CN112017740A - 一种基于知识图谱的疾病推理方法、装置、设备及储存介质 - Google Patents
一种基于知识图谱的疾病推理方法、装置、设备及储存介质 Download PDFInfo
- Publication number
- CN112017740A CN112017740A CN202010712036.8A CN202010712036A CN112017740A CN 112017740 A CN112017740 A CN 112017740A CN 202010712036 A CN202010712036 A CN 202010712036A CN 112017740 A CN112017740 A CN 112017740A
- Authority
- CN
- China
- Prior art keywords
- disease
- user
- symptoms
- knowledge
- graph
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 185
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 50
- 208000024891 symptom Diseases 0.000 claims abstract description 85
- 238000003745 diagnosis Methods 0.000 claims abstract description 47
- 238000012790 confirmation Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000027939 micturition Effects 0.000 description 2
- 201000007094 prostatitis Diseases 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000001124 body fluid Anatomy 0.000 description 1
- 239000010839 body fluid Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G16H50/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于知识图谱的疾病推理方法、装置、设备及储存介质。方法包括:根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状;将所述用户症状上传至图形数据库,并与所述图形数据库中的预设症状相匹配;若所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病;若所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合;获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。本发明提供的一种基于知识图谱的疾病推理方法,准确的推理出疾病的类别,快速解决用户问题。
Description
技术领域
本发明涉及疾病推理技术领域,特别涉及一种基于知识图谱的疾病推理方法、装置、设备及储存介质。
背景技术
在疾病领域的对话机器人中,能不能准确的分析、判断访客所患的疾病信息对于对话能否顺利无误的进行下去至关重要。现有技术方案大多是依赖命名实体识别、实体对齐、文本分类或者疾病短语匹配的方案进行疾病识别,但是这些方案都或多或少会丢失上下文信息,如症状信息、生理现象、否定词等;同时,大多数场景访客是不知道自己患的是什么病的,也很难将自己的症状描述清楚,现有的方法直接根据有限的信息就给访客确诊也将会出现较多的误判。
发明内容
本发明的目的是提供一种基于知识图谱的疾病推理方法、装置、设备及储存介质,以解决现有的疾病推理方法出现误判较多的问题,以实现提高疾病推理的准确性。
本发明提供了一种基于知识图谱的疾病推理方法,包括:根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状;将所述用户症状上传至图形数据库,并与所述图形数据库中的预设症状相匹配;若所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病;若所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合;获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。
进一步地,所述方法还包括:若所述疾病交集内包含多种疾病,则获取用户的第二表述语句;根据所述第二表述语句推理出多个第二疑似患病集合;获取多个所述第二疑似患病集合的第二疾病交集,并根据所述第二疾病交集推理出第二确诊结论。
进一步地,所述方法还包括:将用户的所述第一表述语句和所述第二表述语句用语义表示模型分别做疾病分类,输出结果为第三确诊结论。
进一步地,所述方法还包括:对所述第一确诊结论、所述第二确诊结论、所述第三确诊结论进行投票,并判定票数最多的确诊结论为最终确诊结论。
进一步地,所述方法还包括:根据所述第一确诊结论、所述第二确诊结论、所述第三确诊结论获取用户的第三表述语句;并识别出所述第二表述语句内的所有的疾病名称,判定所述第三表示语句中出现频率最高的疾病名称为最终确诊结论。
进一步地,所述预设知识图谱的制作方法包括:获取用户的疾病病症,以判定疾病类别;根据所述疾病类别制定实体信息表、实体关系表、关系属性表,以获得所述预设知识图谱。
本发明还提供了一种基于知识图谱的疾病推理装置,包括:预设知识图谱模块;用户症状获取模块,用于根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状;图形数据库,用于接收所述用户症状,并与所述图形数据库中的预设症状相匹配,并当所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病;当所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合;计算模块,用于获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。
进一步地,所述用户症状获取模块还用于当所述疾病交集内包含多种疾病时,获取用户的第二表述语句;所述计算模块还用于根据所述第二表述语句推理出多个第二疑似患病集合,以获取多个所述第二疑似患病集合的第二疾病交集,并根据所述第二疾病交集推理出第二确诊结论。
本发明还提供了一种基于知识图谱的疾病推理设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如上述中任一所述的基于知识图谱的疾病推理方法。
本发明还提供了一种存储介质,包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述中任意一项所述的基于知识图谱的疾病推理方法。
本发明提供的一种基于知识图谱的疾病推理方法,通过设计符合相关科室业务需求的预设知识图谱;并设计了确诊疾病与疑似疾病的推理方案,推理过程利用了用户口述信息中所有与疾病相关的信息,使得对话系统可以围绕确诊疾病或疑似疾病的推理结果进行接下来的对话,再对确诊结论列表排序,进一步确定了当前对话中最为重要也最为接近用户需求的内容,确保每轮对话都是在最大概率疾病主题上进行的,准确的推理出疾病的类别,快速解决用户问题。
附图说明
图1为本发明第一实施例中的一种基于知识图谱的疾病推理方法的流程图;
图2为本发明第二实施例中的一种基于知识图谱的疾病推理方法的流程图;
图3为本发明第三实施例中的一种基于知识图谱的疾病推理装置的模块结构示意图;
图4为本发明第四实施例中的一种基于知识图谱的疾病推理设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干个实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,本发明第一实施例提供的一种基于知识图谱的疾病推理方法,包括步骤S01至步骤S05。
步骤S01,根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状。具体的,所述预设知识图谱的制作方法包括:获取用户的疾病病症,以判定疾病类别;根据所述疾病类别制定实体信息表、实体关系表、关系属性表,以获得所述预设知识图谱,例如,用户为男性,并且患有男科的某项疾病,则判定疾病类别为男科疾病,则生成男科疾病相关的预设知识图谱。
其中,实体信息表,可以定义男科的实体类别及类别的属性信息,其中“医院”实体及“疾病”实体的属性除了名称之外都由意图识别来判断(即根据当前用户说的话来判断其意图类别),属性值为该属性对应的话术;其余属性信息由命名实体识别+正则表达式结合识别,其中,可以过一个语音识别系统识别当前用户的话。
步骤S02,将所述用户症状上传至图形数据库,并与所述图形数据库中的预设症状相匹配。其中图形数据库是NoSQL数据库的一种类型,它应用图形理论存储实体之间的关系信息。图形数据库是一种非关系型数据库,它应用图形理论存储实体之间的关系信息。最常见例子就是社会网络中人与人之间的关系。关系型数据库用于存储“关系型”数据的效果并不好,其查询复杂、缓慢、超出预期,而图形数据库的独特设计恰恰弥补了这个缺陷。具体的,在本实施例中,所述图形数据库可以为Neo4j,其中Neo4j是一个高性能的,NOSQL图形数据库,它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎,但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎,该引擎具有成熟数据库的所有特性。
步骤S03,若所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病。例如,用户具有尿频、尿急等常见的前列腺炎的症状,则可以推理出用户所患的疾病为前列腺炎。
步骤S04,若所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合。可以理解的,在男科疾病中,存在多种疾病的病症具有相似的,当用户提供的患病信息为多个疾病共有的特征,则这多个疾病均为疑似患病,并将这多个疑似患病组合成第一疑似患病集合。其中,患病信息包括症状、患病部位、生理现象、体液的检查结果等。
步骤S05,获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。例如,一个集合包括疾病A、B、C三种疾病,一个集合包括疾病C、D、E,一个集合包括X、Y、Z,这他们的交集含有唯一交集C,则推理用户所患疾病为疾病C。
本发明提供的一种基于知识图谱的疾病推理方法,通过设计符合相关科室业务需求的预设知识图谱;并设计了确诊疾病与疑似疾病的推理方案,推理过程利用了用户口述信息中所有与疾病相关的信息,使得对话系统可以围绕确诊疾病或疑似疾病的推理结果进行接下来的对话,再对确诊结论列表排序,进一步确定了当前对话中最为重要也最为接近用户需求的内容,确保每轮对话都是在最大概率疾病主题上进行的,准确的推理出疾病的类别,快速解决用户问题。
请参阅图2,本发明第二实施例提供的一种基于知识图谱的疾病推理方法,包括步骤S11至步骤S18。
步骤S11,根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状。
步骤S12,将所述用户症状上传至图形数据库,并与所述图形数据库中的预设症状相匹配。
步骤S13,若所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病。
步骤S14,若所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合。
步骤S15,获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。
步骤S16,若所述疾病交集内包含多种疾病,则获取用户的第二表述语句;根据所述第二表述语句推理出多个第二疑似患病集合;获取多个所述第二疑似患病集合的第二疾病交集,并根据所述第二疾病交集推理出第二确诊结论。可以理解的,病人可能在聊天过程中对于咨询的疾病发生改变,过多考虑上文信息可能造成历史得到的疾病信息过多而很难推断出话题已经发生改变,因此,通过再次咨询病人的病情,再次推理出多个第二疑似患病集合,以推断出一个新的确诊结论。
步骤S17,将用户的所述第一表述语句和所述第二表述语句用语义表示模型分别做疾病分类,输出结果为第三确诊结论。具体的,可以通过获取用户在所述第一表述语句和所述第二表述语句中的内容,使用bert(语义表示模型)分别做Word embedding,使用lstm(长短期记忆网络)、attention(注意力机制)以及softmax(逻辑回归模型)对做疾病分类,其中,词向量(Word embedding),又叫Word嵌入式自然语言处理(NLP)中的一组语言建模和特征学习技术的统称,其中来自词汇表的单词或短语被映射到实数的向量。从概念上讲,它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入,生成这种映射的方法包括神经网络,单词共生矩阵的降维,概率模型,可解释的知识库方法,和术语的显式表示单词出现的背景。当用作底层输入表示时,单词和短语嵌入已经被证明可以提高NLP任务的性能,例如语法分析和情感分析,使得语义表示模型可以准确的识别并分析出用户所表达的意思,再通过lstm、attention以及softmax对做疾病分类,实现快速、准确的识别用户的语义中的疾病,并进行分类。
步骤S18,对所述第一确诊结论、所述第二确诊结论、所述第三确诊结论进行投票,并判定票数最多的确诊结论为最终确诊结论。使用对所述第一确诊结论、所述第二确诊结论、所述第三确诊结论进行投票做投票,分数最高的即为当前推理得出的疾病,例:第一确诊结论为A、B、C,所述第二确诊结论为B,所述第三确诊结论为B、C,则B的票数最高为3,做为最终的推理结果),如果票数最高的有多个疾病,则根据所述第一确诊结论、所述第二确诊结论、所述第三确诊结论获取用户的第三表述语句;并识别出所述第二表述语句内的所有的疾病名称,判定所述第三表示语句中出现频率最高的疾病名称为最终确诊结论。
本发明提供的一种基于知识图谱的疾病推理方法,通过设计符合相关科室业务需求的预设知识图谱;并设计了确诊疾病与疑似疾病的推理方案,推理过程利用了用户口述信息中所有与疾病相关的信息,使得对话系统可以围绕确诊疾病或疑似疾病的推理结果进行接下来的对话,再对确诊结论列表排序,进一步确定了当前对话中最为重要也最为接近用户需求的内容,确保每轮对话都是在最大概率疾病主题上进行的,准确的推理出疾病的类别,快速解决用户问题。
请参阅图3,本发明第三实施例提供的一种基于知识图谱的疾病推理装置,包括:预设知识图谱模块10;用户症状获取模块20,用于根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状;图形数据库30,用于接收所述用户症状,并与所述图形数据库中的预设症状相匹配,并当所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病;当所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合;计算模块40,用于获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。
具体的,在本实施例中,所述用户症状获取模块20还用于当所述疾病交集内包含多种疾病时,获取用户的第二表述语句;所述计算模块40还用于根据所述第二表述语句推理出多个第二疑似患病集合,以获取多个所述第二疑似患病集合的第二疾病交集,并根据所述第二疾病交集推理出第二确诊结论。
本发明还提供了一种存储介质,包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述中任意一项所述的基于知识图谱的疾病推理方法。
在本发明的一个实施例中,还提供了一种基于知识图谱的疾病推理设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如上所述的方法。如图4所示的本发明实施例提供的基于知识图谱的疾病推理设备的结构示意图。参考图4,该基于知识图谱的疾病推理设备90包括:射频(Radio Frequency,RF)电路910、存储器920、输入单元930、显示单元940、传感器950、音频电路960、无线保真(Wireless Fidelity,WiFi)模块970、处理器980、以及电源990等部件。本领域技术人员可以理解,图4中示出的基于知识图谱的疾病推理设备结构并不构成对基于知识图谱的疾病推理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。下面结合图4对本实施例的基于知识图谱的疾病推理设备的各个构成部件进行具体的介绍:
RF电路910可用于收发信息过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器980处理;另外,将设计上行的数据发送给基站。通常,RF电路910包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier,LNA)、双工器等。此外,RF电路910还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯装置(Global System ofMobile communication,GSM)、通用分组无线服务(General Packet Radio Service,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband CodeDivision Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE)、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器920可用于存储用户软件以及模块,处理器980通过运行存储在存储器920的用户软件以及模块,从而执行基于知识图谱的疾病推理设备的各种功能应用以及数据处理。存储器920可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器920可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元930可用于接收输入的数字或字符信息,以及产生与基于知识图谱的疾病推理设备的用户设置以及功能控制有关的键信号输入。具体地,输入单元930可包括触控面板931以及其他输入设备932。触控面板931,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板931上或在触控面板931附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板931可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器980,并能接收处理器980发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板931。除了触控面板931,输入单元930还可以包括其他输入设备932。具体地,其他输入设备932可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元940可用于显示由用户输入的信息或提供给用户的信息以及基于知识图谱的疾病推理设备的各种菜单。显示单元940可包括显示面板941,可选的,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板941。进一步的,触控面板931可覆盖显示面板941,当触控面板931检测到在其上或附近的触摸操作后,传送给处理器980以确定触摸事件的类型,随后处理器980根据触摸事件的类型在显示面板941上提供相应的视觉输出。虽然在图4中,触控面板931与显示面板941是作为两个独立的部件来实现手机的输入和输入功能,但是在某些实施例中,可以将触控面板931与显示面板941集成而实现手机的输入和输出功能。
基于知识图谱的疾病推理设备还可包括至少一种传感器950,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板941的亮度。音频电路960、扬声器961,传声器962可提供用户与基于知识图谱的疾病推理设备之间的音频接口。音频电路960可将接收到的音频数据转换后的电信号,传输到扬声器961,由扬声器961转换为声音信号输出;另一方面,传声器962将收集的声音信号转换为电信号,由音频电路960接收后转换为音频数据,再将音频数据输出处理器980处理后,经RF电路910以发送给比如另一基于知识图谱的疾病推理设备,或者将音频数据输出至存储器920以便进一步处理。
WiFi属于短距离无线传输技术,基于知识图谱的疾病推理设备通过WiFi模块970可以为用户提供了无线的宽带互联网访问。虽然图4示出了WiFi模块970,但是可以理解的是,其并不属于基于知识图谱的疾病推理设备的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器980是基于知识图谱的疾病推理设备的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器920内的用户软件和/或模块,以及调用存储在存储器920内的数据,执行基于知识图谱的疾病推理设备的各种功能和处理数据,从而对基于知识图谱的疾病推理设备进行整体监控。可选的,处理器980可包括一个或多个处理单元;优选的,处理器980可集成应用处理器,应用处理器主要处理操作装置、用户界面和应用程序等。处理器980可以集成调制解调处理器,调制解调处理器也可以不集成到处理器980中。
基于知识图谱的疾病推理设备还包括给各个部件供电的电源990(比如电池),优选的,电源可以通过电源管理装置与处理器980逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。尽管未示出,基于知识图谱的疾病推理设备还可以包括摄像头、蓝牙模块等,在此不再赘述。
本发明实施例所提供的一种基于知识图谱的疾病推理设备的识别方法、装置及存储介质的应用程序产品,包括存储了程序代码的存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以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,该应用程序存储在一个存储介质中,包括若干指令用以使得一台基于知识图谱的疾病推理设备(可以是手机、平板电脑、车载电脑或者PDA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。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于知识图谱的疾病推理方法,其特征在于,包括:
根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状;
将所述用户症状上传至图形数据库,并与所述图形数据库中的预设症状相匹配;
若所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病;
若所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合;
获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。
2.根据权利要求1所述的一种基于知识图谱的疾病推理方法,其特征在于,所述方法还包括:
若所述疾病交集内包含多种疾病,则获取用户的第二表述语句;
根据所述第二表述语句推理出多个第二疑似患病集合;
获取多个所述第二疑似患病集合的第二疾病交集,并根据所述第二疾病交集推理出第二确诊结论。
3.根据权利要求2所述的一种基于知识图谱的疾病推理方法,其特征在于,所述方法还包括:
将用户的所述第一表述语句和所述第二表述语句用语义表示模型分别做疾病分类,输出结果为第三确诊结论。
4.根据权利要求3中任意所述的一种基于知识图谱的疾病推理方法,其特征在于,所述方法还包括:
对所述第一确诊结论、所述第二确诊结论、所述第三确诊结论进行投票,并判定票数最多的确诊结论为最终确诊结论。
5.根据权利要求4所述的一种基于知识图谱的疾病推理方法,其特征在于,所述方法还包括:
根据所述第一确诊结论、所述第二确诊结论、所述第三确诊结论获取用户的第三表述语句;
并识别出所述第二表述语句内的所有的疾病名称,判定所述第三表示语句中出现频率最高的疾病名称为最终确诊结论。
6.根据权利要求1所述的一种基于知识图谱的疾病推理方法,其特征在于,所述预设知识图谱的制作方法包括:
获取用户的疾病病症,以判定疾病类别;
根据所述疾病类别制定实体信息表、实体关系表、关系属性表,以获得所述预设知识图谱。
7.一种基于知识图谱的疾病推理装置,其特征在于,包括:
预设知识图谱模块;
用户症状获取模块,用于根据用户输入的第一表述语句在预设知识图谱进行知识抽取,以获得用户症状;
图形数据库,用于接收所述用户症状,并与所述图形数据库中的预设症状相匹配,并当所述用户症状与所述图形数据库存在对应症状,则根据所述对应症状判断出确诊疾病;当所述用户症状与所述图形数据库不存在对应症状,则获取用户的多个患病信息,以推理出多个第一疑似患病集合;
计算模块,用于获取多个所述第一疑似患病集合的第一疾病交集,若所述第一疾病交集内只包含唯一疾病,则判定所述唯一疾病为第一确诊结论。
8.根据权利要求1所述的一种基于知识图谱的疾病推理装置,其特征在于,所述用户症状获取模块还用于当所述疾病交集内包含多种疾病时,获取用户的第二表述语句;
所述计算模块还用于根据所述第二表述语句推理出多个第二疑似患病集合,以获取多个所述第二疑似患病集合的第二疾病交集,并根据所述第二疾病交集推理出第二确诊结论。
9.一种基于知识图谱的疾病推理设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6中任一所述的基于知识图谱的疾病推理方法。
10.一种存储介质,包括存储数据区和存储程序区,存储数据区存储根据区块链节点的使用所创建的数据,存储程序区存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于知识图谱的疾病推理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712036.8A CN112017740A (zh) | 2020-07-22 | 2020-07-22 | 一种基于知识图谱的疾病推理方法、装置、设备及储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010712036.8A CN112017740A (zh) | 2020-07-22 | 2020-07-22 | 一种基于知识图谱的疾病推理方法、装置、设备及储存介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112017740A true CN112017740A (zh) | 2020-12-01 |
Family
ID=73498882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010712036.8A Pending CN112017740A (zh) | 2020-07-22 | 2020-07-22 | 一种基于知识图谱的疾病推理方法、装置、设备及储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112017740A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590775A (zh) * | 2021-06-22 | 2021-11-02 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
CN117476163A (zh) * | 2023-12-27 | 2024-01-30 | 万里云医疗信息科技(北京)有限公司 | 用于确定疾病结论的方法、装置以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184315A (zh) * | 2011-04-02 | 2011-09-14 | 中国医学科学院医学信息研究所 | 基于诊断要素分析的科室分诊系统 |
CN109241257A (zh) * | 2018-08-20 | 2019-01-18 | 重庆柚瓣家科技有限公司 | 一种基于知识图谱的智慧问答系统及其方法 |
CN110289101A (zh) * | 2019-07-02 | 2019-09-27 | 京东方科技集团股份有限公司 | 一种计算机设备、系统及可读存储介质 |
US20190311814A1 (en) * | 2018-04-06 | 2019-10-10 | Curai, Inc. | Systems and methods for responding to healthcare inquiries |
-
2020
- 2020-07-22 CN CN202010712036.8A patent/CN112017740A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184315A (zh) * | 2011-04-02 | 2011-09-14 | 中国医学科学院医学信息研究所 | 基于诊断要素分析的科室分诊系统 |
US20190311814A1 (en) * | 2018-04-06 | 2019-10-10 | Curai, Inc. | Systems and methods for responding to healthcare inquiries |
CN109241257A (zh) * | 2018-08-20 | 2019-01-18 | 重庆柚瓣家科技有限公司 | 一种基于知识图谱的智慧问答系统及其方法 |
CN110289101A (zh) * | 2019-07-02 | 2019-09-27 | 京东方科技集团股份有限公司 | 一种计算机设备、系统及可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590775A (zh) * | 2021-06-22 | 2021-11-02 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
CN113590775B (zh) * | 2021-06-22 | 2023-07-21 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
CN117476163A (zh) * | 2023-12-27 | 2024-01-30 | 万里云医疗信息科技(北京)有限公司 | 用于确定疾病结论的方法、装置以及存储介质 |
CN117476163B (zh) * | 2023-12-27 | 2024-03-08 | 万里云医疗信息科技(北京)有限公司 | 用于确定疾病结论的方法、装置以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107943860B (zh) | 模型的训练方法、文本意图的识别方法及装置 | |
CN109033156B (zh) | 一种信息处理方法、装置及终端 | |
CN107301213A (zh) | 智能问答方法及装置 | |
CN109947858B (zh) | 一种数据处理的方法及装置 | |
CN111553162A (zh) | 一种意图识别的方法以及相关装置 | |
CN111105852A (zh) | 一种电子病历推荐方法、装置、终端及存储介质 | |
CN104217717A (zh) | 构建语言模型的方法及装置 | |
WO2021159877A1 (zh) | 问答方法及装置 | |
CN110852109A (zh) | 语料生成方法、语料生成装置、和存储介质 | |
WO2021147421A1 (zh) | 用于人机交互的自动问答方法、装置和智能设备 | |
CN111597804B (zh) | 一种实体识别模型训练的方法以及相关装置 | |
CN112131401B (zh) | 一种概念知识图谱构建方法和装置 | |
CN110717026A (zh) | 一种文本信息识别的方法、人机对话的方法及相关装置 | |
CN113569572B (zh) | 文本实体生成方法、模型训练方法及装置 | |
CN112017740A (zh) | 一种基于知识图谱的疾病推理方法、装置、设备及储存介质 | |
CN113761122A (zh) | 一种事件抽取方法、相关装置、设备及存储介质 | |
CN110597957B (zh) | 一种文本信息检索的方法及相关装置 | |
CN112749252A (zh) | 一种基于人工智能的文本匹配方法和相关装置 | |
CN111612178A (zh) | 一种模型的诊断方法及相关设备 | |
CN110781274A (zh) | 一种问答对生成的方法与装置 | |
CN116975295B (zh) | 一种文本分类方法、装置及相关产品 | |
CN109002477B (zh) | 信息处理方法、装置、终端及介质 | |
WO2018061840A1 (ja) | 情報表示プログラム、データ送信プログラム、データ送信装置、データ送信方法、情報提供装置及び情報提供方法 | |
CN113703883A (zh) | 一种交互方法和相关装置 | |
CN113704008A (zh) | 一种异常检测方法、问题诊断方法和相关产品 |
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: 20201201 |