CN113257414A - 基于贝叶斯结构学习的信息归类方法、装置和系统 - Google Patents
基于贝叶斯结构学习的信息归类方法、装置和系统 Download PDFInfo
- Publication number
- CN113257414A CN113257414A CN202110792815.8A CN202110792815A CN113257414A CN 113257414 A CN113257414 A CN 113257414A CN 202110792815 A CN202110792815 A CN 202110792815A CN 113257414 A CN113257414 A CN 113257414A
- Authority
- CN
- China
- Prior art keywords
- bayesian
- user
- information
- disease
- bayesian network
- 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.)
- Granted
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
- G16H50/70—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种基于贝叶斯结构学习的信息归类方法、系统及系统，根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。本发明基于贝叶斯结构学习对用户病历等材料进行信息提取后并进行结构化处理，结合历史数据集和信息数据库得到每种疾病的关联关系，结合专家经验知识图谱形成对应的参考策略方案，能够成为医生辅助判断的重要参考信息，节约处理时间。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于贝叶斯结构学习的信息归类方法、装置和系统。
背景技术
对疾病的归类分析在很多场景中都是必备步骤，目前的疾病归类主要是依赖人工判断，专业人员的专业能力参差不齐导致归类会出现混乱，举例来说对某种疾病的归类可能因为医学专业不够深，如癌症的病因很多，医生在出具诊断证明时可能对甲状腺癌症有不同的表述，比如甲状腺肿物、甲状腺恶性肿瘤、甲状腺乳头状恶性肿瘤等，这些表述方式都对应甲状腺癌症的某些具体时期或具体类型，但如果专业素养不够容易造成归类错误，这种归类难度在心理疾病中更加明显，因此需要通过数据驱动的方式辅助进行合理的疾病归类以提高辅助参考可靠性。
发明内容
针对上述缺陷，本发明要解决的技术问题是如何运用科技手段解决睡眠障碍的数据分析归类问题。
针对上述缺陷，本发明的目的在于提供一种基于贝叶斯结构学习的信息归类方法、系统及电子设备、计算机存储介质和程序产品。
根据本说明书的实施例的一方面，提供一种基于贝叶斯结构学习的信息归类方法，根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
在一些实施例中，贝叶斯网络结构具有多个节点，节点对应于随机变量，边对应于随机变量的依赖或相关关系。
在一些实施例中，边包括有向边和无向边。
在一些实施例中，节点包括引起睡眠障碍的随机因素或者诱因。
在一些实施例中，有向边表示单向的依赖，无向边表示相关依赖关系。
在一些实施例中，结构学习给定一个网络和每个节点的静态切片样本，寻找出最优的网络结构，从而用贝叶斯网络的条件独立性来解释节点间的因果关系。
根据本说明书的实施例的一方面，提供一种基于贝叶斯结构学习的信息归类方法，应用于互联网医疗平台，包括：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
在一些实施例中，互联网医疗平台依据已收集的历史数据进行贝叶斯结构学习，学习疾病清单中疾病组合一同出现的概率，构造贝叶斯网络结构，寻找出最优网络结构，用贝叶斯网络的条件独立性来解释节点间的因果关系。
在一些实施例中，采用greedy search寻找最优解，避免陷入局部最优。
在一些实施例中，寻找最优解的具体流程包括：
S1、选取一个初始结构；
S2、当未达到局部最优或未达到最大步数时对所有可能的结构进行更改；
S3、更新对应节点的得分，若得分增加，则将相邻结构作为下一步的备选结构；
S4、若备选结构为空，在所有备选结构中，选取得分增加最多的结构作为当前结构，否则判断为已达到局部最优，返回当前结构；
S5、执行S1~S4，直到遍历所有结构。
根据本说明书的实施例的另一方面，提供一种基于贝叶斯结构学习的病由信息归类方法，包括：
用户提供症状、病史和检查信息的材料，第三方互联网医疗平台将材料进行结构化处理并提取信息整理成结构化病理数据列表，根据用户历史数据和第三方互联网医疗平台建立的相关疾病数据库，通过贝叶斯结构学习得到一个或多个疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
在一些实施例中，第三方互联网医疗平台通过OCR和/或图像识别和/或语义分析对材料进行结构化处理，获得标准格式的数据。
在一些实施例中，贝叶斯网络结构具有多个节点，节点对应于随机变量。
根据本说明书的实施例的另一方面，提供一种基于贝叶斯结构学习的信息归类系统，包括：一用户端和一互联网医疗平台，其中，
所述用户端用于用户提供材料，包括但不限于提供图片、文档以及标准化检查报告；
所述互联网医疗平台将材料进行结构化处理并提取信息整理成结构化病理数据列表，根据用户历史数据和第三方互联网医疗平台建立的相关疾病数据库，通过贝叶斯结构学习得到一个或多个疾病共同出现的关联关系，构造贝叶斯网络结构；
所述互联网医疗平台把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案通过所述用户端向用户输出分析结果。
在一些实施例中，第三方互联网医疗平台通过后台的OCR、图像识别以及语义分析功能模块对材料进行结构化处理，获得标准格式的数据。
根据本说明书的实施例的另一方面，提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现以下步骤：根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现以下步骤：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现以下步骤：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
本发明基于贝叶斯结构学习对用户病历等材料进行信息提取后并进行结构化处理，结合历史数据集和信息数据库得到每种疾病的关联关系，结合专家经验知识图谱形成对应的参考策略方案，能够成为医生辅助判断的重要参考信息，节约处理时间。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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示出了本发明基于贝叶斯结构学习的信息归类方法一实施例结构示意图；
图2示出了本发明基于贝叶斯结构学习的信息归类方法另一实施例结构示意图；
图3示出了本发明基于贝叶斯结构学习的信息归类方法另一实施例结构示意图；
图4示出了本发明基于贝叶斯结构学习的信息归类系统一实施例架构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
如图1所示，本说明书的一个实施例提供的一种基于贝叶斯结构学习的信息归类方法，根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
在一些实施例中，贝叶斯网络结构具有多个节点，节点对应于随机变量，边对应于随机变量的依赖或相关关系。
在一些实施例中，边包括有向边和无向边。
在一个具体例子中，节点包括引起睡眠障碍的随机因素或者诱因。
在一些实施例中，有向边表示单向的依赖，无向边表示相关依赖关系。
在一些实施例中，结构学习给定一个网络和每个节点的静态切片样本，寻找出最优的网络结构，从而用贝叶斯网络的条件独立性来解释节点间的因果关系。
本说明书的另一个实施例提供的一种基于贝叶斯结构学习的信息归类方法，应用于互联网医疗平台，包括：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
在一些实施例中，互联网医疗平台依据已收集的历史数据进行贝叶斯结构学习，学习疾病清单中疾病组合一同出现的概率，构造贝叶斯网络结构，寻找出最优网络结构，用贝叶斯网络的条件独立性来解释节点间的因果关系。
在一个具体例子中，采用greedy search寻找最优解，避免陷入局部最优。
如图2所示，在一个具体例子中，寻找最优解的具体流程包括：
S1、选取一个初始结构；
S2、当未达到局部最优或未达到最大步数时对所有可能的结构进行更改；
S3、更新对应节点的得分，若得分增加，则将相邻结构作为下一步的备选结构；
S4、若备选结构为空，在所有备选结构中，选取得分增加最多的结构作为当前结构，否则判断为已达到局部最优，返回当前结构；
S5、执行S1~S4，直到遍历所有结构。
如图3所示，本说明书的另一个实施例提供的一种基于贝叶斯结构学习的信息归类方法，包括：
用户提供症状、病史和检查信息的材料，第三方互联网医疗平台将材料进行结构化处理并提取信息整理成结构化病理数据列表，根据用户历史数据和第三方互联网医疗平台建立的相关疾病数据库，通过贝叶斯结构学习得到一个或多个疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
在一些实施例中，第三方互联网医疗平台通过OCR和/或图像识别和/或语义分析对材料进行结构化处理，获得标准格式的数据。
在一些实施例中，贝叶斯网络结构具有多个节点，节点对应于随机变量。
如图4所示，本说明书的另一个实施例提供的一种基于贝叶斯结构学习的信息归类系统，包括：一用户端和一互联网医疗平台，其中，
所述用户端用于用户提供材料，包括但不限于提供图片、文档以及标准化检查报告；
所述互联网医疗平台将材料进行结构化处理并提取信息整理成结构化病理数据列表，根据用户历史数据和第三方互联网医疗平台建立的相关疾病数据库，通过贝叶斯结构学习得到一个或多个疾病共同出现的关联关系，构造贝叶斯网络结构；
所述互联网医疗平台把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案通过所述用户端向用户输出分析结果。
在一些实施例中，第三方互联网医疗平台通过后台的OCR、图像识别以及语义分析功能模块对材料进行结构化处理，获得标准格式的数据。
在一个具体例子中，互联网医疗平台可以是综合性互联网健康医药医疗平台，如阿里健康、京东健康，也可以是专门从事医疗健康问诊平台，如春雨医生、丁香园等，还可以是专科类医疗平台，如专注于中枢神经领域的专业移动医疗平台好心情移动医疗。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据另一方面的实施例，还提供一种计算机程序产品，包括计算机程序 /指令，该计算机程序/指令被处理器执行时实现以下步骤：
根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，还提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，还提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现以下步骤：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
根据本说明书的实施例的另一方面，提供一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
在一些实施例中，互联网医疗平台依据已收集的历史数据进行贝叶斯结构学习，学习疾病清单中疾病组合一同出现的概率，构造贝叶斯网络结构，寻找出最优网络结构，用贝叶斯网络的条件独立性来解释节点间的因果关系。
采用greedy search寻找最优解，避免陷入局部最优。
在一些实施例中，寻找最优解的具体流程包括：
S1、选取一个初始结构；
S2、当未达到局部最优或未达到最大步数时对所有可能的结构进行更改；
S3、更新对应节点的得分，若得分增加，则将相邻结构作为下一步的备选结构；
S4、若备选结构为空，在所有备选结构中，选取得分增加最多的结构作为当前结构，否则判断为已达到局部最优，返回当前结构；
S5、执行S1~S4，直到遍历所有结构。
第三方互联网医疗平台通过OCR和/或图像识别和/或语义分析对材料进行结构化处理，获得标准格式的数据。
在一些实施例中，贝叶斯网络结构具有多个节点，节点对应于随机变量。
本发明基于贝叶斯结构学习对用户病历等材料进行信息提取后并进行结构化处理，结合历史数据集和信息数据库得到每种疾病的关联关系，结合专家经验知识图谱形成对应的参考策略方案，能够成为医生辅助判断的重要参考信息，节约处理时间。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (20)
1.一种基于贝叶斯结构学习的信息归类方法，包括：
根据用户提供的材料提取信息，整理成结构化数据列表，根据历史用户数据集和信息数据库通过贝叶斯结构学习得到每种疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
2.根据权利要求1所述的基于贝叶斯结构学习的信息归类方法，所述贝叶斯网络结构具有多个节点，节点对应于随机变量，边对应于随机变量的依赖或相关关系。
3.根据权利要求2所述的基于贝叶斯结构学习的信息归类方法，所述边包括有向边和无向边。
4.根据权利要求2所述的基于贝叶斯结构学习的信息归类方法，所述节点包括引起睡眠障碍的随机因素或者诱因。
5.根据权利要求3所述的基于贝叶斯结构学习的信息归类方法，所述有向边表示单向的依赖，无向边表示相关依赖关系。
6.根据权利要求5所述的基于贝叶斯结构学习的信息归类方法，所述结构学习给定一个网络和每个节点的静态切片样本，寻找出最优的网络结构，从而用贝叶斯网络的条件独立性来解释节点间的因果关系。
7.一种基于贝叶斯结构学习的信息归类方法，应用于互联网医疗平台，包括：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
8.根据权利要求7所述的方法，所述互联网医疗平台依据已收集的历史数据进行贝叶斯结构学习，学习疾病清单中疾病组合一同出现的概率，构造贝叶斯网络结构，寻找出最优网络结构，用贝叶斯网络的条件独立性来解释节点间的因果关系。
9.根据权利要求7或8所述的方法，采用greedy search寻找最优解，避免陷入局部最优。
10.根据权利要求9所述的方法，寻找最优解的具体流程包括：
S1、选取一个初始结构；
S2、当未达到局部最优或未达到最大步数时对所有可能的结构进行更改；
S3、更新对应节点的得分，若得分增加，则将相邻结构作为下一步的备选结构；
S4、若备选结构为空，在所有备选结构中，选取得分增加最多的结构作为当前结构，否则判断为已达到局部最优，返回当前结构；
S5、执行S1~S4，直到遍历所有结构。
11.一种基于贝叶斯结构学习的病由信息归类方法，所述方法包括：
用户提供症状、病史和检查信息的材料，第三方互联网医疗平台将材料进行结构化处理并提取信息整理成结构化病理数据列表，根据用户历史数据和第三方互联网医疗平台建立的相关疾病数据库，通过贝叶斯结构学习得到一个或多个疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
12.根据权利要求11所述的方法，所述第三方互联网医疗平台通过OCR和/或图像识别和/或语义分析对材料进行结构化处理，获得标准格式的数据。
13.根据权利要求11或12所述的方法，所述贝叶斯网络结构具有多个节点，节点对应于随机变量。
14.一种基于贝叶斯结构学习的信息归类系统，包括：一用户端和一互联网医疗平台，其中，
所述用户端用于用户提供材料，包括但不限于提供图片、文档以及标准化检查报告；
所述互联网医疗平台将材料进行结构化处理并提取信息整理成结构化病理数据列表，根据用户历史数据和第三方互联网医疗平台建立的相关疾病数据库，通过贝叶斯结构学习得到一个或多个疾病共同出现的关联关系，构造贝叶斯网络结构；
所述互联网医疗平台把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案通过所述用户端向用户输出分析结果。
15.根据权利要求14所述的系统，所述第三方互联网医疗平台通过后台的OCR、图像识别以及语义分析功能模块对材料进行结构化处理，获得标准格式的数据。
16.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 1-6任一项所述方法的步骤。
17.一种计算机程序产品，包括计算机程序 /指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 1-6任一项所述方法的步骤。
18.一种电子设备，包括：
处理器；以及
被设置成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：
接收到用户请求，根据用户提供的材料进行结构化处理并提取信息，形成结构化数据列表，根据历史数据库和用户的信息通过贝叶斯结构学习得到用户疾病共同出现的关联关系，构造贝叶斯网络结构，把属于相同类型的前后序疾病在贝叶斯网络中聚合得到对应的疾病分类，根据专家经验知识图谱形成对应的策略方案向用户输出分析结果。
19.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 7-10任一项所述方法的步骤。
20.一种计算机程序产品，包括计算机程序 /指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求 7-10任一项所述方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111437565.2A CN114093509A (zh) | 2021-07-14 | 2021-07-14 | 信息处理方法、装置和系统 |
| CN202110792815.8A CN113257414B (zh) | 2021-07-14 | 2021-07-14 | 基于贝叶斯结构学习的信息归类方法、装置和系统 |
| CN202111437265.4A CN114093520A (zh) | 2021-07-14 | 2021-07-14 | 治疗睡眠障碍相关信息归类方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110792815.8A CN113257414B (zh) | 2021-07-14 | 2021-07-14 | 基于贝叶斯结构学习的信息归类方法、装置和系统 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111437265.4A Division CN114093520A (zh) | 2021-07-14 | 2021-07-14 | 治疗睡眠障碍相关信息归类方法、装置和系统 |
| CN202111437565.2A Division CN114093509A (zh) | 2021-07-14 | 2021-07-14 | 信息处理方法、装置和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113257414A true CN113257414A (zh) | 2021-08-13 |
| CN113257414B CN113257414B (zh) | 2021-11-16 |
Family
ID=77191179
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111437265.4A Pending CN114093520A (zh) | 2021-07-14 | 2021-07-14 | 治疗睡眠障碍相关信息归类方法、装置和系统 |
| CN202110792815.8A Active CN113257414B (zh) | 2021-07-14 | 2021-07-14 | 基于贝叶斯结构学习的信息归类方法、装置和系统 |
| CN202111437565.2A Pending CN114093509A (zh) | 2021-07-14 | 2021-07-14 | 信息处理方法、装置和系统 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111437265.4A Pending CN114093520A (zh) | 2021-07-14 | 2021-07-14 | 治疗睡眠障碍相关信息归类方法、装置和系统 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111437565.2A Pending CN114093509A (zh) | 2021-07-14 | 2021-07-14 | 信息处理方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN114093520A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082691A (zh) * | 2022-07-28 | 2022-09-20 | 吾征智能技术(北京)有限公司 | 基于深度学习的黑色素瘤识别方法及装置 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115331805B (zh) * | 2022-07-04 | 2023-05-19 | 深圳市镜象科技有限公司 | 基于自然语言处理的精神疾病诊断方法及计算机设备 |
| CN115985491B (zh) * | 2023-03-21 | 2023-07-18 | 安徽通灵仿生科技有限公司 | 一种介入式心室导管泵的医学信息处理系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080201280A1 (en) * | 2007-02-16 | 2008-08-21 | Huber Martin | Medical ontologies for machine learning and decision support |
| US20150356272A1 (en) * | 2014-06-10 | 2015-12-10 | Taipei Medical University | Prescription analysis system and method for applying probabilistic model based on medical big data |
| CN106844194A (zh) * | 2016-12-21 | 2017-06-13 | 北京航空航天大学 | 一种多层次软件故障诊断专家系统的构建方法 |
| CN108461151A (zh) * | 2017-12-15 | 2018-08-28 | 北京大学深圳研究生院 | 一种知识图谱的逻辑增强方法及装置 |
| CN109697512A (zh) * | 2018-12-26 | 2019-04-30 | 东南大学 | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 |
| CN110085325A (zh) * | 2019-04-30 | 2019-08-02 | 王小岗 | 关于中医经验数据的知识图谱的构建方法及装置 |
| CN111902876A (zh) * | 2018-01-22 | 2020-11-06 | 癌症众生公司 | 用于进行虚拟试验的平台 |
| CN112133385A (zh) * | 2020-09-14 | 2020-12-25 | 黄军彩 | 一种问诊信息采集分析系统及采集分析方法 |
| CN112768079A (zh) * | 2021-01-24 | 2021-05-07 | 武汉东湖大数据交易中心股份有限公司 | 一种基于机器学习的肝病认知模型构建方法和系统 |
| CN112885471A (zh) * | 2021-03-12 | 2021-06-01 | 上海中医药大学附属岳阳中西医结合医院 | 基于贝叶斯网络最大熵自学习扩展集对分析的银屑病疗效评价系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0307076D0 (en) * | 2003-03-27 | 2003-04-30 | Imp College Innovations Ltd | Methods |
| US20080139966A1 (en) * | 2006-12-07 | 2008-06-12 | The Hong Kong Polytechnic University | Automatic tongue diagnosis based on chromatic and textural features classification using bayesian belief networks |
| KR101364851B1 (ko) * | 2007-09-21 | 2014-02-20 | 한국과학기술원 | 데이터베이스 구축하는 방법 및 상기 데이터베이스를이용한 질병분석 방법 |
| CN106874655B (zh) * | 2017-01-16 | 2018-12-14 | 西北工业大学 | 基于多标记学习和贝叶斯网络的中医症型分类预测方法 |
| US20190155993A1 (en) * | 2017-11-20 | 2019-05-23 | ThinkGenetic Inc. | Method and System Supporting Disease Diagnosis |
| KR20190070430A (ko) * | 2017-12-13 | 2019-06-21 | (주)엔텔스 | 빅데이터 분석 기반 질병 진단명 추정 방법 및 추정 장치 |
| CN111292848B (zh) * | 2019-12-31 | 2023-05-16 | 同方知网数字出版技术股份有限公司 | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 |
-
2021
- 2021-07-14 CN CN202111437265.4A patent/CN114093520A/zh active Pending
- 2021-07-14 CN CN202110792815.8A patent/CN113257414B/zh active Active
- 2021-07-14 CN CN202111437565.2A patent/CN114093509A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080201280A1 (en) * | 2007-02-16 | 2008-08-21 | Huber Martin | Medical ontologies for machine learning and decision support |
| US20150356272A1 (en) * | 2014-06-10 | 2015-12-10 | Taipei Medical University | Prescription analysis system and method for applying probabilistic model based on medical big data |
| CN106844194A (zh) * | 2016-12-21 | 2017-06-13 | 北京航空航天大学 | 一种多层次软件故障诊断专家系统的构建方法 |
| CN108461151A (zh) * | 2017-12-15 | 2018-08-28 | 北京大学深圳研究生院 | 一种知识图谱的逻辑增强方法及装置 |
| CN111902876A (zh) * | 2018-01-22 | 2020-11-06 | 癌症众生公司 | 用于进行虚拟试验的平台 |
| CN109697512A (zh) * | 2018-12-26 | 2019-04-30 | 东南大学 | 基于贝叶斯网络的个人数据分析方法及计算机存储介质 |
| CN110085325A (zh) * | 2019-04-30 | 2019-08-02 | 王小岗 | 关于中医经验数据的知识图谱的构建方法及装置 |
| CN112133385A (zh) * | 2020-09-14 | 2020-12-25 | 黄军彩 | 一种问诊信息采集分析系统及采集分析方法 |
| CN112768079A (zh) * | 2021-01-24 | 2021-05-07 | 武汉东湖大数据交易中心股份有限公司 | 一种基于机器学习的肝病认知模型构建方法和系统 |
| CN112885471A (zh) * | 2021-03-12 | 2021-06-01 | 上海中医药大学附属岳阳中西医结合医院 | 基于贝叶斯网络最大熵自学习扩展集对分析的银屑病疗效评价系统 |
Non-Patent Citations (4)
| Title |
|---|
| CYRIL_KI: "机器学习之贝叶斯网络（概率流动的影响性、有效迹（active--trail）、网络的构建）", 《HTTPS://BLOG.CSDN.NET/CYRIL_KI/ARTICLE/DETAILS/107597127》 * |
| 曹洋昆: "LncRNA和疾病关联预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑 (月刊) 2020年第03期》 * |
| 段明月: "决策树模型在预测乳腺癌5年生存状况研究中的应用", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑 (月刊) 2020年第08期》 * |
| 永不言弃的小颖子: "贝叶斯优化Bayesian Optimization（学习笔记）", 《HTTPS://BLOG.CSDN.NET/WEIXIN_44783002/ARTICLE/DETAILS/115548824》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082691A (zh) * | 2022-07-28 | 2022-09-20 | 吾征智能技术(北京)有限公司 | 基于深度学习的黑色素瘤识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114093520A (zh) | 2022-02-25 |
| CN113257414B (zh) | 2021-11-16 |
| CN114093509A (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Verenich et al. | Survey and cross-benchmark comparison of remaining time prediction methods in business process monitoring | |
| CN113257414B (zh) | 基于贝叶斯结构学习的信息归类方法、装置和系统 | |
| US11640494B1 (en) | Systems and methods for construction, maintenance, and improvement of knowledge representations | |
| US11593458B2 (en) | System for time-efficient assignment of data to ontological classes | |
| US20210248136A1 (en) | Differentiation Of Search Results For Accurate Query Output | |
| US10929348B2 (en) | Method and system for large scale data curation | |
| US9092802B1 (en) | Statistical machine learning and business process models systems and methods | |
| US11176154B1 (en) | Collaborative dataset management system for machine learning data | |
| AU2013329525C1 (en) | System and method for recursively traversing the internet and other sources to identify, gather, curate, adjudicate, and qualify business identity and related data | |
| US11966873B2 (en) | Data distillery for signal detection | |
| CN106164896B (zh) | 用于发现对手方关系的多维递归方法及系统 | |
| US11620453B2 (en) | System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
| US11836331B2 (en) | Mathematical models of graphical user interfaces | |
| CN115374094B (zh) | 多源数据融合方法、智能终端以及存储介质 | |
| Prakash et al. | Big data preprocessing for modern world: opportunities and challenges | |
| CN113221762B (zh) | 代价平衡决策方法、保险理赔决策方法、装置和设备 | |
| CN117271901A (zh) | 基于技术能力的社交关系推荐方法及系统 | |
| Shirazi et al. | An application-based review of recent advances of data mining in healthcare | |
| US20230088044A1 (en) | End-to-end prospecting platform utilizing natural language processing to reverse engineer client lists | |
| CN115617973A (zh) | 一种基于智能数据处理的信息获取方法 | |
| US20220129795A1 (en) | Systems and methods for cognitive information mining | |
| Portugal et al. | Towards a provenance-aware spatial-temporal architectural framework for massive data integration and analysis | |
| Sayeed et al. | Smartic: A smart tool for Big Data analytics and IoT | |
| CN115952312B (zh) | 一种图像标签的自动标注与排序方法 | |
| US20220292375A1 (en) | Method and system for identifying predictable fields in an application for machine learning |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Rooms 1601 and 1602, 16th floor, No. 52, North Fourth Ring West Road, Haidian District, Beijing 100080 Patentee after: Good Feeling Health Industry Group Co.,Ltd. Address before: Rooms 1601 and 1602, 16th floor, No. 52, North Fourth Ring West Road, Haidian District, Beijing 100080 Patentee before: BEIJING HAOXINQING MOBILE MEDICAL TECHNOLOGY CO.,LTD. |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210813 Assignee: Yinchuan Haoxin Internet Hospital Co.,Ltd. Assignor: Good Feeling Health Industry Group Co.,Ltd. Contract record no.: X2023990000594 Denomination of invention: Information Classification Methods, Devices, and Systems Based on Bayesian Structure Learning Granted publication date: 20211116 License type: Common License Record date: 20230608 Application publication date: 20210813 Assignee: Beijing Haoxin Internet Hospital Co.,Ltd. Assignor: Good Feeling Health Industry Group Co.,Ltd. Contract record no.: X2023990000597 Denomination of invention: Information Classification Methods, Devices, and Systems Based on Bayesian Structure Learning Granted publication date: 20211116 License type: Common License Record date: 20230608 Application publication date: 20210813 Assignee: Jiangsu Haoxin Hospital Management Co.,Ltd. Assignor: Good Feeling Health Industry Group Co.,Ltd. Contract record no.: X2023990000598 Denomination of invention: Information Classification Methods, Devices, and Systems Based on Bayesian Structure Learning Granted publication date: 20211116 License type: Common License Record date: 20230608 |