CN112768052A - 一种基于知识图谱推理的智能分诊方法 - Google Patents
一种基于知识图谱推理的智能分诊方法 Download PDFInfo
- Publication number
- CN112768052A CN112768052A CN202110019166.8A CN202110019166A CN112768052A CN 112768052 A CN112768052 A CN 112768052A CN 202110019166 A CN202110019166 A CN 202110019166A CN 112768052 A CN112768052 A CN 112768052A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- reasoning
- jena
- graph
- rule
- 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
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G06N5/046—Forward inferencing; Production systems
- G06N5/047—Pattern matching networks; Rete networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于人工智能技术领域,具体来说是涉及一种基于知识图谱推理的智能分诊方法。本发明主要包括:获取用户输入的描述语句,生成查询语句;根据查询语句,基于知识图谱推理的方法获得分诊信息;基于识图谱推理的基础是将病历数据通过处理转化为知识图谱,利用现有的技术,进行数据库的构建,通过以分诊为目的设置对应的检索规则,使得检索过程简单有效。本发明的有益效果是,使分诊过程实现了智能化,同时提高了智能分诊的准确性。
Description
技术领域
本发明属于人工智能技术领域,具体来说是涉及一种基于知识图谱推理的智能分诊方法。
背景技术
随着人民生活条件的不断改善,对于健康的需求也越来越旺盛。近年来,各大医院的门急诊量急剧增长,特别是处于行业领先地位的医院。而对应还面临的问题包括:患者缺乏医疗健康知识,不清楚就诊什么科室,进一步加剧了医疗分诊的压力。还导致医生的工作负荷大,没有足够的时间回答患者的所有问题,在某种程度上造成医患关系紧张,同时也带来医疗质量难以保证的问题。在患者方,部分患者为能快速就诊,往往采取首选急诊的方式,又进一步降低了医院的救治效率。
为了解决此类问题,目前已有人工分诊台以及为用户提供自主分诊服务的应用程序,主要是针对诊前咨询,给诊疗做出指导。而目前的分诊程序冗余度较高,智能化程度较低,导致用户体验差,并不能有效的实现智能化分诊的目的。
发明内容
本发明的目的,是针对上述问题,提出一种基于知识图谱推理的智能分诊方法,仅需获取用户日常化的描述语句,在后台进行一系列转化处理,即可为用户提供分诊服务,并且基于知识图谱推理的方法,有效提高分诊的准确度。
本发明的技术方案是:一种基于知识图谱推理的智能分诊方法,其特征在于,包括:
获取用户输入的描述语句,生成查询语句;
根据查询语句,基于知识图谱推理的方法获得分诊信息。
进一步的,所述生成查询语句的具体方法是:从描述语句中提取症状信息,基于症状信息生成SPARQL查询语句。
进一步的,所述基于知识图谱推理的方法获得分诊信息的具体方法包括:
1)构建知识图谱:采用jena作为平台,构建知识图谱,知识的来源是已有的病历资料,知识建模的方法是,将疾病作为类别,根据病历资料获取类别的属性关系,再利用jenaAPI创建模型,生成RDF文本;
2)知识存储:利用jena将构建好的知识库固化为TDA的格式进行存储;
3)知识图谱推理:通过jena的模型工厂和推理机注册器创建推理机,并绑定相关的RDF三元组数据和owl本体模型,推理机将根据规则进行推理,生成一个推理结果图,该图通过jena的本体API查询和调用;
4)获得分诊信息:基于正向链推理的规则,根据查询语句,通过SPARQL查询读取推理结论,根据对应的结论进行分诊。
本发明的有益效果是,使分诊过程实现了智能化,同时提高了智能分诊的准确性。
附图说明
图1为产生式的执行流程图;
图2为推理机的原理示意图;
图3为规则生成的RETE网络示意图;
图4为知识建模示意图;
图5为jena构建本体示意图;
图6大规模存储解决方案示意图;
图7为jena推理API推理机制示意图;
图8为配置RETE前向推理引擎核心代码示意图;
图9为规则编译成RETE网络的流程图;
图10为生成RETEClauseFilter节点的流程图;
图11为Test规则对应的RETE网络示意图;
图12为生成的RETE网络中各节点的属性示意图;
图13为运行时事实匹配流程图;
图14为知识图谱推理主要流程图。
具体实施方式
下面结合附图详细描述本发明的技术方案:
本发明的方法基于知识图谱推理,知识图谱本质上是一种语义网络,其结点代表实体或者概念,边代表实体/概念之间的各种语义关系。将知识录入知识库,利用预先设定的规则构成规则库,对话管理模块输入查询语句。根据知识库和规则库,采用类似于产生式系统的方法,可以对输入进行简单的推理,既可用于知识本身的发掘和关系的补全,又可以帮助问答系统进行答案的推理。
下面将主要原理用产生式的方法进行简单介绍:
IF conditions THEN actions
Conditions是由条件组成的集合,actions是由动作组成的序列。举例:
IF头痛AND流鼻涕AND咳嗽THEN患了感冒。
产生式系统由事实集合(Work Memory),规则,推理引擎组成。其中,事实集又叫运行内存(Working Meory,WM),是事实(WME)的集合,存储当前系统中所有事实。而事实(Working Memory Element,WME)包括实例和关系的描述。比如感冒,就是疾病的一种实例;感冒是疾病的一种,可以说感冒属于疾病,这就是关系。
Conditions是由规则组成的集合,又称为LHS,actions是由动作组成的序列,又称为RHS。
LHS是条件(规则)的集合,各条件之间是且的关系。当LHS中的条件均被满足,则该规则被触发。
RHS是动作的序列,执行时一次执行。动作的种类有:
①ADD pattern:向WM中加入形pattern的WME
②REOVE:从WM中一处当前规则的第i个条件匹配的WME
③MODIFY i(attr spec):对当前规则第i个条件匹配的WME,将其对应于attr属性的值改为spe。
推理引擎控制系统的执行,包括三个部分,模式匹配,冲突解决,执行动作。产生式的执行流程如图1所示。
根据图2的推理机原理,可以把推理机的推理步骤总结如下:
首先把知识库中的事实和规则都加载到工作存储器中,然后通过一定的模式匹配算法,对这些事实和规则进行匹配,判断是否满足规则的触发条件,如果满足则把这些需要触发的规则和它们的事实一起送到冲突集中;其次,给予一定的冲突消解算法,选择需要执行的规则;最后,执行规则,如果该规则改变了事实,则传递这些改变,重复这一过程,直到没有新的规则会被触发为止,此时推理过程完毕。
用规则的条件部分匹配事实集中的事实,整个LHS都被满足的规则被触发,并被加入议程(Agenda)。议程可以认为是一个队列。
Jena默认对正向链推理支持RETE算法。通过RETE算法,将被触发的规则加入议程。RETE算法的核心思想是利用规则之间的公用部分以减少规则的存储空间,并且保持在过去匹配过程中的信息以加快匹配的速度(以空间换时间),这就是RETE算法两个重要的特点,即节点共享和状态保持,给予RETE的系统会把规则编译成一个网络,成为鉴别网络(discrimination network),该网络中的每个节点都有一个存储区,用来存储满足节点对应模式的事实(fact),当事实从根节点匹配到叶子节点的时候,那么表明该事实匹配到这条路径所对应的规则,该规则将会被激活。RETE算法包括便宜规则生成鉴别网络和网络对事实进行匹配两个步骤。比如图3就是规则R1:[(L1:(时间,2002)L2(导演,张艺谋),L3(编剧,李冯),L4(演员,李连杰))→英雄]编译形成的网络。
鉴别网络包含5种类别的网络结点,分别如表1所示:
表1 RETE网络中的结点
知识图谱推理的主要由医学知识图谱录入、知识图谱存储、语义网络推理三大部分组成。
知识图谱录入:
1、录入格式
综合表达能力和对推理的支持,选用OWL DL子语言来表示知识。
2、构建平台
选用jena作为平台,构建知识图谱。
3、知识来源
根据需求,采用已有病历作为知识来源。
4、知识建模
如图4所示,为类别为疾病的知识建模示意图。
5、知识表示——RDF生成
利用jena API创建模型,添加和修改属性和属性值、生成本体,具体流程如图5所示。
输入:(三个参数):三元组中的主、谓、宾
输出:RDF文本
知识存储:需要存储的数据类型
知识图谱数据存储需要完成的基本数据存储:
目前为三元组知识的存储。由于知识仅来源于兰州大学医学数据库,针对肾病科的疾病数目有限,且都为半结构化数据,方便转换为OWL格式,目前主要解决三元组知识的存储问题。
规则库文件的存储,根据jena平台的要求进行存储,存储.rules文件。
物理存储
存储在硬盘当中。利用jena将构建好的知识库固化为TDA的格式进行存储。利用Fuseki[4]插件可以将其发布到网络上,使知识库可以通过HTTP被查询。
复杂存储解决方案如图6所示。
为了方便用户管理本体或知识图谱,将RDF固化到一个通用的数据库中,才是最优做法。基于以上考虑,选择jena作为平台,jena支持RDA、SDA、TDA三种模式来固化RDF。采用TDA(jena用于RDF存储和查询的模块)来固化RDF。将其他形式的数据转换成RDF数据,再进一步存为TDA的形式。
使用提供SPARQL服务的FUSEKI模块来操作实现多个进程同时访问、升级TDA数据集。
知识图谱推理方法:
在本体推理中,常使用基于规则的本体推理方法。
用来本体推理的规则是有格式定义的,每一条规则都是有主体(Body)和头(Head)构成,一条规则一般情况下会有一个或多个主题和一个头,比如说存在这样一条规则:
rule:(?A xx:hasWife?B)(?A xx:isMotherOf?C)^(?B xx:isFatherOf ?C)
以上rule是基于jena的描述形式,rule中的?A、?B、?C均表实体。xx:haswife、xx:isMotherOf、xx:isFatherOf均表示关系。
规则中的主体便是(?A xx:hasWife ?B)、(?A xx:isMotherOf ?C),规则中的头是(?B xx:isMotherOf ?C),也就是说利用规则中的所有的主体可以推出头。以上规则中,三个关系词分别为hasWife(有妻子)、isMotherOf(妈妈)、isFatherOf(爸爸),且存在这两个主体为:(?A xx:hasWife ?B)、(?A xx isMotherOf ?C),可以推出(?B xx:isFatherOf ?C)。
综上所述,规则一般就是由己有关系(Body)来推理出潜在关系(Head)。
为了解析规则,在Jena推理引擎中包含了一个简单的递归降序(recursivedescent)解析器。在Rule类中,有几个属性具体特别的作用,它们可以在优化Rete算法时被使用到:
①is Backward:用来标识规则是前向规则还是后向规则。
②is Monotonic:如果Rule不是Monotonic(单调)的,那么用它初始化的RETEEngine也不是Monotonic的。如果规则是monotonic的,那么就可以对冲突集进行短路处理。
③num Vars:保存了规则中互异的变量的个数。
通用规则推理:知识图谱中的语义关系具有一些特性,例如:自传递性、子对称性、逆对称性。根据这些特性,分别可以对己有的关系进行下一步的推理:
(1)对称推理
规则:?P rdf:type owl:Symmetricproperty->[(?X?P?Y)->(?Y?P?X)]
语义:if((P is Symmetricproperty)and P(X,Y))then P(Y,X)
对称推理也就是,当存在一个对称性质语义关系词P,以此关系词连接着两个概念实体分别为X和Y,也就是存在着P(Y,X)关系时候,同时我们可以根据对称特征推理获得P(Y,X)。之前定义的“并发症”为对称属性,我们己有的三元组关系为(腰椎间盘突出,并发症,腰椎管狭窄),依据对称特性,可以得到另一个三元组关系为:(腰椎管狭窄,并发症,腰椎间盘突出)。
(2)逆对称推理
规则:?Powl:inverseOf ?Q[(?X ?P ?Y)(?Y ?P ?X)]
语义:if((P inverseOf Q)and P(X,Y))then Q(Y,X)
逆对称推理就是,当一个关系词P被设定为另一个关系词的Q的逆(Inverse Of),对于由关系词P连接的一个三元组关系(X,P,Y),根据逆对称特性,可以得到(Y,Q,X)。
(3)传递推理
规则:?P rdf:type owl:TransitiveProperty->[(?X ?P ?Y);(?Y,?P,?Z)(?X ?P?Z)]
语义:if((P is TransitiveProperty)and P(X,Y)and P(Y,Z))then P(X,Z)
传递推理就是,当存在一个传递性质的关系词P时,同时存在着两组三元组关系为(X,P,Y)、(Y,P,Z),可以依据传递特性,获取另一个推理所得到的三元组关系为(X,P,Z)。例如,本体中最常见的SubClassOf便是具有传递性的关系词,己存在两组关系分别为(腰椎间盘突出,SubClassOf,脊椎病)、(脊椎病SubClassOf,疾病),依据传递性质,我们可以得到(腰椎间盘突出,SubClassOf,疾病)。
jena推理机制如图7所示,通过jena的模型工厂(ModelFactory)和推理机注册器(ReasonerRegitry)创建推理机(Reasoner),并绑定相关的RDF三元组数据和owl本体模型,推理机将根据规则进行推理,生成一个推理结果图(InfGraph),该图可以通过jena的本体API就可以查询和调用。
规则库设计:Jena规则有正向链,反向链和混合链三种推理模式。其中正向链推理是数据驱动的推理模式。第一次推理时会将所有的数据提供给推理机,被触发的规则产生的新RDF三元组会进一步触发更多的规则,知道不能再触发任何规则为止。由于临床查询目标往往是不明确的,因此本文采用了正向链推理模式,以最大限度地挖掘患者数据中隐含的信息,得到尽可能完整的决策结果。
推理得到的新结论可以通过SPARQL查询来读取。该查询会返回所有满足条件的节点。
规则库根据jena要求采用.rule文件存储。
Jena中RETE网络建立流程:利用jena的推理引擎中的前向(正向)推理引擎,在使用推理机是需要对推理机进行配置,才可以使用特定的推理机。其中,配置jena推理机使用RETE前向推理引擎的实例代码如图8。
在Jena推理引擎的实现中,前向推理引擎是基于Rete算法来实现的,但是由于Jena规则的表示方式的特殊性,所以由规则集生成的Rete鉴别网络和Forge博士论文中给出的有所区别。此外Jena在实现Rete算法的时候,出于效率上的原因,对系统也做了相关的优化。
在RETE算法的实现中,主要涉及到的核心的类或接口如下:
(1)RETEEngine:该类实现了前向规则引擎接口FRule Engine I,基于Rete算法的前向链引擎的主要实现都在该类中。通过初始规则集和源实例数据对该类进行初始化后,通过调用其内部的init方法,可以把整个推理引擎运行起来,init方法将处理所有的数据,它应该在演绎图被准备好和加入任何预计算的演绎出的三元组之前被调用。它主要由三部分组成:
1)编译规则集到内部表示格式即Rete鉴别网络,如图9,;
2)扫描和插入公理规则;
3)进行运行时事实数据的匹配。
(2)RETEConflict Set:该类用来管理需要被触发的规则的集合,并且根据规则的monotonic属性进行不同的处理,触发了的规则最终的执行是在该类的execute方法中进行的,并且会根据触发规则的head部分是Triple Pattern、Functor或Rule做不同的处理。
(3)Binding Environment:在事实匹配过程中,通常需要在Rete网络的节点之间传递各种事实匹配信息。而Binding Environment接口就是用来保存变量和值之间的绑定信息的。Binding Vector类实现了该接口,它为规则中的变量维持一个绑定值数组。
(4)RETEClause Filter:该类是最终的Rete网络的主要组成节点,用来检测一个三元组是否同规则中的一个clause是否匹配,如果匹配,它创建一个BindingEnvironment,并把它在Rete网络中传递。检测和绑定过程是基于一个简单的字节编码(byte-coded)的解释器来进行的。
(5)RETETerminal:Rete网络的叶子节点,如果事实在Rete图中的匹配传递到该节点,就说明由该节点表示的规则被完全匹配,可以被触发。
图10给出了Jena中由规则生成Rete网络的流程图,由于在Jena的实现中,一个规则对应一个独立的Rete网络,而所有规则对应的Rete网络的集合就是整个规则集对应的Rete网络。所以下面以Test规则:[Test:(?A ?P1 ?B),(?P1 rdfs:sub Property Of ?P2)->(?A ?P2 ?B)]为例来详细说明其对应的Rete网络的建立过程。
读入规则集中的一条规则即Test规则,然后初始化数据结构clause Index
和predicate Patterns,clause Index是一个一对多的哈希映射,它非常重要,因为只有通过它才能找到每个事实可能匹配的规则的三元组模式。
依次对Test规则的Body部分的三元组模式进行处理。先保存Test规则的变量个数4到num Vars,和初始化seen Var;然后开始处理(?A ?P1 ?B),在编译Rete网络的时候,只对Triple Pattern进行处理,而不对Functor等进行处理,通过图12中的流程建立RETEClause Filter1节点(以下用Filter1表示);然后根据(?A ?P1 ?B)中的谓词是否是变量,在clause Index中添加相应的键值对(因为这里是变量所以添加(Node.ANY,Filter1),Node.ANY表示所有的事实需要和Filter1进行匹配);通过把(?A ?P1 ?B)中的变量和seenVar中已经出现的变量进行比较,得出需要和之前的Triple Pattern交叉匹配的变量列表,并根据本Triple Pattern的变量更改seen Var数组;建立连接节点,如果是第一个节点,那么没有连接节点,如不是,那么就要建立左连接和右连接节点。至此,(?A ?P1 ?B)处理完毕,重复上面的流程继续处理(?P1 rdfs:sub Property Of ?P2)。最后,规则编译完毕,创建终止节点RETETerminal1。最终得到图11所对应的RETE网络。
在Rete网络建立好后,推理机就会进入到把事实库中的事实载入在Rete网络中,进行运行时的匹配过程,以判断是否需要触发相应的规则。在Jena中,运行时的匹配过程如图13所示。假设原始RDF图中只有[Person1,is Good Friend Of,Person2]和[is GoodFriend Of,rdfs:sub Property Of,is Friend Of]两条事实,所以这里通过这两条事实在RETE网络中的流动来详细的说明该过程。首先,初始化冲突集,并且此时delete Pending队列为空,而adds Pending队列包含了上面的两个三元组。由于delete Pending空,所以从adds Pending中取出[Person1,is Good Friend Of,Person2]事实,把该事实注入到网络中,通过clause Index可以找出可能匹配的节点是RETEClause Filter1,所以通过表中的字节码顺序对该事实进行匹配且可以匹配成功,所以该事实会传递到RETEQueue1节点,由于RETEQueue2的节点目前没有匹配成功的事实,所以会进入到下一条事实[is GoodFriend Of,rdfs:sub Property Of,is Friend Of]的匹配,通过clause Index可以找出可能的匹配节点包含RETEClause Filter1,RETEClause Filter2,同第一条事实一样,RETEClause Filter1匹配成功,并且会传递到RETEQueue1,并停止。但是该事实同时匹配RETEClause Filter2,并且传递到RETEQueue2的时候,会和RETEQueue1中保存的匹配信息进行连接匹配(由match Indices指定),并且连接匹配是成功的,所以匹配信息会传递到RETETerminal1,并在该结点中触发规则,添加推理出的事实[Person1,is Friend,Person2],并继续匹配,直到冲突集为空。
如图14所示,知识图谱部分从对话管理接受已将映射好的查询语句,其内容包括两部分,事实和问题。其中主要又以事实居多。这里的事实即为症状集,对话管理系统输入症状集的主要目的就是查询是否有对顶疾病,有少量提问为其并发症。最终获得分诊信息。
Claims (3)
1.一种基于知识图谱推理的智能分诊方法,其特征在于,包括:
获取用户输入的描述语句,生成查询语句;
根据查询语句,基于知识图谱推理的方法获得分诊信息。
2.根据权利要求1所述的一种基于知识图谱推理的智能分诊方法,其特征在于,所述生成查询语句的具体方法是:从描述语句中提取症状信息,基于症状信息生成SPARQL查询语句。
3.根据权利要求2所述的一种基于知识图谱推理的智能分诊方法,其特征在于,所述基于知识图谱推理的方法获得分诊信息的具体方法包括:
1)构建知识图谱:采用jena作为平台,构建知识图谱,知识的来源是已有的病历资料,知识建模的方法是,将疾病作为类别,根据病历资料获取类别的属性关系,再利用jena API创建模型,生成RDF文本;
2)知识存储:利用jena将构建好的知识库固化为TDA的格式进行存储;
3)知识图谱推理:通过jena的模型工厂和推理机注册器创建推理机,并绑定相关的RDF三元组数据和owl本体模型,推理机将根据规则进行推理,生成一个推理结果图,该图通过jena的本体API查询和调用;
4)获得分诊信息:基于正向链推理的规则,根据查询语句,通过SPARQL查询读取推理结论,根据对应的结论进行分诊,输出分诊信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019166.8A CN112768052A (zh) | 2021-01-07 | 2021-01-07 | 一种基于知识图谱推理的智能分诊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110019166.8A CN112768052A (zh) | 2021-01-07 | 2021-01-07 | 一种基于知识图谱推理的智能分诊方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112768052A true CN112768052A (zh) | 2021-05-07 |
Family
ID=75700647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110019166.8A Pending CN112768052A (zh) | 2021-01-07 | 2021-01-07 | 一种基于知识图谱推理的智能分诊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112768052A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786183A (zh) * | 2021-01-07 | 2021-05-11 | 重庆中肾网络科技有限公司 | 一种智能分诊系统 |
CN114372154A (zh) * | 2022-01-11 | 2022-04-19 | 江苏曼荼罗软件股份有限公司 | 一种基于知识图谱的预导诊及分诊技术方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047178A1 (en) * | 2009-08-24 | 2011-02-24 | Sensology Inc. | System and method for searching and question-answering |
CN105512217A (zh) * | 2015-11-30 | 2016-04-20 | 南京邮电大学 | 一种基于Jena的药品本体推理查询方法和系统 |
CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
CN111813957A (zh) * | 2020-07-14 | 2020-10-23 | 深圳中兴网信科技有限公司 | 基于知识图谱的医疗导诊方法和可读存储介质 |
CN112597316A (zh) * | 2020-12-30 | 2021-04-02 | 厦门渊亭信息科技有限公司 | 一种可解释性推理问答方法及装置 |
CN112669961A (zh) * | 2021-01-07 | 2021-04-16 | 重庆中肾网络科技有限公司 | 一种基于大数据推理的智能分诊方法 |
CN112700865A (zh) * | 2021-01-07 | 2021-04-23 | 重庆中肾网络科技有限公司 | 一种基于综合推理的智能分诊方法 |
CN112768055A (zh) * | 2021-01-07 | 2021-05-07 | 重庆中肾网络科技有限公司 | 一种基于专家经验推理的智能分诊方法 |
CN112786183A (zh) * | 2021-01-07 | 2021-05-11 | 重庆中肾网络科技有限公司 | 一种智能分诊系统 |
-
2021
- 2021-01-07 CN CN202110019166.8A patent/CN112768052A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110047178A1 (en) * | 2009-08-24 | 2011-02-24 | Sensology Inc. | System and method for searching and question-answering |
CN105512217A (zh) * | 2015-11-30 | 2016-04-20 | 南京邮电大学 | 一种基于Jena的药品本体推理查询方法和系统 |
CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统 |
CN111813957A (zh) * | 2020-07-14 | 2020-10-23 | 深圳中兴网信科技有限公司 | 基于知识图谱的医疗导诊方法和可读存储介质 |
CN112597316A (zh) * | 2020-12-30 | 2021-04-02 | 厦门渊亭信息科技有限公司 | 一种可解释性推理问答方法及装置 |
CN112669961A (zh) * | 2021-01-07 | 2021-04-16 | 重庆中肾网络科技有限公司 | 一种基于大数据推理的智能分诊方法 |
CN112700865A (zh) * | 2021-01-07 | 2021-04-23 | 重庆中肾网络科技有限公司 | 一种基于综合推理的智能分诊方法 |
CN112768055A (zh) * | 2021-01-07 | 2021-05-07 | 重庆中肾网络科技有限公司 | 一种基于专家经验推理的智能分诊方法 |
CN112786183A (zh) * | 2021-01-07 | 2021-05-11 | 重庆中肾网络科技有限公司 | 一种智能分诊系统 |
Non-Patent Citations (1)
Title |
---|
谭月辉;肖冰;陈建泗;齐京礼;李志勇;: "Jena推理机制及应用研究", 河北省科学院学报, no. 04, pages 1 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112786183A (zh) * | 2021-01-07 | 2021-05-11 | 重庆中肾网络科技有限公司 | 一种智能分诊系统 |
CN114372154A (zh) * | 2022-01-11 | 2022-04-19 | 江苏曼荼罗软件股份有限公司 | 一种基于知识图谱的预导诊及分诊技术方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eiter et al. | Rules and ontologies for the semantic web | |
Grimm | Knowledge representation and ontologies | |
Michalski | A theory and methodology of inductive learning | |
KR100993288B1 (ko) | Dbms 기반의 rdf 트리플 저장부에서의 뷰를 이용한 효율적인 추론 시스템 및 방법 | |
Dong et al. | Text analysis for constructing design representations | |
Pathak et al. | Survey of modular ontology techniques and their applications in the biomedical domain | |
CN101996208B (zh) | 用于数据库语义查询回答的方法及系统 | |
CN112700865A (zh) | 一种基于综合推理的智能分诊方法 | |
Krötzsch | Ontologies for knowledge graphs? | |
CN112768052A (zh) | 一种基于知识图谱推理的智能分诊方法 | |
Yeo | A machine learning based natural language question and answering system for healthcare data search using complex queries | |
US20230316095A1 (en) | Systems and methods for automated scribes based on knowledge graphs of clinical information | |
Mao et al. | Dynamic sub-ontology evolution for traditional Chinese medicine web ontology | |
Zanitti et al. | Scalable Query Answering under Uncertainty to Neuroscientific Ontological Knowledge: The NeuroLang Approach | |
Kumar et al. | Learning distributional programs for relational autocompletion | |
Leme et al. | OWL schema matching | |
Auer et al. | Integrating ontologies and relational data | |
Petersohn et al. | Method for the semantic indexing of concept hierarchies, uniform representation, use of relational database systems and generic and case-based reasoning | |
Woods | Knowledge base retrieval | |
Kaur et al. | Multi-model persistent solution for healthcare big data | |
Zhu et al. | Querying and reasoning with product engineering ontologies: moving past modeling | |
King | Special issue on AI and Database research | |
Nalepa et al. | Rules as a Knowledge Representation Paradigm | |
Wu | Explicit schematic information in knowledge representation and acquisition | |
ATIG et al. | Découverte et Réparation des Alignements d’Ontologies dans le Web de Données Liées |
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 |