CN111090988A - 一种基于依存句法分析的医疗病历症状识别方法及其系统 - Google Patents
一种基于依存句法分析的医疗病历症状识别方法及其系统 Download PDFInfo
- Publication number
- CN111090988A CN111090988A CN201911409088.1A CN201911409088A CN111090988A CN 111090988 A CN111090988 A CN 111090988A CN 201911409088 A CN201911409088 A CN 201911409088A CN 111090988 A CN111090988 A CN 111090988A
- Authority
- CN
- China
- Prior art keywords
- medical
- relationship
- entities
- dependency
- symptoms
- 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
Images
Classifications
-
- 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
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于依存句法分析的医疗病历症状识别方法,它包括:步骤一:医疗实体识别:标记出病历中表示症状的实体,包括发生病变的器官、组织以及描述病变情况的词语;若识别出的医疗实体数量<2,则为简单病例,直接显示症状,若识别出的医疗实体数量≥2,则进行下一步;步骤二:实体间依存句法分析:对步骤一中标记出的医疗实体进行句法关系分析,确定实体之间的句法结构,即实体之间的依赖关系;步骤三:实体组合:根据步骤二中确定的实体之间的依赖关系,将医疗实体进行组合得到症状;步骤四:序列到序列症状映射:对步骤三中得到的症状说法进行标准说法映射。本发明还公开了一种基于依存句法分析的医疗病历症状识别系统。
Description
技术领域
本发明属于智能医疗领域,特别面向医疗病历中的症状识别,具体涉及一种基于依存句法分析的医疗病历症状识别方法及其系统。
背景技术
随着人工智能的迅速发展,人工智能虚拟助理、医疗影像辅助诊断等逐步应用于医疗领域,为医疗卫生领域众多环节带来新的价值,医疗人工智能的发展将会极大地缓解医疗资源紧张的局面,带来医疗服务新模式,减轻医生负担,提升服务效率。在智能辅助诊疗过程中,病历分析是不可缺少的一环。病历是临床医师根据问诊、查体、辅助检查以及对病情的详细观察所获得的资料,是正确诊断和决定治疗方案中的重要依据。能够读懂、分析复杂的病历文本数据,意味着人工智能将能像医生一样“思考”,病历理解直接关系到疾病的诊断以及后续的诊疗建议。病历中提到的症状是产生疾病的外在表现特征,是确定诊断的依据之一,因而准确地识别病历中的症状能够有效地帮助机器做出更准确的诊断。
目前的症状识别方法有两种,一种是使用序列标注的方式直接将症状作为连续片段进行识别,另一种方式是先采用序列标注的方式识别出病历中的医学实体,再对两个医学实体之间进行关系识别,然后进行组合的方式得到症状。在医疗病历中,经常出现主语+多谓语即一个器官或组织多种症状同时发生或者多主语+同一谓语即多个器官或组织发生一种症状的情况,当同一医学实体发生存在多种症状时,前者的方法无法获取到病历中每个细分的症状;后者虽然对医学实体之间的关系进行了识别,但是未考虑到实体之间的依赖关系,及句子中的语义关系。
发明内容
针对现有技术中存在的诸多问题,本发明的目的是:
提出了一种基于依存句法分析的医疗病历症状识别方法及其系统,能够通过依存句法分析获取医疗实体之间的依赖关系,根据依赖关系进行组合,形成症状,再对症状经过序列到序列模型映射为标准症状说法,以提升病历理解能力。
为了实现上述目的,本发明所采用的技术方案为:
一种基于依存句法分析的医疗病历症状识别方法,包括:
步骤1:医疗实体识别:标记出病历中表示症状的实体,包括发生病变的器官、组织以及描述病变情况的词语;若识别出的医疗实体数量<2,则为简单病例,直接显示症状,若识别出的医疗实体数量≥2,则进行下一步;
步骤2:实体间依存句法分析:对步骤1中标记出的医疗实体进行句法关系分析,确定实体之间的句法结构,即实体之间的依赖关系;
步骤3:实体组合:根据步骤2中确定的实体之间的依赖关系,将医疗实体进行组合得到症状;
步骤4:序列到序列症状映射:对步骤3中得到的症状说法进行标准说法映射。
进一步的,所述步骤1中:医疗实体识别采用基于字的Bert-CRF的方法,使用谷歌预训练好的模型进行微调,修改输出为适用于命名实体识别,再使用CRF层对各标签的之间的转移概率进行建模,在所有的标签序列中,选取一条最优结果。
进一步的,所述步骤2中:实体依存句法分析采用基于神经网络的依存句法分析方法,对句子中的部分依存关系预测,仅预测医疗实体的句法关系;该方法基于arc-standard系统,使用分类器根据从配置信息中提取的特征来预测正确的转换操作。
进一步的,所述步骤3中:医疗实体关系包括主谓关系(SBV)、动宾关系(VOB)、并列关系(COO)和连动关系(VV)。
进一步的,所述步骤4中:症状映射采用基于RNN和Attention的seq2seq模型,它是一个Encoder-Decoder结构的网络,它的输入是一个序列,输出也是一个序列,Encoder中将一个可变长度的信号序列变为固定长度的向量表达,Decoder将这个固定长度的向量变成可变长度的目标的信号序列,引入attention机制后,Decoder在生成目标序列词时,动态地注意源序列句子中与之相关的上下文,而不再每次关注整个源序列。
同样道理,本发明还公开了一种基于依存句法分析的医疗病历症状识别系统,其特征在于,包括:
医疗实体识别模块:标记出病历中表示症状的实体,包括发生病变的器官、组织以及描述病变情况的词语;识别出医疗实体数量是小于2,还是大于等于2,若医疗实体数量小于2,则为简单病例,直接显示症状;所述医疗实体识别模块采用基于字的Bert-CRF的方法,使用谷歌预训练好的模型进行微调,修改输出为适用于命名实体识别,再使用CRF层对各标签的之间的转移概率进行建模,在所有的标签序列中,选取一条最优结果。
医疗实体关系识别模块:对医疗实体识别模块标记出的医疗实体进行句法关系分析,确定实体之间的句法结构,即实体之间的依赖关系;所述医疗实体关系识别模块采用基于神经网络的依存句法分析方法,对句子中的部分依存关系预测,仅预测医疗实体的句法关系;基于arc-standard系统,使用分类器根据从配置信息中提取的特征来预测正确的转换操作。
实体组合模块:根据医疗实体关系识别模块确定的实体之间的依赖关系,将医疗实体根据一定的规则进行组合得到症状;
映射标准症状模块:通过seq2seq模块将症状映射为标准症状,利用模型学习扩展症状说法与标准症状说法之间的潜在关系。
与现有技术相比,本发明具有以下有益效果:
(1)本案利用依存句法分析取代实体关系识别,充分考虑到实体间的依存关系进行症状的组合,能够体现出病历中多个实体之间相互的关系,进一步加深对病历的理解能力。
(2)利用序列到序列的方式,将症状的多种扩展说法作为源序列,症状的标准说法作为目标序列,将扩展说法映射为标准说法,代替了人工映射。
附图说明
图1为本实施例的基于依存句法分析的医疗病历症状识别系统总体框图;
图2为本实施例的基于Bert-CRF的医疗实体识别模块示意图;
图3为本实施例的症状识别方法中实体间依存句法分析示例图;
图4为本实施例的症状识别方法中实体间句法关系图;
图5为本实施例的症状识别方法中序列到序列症状映射模型图;
图6为本实施例的症状识别方法流程示意图。
具体实施方式
为了让技术人员更好的了解本发明,下面结合具体实施例对本发明进行详细说明。
如图6所示,一种基于依存句法分析的医疗病历症状识别方法流程示意图,包括以下步骤:
步骤1:医疗实体识别:标记出病历中表示症状的实体,包括发生病变的器官、组织以及描述病变情况的词语;若识别出的医疗实体数量<2,则为简单病例,直接显示症状,若识别出的医疗实体数量≥2,则进行下一步;
步骤2:实体间依存句法分析:对步骤1中标记出的医疗实体进行句法关系分析,确定实体之间的句法结构,即实体之间的依赖关系;
步骤3:实体组合:根据步骤2中确定的实体之间的依赖关系,将医疗实体进行组合得到症状;
步骤4:序列到序列症状映射:对步骤3中得到的症状说法进行标准说法映射。
如图2所示,本实施例的基于Bert-CRF的医疗实体识别模块示意图,步骤1中的医疗实体识别采用基于字的Bert-CRF的方法,使用谷歌预训练好的模型进行fine-tuning,修改输出为适用于命名实体识别,再使用CRF层对各标签的之间的转移概率进行建模,在所有的标签序列中,选取一条最优结果。
步骤2中的实体依存句法分析采用基于神经网络的依存句法分析方法,对句子中的部分依存关系预测,仅预测医疗实体的句法关系;该方法基于arc-standard系统,使用分类器根据从配置信息中提取的特征来预测正确的转换操作。如图3所示,本实施例的症状识别方法中实体间依存句法分析示例图,一个configuration(状态)包括Stack(栈)、Buffer(缓存队列)和依存弧集合。模型根据configuration(状态)信息来提取出一个特征向量,这个特征向量由(words(词本身),POS tags(词性),arc labels(依存弧))三个向量拼接而成,包含了对应configuration(状态)的信息。模型的目标是输入特征向量,预测出对应的转换类型(如LEFT-ARC,SHIFT等)。根据预测的转换类型进行相应的转换操作,更新配置信息,然后得到新的向量,再输入模型中预测,如此循环,进而得到句子中依存关系的依存弧集合。
步骤3中的医疗实体关系包括主谓关系(SBV)、动宾关系(VOB)、并列关系(COO)和连动关系(VV),组合方式如下:
主谓关系和动宾关系的两个实体可以直接组成症状;
主谓/动宾关系的谓语/动作词存在连动关系时,主语/宾语可与连动的另外一个动词组成症状;
主谓/动宾关系的主语/宾语存在并列关系时,并列的主语/宾语可与谓语/动作词组成症状。
得到句子的依存关系如图4所示,本实施例的症状识别方法中实体间句法关系图,句法关系中以动词为中心,箭头指向的为父节点,因而“肿胀”为句子的根节点,“疼痛”与“肿胀”之间为连动关系即两个动作的并列关系,“掌指关节”与“肿胀”之间为主谓关系,所以,“掌指关节”除了支配“肿胀”外,还支配与其有连动关系的“疼痛”,“腕关节”与“掌指关节”之间为并列关系,所以“腕关节”和两个动作之间有与“掌指关节”一样的主谓关系,进而形成症状列表“腕关节疼痛”、“腕关节肿胀”、“掌指关节疼痛”、“掌指关节肿胀”。
如图5所示,本实施例的症状识别方法中序列到序列症状映射模型图,步骤4中的症状映射采用基于RNN和Attention的seq2seq模型,它是一个Encoder-Decoder结构的网络,它的输入是一个序列,输出也是一个序列,编码器Encoder中将一个可变长度的信号序列变为固定长度的向量表达,译码器Decoder将这个固定长度的向量变成可变长度的目标的信号序列,引入注意力attention机制后,译码器Decoder在生成目标序列词时,动态地注意源序列句子中与之相关的上下文,而不再每次关注整个源序列。
另外,本发明另一实施例,一种基于依存句法分析的医疗病历症状识别系统,包括:医疗实体识别模块:标记出病历中表示症状的实体,包括发生病变的器官、组织以及描述病变情况的词语;识别出医疗实体数量是小于2,还是大于等于2,若医疗实体数量小于2,则为简单病例,直接显示症状;医疗实体关系识别模块:对医疗实体识别模块标记出的医疗实体进行句法关系分析,确定实体之间的句法结构,即实体之间的依赖关系;实体组合模块:根据医疗实体关系识别模块确定的实体之间的依赖关系,将医疗实体根据一定的规则进行组合得到症状;映射标准症状模块:通过seq2seq模块将症状映射为标准症状,利用模型学习扩展症状说法与标准症状说法之间的潜在关系。图1为本实施例的基于依存句法分析的医疗病历症状识别系统总体框图。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均属于本发明技术方案的保护范围内。
Claims (10)
1.一种基于依存句法分析的医疗病历症状识别方法,其特征在于,包括:
步骤一:医疗实体识别:标记出病历中表示症状的实体,包括发生病变的器官、组织以及描述病变情况的词语;若识别出的医疗实体数量<2,则为简单病例,直接显示症状,若识别出的医疗实体数量≥2,则进行下一步;
步骤二:实体间依存句法分析:对步骤一中标记出的医疗实体进行句法关系分析,确定实体之间的句法结构,即实体之间的依赖关系;
步骤三:实体组合:根据步骤二中确定的实体之间的依赖关系,将医疗实体进行组合得到症状;
步骤四:序列到序列症状映射:对步骤三中得到的症状说法进行标准说法映射。
2.根据权利要求1所述的基于依存句法分析的医疗病历症状识别方法,其特征在于,所述步骤一中:医疗实体识别采用基于字的Bert-CRF的方法,使用谷歌预训练好的模型进行微调,修改输出为适用于命名实体识别,再使用CRF层对各标签的之间的转移概率进行建模,在所有的标签序列中,选取一条最优结果。
3.根据权利要求1所述的基于依存句法分析的医疗病历症状识别方法,其特征在于,所述步骤二中:实体依存句法分析采用基于神经网络的依存句法分析方法,对句子中的部分依存关系预测,仅预测医疗实体的句法关系;该方法基于arc-standard系统,使用分类器根据从配置信息中提取的特征来预测正确的转换操作。
4.根据权利要求1所述的基于依存句法分析的医疗病历症状识别方法,其特征在于,所述步骤三中:
医疗实体关系包括主谓关系(SBV)、动宾关系(VOB)、并列关系(COO)和连动关系(VV),组合方式如下:
主谓关系和动宾关系的两个实体能够直接组成症状;
主谓/动宾关系的谓语/动作词存在连动关系时,主语/宾语能够与连动的另外一个动词组成症状;
主谓/动宾关系的主语/宾语存在并列关系时,并列的主语/宾语能够与谓语/动作词组成症状。
5.根据权利要求1所述的基于依存句法分析的医疗病历症状识别方法,其特征在于,所述步骤四中:症状映射采用基于RNN和Attention的seq2seq模型,它是一个Encoder-Decoder结构的网络,它的输入是一个序列,输出也是一个序列,Encoder中将一个可变长度的信号序列变为固定长度的向量表达,Decoder将这个固定长度的向量变成可变长度的目标的信号序列,引入attention机制后,Decoder在生成目标序列词时,动态地注意源序列句子中与之相关的上下文,而不再每次关注整个源序列。
6.根据权利要求3所述的基于依存句法分析的医疗病历症状识别方法,其特征在于:一个状态configuration包括栈、缓存队列和依存弧集合,模型根据状态信息来提取出一个特征向量,这个特征向量由词本身、词性和依存弧三个向量拼接而成,包含了对应状态的信息,模型的目标是输入特征向量,预测出对应的转换类型,根据预测的转换类型进行相应的转换操作,更新配置信息,然后得到新的向量,再输入模型中预测,如此循环,进而得到句子中依存关系的依存弧集合。
7.一种基于依存句法分析的医疗病历症状识别系统,其特征在于,包括:
医疗实体识别模块:标记出病历中表示症状的实体,包括发生病变的器官、组织以及描述病变情况的词语;识别出医疗实体数量是小于2,还是大于等于2,若医疗实体数量小于2,则为简单病例,直接显示症状;
医疗实体关系识别模块:对医疗实体识别模块标记出的医疗实体进行句法关系分析,确定实体之间的句法结构,即实体之间的依赖关系;
实体组合模块:根据医疗实体关系识别模块确定的实体之间的依赖关系,将医疗实体根据一定的规则进行组合得到症状;
映射标准症状模块:通过seq2seq模块将症状映射为标准症状,利用模型学习扩展症状说法与标准症状说法之间的潜在关系。
8.根据权利要求7所述的基于依存句法分析的医疗病历症状识别系统,其特征在于:所述医疗实体识别模块采用基于字的Bert-CRF的方法,使用谷歌预训练好的模型进行微调,修改输出为适用于命名实体识别,再使用CRF层对各标签的之间的转移概率进行建模,在所有的标签序列中,选取一条最优结果。
9.根据权利要求7所述的基于依存句法分析的医疗病历症状识别系统,其特征在于:所述医疗实体关系识别模块采用基于神经网络的依存句法分析方法,对句子中的部分依存关系预测,仅预测医疗实体的句法关系;基于arc-standard系统,使用分类器根据从配置信息中提取的特征来预测正确的转换操作。
10.根据权利要求9所述的基于依存句法分析的医疗病历症状识别系统,其特征在于:
医疗实体关系包括主谓关系(SBV)、动宾关系(VOB)、并列关系(COO)和连动关系(VV),组合方式如下:
主谓关系和动宾关系的两个实体能够直接组成症状;
主谓/动宾关系的谓语/动作词存在连动关系时,主语/宾语能够与连动的另外一个动词组成症状;
主谓/动宾关系的主语/宾语存在并列关系时,并列的主语/宾语能够与谓语/动作词组成症状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911409088.1A CN111090988A (zh) | 2019-12-31 | 2019-12-31 | 一种基于依存句法分析的医疗病历症状识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911409088.1A CN111090988A (zh) | 2019-12-31 | 2019-12-31 | 一种基于依存句法分析的医疗病历症状识别方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111090988A true CN111090988A (zh) | 2020-05-01 |
Family
ID=70398044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911409088.1A Pending CN111090988A (zh) | 2019-12-31 | 2019-12-31 | 一种基于依存句法分析的医疗病历症状识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111090988A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347771A (zh) * | 2020-12-03 | 2021-02-09 | 云知声智能科技股份有限公司 | 一种实体关系的抽取方法和设备 |
CN114334049A (zh) * | 2020-12-31 | 2022-04-12 | 中电云脑(天津)科技有限公司 | 一种电子病历结构化处理方法和装置及设备 |
CN114334049B (zh) * | 2020-12-31 | 2024-06-07 | 中电云脑(天津)科技有限公司 | 一种电子病历结构化处理方法和装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897568A (zh) * | 2017-02-28 | 2017-06-27 | 北京大数医达科技有限公司 | 病历结构化的处理方法和装置 |
CN107729319A (zh) * | 2017-10-18 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
-
2019
- 2019-12-31 CN CN201911409088.1A patent/CN111090988A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897568A (zh) * | 2017-02-28 | 2017-06-27 | 北京大数医达科技有限公司 | 病历结构化的处理方法和装置 |
CN107729319A (zh) * | 2017-10-18 | 2018-02-23 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
Non-Patent Citations (3)
Title |
---|
FABIO SOUZA ET AL.: "Portuguese Named Entity Recognition using BERT-CRF", 《ARXIV》 * |
FREEDOM_KING: "CS224N学习笔记(六)--句法分析", 《简书 HTTPS://WWW.JIANSHU.COM/P/5A24D9B3A9AF》 * |
张立君: "电子病历数据的结构化分析与研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347771A (zh) * | 2020-12-03 | 2021-02-09 | 云知声智能科技股份有限公司 | 一种实体关系的抽取方法和设备 |
CN114334049A (zh) * | 2020-12-31 | 2022-04-12 | 中电云脑(天津)科技有限公司 | 一种电子病历结构化处理方法和装置及设备 |
CN114334049B (zh) * | 2020-12-31 | 2024-06-07 | 中电云脑(天津)科技有限公司 | 一种电子病历结构化处理方法和装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | BERT-XML: Large scale automated ICD coding using BERT pretraining | |
JP2021108096A (ja) | 情報を出力する方法および装置 | |
CN112597774B (zh) | 中文医疗命名实体识别方法、系统、存储介质和设备 | |
CN116682553B (zh) | 一种融合知识与患者表示的诊断推荐系统 | |
US10936628B2 (en) | Automatic processing of ambiguously labeled data | |
CN111312354B (zh) | 基于多智能体强化学习的乳腺病历实体识别标注增强系统 | |
CN113779996B (zh) | 基于BiLSTM模型的标准实体文本确定方法、装置及存储介质 | |
CN111222340A (zh) | 基于多标准主动学习的乳腺电子病历实体识别系统 | |
Li et al. | Character-level neural network model based on Nadam optimization and its application in clinical concept extraction | |
JP7446278B2 (ja) | 人工知能に基づく医療ソリューションを開発するための患者のシミュレーション | |
CN112420191A (zh) | 一种中医辅助决策系统及方法 | |
CN112614571A (zh) | 神经网络模型的训练方法、装置、图像分类方法和介质 | |
CN114359656A (zh) | 一种基于自监督对比学习的黑色素瘤图像识别方法和存储设备 | |
CN111090988A (zh) | 一种基于依存句法分析的医疗病历症状识别方法及其系统 | |
CN116168828A (zh) | 基于知识图谱和深度学习的疾病预测方法、装置及计算机设备 | |
CN115964475A (zh) | 一种用于医疗问诊的对话摘要生成方法 | |
Li et al. | Fine-tuning ERNIE for chest abnormal imaging signs extraction | |
CN112509692B (zh) | 用于匹配医学表达的方法、装置、电子设备及存储介质 | |
Wang et al. | Automatic ICD-10 coding based on multi-head attention mechanism and gated residual network | |
Zhang et al. | Medical Q&A statement NER based on ECA attention mechanism and lexical enhancement | |
Wang et al. | End-to-end pre-trained dialogue system for automatic diagnosis | |
WO2023185082A1 (zh) | 一种语言表征模型的训练方法以及训练装置 | |
Borole et al. | BERT-Based Clinical Name Entity Reorganization Model for Health Diagnosis | |
Chen et al. | Constructing Medical Image Domain Ontology with Anatomical Knowledge | |
US12008313B2 (en) | Medical data verification method and electronic device |
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: 20200501 |
|
RJ01 | Rejection of invention patent application after publication |