输入的所述症状属于各辨证要素的最终概率；
第四推理单元，用于对输入的症状进行标准化处理，将所述症状对应的标准症状与伤寒原文中的证候对应的标准症状进行匹配，获取匹配度高的所有证候；
第五推理单元，利用第三推理单元中得到的辨证要素的最终概率对第四推理单元得到的匹配度高的证候进行筛选，得到最终证候，利用构建的伤寒论体系知识图谱中的证候到方剂的对应关系推理出相应的方剂。
进一步地，所述第二推理单元，用于将输入的一组症状进行标准化，将输入症状对应的标准症状与各辨证要素所对应的标准症状分别进行匹配，匹配的个数除以输入症状的总个数记为输入症状属于相应辨证要素的概率；
其中，标准化方法为将输入的症状与已有的标准症状词表中的标准症状词进行相似度比较，标准症状词表中与输入症状相似度最高的标准症状即为输入症状所对应的标准症状。
本发明的上述技术方案的有益效果如下：
上述方案中，将伤寒体系知识以节点的形式表示并将节点分层，并确定层次节点间的关系，构建基于层次知识体系的伤寒论体系知识图谱，并基于构建的基于层次知识体系的伤寒论体系知识图谱，在构建的伤寒论体系知识图谱的基础上，构建基于中医经方医案的深度学习模型和基于中医知识的匹配模型实现症状到方剂的推理，从而将伤寒的诊疗模式运用到现代智能辅助诊疗系统中来。
附图说明
图1为本发明实施例提供的基于知识图谱的伤寒辨证推理系统的流程示意图；
图2为本发明实施例提供的层次节点间的关系示意图；
图3为本发明实施例提供的症状到方剂的推理流程示意图；
图4为本发明实施例提供的基于中医经方医案的深度学习模型和基于中医知识的匹配模型的推理结果融合示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供的基于知识图谱的伤寒辨证推理系统，包括：
分析模块11，用于对伤寒论和有关伤寒论方证对应论著进行分析，得到基于六经和多纲的辨证要素；
构建模块12，用于根据伤寒论、有关伤寒论方证对应论著及得到的基于六经和多纲的辨证要素，对伤寒体系知识进行解析，将伤寒体系知识以节点的形式表示并将节点分层，并确定层次节点间的关系，构建伤寒论体系知识图谱；
推理模块13，用于在构建的伤寒论体系知识图谱的基础上，构建基于中医经方医案的深度学习模型和基于中医知识的匹配模型对输入的一组症状进行方剂推理。
本发明实施例所述的基于知识图谱的伤寒辨证推理系统，将伤寒体系知识以节点的形式表示并将节点分层，并确定层次节点间的关系，构建基于层次知识体系的伤寒论体系知识图谱，并基于构建的基于层次知识体系的伤寒论体系知识图谱，在构建的伤寒论体系知识图谱的基础上，构建基于中医经方医案的深度学习模型和基于中医知识的匹配模型实现症状到方剂的推理，从而将伤寒的诊疗模式运用到现代智能辅助诊疗系统中来。
本实施例中，分析模块通过对伤寒论和有关伤寒论方证对应论著(例如，《方症相对：伤寒辩证论治五步》)进行分析，得到基于六经和多纲的辨证要素，其中，辨证要素中的六经包括：太阳、阳明、少阳、太阴、少阴和厥阴；辨证要素中的多纲包括：阴、阳、表、里、寒、热、虚、实、气、血、津液和风。
本实施例中，根据伤寒论、有关伤寒论方证对应论著及得到的基于六经和多纲的辨证要素，通过构建模块对伤寒体系知识进行解析，将伤寒体系知识以节点的形式表示并将节点分层，并确定层次节点间的关系，构建伤寒论体系知识图谱，具体可以包括以下步骤：
A1，为了将节点分层，首先将伤寒体系知识分为低层级、中层级、高层级这三个层次，这3个层次的含义分别为：
1)低层级
低层级对应的节点主要来源于从伤寒论中抽取的实体，低层级的节点包括：症状、证候、方剂和方药。
2)中层级
中层级对应的节点为症状和方药的上层概念，中层级的节点包括：症状对应的症状标准词、药物的药味和药性、药物归经。
3)高层级
高层级对应的节点为中层节点的上层概念，高层级的节点包括：与机理相关的六经和多纲。
本实施例中，低层级、中层级、高层级这3个层次概念的对比表如下表1所示：
表1层次概念的对比表
A2，将伤寒体系知识以节点的形式进行图谱表示并将节点分层，表2是对节点分层的说明：
表2节点分层说明
Figure BDA0002255587230000061
A3，在图谱节点(如表2所示)确定之后，构建伤寒论体系知识图谱的主要任务就是确定层次节点间的关系。
本实施例中，层次节点间的关系包括：药物和其药味、药性之间的关系，症状到六经、多纲的关系，六经、多纲到证候的关系以及证候到方剂的关系；层次节点间的关系图如图2所示。
本实施例中，经过步骤A1-A3，可以得到伤寒论体系知识图谱。
本实施例中，在构建完伤寒论体系知识图谱后，可以基于构建的伤寒论体系知识图谱进行方剂推理，且由于伤寒论中主要的诊断思路为方证对应，所以只要由症状推理到对应的证候，那么就完成了症状到方剂的推理，症状到方剂的推理流程图如图3所示。
由图3可知，症状到方剂的推理方法包含两部分：
第一部分：由症状到六经、多纲的推理是融合了基于中医经方医案的深度学习模型推理的结果和基于中医知识的匹配模型推理的结果，最后将两种方法的推理的结果融合，根据融合后的结果确定症状属于各辨证要素的最终概率。
第二部分：由症状直接到证候的推理是根据伤寒论原文中所给出的对应证候的症状来直接完成症状到证候的初步推理，再结合第一部分的辨证要素结果完成最终的证候推理，最后根据所构建的伤寒论体系知识图谱完成证候到方剂的推理。
本实施例中，症状到方剂的推理方法由推理模块实现，所述推理模块，包括：
第一推理单元，用于利用训练好的基于中医经方医案的深度学习模型对输入的一组症状进行识别，得到输入的症状属于各辨证要素的概率；
第二推理单元，用于利用基于中医知识的匹配模型对输入的所述症状进行识别，得到输入的症状属于各辨证要素的概率；
第三推理单元，用于将基于中医经方医案的深度学习模型与基于中医知识的匹配模型所得的对应的各辨证要素的概率相加，作为输入的所述症状属于各辨证要素的最终概率；
第四推理单元，用于对输入的症状进行标准化处理，将所述症状对应的标准症状与伤寒原文中的证候对应的标准症状进行匹配，获取匹配度高的所有证候；
第五推理单元，利用第三推理单元中得到的辨证要素的最终概率对第四推理单元得到的匹配度高的证候进行筛选，得到最终证候，利用构建的伤寒论体系知识图谱中的证候到方剂的对应关系推理出相应的方剂。
本实施例中，第一部分推理由第一推理单元、第二推理单元和第三推理单元实现。
本实施例中，第一推理单元用于实现症状到六经、多纲的路径中基于中医经方医案的深度学习模型推理方法，为了实现第一推理单元的功能，所述系统还包括：训练模块，其中，
所述训练模块，用于获取标注后的中医经方医案，利用深度学习模型(包括：多个二分类器)对标注后的医案进行训练；其中，标注结果包括：医案对应的辨证要素信息，训练好的深度学习模型，用于对输入的一组症状进行识别，确定输入的症状属于各辨证要素的概率。
本实施例中，训练模块的工作流程为：
首先，需要对每篇医案进行标注化，对医案的标注化方法为基于构建的伤寒论体系知识图谱，结合医案的方剂信息，分析并标注医案的辨证要素(六经、多纲)信息，例如，对于表3所示的医案，知道其方名为柴胡桂枝汤，利用知识图谱可以知道其对应的六经为太阳、少阳，对应的多纲为阳；
表3中医经方医案结构实例
Figure BDA0002255587230000081
然后，对所有医案进行标注之后，可以对六经以及多纲中的每种要素都做一个二分类器，分别判断每组症状是否属于六经多纲中的要素，二分类器训练完成后，对于新来的一组症状可以分别用各个二分类器对其进行识别，判断其是否属六经、多纲中的某辨证要素，并且给出其属于相应辨证要素的概率。
本实施例中，第二推理单元用于实现症状到六经、多纲的路径中基于中医知识的匹配模型推理方法，其工作流程为：
首先，需要统计出伤寒原文(包括：伤寒论和有关伤寒论方证对应论著)中六经以及多纲各辨证要素对应的症状，然后与《中医基础理论》等书籍中所给出的关于六经、多纲各辨证要素的症状结合，就可以统计出六经、多纲中每种辨证要素所对应的症状，然后对每种辨证要素所对应的症状进行标准化；
然后，将输入的一组症状进行标准化，将输入症状对应的标准症状与六经、多纲各辨证要素所对的标准症状分别进行匹配，匹配的个数除以输入症状的总个数记为输入症状属于相应辨证要素的概率；例如，有n个输入症状，其中与六经、多纲中某辨证要素对应的标准症状相同的个数为m，则输入的一组症状属于六经多纲中这个辨证要素的的概率为P＝m/n。
本实施例中，标准化方法为将输入的症状与已有的标准症状词表中的标准症状词进行相似度比较，标准症状词表中与输入症状相似度最高的标准症状即为输入症状所对应的标准症状。
本实施例中，通过第三推理单元对第一推理单元和第二推理单元的输出进行融合，具体融合方法为：
将基于中医经方医案的深度学习模型和基于中医知识的匹配模型所得的对应的六经、多纲各辨证要素的概率相加作为输入症状属于六经多纲各辨证要素的最终概率。
本实施例中，通过第四推理单元对输入的症状进行标准化处理，将所述症状对应的标准症状与伤寒原文中的证候对应的标准症状进行匹配，获取匹配度高(指：匹配度大于预设的匹配度阈值)的所有证候，从而实现症状到证候的初步推理，表示为图4中的症状>证候(初步推理结果为图4中的太阳表虚症、太阳表实症、表阴症)；第五推理单元利用第三推理单元中得到的辨证要素的最终概率对第四推理单元得到的匹配度高的证候进行筛选，得到最终证候，利用构建的伤寒论体系知识图谱中的证候到方剂的对应关系推理出最终证候对应的方剂。
如图4所示；根据得出的最终证候，基于构建的伤寒论体系知识图谱，确定证候对应的方剂；例如，图4中得到的最终证候为太阳表虚证，根据构建的伤寒论体系知识图谱，则可推理到桂枝汤，进而推理到其药物的组成以及药味、药性；这样，将伤寒的诊疗模式运用到现代智能辅助诊疗系统中来，便于用户查询、研究症状-证候-方剂之间的关系，为中医研究提供一定的理论依据。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于知识图谱的伤寒辨证推理系统，其特征在于，包括：
分析模块，用于对伤寒论和有关伤寒论方证对应论著进行分析，得到基于六经和多纲的辨证要素；
构建模块，用于根据伤寒论、有关伤寒论方证对应论著及得到的基于六经和多纲的辨证要素，对伤寒体系知识进行解析，将伤寒体系知识以节点的形式表示并将节点分层，并确定层次节点间的关系，构建伤寒论体系知识图谱；
推理模块，用于在构建的伤寒论体系知识图谱的基础上，构建基于中医经方医案的深度学习模型和基于中医知识的匹配模型对输入的一组症状进行方剂推理。
2.根据权利要求1所述的基于知识图谱的伤寒辨证推理系统，其特征在于，辨证要素中的六经包括：太阳、阳明、少阳、太阴、少阴和厥阴；
辨证要素中的多纲包括：阴、阳、表、里、寒、热、虚、实、气、血、津液和风。
3.根据权利要求1所述的基于知识图谱的伤寒辨证推理系统，其特征在于，节点分层后的层级包括：层级1、层级2、层级3、层级4、层级5和层级6；其中，
层级1包含的节点为：症状和证候；
层级2包含的节点为：症状对应的症状标准词；
层级3包含的节点为：六经和多纲；
层级4包含的节点为：方剂和原方名；
层级5包含的节点为：方药；
层级6包含的节点为：药味、药性和药物归经。
4.根据权利要求3所述的基于知识图谱的伤寒辨证推理系统，其特征在于，层次节点间的关系包括：药物和其药味、药性之间的关系，症状到六经、多纲的关系，六经、多纲到证候的关系以及证候到方剂的关系。
5.根据权利要求1所述的基于知识图谱的伤寒辨证推理系统，其特征在于，所述系统还包括：
训练模块，用于获取标注后的中医经方医案，利用深度学习模型对标注后的医案进行训练；其中，标注结果包括：医案对应的辨证要素信息；
训练好的深度学习模型，用于对输入的一组症状进行识别，确定输入的症状属于各辨证要素的概率。
6.根据权利要求5所述的基于知识图谱的伤寒辨证推理系统，其特征在于，所述推理模块，包括：
第一推理单元，用于利用训练好的基于中医经方医案的深度学习模型对输入的一组症状进行识别，得到输入的症状属于各辨证要素的概率；
第二推理单元，用于利用基于中医知识的匹配模型对输入的所述症状进行识别，得到输入的症状属于各辨证要素的概率；
第三推理单元，用于将基于中医经方医案的深度学习模型与基于中医知识的匹配模型所得的对应的各辨证要素的概率相加，作为输入的所述症状属于各辨证要素的最终概率；
第四推理单元，用于对输入的症状进行标准化处理，将所述症状对应的标准症状与伤寒原文中的证候对应的标准症状进行匹配，获取匹配度高的所有证候；
第五推理单元，利用第三推理单元中得到的辨证要素的最终概率对第四推理单元得到的匹配度高的证候进行筛选，得到最终证候，利用构建的伤寒论体系知识图谱中的证候到方剂的对应关系推理出相应的方剂。
7.根据权利要求6所述的基于知识图谱的伤寒辨证推理系统，其特征在于，所述第二推理单元，用于将输入的一组症状进行标准化，将输入症状对应的标准症状与各辨证要素所对应的标准症状分别进行匹配，匹配的个数除以输入症状的总个数记为输入症状属于相应辨证要素的概率；
其中，标准化方法为将输入的症状与已有的标准症状词表中的标准症状词进行相似度比较，标准症状词表中与输入症状相似度最高的标准症状即为输入症状所对应的标准症状。
CN201911052179.4A 2019-10-31 2019-10-31 一种基于知识图谱的伤寒辨证推理系统 Active CN110827990B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911052179.4A CN110827990B (zh) 2019-10-31 2019-10-31 一种基于知识图谱的伤寒辨证推理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911052179.4A CN110827990B (zh) 2019-10-31 2019-10-31 一种基于知识图谱的伤寒辨证推理系统

Publications (2)

Publication Number Publication Date
CN110827990A true CN110827990A (zh) 2020-02-21
CN110827990B CN110827990B (zh) 2022-08-19

Family

ID=69551641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911052179.4A Active CN110827990B (zh) 2019-10-31 2019-10-31 一种基于知识图谱的伤寒辨证推理系统

Country Status (1)

Country Link
CN (1) CN110827990B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382412A (zh) * 2020-09-09 2021-02-19 北京小白世纪网络科技有限公司 一种利用可编辑知识图谱进行推演的处方查找方法及装置
CN113555081A (zh) * 2021-07-19 2021-10-26 杭州甘之草科技有限公司 一种基于人工智能的中医智能开方系统的构建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1759804A (zh) * 2005-11-02 2006-04-19 浙江大学 中医四诊合参智能辨证方法
CN106933994A (zh) * 2017-02-27 2017-07-07 广东省中医院 一种基于中医药知识图谱的核心症证关系构建方法
CN107945869A (zh) * 2017-12-08 2018-04-20 李玉东 一种基于大数据的经方药智能化辩证论治系统
US20180322958A1 (en) * 2017-05-04 2018-11-08 Efthymios Kalafatis Machine learning, natural language processing and network analysis-guided discovery related to medical research
CN110335675A (zh) * 2019-06-20 2019-10-15 北京科技大学 一种基于中医知识图库的辨证方法
CN110334211A (zh) * 2019-06-14 2019-10-15 电子科技大学 一种基于深度学习的中医诊疗知识图谱自动构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1759804A (zh) * 2005-11-02 2006-04-19 浙江大学 中医四诊合参智能辨证方法
CN106933994A (zh) * 2017-02-27 2017-07-07 广东省中医院 一种基于中医药知识图谱的核心症证关系构建方法
US20180322958A1 (en) * 2017-05-04 2018-11-08 Efthymios Kalafatis Machine learning, natural language processing and network analysis-guided discovery related to medical research
CN107945869A (zh) * 2017-12-08 2018-04-20 李玉东 一种基于大数据的经方药智能化辩证论治系统
CN110334211A (zh) * 2019-06-14 2019-10-15 电子科技大学 一种基于深度学习的中医诊疗知识图谱自动构建方法
CN110335675A (zh) * 2019-06-20 2019-10-15 北京科技大学 一种基于中医知识图库的辨证方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张德政 等: "基于本体的中医知识图谱构建", 《情报工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112382412A (zh) * 2020-09-09 2021-02-19 北京小白世纪网络科技有限公司 一种利用可编辑知识图谱进行推演的处方查找方法及装置
CN113555081A (zh) * 2021-07-19 2021-10-26 杭州甘之草科技有限公司 一种基于人工智能的中医智能开方系统的构建方法

Also Published As

Publication number Publication date
CN110827990B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN109935336B (zh) 一种儿童呼吸科疾病的智能辅助诊断系统
CN111414393B (zh) 一种基于医学知识图谱的语义相似病例检索方法及设备
CN107391906A (zh) 基于神经网络和图谱结构的健康饮食知识网络构建方法
CN110459321A (zh) 一种基于证素的中医辅助诊断系统
CN105825064A (zh) 日常性中医疗法智能咨询系统
CN108511056A (zh) 基于脑卒中患者相似性分析的治疗方案推荐方法及系统
CN110827990B (zh) 一种基于知识图谱的伤寒辨证推理系统
CN109920535A (zh) 一种移动中医辨证分析方法及装置
KR101926632B1 (ko) 규칙 최적화를 통한 임상 병리 검사에 대한 전문가 경험 지식 학습 및 소견 생성 방법
CN109935337A (zh) 一种基于相似性度量的病案查找方法及系统
CN114255851A (zh) 基于超图神经网络的中草药方剂推荐方法
Khan et al. Development of national health data warehouse for data mining.
Kwiatkowska et al. Fuzzy logic and semiotic methods in modeling of medical concepts
CN114328975A (zh) 一种药学知识图谱构建方法和装置
CN109686443A (zh) 一种临床诊断辅助决策系统和医学知识图谱积累方式
CN112635071A (zh) 融合中西医知识的糖尿病知识图谱构建方法
Hansen et al. Assigning diagnosis codes using medication history
CN110299194A (zh) 基于综合特征表示与改进宽深度模型的相似病例推荐方法
Adebayo Predictive model for the classification of hypertension risk using decision trees algorithm
Julina et al. Ontology based EMR for decision making in health care using SNOMED CT
CN110010251B (zh) 一种中药社团信息生成方法、系统、装置和存储介质
Liu et al. TCMNER and PubMed: A Novel Chinese Character‐Level‐Based Model and a Dataset for TCM Named Entity Recognition
Liang et al. Deep learning for acupuncture point selection patterns based on veteran doctor experience of chinese medicine
Cao The Common Prescription Patterns Based on the Hierarchical Clustering of Herb‐Pairs Efficacies
CN115171880A (zh) 一种融合症状权重的疾病推荐系统

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
GR01 Patent grant
GR01 Patent grant