CN112735584B - 一种恶性肿瘤诊疗辅助决策生成方法及装置 - Google Patents

一种恶性肿瘤诊疗辅助决策生成方法及装置 Download PDF

Info

Publication number
CN112735584B
CN112735584B CN202011630946.8A CN202011630946A CN112735584B CN 112735584 B CN112735584 B CN 112735584B CN 202011630946 A CN202011630946 A CN 202011630946A CN 112735584 B CN112735584 B CN 112735584B
Authority
CN
China
Prior art keywords
knowledge
breast cancer
treatment
diagnosis
document
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.)
Active
Application number
CN202011630946.8A
Other languages
English (en)
Other versions
CN112735584A (zh
Inventor
杨风雷
张秀梅
姚达
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 Wanfang Data Co ltd
Original Assignee
Beijing Wanfang Data 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 Wanfang Data Co ltd filed Critical Beijing Wanfang Data Co ltd
Priority to CN202011630946.8A priority Critical patent/CN112735584B/zh
Publication of CN112735584A publication Critical patent/CN112735584A/zh
Application granted granted Critical
Publication of CN112735584B publication Critical patent/CN112735584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/20—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
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/33—Querying
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G16H50/70—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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本申请提供了一种恶性肿瘤诊疗辅助决策生成方法及装置，该方法包括：获取用户输入的搜索字段，并根据搜索字段进行文献检索，得到乳腺癌诊疗文献；根据预设文献范围，从乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识；对乳腺癌诊疗知识进行模块化表示，得到知识模块；将知识模块进行关联，构成乳腺癌模块化知识库；根据预设验证算法和预设规则表示方式，对乳腺癌模块化知识库进行知识验证；根据验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值；根据可能性数值超过预设可能性阈值的待选决策，生成目标诊疗辅助决策。

Description

一种恶性肿瘤诊疗辅助决策生成方法及装置
技术领域
本申请涉及诊疗辅助决策领域，具体而言，涉及一种恶性肿瘤诊疗辅助决策生成方法及装置。
背景技术
乳腺癌是一种高度异质性的肿瘤，这不仅表现在不同肿瘤之间或同一肿瘤内部之间的差异，也表现在组织病理分型、免疫组化特征分型和基因表达谱的分子分型上的不同(比如luminalA型、luminalB型、HER2过表达型、基底样型等)；这些不同亚型乳腺癌都有着各自不同的肿瘤生物学特征及治疗策略，基因表达、突变情况、治疗反应、预后等也都有着很大的不同。临床医生需要了解最新的乳腺癌研究进展并合理应用到临床实践中，以保证临床效果。随着个体化诊疗和精准医学的发展，个体化、精细化分类等的发展进步对临床医生也提出了越来越高的要求，并且，随着乳腺癌诊疗研究的进展，数据量(临床研究数量、所发表相关论文的数量等)的不断增大，临床医生面临的学习压力和挑战也越来越大。
现有技术中，对于乳腺癌的临床决策，只能通过手动进行文献的检索和挑选，然后再通过对文献的阅读和理解从中提炼知识，并有可能将知识整理后输入到CDSS(ClinicalDecision Support System，临床决策支持系统)中，并通过基于规则的、确定性的推理算法对知识进行推理，以得到临床决策，而这种方式得到的临床决策在大多数情况下是无法逼近实际的乳腺癌诊疗过程的。
发明内容
有鉴于此，本申请的目的在于提供一种恶性肿瘤诊疗辅助决策生成方法及装置，用于解决现有技术中如何生成高适用性的乳腺癌诊疗辅助决策的问题。
第一方面，本申请实施例提供了一种恶性肿瘤诊疗辅助决策生成方法，该方法包括：
获取用户输入的搜索字段，并根据所述搜索字段进行文献检索，得到乳腺癌诊疗文献；
根据预设文献范围，从所述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识；
对所述乳腺癌诊疗知识进行模块化表示，得到知识模块；
根据所述乳腺癌诊疗知识之间的关联描述，将所述知识模块进行关联，构成乳腺癌模块化知识库；
根据预设验证算法和预设规则表示方式，对所述乳腺癌模块化知识库进行知识验证，得到验证后的乳腺癌模块化知识库；
根据所述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值；
根据所述可能性数值超过预设可能性阈值的待选决策，生成目标诊疗辅助决策。
在一些实施例中，所述获取用户输入的搜索字段，并根据所述搜索字段进行文献检索，得到乳腺癌诊疗文献，包括：
获取用户输入的搜索字段，并对所述搜索字段进行解析，得到文献目标信息；
将所述文献目标信息填入文献目标格式化模板中，并添加各文献目标信息之间关联关系；
针对文献目标格式化模板中的每一项文献目标信息，进行检索词扩展匹配，得到每一项文献目标信息对应的检索词组；
根据所述检索词组以及所述关联关系，构建目标文献检索表达式；
以所述目标文献检索式进行文献检索，得到初检文献；
通过文献过滤模型对所述初检文献进行筛选，得到乳腺癌诊疗文献。
在一些实施例中，所述根据预设文献范围，从所述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识，包括：
根据预设文献范围，从所述乳腺癌诊疗文献中提取出目标文献；
从所述目标文献中随机选取预设数量的文献构成训练库，根据所述训练库进行模型训练，得到知识提取模型；
通过所述知识提取模型对所述目标文献进行知识提取，得到初始知识；
根据预先构建的知识词典对所述初始知识进行标准化处理，得到标准化知识；
根据预先构建的模糊消解词典对所述标准化知识进行明晰化处理，得到乳腺癌诊疗知识。
在一些实施例中，所述对所述乳腺癌诊疗知识进行模块化表示，得到知识模块，包括：
根据乳腺癌的诊疗环节和分型，生成多个基本模块；
根据每个基本模块所对应的诊疗环节和分型，从所述乳腺癌诊疗知识中抽取对应的诊疗知识，并以本体、知识图谱以及规则的方式进行知识表示，得到知识表示后的基本模块；
针对每一个所述知识表示后的基本模块，进行模块知识优化，并根据该基本模块中优化后的诊疗知识，对该基本模块进行模块定义，得到知识模块。
在一些实施例中，所述根据所述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值，包括：
针对所述验证后的乳腺癌模块化知识库中的每一条规则项进行强度等级划分，得到每一条规则项的规则强度等级；
根据所述每一条规则项的规则强度等级，通过预设强度值加权算法进行强度值计算，得到规则强度值；
根据所述规则强度值、诊疗条件和至少一种待选决策，通过预设不确定推理算法进行推理计算，得到所述每种待选决策的可能性数值。
第二方面，本申请实施例提供了一种恶性肿瘤诊疗辅助决策生成装置，包括：
文献检索模块，用于获取用户输入的搜索字段，并根据所述搜索字段进行文献检索，得到乳腺癌诊疗文献；
知识提取模块，用于根据预设文献范围，从所述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识；
知识表示模块，用于对所述乳腺癌诊疗知识进行模块化表示，得到知识模块；
关联模块，用于根据所述乳腺癌诊疗知识之间的关联描述，将所述知识模块进行关联，构成乳腺癌模块化知识库；
验证模块，用于根据预设验证算法和预设规则表示方式，对所述乳腺癌模块化知识库进行知识验证，得到验证后的乳腺癌模块化知识库；
推理模块，用于根据所述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值；
生成模块，用于根据所述可能性数值超过预设可能性阈值的待选决策，生成目标诊疗辅助决策。
在一些实施例中，所述知识表示模块，包括：
模块划分单元，用于根据乳腺癌的诊疗环节和分型，生成多个基本模块；
表示单元，用于根据每个基本模块所对应的诊疗环节和分型，从所述乳腺癌诊疗知识中抽取对应的诊疗知识，并以本体、知识图谱以及规则的方式进行知识表示，得到知识表示后的基本模块；
优化单元，用于针对每一个所述知识表示后的基本模块，进行模块知识优化，并根据该基本模块中优化后的诊疗知识，对该基本模块进行模块定义，得到知识模块。
在一些实施例中，所述推理模块，包括：
等级划分单元，用于针对所述验证后的乳腺癌模块化知识库中的每一条规则项进行强度等级划分，得到每一条规则项的规则强度等级；
强度值单元，用于根据所述每一条规则项的规则强度等级，通过预设强度值加权算法进行强度值计算，得到规则强度值；
推理单元，用于根据所述规则强度值、诊疗条件和至少一种待选决策，通过预设不确定推理算法进行推理计算，得到所述每种待选决策的可能性数值。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面中任一项所述的方法的步骤。
本申请实施例提出的一种恶性肿瘤诊疗辅助决策生成方法，通过根据用户输入的搜索字段进行乳腺癌诊疗文献的自动检索，并从检索到的乳腺癌诊疗文献中提取乳腺癌诊疗知识，然后，将乳腺癌诊疗知识进行模块化，并进行知识模块的关联，构成乳腺癌模块化知识库，在对该乳腺癌模块知识库进行知识验证后，再结合预设不确定推理算法对待选决策进行知识推理，最后将知识推理后得到的可能性数值符合要求的待选决策进行整合，生成目标诊疗辅助决策。本申请实施例所提出的一种恶性肿瘤诊疗辅助决策生成方法通过自动化的文献检索和知识提取，提高了临床医生的知识获取效率；通过模块化的知识表示和基于不确定推理算法的知识推理，生成乳腺癌诊疗辅助决策，提升了乳腺癌诊疗辅助决策的适用性。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种恶性肿瘤诊疗辅助决策生成方法的流程示意图；
图2为本申请实施例提供的一种乳腺癌文献获取方法的流程示意图；
图3为本申请实施例提供的一种乳腺癌知识提取方法的流程示意图；
图4为本申请实施例提供的一种乳腺癌知识表示方法的流程示意图；
图5为本申请实施例提供的一种乳腺癌知识推理方法的流程示意图；
图6为本申请实施例提供的一种恶性肿瘤诊疗辅助决策生成装置的结构示意图；
图7为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种恶性肿瘤诊疗辅助决策生成方法，如图1所示，包括以下步骤：
步骤S101、获取用户输入的搜索字段，并根据上述搜索字段进行文献检索，得到乳腺癌诊疗文献；
步骤S102、根据预设文献范围，从上述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识；
步骤S103、对上述乳腺癌诊疗知识进行模块化表示，得到知识模块；
步骤S104、根据上述乳腺癌诊疗知识之间的关联描述，将上述知识模块进行关联，构成乳腺癌模块化知识库；
步骤S105、根据预设验证算法和预设规则表示方式，对上述乳腺癌模块化知识库进行知识验证，得到验证后的乳腺癌模块化知识库；
步骤S106、根据上述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值；
步骤S107、根据上述可能性数值超过预设可能性阈值的待选决策，生成目标诊疗辅助决策。
具体地，第一步，通过对用户以自然语言的形式输入的搜索字段进行目标解析后，根据解析出的文献目标信息匹配检索词，并根据文献目标信息之间的关联关系和检索词之间的关联关系构建检索表达式，在选择适合的数据库后进行文献检索，并对检索到的结果进行过滤和整理，得到乳腺癌诊疗文献，以实现乳腺癌最新研究进展文献信息的高效获取。
第二步，对于乳腺癌诊疗文献，基于陈述性知识和过程性知识两种知识模式，选出在预设文献范围内的乳腺癌诊疗文献作为目标文献进行知识抽取，对抽取到的知识进行标准化和模糊消解，得到乳腺癌诊疗知识。
第三步，对于乳腺癌诊疗知识按照诊疗环节和分型进行两个维度的分层，然后将两个层面以交叉组合的方式进行分割，划分为多个基本模块，接着，在每个基本模块所在的范围内采用本体、知识图谱和规则的方式进行具体的知识表示，并进行去重、合并等优化，最后，对基本模块进行名称、准入条件、准出条件、输入参数、输出参数等的定义后，将得到的知识模块依据乳腺癌诊疗知识之间的关联描述，进行知识模块的关联，构成乳腺癌模块化知识库。
第四步，通过生成—测试的方法对乳腺癌模块化知识库进行知识验证，以验证乳腺癌模块化知识库中的知识是否存在不明确、不标准、不正确、冲突等情况，若验证到上述的情况，则根据具体的情况类别进行对应的优化操作，优化后再次进行知识验证，重复验证—优化—再验证的操作，直到验证通过。
第五步，针对验证后的乳腺癌模块化知识库中的知识的规则强度进行量化，并采用不确定推理算法进行知识推理，得到待选决策的可能性数值。
第六步，根据预设可能性阈值对待选决策进行筛选，基于超过该预设可能性阈值的待选决策，生成目标诊疗辅助决策。该目标诊疗辅助决策包括了乳腺癌的诊断、检查、治疗、用药、预后等诊疗环节的决策。
基于上述的乳腺癌模块化知识库和推理程序，进行服务封装，可以得到恶性肿瘤诊疗辅助决策生成服务，该服务可对接现有的HIS(Hospital Information System，医院信息系统)等系统，或直接服务于乳腺癌的临床实践。
在一些实施例中，上述步骤S101、获取用户输入的搜索字段，并根据上述搜索字段进行文献检索，得到乳腺癌诊疗文献，如图2所示，包括：
步骤S1011、获取用户输入的搜索字段，并对上述搜索字段进行解析，得到文献目标信息；
步骤S1012、将上述文献目标信息填入文献目标格式化模板中，并添加各文献目标信息之间关联关系；
步骤S1013、针对文献目标格式化模板中的每一项文献目标信息，进行检索词扩展匹配，得到每一项文献目标信息对应的检索词组；
步骤S1014、根据上述检索词组以及上述关联关系，构建目标文献检索表达式；
步骤S1015、以上述目标文献检索式进行文献检索，得到初检文献；
步骤S1016、通过文献过滤模型对上述初检文献进行筛选，得到乳腺癌诊疗文献。
具体地，本申请实施例是通过获取用户以自然语言方式输入的搜索字段，再依据文献目标格式化模板从搜索字段中解析出文献目标信息。文献目标格式化模板是一个树状结构的数据模板，第一层的文献特征下包括了文献类型、文献期刊、文献发表时间、文献作者、作者单位、作者国家等特征；第一层的乳腺癌特征下包括了人群、组织学类型、肿瘤分期、分子分型、突变基因、伴随症状、影像、治疗、护理、预后等特征。其中，人群又可以分为青年、中年、老年等。组织学类型可以分为导管内癌、小叶原位癌、导管内乳头状癌、乳头湿疹样乳腺癌、浸润性导管癌、浸润性特殊癌、浸润性小叶癌等。肿瘤分期可以分为I、II、III、IV等。分子分型可以分为HER2、ER、PR、Ki-67等。突变基因可以分为BRCA1、BRCA2等。治疗可以分为手术、化疗、放疗、内分泌治疗、传统医学、姑息治疗等。伴随症状可以分为内脏危象、心脏功能异常、肝脏功能异常、妊娠、脑转移、骨转移、淋巴转移等。预后可以分为随访、生育、康复等。影像可以分为超声、X线、CT、MRI等。护理可以分为心理、术后护理等。按照以上的细分方式，形成目标格式化模板中的树状结构。也可以为用户提供一些预先设置好的具体模板，可供用户直接选用。
在对一条搜索字段的解析中若出现了多个文献目标信息时，需要标明文献目标信息之间的关系(合取、析取等)，也就是关联信息。除此之外还会对文献目标信息中的关键词添加关键信息标记。
将文献目标信息填入目标格式化模板后，针对文献目标格式化模板中每一项文献目标信息进行检索词扩展匹配，该检索词扩展匹配是基于预先建立的检索词词典进行的。扩展匹配的结果是文献目标信息对应的检索词组，该检索词组中包含了该文献目标信息对应的基础词、同义词、上位词和下位词。检索词组中是以基础词为键，同义词、上位词和下位词为值的方式构成的。在得到检索词组后再根据文献目标信息之间的关联关系和各文献目标信息对应的检索词组构建成目标文献检索表达式。
为了尽量保证乳腺癌文献的完全获得，文献检索从多个数据库中进行文献获取，但若是使用所有数据库同时进行检索，数据量过大，相应地，耗费时间就会过长，为了提高检索的效率和精准性，本申请实施例预先构建了数据库选择模型，该模型是基于神经网络算法和随机森林算法构成的集成模型，在构建阶段，输入的训练数据是用户的原始需求信息和目标格式化模板中的文献特征、乳腺癌特征、关联信息以及关键信息标记。通过该数据库选择模型，可以根据用户的原始需求信息选择适合的数据库。
由于上述目标文献检索表达式是一个格式化的检索表达式，因此，在通过信息爬取或api接口连接目标数据库组中的各个数据库之后，根据各数据库对于符号、字段、格式等的规则，将目标文献检索表达式转换成适用于数据库的格式进行检索，获得的检索结果包括文献的标题、摘要、关键词、作者、作者单位、期刊名、刊期、cn(Chinese StandardSerial Number，国内统一刊号识别标志)、issn(International Standard SerialNumber，国际标准连续出版物号)、doi(Digital Object Unique Identifier，数字对象唯一标识符)、pmid(PubMed Unique Identifier，PubMed唯一标识码)等，对每个数据库检索得到的结果进行合并汇总得到初检文献。合并的过程中需要将重复的文献进行去重合并，去重合并的依据为doi、pmid、标题+刊期+cn/issn以及根据标题+作者+关键词进行相似性比对的方法等。
得到的初检文献还需要进行筛选，通过将初检文献输入到文献过滤模型中将相关程度较低的文献排除，得到更精准的乳腺癌诊疗文献。文献过滤模型由基于神经网络、随机森林算法构成的集成模型实现，在文献过滤模型的构建过程中，其因变量分为两种，一种是数量有限、相对比较明确的变量，比如文献特征中的研究类型，另一种是数量较多、不那么明确的变量，比如内容主题类型。对于数量有限、相对比较明确的变量，模型输入包括文献的标题、摘要、关键词、期刊名称等；对于数量较多、不那么明确的变量，模型输入包括标题、摘要、关键词的聚类标签以及文献的标题、摘要、关键词、期刊名称等。对两种因变量通过不同的训练数据对基于神经网络算法和随机森林算法构建待训练模型进行训练后，就可得到文献过滤模型。该文献过滤模型中包含了多个子模型，根据用户的原始需求信息或用户自行选择设置，调用对应的文献过滤子模型对初步检索文献进行过滤。若用户所需的过滤需求未包含在上述文献过滤模型中时，则本申请实施例提供一种基于主动学习技术的快速构建模型途径，该快速构建模型途径所生成的临时文献过滤子模型可以满足用户的基本过滤需求。以上所有文献过滤子模型均可根据用户在使用过程中的反馈数据，自动定期进行离线迭代优化。
以上的文献获取步骤，可以设置时间间隔定时重复进行更新检索，以保证检索到的文献是最新的研究成果。
在一些实施例中，上述步骤S102、根据预设文献范围，从上述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识，如图3所示包括：
步骤S1021、根据预设文献范围，从上述乳腺癌诊疗文献中提取出目标文献；
步骤S1022、从上述目标文献中随机选取预设数量的文献构成训练库，根据上述训练库进行模型训练，得到知识提取模型；
步骤S1023、通过上述知识提取模型对上述目标文献进行知识提取，得到初始知识；
步骤S1024、根据预先构建的知识词典对上述初始知识进行标准化处理，得到标准化知识；
步骤S1025、根据预先构建的模糊消解词典对上述标准化知识进行明晰化处理，得到乳腺癌诊疗知识。
具体地，文献范围的选择包括了对于文献的选择和对于文献内容的选择。
其中，对于文献的选择是基于目标主题、研究机构、研究者、研究时间、文献研究类型、文献质量评级、可行性标记等进行选择确定。对于文献内容的选择是基于信息内容的不同指向(包括诊断、治疗、护理、预后等)进行选择确定。以上的文献范围都由用户在用户端上进行选择，以文献范围选择信息的形式发送到乳腺癌诊疗知识提取服务平台。
在接收到上述文献范围选择信息后，先根据文献范围选择信息从乳腺癌诊疗文献中将符合用户所选文献范围的文献筛选出来，作为目标文献。然后从目标文献中随机选取部分文献进行知识提取模型的训练，该知识提取模型所使用的算法根据所提取乳腺癌文献中的内容知识的类型对应的知识模式可能有所变化，也就是知识提取模型可以分为两大部分。
乳腺癌文献中的内容知识的类型对应的知识模式包括陈述性知识和过程性知识。陈述性知识包含了实体类别和关系类别。陈述性知识的实体类别包括了人群、组织学类型、肿瘤分期、分子分型、突变基因、伴随症状、检查、影像、治疗、治疗步骤、药品、身体结构、护理、预后等。陈述性知识中的每一实体类别下都包含呈树状发散的细分类别，例如：人群又可以分为青年、中年、老年等；组织学类型可以分为导管内癌、小叶原位癌、导管内乳头状癌、乳头湿疹样乳腺癌、浸润性导管癌、浸润性特殊癌、浸润性小叶癌等；肿瘤分期可以分为I、II、III、IV等；分子分型可以分为HER2、ER、PR、Ki-67等；突变基因可以分为BRCA1、BRCA2等；治疗可以分为手术、化疗、放疗、内分泌治疗、传统医学、姑息治疗等；伴随症状可以分为内脏危象、心脏功能异常、肝脏功能异常、妊娠、脑转移、骨转移、淋巴转移等；预后可以分为随访、生育、康复等；影像可以分为超声、X线、CT、MRI等；护理可以分为心理、术后护理等。
陈述性知识的关系类别包括父子继承关系和属性关系等。父子继承关系是表示实体类别之间的上下所属关系的关系类别；属性关系是表示实体类别下具体的相关属性的关系类别，例如：伴随症状相关的部位、形态、严重程度等，再比如手术相关的直接部位、间接部位、形态、方法等，以及药品相关的靶点等。
过程性知识是与医疗中的治疗步骤相关的知识，具体分为条件类、顺序类和并列类。
以从目标文献中随机选取的预设数量的文献构成训练库，将训练库中的文献信息、文献段落或语句按照预设比例分为训练集、测试集和验证集，本申请实施例优选预设比例为7:1.5:1.5。然后对于训练集中的样本按照样本的知识内容对应的知识模式进行样本标注，例如，知识模式为陈述性知识，那么就要对样本进行实体类别和关系类别的标注。模型所使用到的预设学习算法可以包括LSTM(Long Short-Term Memory，长短期记忆网络)、CNN(Convolutional Neural Networks，卷积神经网络)等深度学习算法也可以包括CRF(Conditional Random Field，条件随机场)等浅层学习算法，可根据需要预设，本申请不予限制。输入到待训练模型中的训练样本需要转换成融合向量的形式。该融合向量中包含了字向量、词向量、位置向量和乳腺癌词向量等向量。其中，字向量是由输入字符序列经过嵌入层而得到的；词向量是由经过预先训练的词向量模型得到的；位置向量是由字符的位置ID经过嵌入层而得到的；乳腺癌词向量是由当前字符是否属于事先建立的乳腺癌词库标记(属于为1，不属于为0)经过嵌入层而得到的。将得到的字向量、词向量、位置向量和乳腺癌词向量等向量对齐相加后得到的就是融合向量。在训练的过程中可以针对不同的实体类别或治疗步骤分为多个不同的子模型进行训练，然后再将子模型整合为一个组合模型。
对于训练得到的待测试模型通过将上述测试集中的样本输入以测试待测试模型的精确度，若在进行测试后精确度没有超过预设阈值，则需要通过验证集对待测试模型进行模型验证，以调整待测试模型中的参数，然后对调整过参数的待测试模型再次进行模型测试，如此往复，直至模型测试得到的精确度超过预设阈值，就可将当前的待测试模型作为最终的知识提取模型。
通过训练得到的知识提取模型对目标文献进行知识的初步提取，抽取到的初始知识以疾病以及具体的亚型作为中心进行知识整合和组织，对于每一个知识实体，都添加对应的属性信息(包括文献id、研究机构、研究者、研究时间、文献研究类型、文献质量评级、可行性标记、内容指向等)。
初始知识中对于知识的表达形式可能由于文献来源的不同而不同，为了统一表达形式，需要对初始知识进行标准化处理。将初始知识通过匹配的方式与预先构建的知识词典中的词汇进行匹配，预设知识词典中包含了词语id、词语名称、词语语言、词语关系、关系词语id和关系词语名称，其中词语关系包括了同义词、别名、俗称等。通过对初始知识中的字段进行识别，识别到的字段可能是标准词，也可能是标准词的同义词、别名、俗称等，将非标准词都转化为标准词，得到标准化知识。
标准化知识中可能存在部分知识的表达不够明确具体，而对于用户来说在获取知识前提下，需要获取到更明确的内容，例如对于靶向加内分泌联合治疗方案，需要明确所使用的靶向药物和内分泌治疗药物分别是什么。将标准化知识通过匹配的方式与预先构建的模糊消解词典中的词汇进行匹配，预设模糊消解词典中包含了词语id、词语名称、词语语言、词语关系、关系词语id、关系词语名称、优先级，其中词语关系包括了定义、可选定义等。通过对标准化知识中的字段进行待明晰化词识别，将待明晰化词都转化为定义或可选定义，得到乳腺癌诊疗知识。
在一些实施例中，上述步骤S103、对上述乳腺癌诊疗知识进行模块化表示，得到知识模块，如图4所示，包括：
步骤S1031、根据乳腺癌的诊疗环节和分型，生成多个基本模块；
步骤S1032、根据每个基本模块所对应的诊疗环节和分型，从上述乳腺癌诊疗知识中抽取对应的诊疗知识，并以本体、知识图谱以及规则的方式进行知识表示，得到知识表示后的基本模块；
步骤S1033、针对每一个上述知识表示后的基本模块，进行模块知识优化，并根据该基本模块中优化后的诊疗知识，对该基本模块进行模块定义，得到知识模块。
具体地，从乳腺癌的诊疗环节和分型两个维度进行乳腺癌诊疗知识的分层，诊疗环节可以划分为诊断、治疗、检查、住院、康复等环节，分型可以划分为HER2、ER、PR、Ki-67等乳腺癌分型。然后，将这两个维度进行交叉组合，组合成如HER2阳性子类型的诊断、HER2阳性子类型的检查、HER2阳性子类型的治疗的分类，并以得到的分类生成基本模块。
根据基本模块所对应的诊疗环节和分型的组合分类作为知识表示范围，从乳腺癌诊疗知识中抽取该范围内的知识，采用本体、知识图谱以及规则的方式进行具体表示，得到知识表示后的基本模块。在进行具体表示的过程中，需要注意将相关的数字以及对应的单位正确地组合，保证相应指标的表示准确。
由于乳腺癌诊疗知识是来源于不同的文献，对基本模块所对应的知识表示范围内的知识进行表示后，会存在一些需要模块知识优化的地方，比如存在重复的知识，对此可采用去重复的方法解决；比如存在需要患者进行不同的检查，如果能进行合并执行则可节省患者时间，在前置条件不冲突地前提下，可以对此采用对项目进行分组合并后再进行执行的方式解决。
对于上述经过优化的基本模块，按照其中本体、知识图谱和规则的情况，定义模块的名称、准入条件、准出条件、输入参数、输出参数等，以得到上述知识模块。对于每个知识模块，采用service的方式定义模块调用接口，以便其他模块或应用调用。
在一些实施例中，上述步骤S106、根据上述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值，如图5所示，包括：
步骤S1061、针对上述验证后的乳腺癌模块化知识库中的每一条规则项进行强度等级划分，得到每一条规则项的规则强度等级；
步骤S1062、根据上述每一条规则项的规则强度等级，通过预设强度值加权算法进行强度值计算，得到规则强度值；
步骤S1063、根据上述规则强度值、诊疗条件和至少一种待选决策，通过预设不确定推理算法进行推理计算，得到上述每种待选决策的可能性数值。
具体地，规则项是可能包括知识图谱中的连接、知识本体中的关系等的知识项。为了进行知识推理计算，需要先将规则项的规则强度进行量化，规则强度量化分为两个步骤——等级划分和数值化。
先将每条规则项进行多维度等级划分，按照每一维度的评判类目和每一类目的优先级，将规则项的等级划分为多个等级，例如A、B、C级。对于规则项的多维度等级划分的维度包括所属文献描述性质、所属文献报告质量、所属研究类型和所属研究方法学质量。
对于所属文献描述性质的等级划分，是从规则项所属文献中的描述获取规则强度，例如，对于诊疗指南中的推荐内容，可以按照推荐程度进行等级划分；对于文献中症状和疾病的关联性，可以按照关联性的大小进行等级划分。
对于所属文献报告质量的等级划分，是按照规则项所属文献的报告质量获取规则强度，例如，对于RCT(Randomized Controlled Trial，随机对照试验)研究，可以按照consort规范的条目对文献进行打分，根据分数进行等级划分。
对于所属研究类型的等级划分，是按照规则项所属研究的类型获取规则强度，具体按照系统评价、RCT、队列、病例对照、病例系列(或病例报告)、其他的优先级进行等级划分。
对于所属研究方法学质量的等级划分，是按照规则项所属研究的方法学质量打分获取规则强度，例如，对于RCT研究，可以采用牛津评分系统进行评分，根据分数进行等级划分。
然后，根据预设每个等级所对应的数值，将规则项的各个维度的等级通过加权计算的方式计算出综合的规则强度值。其中，每个等级所对应的数值可以根据机器学习和经验进行设定，例如，A级为1，B级为0.8，C级为0.5；上述权值可以通过德尔菲方法确定。
得到了每条规则项的规则强度值后，可以根据诊疗条件和至少一种待选决策，以不确定推理算法计算每种待选决策在特定诊疗条件下的可能性数值，也就是，在特定诊疗条件下每种待选决策可能程度。
本申请实施例还提供了一种恶性肿瘤诊疗辅助决策生成装置，如图6所示，包括：
文献检索模块30，用于获取用户输入的搜索字段，并根据上述搜索字段进行文献检索，得到乳腺癌诊疗文献；
知识提取模块31，用于根据预设文献范围，从上述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识；
知识表示模块32，用于对上述乳腺癌诊疗知识进行模块化表示，得到知识模块；
关联模块33，用于根据上述乳腺癌诊疗知识之间的关联描述，将上述知识模块进行关联，构成乳腺癌模块化知识库；
验证模块34，用于根据预设验证算法和预设规则表示方式，对上述乳腺癌模块化知识库进行知识验证，得到验证后的乳腺癌模块化知识库；
推理模块35，用于根据上述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值；
生成模块36，用于根据上述可能性数值超过预设可能性阈值的待选决策，生成目标诊疗辅助决策。
在一些实施例中，上述知识表示模块32，包括：
模块划分单元321，用于根据乳腺癌的诊疗环节和分型，生成多个基本模块；
表示单元322，用于根据每个基本模块所对应的诊疗环节和分型，从上述乳腺癌诊疗知识中抽取对应的诊疗知识，并以本体、知识图谱以及规则的方式进行知识表示，得到知识表示后的基本模块；
优化单元323，用于针对每一个上述知识表示后的基本模块，进行模块知识优化，并根据该基本模块中优化后的诊疗知识，对该基本模块进行模块定义，得到知识模块。
在一些实施例中，上述推理模块35，包括：
等级划分单元351，用于针对上述验证后的乳腺癌模块化知识库中的每一条规则项进行强度等级划分，得到每一条规则项的规则强度等级；
强度值单元352，用于根据上述每一条规则项的规则强度等级，通过预设强度值加权算法进行强度值计算，得到规则强度值；
推理单元353，用于根据上述规则强度值、诊疗条件和至少一种待选决策，通过预设不确定推理算法进行推理计算，得到上述每种待选决策的可能性数值。
对应于图1中的一种恶性肿瘤诊疗辅助决策生成方法，本申请实施例还提供了一种计算机设备400，如图7所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述一种恶性肿瘤诊疗辅助决策生成方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述一种恶性肿瘤诊疗辅助决策生成方法，解决了现有技术中如何生成高适用性的乳腺癌诊疗辅助决策的问题。
对应于图1中的一种恶性肿瘤诊疗辅助决策生成方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述一种恶性肿瘤诊疗辅助决策生成方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述一种恶性肿瘤诊疗辅助决策生成方法，解决了现有技术中如何生成高适用性的乳腺癌辅助决策的问题，本申请实施例提出的一种恶性肿瘤诊疗辅助决策生成方法，通过根据用户输入的搜索字段进行乳腺癌诊疗文献的自动检索，并从检索到的乳腺癌诊疗文献中提取乳腺癌诊疗知识，然后，将乳腺癌诊疗知识进行模块化，并进行知识模块的关联，构成乳腺癌模块化知识库，在对该乳腺癌模块知识库进行知识验证后，再结合预设不确定推理算法对待选决策进行知识推理，最后将知识推理后得到的可能性数值符合要求的待选决策进行整合，生成目标诊疗辅助决策。本申请实施例所提出的一种恶性肿瘤诊疗辅助决策生成方法通过自动化的文献检索和知识提取，提高了临床医生的知识获取效率；通过模块化的知识表示和基于不确定推理算法的知识推理，生成乳腺癌诊疗辅助决策，提升了乳腺癌诊疗辅助决策的适用性。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.一种恶性肿瘤诊疗辅助决策生成方法，其特征在于，包括：
获取用户输入的搜索字段，并根据所述搜索字段进行文献检索，得到乳腺癌诊疗文献；
根据预设文献范围，从所述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识；
对所述乳腺癌诊疗知识进行模块化表示，得到知识模块；
根据所述乳腺癌诊疗知识之间的关联描述，将所述知识模块进行关联，构成乳腺癌模块化知识库；
根据预设验证算法和预设规则表示方式，对所述乳腺癌模块化知识库进行知识验证，得到验证后的乳腺癌模块化知识库；
根据所述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值；
根据所述可能性数值超过预设可能性阈值的待选决策，生成目标诊疗辅助决策；
所述根据所述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值，包括：
针对所述验证后的乳腺癌模块化知识库中的每一条规则项进行强度等级划分，得到每一条规则项的规则强度等级；
根据所述每一条规则项的规则强度等级，通过预设强度值加权算法进行强度值计算，得到规则强度值；
根据所述规则强度值、诊疗条件和至少一种待选决策，通过预设不确定推理算法进行推理计算，得到所述每种待选决策的可能性数值。
2.如权利要求1所述的方法，其特征在于，所述获取用户输入的搜索字段，并根据所述搜索字段进行文献检索，得到乳腺癌诊疗文献，包括：
获取用户输入的搜索字段，并对所述搜索字段进行解析，得到文献目标信息；
将所述文献目标信息填入文献目标格式化模板中，并添加各文献目标信息之间关联关系；
针对文献目标格式化模板中的每一项文献目标信息，进行检索词扩展匹配，得到每一项文献目标信息对应的检索词组；
根据所述检索词组以及所述关联关系，构建目标文献检索表达式；
以所述目标文献检索式进行文献检索，得到初检文献；
通过文献过滤模型对所述初检文献进行筛选，得到乳腺癌诊疗文献。
3.如权利要求1所述的方法，其特征在于，所述根据预设文献范围，从所述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识，包括：
根据预设文献范围，从所述乳腺癌诊疗文献中提取出目标文献；
从所述目标文献中随机选取预设数量的文献构成训练库，根据所述训练库进行模型训练，得到知识提取模型；
通过所述知识提取模型对所述目标文献进行知识提取，得到初始知识；
根据预先构建的知识词典对所述初始知识进行标准化处理，得到标准化知识；
根据预先构建的模糊消解词典对所述标准化知识进行明晰化处理，得到乳腺癌诊疗知识。
4.如权利要求1所述的方法，其特征在于，所述对所述乳腺癌诊疗知识进行模块化表示，得到知识模块，包括：
根据乳腺癌的诊疗环节和分型，生成多个基本模块；
根据每个基本模块所对应的诊疗环节和分型，从所述乳腺癌诊疗知识中抽取对应的诊疗知识，并以本体、知识图谱以及规则的方式进行知识表示，得到知识表示后的基本模块；
针对每一个所述知识表示后的基本模块，进行模块知识优化，并根据该基本模块中优化后的诊疗知识，对该基本模块进行模块定义，得到知识模块。
5.一种恶性肿瘤诊疗辅助决策生成装置，其特征在于，包括：
文献检索模块，用于获取用户输入的搜索字段，并根据所述搜索字段进行文献检索，得到乳腺癌诊疗文献；
知识提取模块，用于根据预设文献范围，从所述乳腺癌诊疗文献中提取目标文献，并通过知识提取模型对目标文献进行知识提取，得到乳腺癌诊疗知识；
知识表示模块，用于对所述乳腺癌诊疗知识进行模块化表示，得到知识模块；
关联模块，用于根据所述乳腺癌诊疗知识之间的关联描述，将所述知识模块进行关联，构成乳腺癌模块化知识库；
验证模块，用于根据预设验证算法和预设规则表示方式，对所述乳腺癌模块化知识库进行知识验证，得到验证后的乳腺癌模块化知识库；
推理模块，用于根据所述验证后的乳腺癌模块化知识库和预设不确定推理算法对至少一种待选决策进行知识推理，得到每种待选决策的可能性数值；
生成模块，用于根据所述可能性数值超过预设可能性阈值的待选决策，生成目标诊疗辅助决策；
所述推理模块，包括：
等级划分单元，用于针对所述验证后的乳腺癌模块化知识库中的每一条规则项进行强度等级划分，得到每一条规则项的规则强度等级；
强度值单元，用于根据所述每一条规则项的规则强度等级，通过预设强度值加权算法进行强度值计算，得到规则强度值；
推理单元，用于根据所述规则强度值、诊疗条件和至少一种待选决策，通过预设不确定推理算法进行推理计算，得到所述每种待选决策的可能性数值。
6.如权利要求5所述的装置，其特征在于，所述知识表示模块，包括：
模块划分单元，用于根据乳腺癌的诊疗环节和分型，生成多个基本模块；
表示单元，用于根据每个基本模块所对应的诊疗环节和分型，从所述乳腺癌诊疗知识中抽取对应的诊疗知识，并以本体、知识图谱以及规则的方式进行知识表示，得到知识表示后的基本模块；
优化单元，用于针对每一个所述知识表示后的基本模块，进行模块知识优化，并根据该基本模块中优化后的诊疗知识，对该基本模块进行模块定义，得到知识模块。
7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-4中任一项所述的方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-4中任一项所述的方法的步骤。
CN202011630946.8A 2020-12-31 2020-12-31 一种恶性肿瘤诊疗辅助决策生成方法及装置 Active CN112735584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011630946.8A CN112735584B (zh) 2020-12-31 2020-12-31 一种恶性肿瘤诊疗辅助决策生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011630946.8A CN112735584B (zh) 2020-12-31 2020-12-31 一种恶性肿瘤诊疗辅助决策生成方法及装置

Publications (2)

Publication Number Publication Date
CN112735584A CN112735584A (zh) 2021-04-30
CN112735584B true CN112735584B (zh) 2023-10-24

Family

ID=75608453

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011630946.8A Active CN112735584B (zh) 2020-12-31 2020-12-31 一种恶性肿瘤诊疗辅助决策生成方法及装置

Country Status (1)

Country Link
CN (1) CN112735584B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192632A (zh) * 2021-05-24 2021-07-30 哈尔滨理工大学 一种基于加权关联规则算法的乳腺癌分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN109686456A (zh) * 2018-12-26 2019-04-26 博奥生物集团有限公司 一种肿瘤精准用药解读系统及方法
CN110928978A (zh) * 2019-10-21 2020-03-27 南通市质量和标准化研究所 一种标准文献分类检索方法
CN111951955A (zh) * 2020-08-13 2020-11-17 神州数码医疗科技股份有限公司 一种基于规则推理的临床决策支持系统构建方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220506A (zh) * 2017-06-05 2017-09-29 东华大学 基于深度卷积神经网络的乳腺癌风险评估分析系统
CN109686456A (zh) * 2018-12-26 2019-04-26 博奥生物集团有限公司 一种肿瘤精准用药解读系统及方法
CN110928978A (zh) * 2019-10-21 2020-03-27 南通市质量和标准化研究所 一种标准文献分类检索方法
CN111951955A (zh) * 2020-08-13 2020-11-17 神州数码医疗科技股份有限公司 一种基于规则推理的临床决策支持系统构建方法及装置

Also Published As

Publication number Publication date
CN112735584A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN104516942B (zh) 概念驱动的自动分节标识
CN104699741A (zh) 分析自然语言问题来确定缺失信息以便提高回答的准确性
CN112735597A (zh) 半监督自学习驱动的医学文本病症辨识方法
Almagro et al. ICD-10 coding of Spanish electronic discharge summaries: An extreme classification problem
CN116910172B (zh) 基于人工智能的随访量表生成方法及系统
CN113707307A (zh) 病情分析方法、装置、电子设备及存储介质
CN114003734A (zh) 乳腺癌风险因素知识体系模型、知识图谱系统及构建方法
CN115280415A (zh) 致病性模型的应用和其训练
Chen et al. Combining rich features and deep learning for finding similar sentences in electronic medical records
CN112699230A (zh) 一种恶性肿瘤诊疗知识获取方法及装置
CN113539414A (zh) 一种抗生素用药合理性预测方法及系统
CN112307190A (zh) 医学文献排序方法、装置、电子设备及存储介质
CN110299194B (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
CN116911300A (zh) 语言模型预训练方法、实体识别方法和装置
CN112735584B (zh) 一种恶性肿瘤诊疗辅助决策生成方法及装置
CN114662477A (zh) 基于中医对话的停用词表生成方法、装置及存储介质
Comelli et al. An ontology-based retrieval system for mammographic reports
KR102370171B1 (ko) 문맥적 관련성을 고려한 의료 문서 검색 방법 및 장치
Zhang et al. A hybrid algorithm for clinical decision support in precision medicine based on machine learning
CN116312915B (zh) 一种电子病历中药物术语标准化关联方法及系统
Shenoi et al. Developing a search engine for precision medicine
CN111782818A (zh) 生物医疗知识图谱的构建装置、方法、系统及存储器
CN116719840A (zh) 一种基于病历后结构化处理的医疗信息推送方法
Xu et al. [Retracted] Using Artificial Intelligence Technology to Solve the Electronic Health Service by Processing the Online Case Information
CN113643781B (zh) 基于时序预警信号的健康干预方案个性化推荐方法及系统

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