CN112420191A - 一种中医辅助决策系统及方法 - Google Patents

一种中医辅助决策系统及方法 Download PDF

Info

Publication number
CN112420191A
CN112420191A CN202011320701.5A CN202011320701A CN112420191A CN 112420191 A CN112420191 A CN 112420191A CN 202011320701 A CN202011320701 A CN 202011320701A CN 112420191 A CN112420191 A CN 112420191A
Authority
CN
China
Prior art keywords
symptom
traditional chinese
chinese medicine
weight
module
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
CN202011320701.5A
Other languages
English (en)
Inventor
崔蒙
杨寅
岳云宇
胡云苹
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.)
Beijing Maiqi Technology Co ltd
Original Assignee
Beijing Maiqi Technology Co ltd
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 Beijing Maiqi Technology Co ltd filed Critical Beijing Maiqi Technology Co ltd
Priority to CN202011320701.5A priority Critical patent/CN112420191A/zh
Publication of CN112420191A publication Critical patent/CN112420191A/zh
Pending legal-status Critical Current

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
    • G16H50/20—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/247—Thesauruses; Synonyms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/13—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered from dispensers
    • 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
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • 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)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种中医辅助决策系统及方法，系统包括：患者信息获取模块，用于接收中医病案中患者的患者信息，患者信息包括患者基本信息、现病史、症体及中药实体数据；症状评分模块，与患者信息获取模块连接，用于采用动态加权法对症体按照预设规则进行评分，获得并输出每个指标的权重以及对指标进行加权求和计算出症体对应的每个症状的权重；辅助决策模块，与症状评分模块连接，基于SeqGAN算法训练症状到药物的模型，根据症体对应的每个症状的权重，按照预设规则，按照预设规则将针对症体对应的每个症状的最优中药组作为辅助决策结果输出。通过将患者的症体进行动态加权法评估获得对应症状的权重，采用SeqGAN算法计算输出最优中药组作为决策输出。

Description

一种中医辅助决策系统及方法
技术领域
本发明涉及智能医疗技术领域，特别是涉及一种中医辅助决策系统及方法。
背景技术
随着大数据技术的不断发展、ALphaGo等人工智能取得的重大成功，其与各个行业的结合，从而提高工作效率，而在医疗领域也融入很多的人工智慧等高科技、医疗服务走向智能化成为未来医疗发展的趋势之一。
其中，人工智能诊疗系统辅助临床决策以提高平均医疗水平、甚至突破现有医疗水平成为一项研究热点。而在中医领域，不论是传统的师带徒，还是学位教育结束后年轻医师开展临床实践，单个中医医师可接触到的临床病例均是有限的、低量级的。
而使用基于大数据的中医人工智能诊疗系统来辅助临床决策，可大大提升低年资中医医师临床水平、启发高年资医师的临床用药思路。然而，现有的中医人工智能诊疗系统研究还不成熟，存在较大的局限性：如人为将症状转换为证素、建立“症状”-“证素”-“证候”人为固化链条，使得大数据的优势无法发挥，无法突破人的诊疗思维局限；如建立某位名老中医的智能诊疗系统，其结果仅能实现临床疗效接近该医师水平，而无法突破其临床水平等。
发明内容
本发明的目的是提供了一种中医辅助决策系统及方法，提高中医决策效率以及准确性，降低劳动强度。
为解决上述技术问题，本发明实施例提供了一种中医辅助决策系统，包括：
患者信息获取模块，用于接收中医病案中患者的患者信息，所述患者信息包括患者基本信息、现病史、症体及中药实体数据；
症状评分模块，与所述患者信息获取模块连接，用于采用动态加权法对所述症体按照预设规则进行评分，获得并输出每个指标的权重以及对所述指标进行加权求和计算出所述症体对应的每个症状的权重；
辅助决策模块，与所述症状评分模块连接，基于SeqGAN算法训练症状到药物的模型，根据所述症体对应的每个症状的权重，按照预设规则，按照预设规则将针对所述症体对应的每个症状的最优中药组作为辅助决策结果输出。
其中，还包括与所述辅助决策模块连接的增量数据更新模块，用于医生根据所述辅助决策结果进行修正并下处方作为新训练数据，并对所述新数据根据自身级别增加对应权重后输出。
其中，还包括与所述症状评分模块连接的权函数选择模块，用于根据权函数选择指令，选择柯西分布函数、分段变幂函数、偏大型正太分布函数中的至少一个作为所述症状评分模块运行的权函数。
其中，还包括与所述症状评分模块连接的中医病案文本后结构化模块，采用Bert_BiLSTM_CRF模型对非文本格式的中医医案进行文字识别并将所述中医病案中的患者基本信息、现病史、症状及中药实体数据，形成计算机可处理的文本。
其中，所述中医病案文本后结构化模块包括OCR引擎Tesseract单元、字符识别API单元中的至少一个。
其中，还包括与所述中医病案文本后结构化模块连接的术语归一模块，所述术语归一模块基于TCMLS中医药标准术语集，采用相似度算法与人工校审相结合的方式对从中医病案中收集的现病史、中医症状和中药的名称进行归一化处理，利用相似度算法，计算待归一的候选术语到标准术语的语义相似度，选择相似度超过阈值超过的术语进行人工校审，得到准确的同义词集。
除此之外，本发明实施例还提供了一种中医辅助决策方法，包括：
S1，接收中医病案中患者的患者信息，所述患者信息包括患者基本信息、现病史、症体及中药实体数据；
S2，采用动态加权法对所述症体按照预设规则进行评分，获得并输出每个指标的权重以及对所述指标进行加权求和计算出所述症体对应的每个症状的权重；
S3，基于SeqGAN算法训练症状到药物的模型，根据所述症体对应的每个症状的权重，按照预设规则，按照预设规则将针对所述症体对应的每个症状的最优中药组作为辅助决策结果输出。
其中，在所述S3之后，还包括：
S4，医生根据所述辅助决策结果进行修正并下处方作为新训练数据，并对所述新数据根据自身级别增加对应权重后输出。
其中，所述S1还包括：
采用Bert_BiLSTM_CRF模型对非文本格式的所述中医医案进行文字识别并将所述中医病案中的患者信息形成计算机可处理的文本输出。
其中，所述S2还包括：
用于根据权函数选择指令，选择柯西分布函数，分段变幂函数，偏大型正太分布函数中的至少一个作为所述动态加权法运行的权函数。
本发明实施例所提供的中医辅助决策系统及方法，与现有技术相比，具有以下优点：
本发明实施例提供的中医辅助决策系统及方法，通过将患者的症体进行动态加权法评估获得对应症状的权重，采用SeqGAN算法计算输出最优中药组作为决策输出，提高中医决策效率以及准确性，而且由于所有的症状都会有具有的对应，大大降低了决策难度，有助于实现智能医疗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的中医辅助决策系统的一个实施例中的连接结构示意图；
图2为本发明提供的中医辅助决策系统的另一个实施例中的连接结构示意图；
图3为本发明提供的中医辅助决策系统的一个实施例中采用的SeqGAN模型的框架示意图；
图4为本发明提供的中医辅助决策系方法的一个实施例的步骤流程示意图；
图5为本发明提供的中医辅助决策系方法的另一个实施例的步骤流程示意图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1～图5，图1为本发明提供的中医辅助决策系统的一个实施例中的连接结构示意图；图2为本发明提供的中医辅助决策系统的另一个实施例中的连接结构示意图；图3为本发明提供的中医辅助决策系统的一个实施例中采用的SeqGAN模型的框架示意图；图4为本发明提供的中医辅助决策系方法的一个实施例的步骤流程示意图；图5为本发明提供的中医辅助决策系方法的另一个实施例的步骤流程示意图。
在一种具体实施方式中，所述中医辅助决策系统，包括：
患者信息获取模块10，用于接收中医病案中患者的患者信息，所述患者信息包括患者基本信息、现病史、症体及中药实体数据；
症状评分模块20，与所述患者信息获取模块10连接，用于采用动态加权法对所述症体按照预设规则进行评分，获得并输出每个指标的权重以及对所述指标进行加权求和计算出所述症体对应的每个症状的权重；
辅助决策模块30，与所述症状评分模块20连接，基于SeqGAN算法训练症状到药物的模型，根据所述症体对应的每个症状的权重，按照预设规则，按照预设规则将针对所述症体对应的每个症状的最优中药组作为辅助决策结果输出。
通过将患者的症体进行动态加权法评估获得对应症状的权重，采用SeqGAN算法计算输出最优中药组作为决策输出，提高中医决策效率以及准确性，而且由于所有的症状都会有具有的对应，大大降低了决策难度，有助于实现智能医疗。
通过上述的中医辅助决策模型，应用于真实的电子病历，从电子病历中读取信息作为模型输入，经辅助决策模型运算后，将推荐药物的结果返回到电子病历中，实现简单快速精准的对症下药，对于医师的要求较低。
由于本发明中医辅助决策系统是用于中医的决策，如果直接用于对患者下药，于患者的生命健康来说，即使存在万分之一的失误，也是不能接受的，辅助决策的对医师进行帮助的，不能等同于医师。
因此，为了解决这一问题，在本发明的一个实施例中，所述中医辅助决策系统还包括与所述辅助决策模块30连接的增量数据更新模块40，用于医生根据所述辅助决策结果进行修正并下处方作为新训练数据，并对所述新数据根据自身级别增加对应权重后输出。
通过医师根据上述的辅助决策结果根据自己的经验进行修正并下处方作为新训练数据，然后对所述新数据根据自身级别增加对应权重后输出，这样根据不同级别的医师，实现了综合诊断以及给药的效果，可以降低单一医师由于级别较高造成数量较少造成的工作压力，也能提高级别较低医师学习的机会，而且综合不同医师给出的方案的可靠性明显较高一些，对于患者的健康有益。
由于本发明中采用评分模式，需要对症状进行一定的评价，本发明采用动态加权法，对于采用的权函数不做限定，由于可能在不同的病症中需要使用的权函数不同，因此，在一个实施例中，所述中医辅助决策系统还包括与所述症状评分模块20连接的权函数选择模块，用于根据权函数选择指令，选择柯西分布函数、分段变幂函数、偏大型正太分布函数中的至少一个作为所述症状评分模块20运行的权函数。
通过灵活采用不同的权函数，实现不同病症的加权设计，也可以采用两个、三个甚至更多个权函数，而且不同的权函数也可以采用不同的权重，本发明对于具体采用的权函数以及权函数的权重不做限定。
在大多数情况患者的病例为电子病例，计算机可以直接进行读取，但是也有很多纸质病例，并不是数据化的病例，计算机无法直接进行读取，为了解决这一技术问题，在发明的一个实施例中，所述中医辅助决策系统还包括与所述症状评分模块20连接的中医病案文本后结构化模块50，采用Bert_BiLSTM_CRF模型对非文本格式的中医医案进行文字识别并将所述中医病案中的患者基本信息、现病史、症状及中药实体数据，形成计算机可处理的文本。
本发明对于识别单元不做限定，一般所述中医病案文本后结构化模块50包括OCR引擎Tesseract单元、字符识别API单元中的至少一个。
该模块利用OCR技术对非文本格式的中医医案进行文字识别，形成计算机可处理的文本，采用不限于Bert_BiLSTM_CRF实体标注等一系列标签标注模型，识别中医病案中的患者基本信息，现病史，症状及中药等实体数据，其中患者基本信息包括姓名，性别，年龄等，现病史记述患者病后的全过程，即发生、发展、演变和诊治经过，症状包括，主要症状和次症，中药包括中药的名称，中药的用量及中药的单位等。
采用的多种方法相结合的方式进行中医病案的文本识别，一般主要包括谷歌开源OCR引擎Tesseract单元和百度的字符识别API单元。
构建Bert_BiLSTM_CRF模型，识别中医病案中的患者基本信息，现病史，症状及中药等实体数据，其中患者基本信息包括姓名，性别，年龄等，现病史，主要症状和次症，中药包括中药的名称，中药的用量及中药的单位等。Bert_BiLSTM_CRF，可以分为三部分，Bert作为预训练的输入层，BiLSTM作为训练中间层，CRF作为顶层输出层。具体如下:
Bert预训练模型，google的Bert通过深度双向Transformer编码器表征训练出来，该方法将来自左右的上下文信息加入到每一层中，训练出来的Bert模型稍作添加就能迁移到其他任务中，目前在11项自然语言处理领域的任务和比赛中取得了最好的结果。这里引入的Bert_BiLSTM_CRF模型是在bert-base-chinese的基础上添加BiLSTM_CRF，即输入文本，对文本格式进行预处理，按照病理报告类型，标本进行切分。将病理按照字分割，将字映射为对应的id号，转化为向量形式，记录文本中字的位置，并将位置转化为向量形式，将文本字级别的向量、位置向量输入深度双向Transformer模型，将该模型的输出节点向量作为BiLSTM_CRF的输入向量，最后经过BiLSTM_CRF的模型预测每一个字的类别，将分类按照词的组合形式组合起来，即为指标值的结果。
简单介绍Bert模型，Bert的全称是Bidirectional Encoder Representationsfrom Transformers(基于Transformer的双向编码器表征)，其中双向表示模型在处理某一个词时，它能同时利用前面的词和后面的词两部分信息。这种双向的来源在于Bert与传统语言模型不同，它不是在给定所有前面词的条件下预测最可能的当前词，而是随机遮掩一些词，并利用所有没被遮掩的词进行预测。BERT可以视为结合了OpenAI的GPT和ELMo优势的新模型。其中ELMo使用两条独立训练的LSTM获取双向信息，而GPT使用新型的Transformer和经典语言模型只能获取单向信息。Bert的主要目标是在GPT的基础上对预训练任务做一些改进，以同时利用Transformer深度模型与双向信息的优势。
输入表征：模型的输入有A句和B句两个自然句，我们首先需要将每个字及特殊符号都转化为词嵌入向量。两个句子中间加入特殊符[SEP]用于分割两个句子，句子最后也加入[SEP]。且在A/B句最前面的特殊符[CLS]，该特殊符可以视为汇集了整个输入序列的表征。最后的位置编码是Transformer架构本身决定的，因为基于完全注意力的方法并不能像CNN或RNN那样编码词与词之间的位置关系，但是正因为这种属性才能无视距离长短建模两个词之间的关系。因此为了令Transformer感知词与词之间的位置关系，我们需要使用位置编码给每个词加上位置信息。
Bert最核心的就是预训练过程，简单而言，模型会从数据集抽取两句话，其中B句有50％的概率是A句的下一句，然后将这两句话转化为前面所示的输入表征。现在我们随机遮掩(Mask掉)输入序列中15％的词，并要求Transformer预测这些被遮掩的词，以及B句是A句下一句的概率这两个任务。在实体识别领域中，保留Bert模型转化后的Tokens，将其作为序列识别模型的输入，即可在Bert模型的基础上完成迁移学习，实现实体识别的目的。
这里选取的Bert的中文预训练模型bert_base_chinese，模型有12层，768个隐状态节点，12个self-Attention的‘头’(Head)。具体的注意力机制(Attention)简单来说就是给定一个查找(query)和一个键值表(key-value pairs)，将query映射到正确的输入的过程。此处的query、key、value和最终的输出都是向量。输出往往是一个加权求和的形式，而权重则由query、key和value决定，self-Attention中query、key、value均等于输入序列x，其中Head的个数h表示利用h个线性变换分别将d维的key、value和query映射成dk维、dk维和dv维，然后再代入注意力机制，产生总共h×dv维输出，然后拼起来，再用一个线性变换得到最终的输出。具体公式如下：
head＝Attention(QW,KW,VW)
MultiHead(Q,K,V)＝Concat(head1,head2,...,headn)W
其中W代表权重矩阵，n表示Head的个数。
BILSTM+CRF模型：是目前主流的实体识别模型，BiLSTM能够获取序列左右语序中上下文信息，对输入的字给以预测的标签的概率，在其上添加CRF层，能够将整个文本序列中预测出来标签概率按照约束形成一个相对最准确符合语言学描述的预测路径。而这条路径就是我们实体识别模型预测结果，从这条路径中提取需要的目标实体类别。
简单介绍一下BiLSTM+CRF模型，该模型分为两大部分：第一部分为双向的长短记忆模型(BiLSTM)，第二部分是CRF层。BiLSTM考虑的是输入序列中每一个单元X的上下文信息，添加CRF可以考虑标签(tag)之间的依赖关系信息。
第一部分：BiLSTM可以参照LSTM，输入序列经过遗忘门、输入门、输出门，输出隐状态向量；双向LSTM即不仅考虑序列的正向影响，也考虑序列的后向影响，前向的LSTM与后向的LSTM结合成BiLSTM。比如，我们对“我爱中国”这句话进行编码，前向的LSTML依次输入“我”，“爱”，“中”，“国”得到四个向量{hL0,hL1,hL2,hL3},后向的LSTMR依次输入“国”，“中”，“爱”，“我”得到四个向量{hR0,hR1,hR2,hR3},最后将前向和后向的隐向量进行拼接得到{[hL0,hR3],[hL1,hR2],[hL2,hR1],[hL3,hR0]},即{h0,h1,h2,h3}，连接转化后标签序列，训练模型。
LSTM简单介绍：LSTM的关键就是细胞状态，细胞状态类似于传送带，直接在整个链上运行，只有一些少量的线性交互，信息在上面流传保持不变会很容易。LSTM有通过“门”的结构来去除或者增加信息到细胞状态的能力。门是一种让信息选择式通过的方法。他们包含一个sigmoid神经网络层和一个pointwise乘法操作Sigmoid层输出0到1之间的数值，描述每个部分有多少量可以通过。0代表“不许任何量通过”，1就指“允许任意量通过”。LSTM拥有三个门，来保护和控制细胞状态，即遗忘门、输入门、输出门。LSTM中的第一步是决定我们会从细胞状态中丢弃什么信息，这个决定通过一个称为遗忘门层完成；下一步是确定什么样的新信息被存放在细胞状态中，这里包含两个部分：第一，sigmoid层称“输入门层”决定什么值我们将要更新。然后，一个tanh层创建一个新的候选值向量；再下一步，用这两个信息来产生对状态的更新；最后我们需要确定输出什么值，这个输出将会基于我们的细胞状态，首先运行一个sigmoid层来确定细胞状态的哪个部分将输出出去，而后把细胞状态通过tanh进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘，最终我们仅仅会输出我们确定输出的那部分。具体公式如下：
Figure BDA0002792799620000101
CRF模型：这里CRF采用BIO标记方法，一个字对应一个标签，其中B表示词的起始，I表示字为词的中间，O表示非目标指标值的其他字。CRF在计算中有发射概率矩阵和转移概率矩阵两部分，在BILSTM+CRF中BiLSTM层的输出是每个词的所有标签的各自得分，相当于每个词映射到标签的发射概率值,CRF中的转移概率矩阵A,Ai,j代表tagi转移到tagj的转移概率。对于输入序列X对应的输出tag序列y,定义分数为score，其中每一个score对应一个完整的路径。利用维特比算法进行预测，求解最优路径，最优的路径即输出序列的最后预测结果。
本发明的症状评分模块20采用动态加权法对症状实体进行评分，奔放对其具体过程不做限定。
动态加权法是针对多因素多属性的综合评价方法，该方法通过权函数，如柯西分布函数，分段变幂函数，偏大型正太分布函数等，得到每个指标的权重，最后对每个指标加权求和计算出每个症状的权重。
症状评分动态加权法：采用动态加权法对输入的每个症状进行打分，取值1，2，3，4，5。加权归一后的症状为，入夜不寐主症5纳少神疲次症4腑行燥结次症4脉象细弱次症3。
一个实施例中，动态加权具体实现如下：
一组症状记为S1,S2,S3...Sn,每个症状对应得m个属性记为x1,x2,x3...xn，属性如：入睡时间，入睡程度，梦的频次，健忘的频次，饮食量等，每个属性都包含K个等级，每个等级都包含一个范围[a,b],且a<b。如入睡的时间分三个等级，一级对应0至2个小时，二级对应3至5个小时，三级对应6至7个小时。如某项指标Xi对于综合评价效果的影响大约是随着类别Pk(k＝1,2,..K)的增加而按正幂次增加，同时在某一类中随着指标值的增加按相应的一个幂函数增加，则对指标Xi可以设定分段密函数为变权函数，即x∈[ak (i),bk (i)]时，wi(x)＝x1/k(k＝1,2,...K),其中，1≤i≤m，得到每个指标的权重，对于不同的指标采用不同的权函数，如柯西分布函数，S型分布函数，偏大型正太分布函数等，得到每个指标的权重，最后对每个指标加权求和计算出每个症状的权重
更进一步，由于医学是非常专业的学科，中医更是具有更强的专业性，必然使得其使用的术语比较专业，而在实际的使用中，出现不专业的词汇的现象是非常可能的，但是由于不是专业词汇，使得无法进行识别，无法使用，限制了该中医辅助决策系统的应用，为了解决这一技术问题，在一个实施例中，所述中医辅助决策系统还包括与所述中医病案文本后结构化模块50连接的术语归一模块60，所述术语归一模块60基于TCMLS中医药标准术语集，采用相似度算法与人工校审相结合的方式对从中医病案中收集的现病史、中医症状和中药的名称进行归一化处理，利用相似度算法，计算待归一的候选术语到标准术语的语义相似度，选择相似度超过阈值超过的术语进行人工校审，得到准确的同义词集。
采用术语归一模块60，将多种常用的术语转化为中医能够识别的术语，提高了应用范围，本发明包括但不局限于上述的归一化处理方法。
本发明中基于SeqGAN算法中医的辅助决策即针对一组症状的一组最优中药的推荐，因而需要构建SeqGAN模型。其中，SeqGAN模型主要包括生成网络、判别网络和激励网络，具体如下:
SeqGAN的全称是Sequence Generative Adversarial Nets，该模型的目的是训练一个参数为θ的生成网络(Generator)，Gθ，用来生成中药序列T＝(y1,y2,...yt...yT),yt∈Y,其中Y表示中药字典。基于强化学习的思想，在t时刻，状态state定义为当前生成的序列(y1,y2...yt-1)，动作a定义为下一个选择的药物yt。利用中医失眠真实数据，和Gθ产生的训练数据，训练一个参数为φ的判别网络(Discriminator)，Dφ，用于指导Gθ的改进。
Gθ通过策略梯度(policy gradient)和经由Dφ得到Reward进行更新。Reward的计算依据是最大可能的混淆模型Dφ，也就是让Dφ认为Gθ产生的数据为真实的数据。记忆单元存储真实的训练数据，并在辅助决策系统的临床应用中不断更新我们的记忆单元的真实数据，从而更新我们的判别网络以及生成网络，不断优化迭代辅助决策模型，整体的框架图见图3。
生成网络(Generator)，一般选择的是循环神经网络结构，RNN，LSTM或者是GRU都可以。对于输入的序列，首先得到序列中单词的embedding，然后输入每个cell中，并结合一层全链接隐藏层得到输出每个单词的概率，即：p(yt|x1,...xt)＝z(ht)＝softmax(c+wi),ht＝g(ht-1,xt)。利用这个概率，Generator可以根据它采样一批产生的序列，比如生成一个只有，两个单词的序列，总共的单词序列有3个，第一个cell的输出为(0.5,0.5,0.0)，第二个cell的输出为(0.1,0.8,0.1)，那么Generator产生的序列以0.4的概率是1->2,以0.05的概率是1->1。
注意这里Generator产生的序列是概率采样得到的，而不是对每个输出进行argmax得到的固定的值，这和policy gradient的思想是一致的。
在每一个cell都能得到一个概率分布，基于它选择了一个动作或者说一个单词，判定基于这个概率分布得到的中药的价值，需要一个reward来左右这个单词被选择的概率。为了获取Reward，就需要我们的Discriminator以及蒙塔卡罗树搜索方法。Reward的依据是Discriminator的最大可能的中药序列的输出，因此尽可能的让Discriminator认为Generator产生的数据为逼真的数据。这里我们设定real-world的数据的label为1，而Generator产生的数据label为0.
如果当前的cell是最后的一个cell，即已经得到了一个完整的序列，这种情况下直接把这个序列扔给Discriminator，得到输出为1的概率，最后对输出为1的概率取平均值得到Reward值。
如果当前的cell不是最后一个cell，即当前的中药不是最后的中药，还没有得到一个完整的序列，此时，要估计Reward需要用到了蒙特卡罗树搜索的方法。
蒙特卡洛树搜索(MCTS)：在评估任意时刻的序列时，考虑的其实都是它能带来的long-term reward，就像下围棋或象棋一样，每下一步棋都要以全局为考量。在围棋和象棋的求解算法中，MCTS是一个很重要的组成部分，所以作者想到了将它应用到当前的问题。
从名字得知，这种算法属于一种蒙特卡洛方法(Monte Carlo method)——根据维基百科，也称统计模拟方法，是指使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。MCTS正是这样一种基于统计模拟的启发式搜索算法，常用于游戏的决策过程。MCTS可以无限循环，而每一次循环都由以下4个步骤构成：
Selection：从根节点开始，连续选择子节点向下搜索，直至抵达一个叶节点。子节点的选择方法一般采用UCT(Upper Confidence Bound applied to trees)算法，根据节点的“胜利次数”和“游戏次数”来计算被选中的概率，保持了Exploitation和Exploration的平衡，是保证搜索向最优发展的关键；
Expansion：在叶节点创建多个子节点；
Simulation：在创建的子节点中根据roll-out policy选择一个节点进行模拟，又称为playout或者rollout。
它和Selection的区别在于：Selection指的是对于搜索树中已有节点的选择，从根节点开始，有历史统计数据作为参考，使用UCT算法选择每次的子节点；Simulation是简单的模拟，从叶节点开始，用自定义的roll-out policy(可以只是简单的随机概率)来选择子节点，且模拟经过的节点并不加入树中；Backpropagation：根据Simulation的结果，沿着搜索树的路径向上更新节点的统计信息，包括“胜利次数”和“游戏次数”，用于Selection做决策。
利用MCTS使用前面已经产生的序列，从当前位置的下一个位置开始采样，得到一堆完整的序列。得到采样的序列后，我们把这一堆序列扔给Discriminator，得到一批输出为1的序列的概率，这些逼真的中药序列的概率的平均值也就是Reward，得到Reward后，通过Policy Gradient的方式进行训练Generator。基本思想就是增加Reward大的动作的选择概率，减小Reward小的动作的选择概率。Reward的公式如下：
Figure BDA0002792799620000141
Discriminator将真实数据作为正样本，Generator生成的数据作为负样本，训练一个二分类的神经网络。分类模型可采用CNN，LSTM等神经网络，为了使模型的分类效果更好，在分类模型的基础上增加了一个highway network。随着网络的深度逐渐加深，更深的层数以及更小的感受野，能够提高网络分类的准确性，网络的训练也就变得越来越困难。Highway Networks就是一种解决深层次网络训练困难的网络框架
传统的神经网络对输入使用一个非线性变换得到输出output，公式如下：y＝H(x,WH),x表示输入，WH表示权重。
Highway network基于门机制引入了transform gate和carry gate，输出output是由tranform input和carry input组成。
y＝H(x,WH)·T(x,WT)+x·C(x,WC),设置C＝1-T，
公式变换为y＝H(x,WH)·T(x,WT)+x·(1-T(x,WT))。
相比于传统的神经网路随着深度增加训练很难，highway network训练很简单，使用简单的SGD就可以训练很深的网络，而且optimization更简单，甚至收敛更快。
在对抗过程中Generator和Discriminator的训练过程，其实在进行对抗之前，Generator和Discriminator都有一个预训练的过程，这能使模型更快的收敛。
对于Generator来说，预训练和对抗过程中使用的损失函数是不一样的，在预训练过程中，Generator使用的是交叉熵损失函数，而在对抗过程中，使用的则是PolicyGradient中的损失函数，即对数损失*奖励值。
而对Discriminator来说，两个过程中的损失函数都是一样的，即前面介绍的对数损失函数。
本发明中在完成决策到将该决策进行如电子病历，一个实施例中获得电子病历如下：
(1)，从电子病历中，读取患者基本信息，包括性别、年龄等；
(2)从电子病历的主诉、四诊(望、闻、问、切)的字段，读取自由文本，经过后结构化处理后，抽取症状(症状名)；
(3)从电子病历的现病史字段，读取自由文本，经过后结构化处理后，抽取现病史(病史名、病程)。
(4)基于患者基本信息、症状、现病史，利用辅助决策模型进行计算，得到推荐的药物组。
(5)人工对药物组进行修正，包括对药物及计量的删减、添加等，返回电子病历的医嘱字段。
本发明中采用分批次在线学习的策略，积累一批训练数据，重新进行学习，并更新模型的参数。
除此之外，本发明实施例还提供了一种中医辅助决策方法，包括：
S1，接收中医病案中患者的患者信息，所述患者信息包括患者基本信息、现病史、症体及中药实体数据；
S2，采用动态加权法对所述症体按照预设规则进行评分，获得并输出每个指标的权重以及对所述指标进行加权求和计算出所述症体对应的每个症状的权重；
S3，基于SeqGAN算法训练症状到药物的模型，根据所述症体对应的每个症状的权重，按照预设规则，按照预设规则将针对所述症体对应的每个症状的最优中药组作为辅助决策结果输出。
由于所述医辅助决策方法为上述的医辅助决策系统对应的方法，具有相同的有益效果，本发明对此不作限定。
为了进一步提高决策可靠性，降低决策带来的风险，在一个实施例中，在所述S3之后，还包括：
S4，医生根据所述辅助决策结果进行修正并下处方作为新训练数据，并对所述新数据根据自身级别增加对应权重后输出。
根据辅助决策的结果，医生会进行修正并下处方，这作为新的训练数据，并对新的数据加权重。医生级别高的训练数据的权重高、医生疾病低的训练数据权重低，这样可以综合不同级别的医师的意见实现更加高效的决策，同时不同医师的不同决策也可以为低级医师提供大量样本，提高学习效率，降低学习成本。
由于现有的病历中，既存在计算机可以直接识别的，也存在不能直接识别的，为了提高识别效率，在一个实施例中，所述S1还包括：
采用Bert_BiLSTM_CRF模型对非文本格式的所述中医医案进行文字识别并将所述中医病案中的患者信息形成计算机可处理的文本输出。
通过采用利用OCR技术对非文本格式的中医医案进行文字识别，形成计算机可处理的文本，实现后续处理的统一化，降低处理成本，提高决策效率，本发明中一般采用多种方法相结合的方式进行中医病案的文本识别，一般主要包括谷歌开源OCR引擎Tesseract和百度的字符识别API。
由于在进行评分过程中需要采用一些权函数，而对于不同的病症可能采用的权函数不同，其中的权重也不同，为了实现灵活准确的识别，在一个实施例中，所述S2还包括：
用于根据权函数选择指令，选择柯西分布函数，分段变幂函数，偏大型正太分布函数中的至少一个作为所述动态加权法运行的权函数。
本发明对于调用的权函数不做限定，可以是针对不同的病症，预先定义使用的权函数，也可以由医师在进行决策之前自定义，本发明对此不作限定。
综上所述，本发明实施例提供的中医辅助决策系统及方法，通过将患者的症体进行动态加权法评估获得对应症状的权重，采用SeqGAN算法计算输出最优中药组作为决策输出，提高中医决策效率以及准确性，而且由于所有的症状都会有具有的对应，大大降低了决策难度，有助于实现智能医疗。
以上对本发明所提供的中医辅助决策系统及方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种中医辅助决策系统，其特征在于，包括：
患者信息获取模块，用于接收中医病案中患者的患者信息，所述患者信息包括患者基本信息、现病史、症体及中药实体数据；
症状评分模块，与所述患者信息获取模块连接，用于采用动态加权法对所述症体按照预设规则进行评分，获得并输出每个指标的权重以及对所述指标进行加权求和计算出所述症体对应的每个症状的权重；
辅助决策模块，与所述症状评分模块连接，基于SeqGAN算法训练症状到药物的模型，根据所述症体对应的每个症状的权重，按照预设规则，按照预设规则将针对所述症体对应的每个症状的最优中药组作为辅助决策结果输出。
2.如权利要求1所述中医辅助决策系统，其特征在于，还包括与所述辅助决策模块连接的增量数据更新模块，用于医生根据所述辅助决策结果进行修正并下处方作为新训练数据，并对所述新数据根据自身级别增加对应权重后输出。
3.如权利要求2所述中医辅助决策系统，其特征在于，还包括与所述症状评分模块连接的权函数选择模块，用于根据权函数选择指令，选择柯西分布函数、分段变幂函数、偏大型正太分布函数中的至少一个作为所述症状评分模块运行的权函数。
4.如权利要求3所述中医辅助决策系统，其特征在于，还包括与所述症状评分模块连接的中医病案文本后结构化模块，采用Bert_BiLSTM_CRF模型对非文本格式的中医医案进行文字识别并将所述中医病案中的患者基本信息、现病史、症状及中药实体数据，形成计算机可处理的文本。
5.如权利要求4所述中医辅助决策系统，其特征在于，所述中医病案文本后结构化模块包括OCR引擎Tesseract单元、字符识别API单元中的至少一个。
6.如权利要求5所述中医辅助决策系统，其特征在于，还包括与所述中医病案文本后结构化模块连接的术语归一模块，所述术语归一模块基于TCMLS中医药标准术语集，采用相似度算法与人工校审相结合的方式对从中医病案中收集的现病史、中医症状和中药的名称进行归一化处理，利用相似度算法，计算待归一的候选术语到标准术语的语义相似度，选择相似度超过阈值超过的术语进行人工校审，得到准确的同义词集。
7.一种中医辅助决策方法，其特征在于，包括：
S1，接收中医病案中患者的患者信息，所述患者信息包括患者基本信息、现病史、症体及中药实体数据；
S2，采用动态加权法对所述症体按照预设规则进行评分，获得并输出每个指标的权重以及对所述指标进行加权求和计算出所述症体对应的每个症状的权重；
S3，基于SeqGAN算法训练症状到药物的模型，根据所述症体对应的每个症状的权重，按照预设规则，按照预设规则将针对所述症体对应的每个症状的最优中药组作为辅助决策结果输出。
8.如权利要求7所述中医辅助决策系统以及方法，其特征在于，在所述S3之后，还包括：
S4，医生根据所述辅助决策结果进行修正并下处方作为新训练数据，并对所述新数据根据自身级别增加对应权重后输出。
9.如权利要求8所述中医辅助决策系统以及方法，其特征在于，所述S1还包括：
采用Bert_BiLSTM_CRF模型对非文本格式的所述中医医案进行文字识别并将所述中医病案中的患者信息形成计算机可处理的文本输出。
10.如权利要求8所述中医辅助决策系统以及方法，其特征在于，所述S2还包括：
用于根据权函数选择指令，选择柯西分布函数，分段变幂函数，偏大型正太分布函数中的至少一个作为所述动态加权法运行的权函数。
CN202011320701.5A 2020-11-23 2020-11-23 一种中医辅助决策系统及方法 Pending CN112420191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011320701.5A CN112420191A (zh) 2020-11-23 2020-11-23 一种中医辅助决策系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011320701.5A CN112420191A (zh) 2020-11-23 2020-11-23 一种中医辅助决策系统及方法

Publications (1)

Publication Number Publication Date
CN112420191A true CN112420191A (zh) 2021-02-26

Family

ID=74778085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011320701.5A Pending CN112420191A (zh) 2020-11-23 2020-11-23 一种中医辅助决策系统及方法

Country Status (1)

Country Link
CN (1) CN112420191A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362945A (zh) * 2021-06-03 2021-09-07 重庆南鹏人工智能科技研究院有限公司 基于多步决策的全肺呼吸内科疾病医学辅助诊断系统
CN113722476A (zh) * 2021-07-30 2021-11-30 的卢技术有限公司 一种基于深度学习的简历信息提取方法及系统
CN114894210A (zh) * 2022-05-13 2022-08-12 卡奥斯工业智能研究院(青岛)有限公司 物流车辆路径规划方法、装置、设备和存储介质
CN115424696A (zh) * 2022-11-04 2022-12-02 之江实验室 一种基于迁移学习的中医罕见病中药处方生成方法和系统
CN116344041A (zh) * 2023-05-25 2023-06-27 大安健康科技(北京)有限公司 一种基于知识图谱的中医辅助决策系统
CN116453641A (zh) * 2023-06-19 2023-07-18 潍坊医学院附属医院 一种中医辅助分析信息的数据处理方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103998021A (zh) * 2011-12-21 2014-08-20 高露洁-棕榄公司 诊断和治疗上火的方法和产品
CN104200069A (zh) * 2014-08-13 2014-12-10 周晋 一种基于症状分析和机器学习的用药推荐系统和方法
CN105678058A (zh) * 2015-12-31 2016-06-15 中国科学院微电子研究所 中医辅助诊疗装置和系统
CN109166619A (zh) * 2018-07-20 2019-01-08 上海溯斋网络科技有限公司 基于神经网络算法的中医智能诊断辅助系统及方法
CN109360647A (zh) * 2018-09-10 2019-02-19 康然 一种基于人工智能的中医诊疗系统
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
CN110706811A (zh) * 2019-09-29 2020-01-17 北京一药良心信息科技有限公司 一种中医辅助开方系统及其控制方法
CN111312356A (zh) * 2020-01-17 2020-06-19 四川大学 一种基于bert和融入功效信息的中药处方生成方法
CN111599433A (zh) * 2020-04-14 2020-08-28 北京决明科技有限公司 一种药材的辅助开方方法、装置、存储介质及终端
CN111738007A (zh) * 2020-07-03 2020-10-02 北京邮电大学 一种基于序列生成对抗网络的中文命名实体识别数据增强算法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103998021A (zh) * 2011-12-21 2014-08-20 高露洁-棕榄公司 诊断和治疗上火的方法和产品
CN104200069A (zh) * 2014-08-13 2014-12-10 周晋 一种基于症状分析和机器学习的用药推荐系统和方法
CN105678058A (zh) * 2015-12-31 2016-06-15 中国科学院微电子研究所 中医辅助诊疗装置和系统
CN109166619A (zh) * 2018-07-20 2019-01-08 上海溯斋网络科技有限公司 基于神经网络算法的中医智能诊断辅助系统及方法
CN109360647A (zh) * 2018-09-10 2019-02-19 康然 一种基于人工智能的中医诊疗系统
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
CN110706811A (zh) * 2019-09-29 2020-01-17 北京一药良心信息科技有限公司 一种中医辅助开方系统及其控制方法
CN111312356A (zh) * 2020-01-17 2020-06-19 四川大学 一种基于bert和融入功效信息的中药处方生成方法
CN111599433A (zh) * 2020-04-14 2020-08-28 北京决明科技有限公司 一种药材的辅助开方方法、装置、存储介质及终端
CN111738007A (zh) * 2020-07-03 2020-10-02 北京邮电大学 一种基于序列生成对抗网络的中文命名实体识别数据增强算法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362945A (zh) * 2021-06-03 2021-09-07 重庆南鹏人工智能科技研究院有限公司 基于多步决策的全肺呼吸内科疾病医学辅助诊断系统
CN113722476A (zh) * 2021-07-30 2021-11-30 的卢技术有限公司 一种基于深度学习的简历信息提取方法及系统
CN114894210A (zh) * 2022-05-13 2022-08-12 卡奥斯工业智能研究院(青岛)有限公司 物流车辆路径规划方法、装置、设备和存储介质
CN114894210B (zh) * 2022-05-13 2023-09-29 卡奥斯工业智能研究院(青岛)有限公司 物流车辆路径规划方法、装置、设备和存储介质
CN115424696A (zh) * 2022-11-04 2022-12-02 之江实验室 一种基于迁移学习的中医罕见病中药处方生成方法和系统
CN116344041A (zh) * 2023-05-25 2023-06-27 大安健康科技(北京)有限公司 一种基于知识图谱的中医辅助决策系统
CN116344041B (zh) * 2023-05-25 2023-09-08 大安健康科技(北京)有限公司 一种基于知识图谱的中医辅助决策系统
CN116453641A (zh) * 2023-06-19 2023-07-18 潍坊医学院附属医院 一种中医辅助分析信息的数据处理方法及系统
CN116453641B (zh) * 2023-06-19 2023-09-05 潍坊医学院附属医院 一种中医辅助分析信息的数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN110032648B (zh) 一种基于医学领域实体的病历结构化解析方法
CN110210037B (zh) 面向循证医学领域的类别检测方法
CN112420191A (zh) 一种中医辅助决策系统及方法
CN109670179B (zh) 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法
CN109192300A (zh) 智能问诊方法、系统、计算机设备和存储介质
CN109800411A (zh) 临床医疗实体及其属性抽取方法
CN105894088A (zh) 基于深度学习及分布式语义特征医学信息抽取系统及方法
CN106682397A (zh) 一种基于知识的电子病历质控方法
CN111554360A (zh) 基于生物医学文献和领域知识数据的药物重定位预测方法
CN110277167A (zh) 基于知识图谱的慢性非传染性疾病风险预测系统
CN110322962A (zh) 一种自动生成诊断结果的方法、系统及计算机设备
CN113688248B (zh) 一种小样本弱标注条件下的医疗事件识别方法及系统
Li et al. Character-level neural network model based on Nadam optimization and its application in clinical concept extraction
Ji et al. A deep neural network model for speakers coreference resolution in legal texts
CN113035362A (zh) 一种基于语义图网络的医疗预测方法及系统
Xiong et al. DGI: recognition of textual entailment via dynamic gate matching
CN115293161A (zh) 基于自然语言处理和药品知识图谱的合理用药系统及方法
CN117077786A (zh) 一种基于知识图谱的数据知识双驱动智能医疗对话系统和方法
CN114781382A (zh) 基于rwlstm模型融合的医疗命名实体识别系统及方法
Gharagozlou et al. RLAS-BIABC: A reinforcement learning-based answer selection using the bert model boosted by an improved ABC algorithm
Ke et al. Medical entity recognition and knowledge map relationship analysis of Chinese EMRs based on improved BiLSTM-CRF
CN115879546A (zh) 一种复合神经网络心理医学知识图谱构建方法及系统
CN114841167A (zh) 一种基于图神经网络多嵌入联合的临床命名实体识别方法
CN116630062A (zh) 一种医保欺诈行为检测方法、系统、存储介质
CN111125378A (zh) 一种基于自动样本标注的闭环实体抽取方法

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