CN113380400A - 一种基于知识图谱和深度学习的中医智能诊疗辅助系统 - Google Patents
一种基于知识图谱和深度学习的中医智能诊疗辅助系统 Download PDFInfo
- Publication number
- CN113380400A CN113380400A CN202110766973.6A CN202110766973A CN113380400A CN 113380400 A CN113380400 A CN 113380400A CN 202110766973 A CN202110766973 A CN 202110766973A CN 113380400 A CN113380400 A CN 113380400A
- Authority
- CN
- China
- Prior art keywords
- data
- deep learning
- traditional chinese
- chinese medicine
- treatment
- 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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了中医智能诊疗辅助系统,涉及计算机技术领域。数据采集装置用于从中医医学网站爬取目标数据,深度学习装置用于根据预设的知识图谱关系对目标数据进行融合深度学习,生成三元组数据存入图数据库,并生成映射信息存入关系型数据库;终端用于根据搜索指令从关系型数据库中查找对应疾病的映射信息,调取关联的三元组数据并进行显示。本发明能够实现中医诊疗的辅助决策,提高中医诊疗的精准和效率,提高中医医学知识和经验的共享、积累与挖掘,辅助临床一线医生进行智能诊疗,减少误判率,更好地分析疾病现象,对系统整体了解疾病现象,探寻疾病节点,精准分析药与疾病现象的对应关系,提高科学和实践基础具有重要价值。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于知识图谱和深度学习的中医智能诊疗辅助系统。
背景技术
目前,对于中医诊疗,主要依靠医生经验实现,缺乏科学高效的诊疗辅助系统。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于知识图谱和深度学习的中医智能诊疗辅助系统。
本发明解决上述技术问题的技术方案如下:
一种基于知识图谱和深度学习的中医智能诊疗辅助系统,包括:数据采集装置、深度学习装置、图数据库、关系型数据库和终端,其中:
所述数据采集装置用于从中医医学网站爬取目标数据,所述深度学习装置用于根据预设的知识图谱关系对所述目标数据进行融合深度学习,生成三元组数据存入所述图数据库,并生成映射信息存入所述关系型数据库;
所述终端用于获取包含疾病信息的搜索指令,根据所述搜索指令从所述关系型数据库中查找对应疾病的映射信息,根据对应疾病的映射信息调取关联的三元组数据,并进行显示。
本发明的有益效果是:本发明提供的一种基于知识图谱和深度学习的中医智能诊疗辅助系统,通过结合知识图谱和深度学习,使用从中医医学网站爬取的数据生成三元组作为辅助依据,能够实现中医诊疗的辅助决策,提高中医诊疗的精准和效率,提高中医医学知识和经验的共享、积累与挖掘,辅助临床一线医生进行智能诊疗,减少误判率,更好地分析疾病现象,对系统整体了解疾病现象,探寻疾病节点,精准分析药与疾病现象的对应关系,提高科学和实践基础具有重要价值。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明中医智能诊疗辅助系统的实施例提供的结构框架示意图;
图2为本发明中医智能诊疗辅助系统的其他实施例提供的系统构建示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明中医智能诊疗辅助系统的实施例提供的结构框架示意图,该中医智能诊疗辅助系统基于知识图谱和深度学习实现,包括:数据采集装置10、深度学习装置20、图数据库30、关系型数据库40和终端50,其中:
数据采集装置10用于从中医医学网站爬取目标数据,深度学习装置20用于根据预设的知识图谱关系对目标数据进行融合深度学习,生成三元组数据存入图数据库30,并生成映射信息存入关系型数据库40;
终端50用于获取包含疾病信息的搜索指令,根据搜索指令从关系型数据库40中查找对应疾病的映射信息,根据对应疾病的映射信息调取关联的三元组数据,并进行显示。
需要说明的是,可以通过智能数据爬取技术,针对各类目标网站、结合医疗结构化数据、标准医学术语集,形成初步的处理数据。
例如,可以获取半结构化信息,例如段落层级、标题、小标题信息等;通过这些半结构化信息构建一个自动提取系统,针对爬取的到的不同数据,构造出多样化规则对概念关系进行提取。
如图2所示,为本发明中医智能诊疗辅助系统的其他实施例提供的系统构建示意图。可以首先对爬取到的半结构化数据和非结构化数据进行知识抽取,主要包括实体抽取、关系抽取和属性抽取,对结构化数据依据医学第三方数据库对结构化进行数据整合后,知识抽取后的半结构化数据和非结构化数据进行实体对齐,通过知识推理构建本体,然后进行质量评估,生成知识图谱,得到的知识图谱存放在图数据库30中,映射关系存放在关系型数据库40汇中,共医生调用。
知识融合过程中可以依据标准医学术语集和医疗结构化数据实现。
当医生选择特定疾病,对应的图谱关系就会呈现出来,可以通过点击获得包括不局限于疾病成因、疾病特征、治疗方法、常用药物等关联关系。
例如,医生选择疾病,系统可以根据疾病进行关系推荐。比如选择糖尿病,出现“相关疾病”、“辅助治疗”、“并发症”、“病因”、“药物治疗”等;可以进一步进行数据下钻,比如选择“相关疾病”,出现“血栓”、“高血压”等。
通过将机器学习中的监督学习算法用于命名实体的抽取问题上。利用KNN等算法与条件随机场模型结合NLP、深度学习、增强学习,实现了对文本数据中实体的识别。单纯的监督学习算法在性能上不仅受到训练集合的限制,并且算法的准确率与召回率都不够理想。将监督学习算法与规则相互结合,采用基于字典,使用最大熵算法、深度学习、强化学习、NLP等方法在数据集上进行实体抽取实验,实验的准确率与召回率都大幅提升。
本实施例提供的一种基于知识图谱和深度学习的中医智能诊疗辅助系统,通过结合知识图谱和深度学习,使用从中医医学网站爬取的数据生成三元组作为辅助依据,能够实现中医诊疗的辅助决策,提高中医诊疗的精准和效率,提高中医医学知识和经验的共享、积累与挖掘,辅助临床一线医生进行智能诊疗,减少误判率,更好地分析疾病现象,对系统整体了解疾病现象,探寻疾病节点,精准分析药与疾病现象的对应关系,提高科学和实践基础具有重要价值。
可选地,在一些可能的实施方式中,三元组数据包括:实体数据、关系数据和属性数据。
下面给出一种示例性的三元组数据,可以为(药物治疗,胰岛素,糖尿病)。
通过多源信息融合,三元组作为知识库的一种通用表示形式,通过表示学习,能够以较为直接的方式表示实体、关系及其之间的复杂语义关联。
可选地,在一些可能的实施方式中,深度学习装置20具体用于使用“关系名+FMLS”的方式对目标数据进行标注,通过预设的分类模型预测每个字的标签,对得到的标签进行匹配,找到匹配成功的具有相同关系名的完整FMLS集合,取出完整FMLS集合对应的实体,形成包含实体数据、关系数据和属性数据的三元组。
其中,关系名可以为同义词、规格、成分、症状、治理方法等。
具体地,可以采用BiLSTM结合softmax分类模型预测每个字的标签,用BiLSTM得到每个字的隐向量,然后将该隐向量通过人工神经网络多层感知机和Softmax输出激励层,使其变成一个c维的概率向量,即得到三元组。其中,c为标签种类数。
这种高精度自动提取的方法能大幅提升三元组的构建效率,提升内容的高度可靠性。
下面给出一种示例性的三元组示例:
G=(E,R,S)
其中,E={e1,e2,…,e|E|}是知识库中的中医实体集合,共包含|E|种不同中医实体,R={r,r,…,r|E|}是知识库中的中医关系集合,共包含|R|种不同关系。
可选地,在一些可能的实施方式中,深度学习装置20具体用于识别目标数据中的目标实体,使用“R-F”标注目标实体的第一个字,使用“R-L”标注目标实体的最后一个字,使用“R-M”标注目标实体中间的字。
其中,R表示关系名,F表示第一个字,L表示最后一个字,M表示中间的字。
可选地,在一些可能的实施方式中,深度学习装置20还用于如果该实体只有一个字,则用“R-S”来标注目标实体。
可选地,在一些可能的实施方式中,深度学习装置20还用于使用“N”标注目标实体中与关系名无关的字。
可选地,在一些可能的实施方式中,深度学习装置20具体用于使用BiLSTM结合softmax分类模型预测每个字的标签。
可选地,在一些可能的实施方式中,终端50还用于获取修改三元组数据的修改指令,根据修改指令,从关系型数据库40中查找对应疾病的映射信息,根据对应疾病的映射信息调取关联的三元组数据,并根据修改指令对关联的三元组数据进行修改。
需要说明的是,本系统基于中医理论“元思维”的计算机知识图谱构建方法,是架构智能诊疗辅助系统核心基础。目前各种研究计算方法都在一定程度上促进了中医学的发展,根据模糊判断模式模拟临床经验,采用协同分布式方法进行中医诊断。本系统方法综合神经网络模型、数据挖掘技术、决策树方法、基于信息熵的决策树算法、知识图谱、图像识别和深度学习法等,且不拘泥于上述方法进行多层次多维度信息融合,加上对中医诊疗输出的海量信息进行高维度的实时智能数据计算推荐预测分析并成为解决这一问题的核心系统方法。使用卷积神经网络进行图像特征提取,循环神经网络和LSTM对自然语言进行特征提取,利用数据挖掘对采集数据进行分析。
基于深度神经网络技术中深度学习、增强学习以及知识图谱的综合方法,构建人工智能辅助诊疗系统,在知识高效率传承、关系深度挖掘、知识发现、科研教学实践一体化等具有重要价值。
集合中医医学诊疗思维过程,基于智能数据采集系统获取的数据,把所有的疾病现象(包括现代医学检查检验结果,症状体征等)进行结构化汇总,结合知识图谱、深度学习(CNN、RNN、LSTM等)、NLP等方法,通过中医的元思维概念(例如阴阳等),把中医对世界的基本认知以知识图谱的形式完成对信息的深度分析加工,从而首次提出并建立一套以中医元思维为基础认识疾病、辅助诊疗等智能辅助诊疗系统。
本系统不仅可以保证建立在中医理论逻辑的基础上,结合现代医学并融合人工智能,更好地分析疾病现象的可能,而且对系统整体了解疾病现象,探寻疾病节点,精准分析药与疾病现象的对应关系,提高科学和实践基础具有重要价值。
此外,NLP、知识提取融合、深度学习、基于算法工厂的数据挖掘,综合NLP在自然语言理解方便的优势以及深度学习在特征提取方面的优势,融合机器学习算法工厂的创新架构设计,满足医学知识广博和模型要求泛化能力高的复杂场景要求,建立垂直特定的中医知识图谱,基于算法推荐的模型,形成一线诊疗的智能辅助推荐,对一线医生、医院、科研机构、医药企业等具有非常重要的精准意义,又便于继续形成持续学习的模型。获取的各类数据,可以通过AI、算法、行业经验、应用系统进行综合交叉、深度融合、数据自主学习更新。
本系统既包括自动数据爬取的前置机系统,基于NLP、深度学习、算法工厂的数据挖掘中台,又包括智能辅助诊疗的前端应用系统。自动数据采集系统自动24小时采集数据,并经过数据中台,自动学习数据特征并融合数据规则,形成三元组数据并结合推荐算法。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的方法实施例仅仅是示意性的,例如,步骤的划分,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,例如多个步骤可以结合或者可以集成到另一个步骤,或一些特征可以忽略,或不执行。
上述方法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,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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)执行本发明各个实施例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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,包括:数据采集装置、深度学习装置、图数据库、关系型数据库和终端,其中:
所述数据采集装置用于从中医医学网站爬取目标数据,所述深度学习装置用于根据预设的知识图谱关系对所述目标数据进行融合深度学习,生成三元组数据存入所述图数据库,并生成映射信息存入所述关系型数据库;
所述终端用于获取包含疾病信息的搜索指令,根据所述搜索指令从所述关系型数据库中查找对应疾病的映射信息,根据对应疾病的映射信息调取关联的三元组数据,并进行显示。
2.根据权利要求1所述的基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,所述三元组数据包括:实体数据、关系数据和属性数据。
3.根据权利要求2所述的基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,所述深度学习装置具体用于使用“关系名+FMLS”的方式对目标数据进行标注,通过预设的分类模型预测每个字的标签,对得到的标签进行匹配,找到匹配成功的具有相同关系名的完整FMLS集合,取出所述完整FMLS集合对应的实体,形成包含实体数据、关系数据和属性数据的三元组。
4.根据权利要求3所述的基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,所述深度学习装置具体用于识别所述目标数据中的目标实体,使用“R-F”标注所述目标实体的第一个字,使用“R-L”标注所述目标实体的最后一个字,使用“R-M”标注所述目标实体中间的字。
5.根据权利要求4所述的基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,所述深度学习装置还用于如果该实体只有一个字,则用“R-S”来标注所述目标实体。
6.根据权利要求5所述的基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,所述深度学习装置还用于使用“N”标注所述目标实体中与关系名无关的字。
7.根据权利要求3所述的基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,所述深度学习装置具体用于使用BiLSTM结合softmax分类模型预测每个字的标签。
8.根据权利要求1至7中任一项所述的基于知识图谱和深度学习的中医智能诊疗辅助系统,其特征在于,所述终端还用于获取修改所述三元组数据的修改指令,根据所述修改指令,从所述关系型数据库中查找对应疾病的映射信息,根据对应疾病的映射信息调取关联的三元组数据,并根据所述修改指令对关联的三元组数据进行修改。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766973.6A CN113380400A (zh) | 2021-07-07 | 2021-07-07 | 一种基于知识图谱和深度学习的中医智能诊疗辅助系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766973.6A CN113380400A (zh) | 2021-07-07 | 2021-07-07 | 一种基于知识图谱和深度学习的中医智能诊疗辅助系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113380400A true CN113380400A (zh) | 2021-09-10 |
Family
ID=77581304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766973.6A Pending CN113380400A (zh) | 2021-07-07 | 2021-07-07 | 一种基于知识图谱和深度学习的中医智能诊疗辅助系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113380400A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017331A (zh) * | 2022-06-07 | 2022-09-06 | 深圳伯德睿捷健康科技有限公司 | 健康感知与认知方法及装置 |
WO2023098288A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江大学 | 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断系统 |
CN116504414A (zh) * | 2023-05-19 | 2023-07-28 | 北京百度网讯科技有限公司 | 医疗数据查询方法、装置、电子设备以及存储介质 |
CN118366686A (zh) * | 2024-06-19 | 2024-07-19 | 中国中医科学院中医临床基础医学研究所 | 一种针对中药的组方分析方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
CN110334211A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 一种基于深度学习的中医诊疗知识图谱自动构建方法 |
CN112002411A (zh) * | 2020-08-20 | 2020-11-27 | 杭州电子科技大学 | 一种基于电子病历的心脑血管病知识图谱问答方法 |
CN112002409A (zh) * | 2020-07-27 | 2020-11-27 | 山东师范大学 | 一种中医辅助诊断系统 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断系统 |
CN112420212A (zh) * | 2020-11-27 | 2021-02-26 | 湖南师范大学 | 一种脑卒中医疗知识图谱的构建方法 |
-
2021
- 2021-07-07 CN CN202110766973.6A patent/CN113380400A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗系统及其构建方法、设备和存储介质 |
CN110334211A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 一种基于深度学习的中医诊疗知识图谱自动构建方法 |
CN112002409A (zh) * | 2020-07-27 | 2020-11-27 | 山东师范大学 | 一种中医辅助诊断系统 |
CN112002411A (zh) * | 2020-08-20 | 2020-11-27 | 杭州电子科技大学 | 一种基于电子病历的心脑血管病知识图谱问答方法 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断系统 |
CN112420212A (zh) * | 2020-11-27 | 2021-02-26 | 湖南师范大学 | 一种脑卒中医疗知识图谱的构建方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023098288A1 (zh) * | 2021-12-01 | 2023-06-08 | 浙江大学 | 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断系统 |
CN115017331A (zh) * | 2022-06-07 | 2022-09-06 | 深圳伯德睿捷健康科技有限公司 | 健康感知与认知方法及装置 |
CN116504414A (zh) * | 2023-05-19 | 2023-07-28 | 北京百度网讯科技有限公司 | 医疗数据查询方法、装置、电子设备以及存储介质 |
CN116504414B (zh) * | 2023-05-19 | 2024-03-22 | 北京百度网讯科技有限公司 | 医疗数据查询方法、装置、电子设备以及存储介质 |
CN118366686A (zh) * | 2024-06-19 | 2024-07-19 | 中国中医科学院中医临床基础医学研究所 | 一种针对中药的组方分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113380400A (zh) | 一种基于知识图谱和深度学习的中医智能诊疗辅助系统 | |
CN110210037B (zh) | 面向循证医学领域的类别检测方法 | |
Gopalakrishnan et al. | A survey on literature based discovery approaches in biomedical domain | |
CN110277167A (zh) | 基于知识图谱的慢性非传染性疾病风险预测系统 | |
CN113707339B (zh) | 一种多源异质数据库间概念对齐与内容互译方法及系统 | |
CN113806563A (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN113764112A (zh) | 一种在线医疗问答方法 | |
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 | |
CN112635071A (zh) | 融合中西医知识的糖尿病知识图谱构建方法 | |
US20230084492A1 (en) | Ontological modeling method and system, storage medium and computer device for flower pests and diseases based on knowledge graph | |
CN114004237A (zh) | 一种基于膀胱癌知识图谱的智能问答系统构建方法 | |
CN114661914A (zh) | 一种基于深度学习和知识图谱的合同审查方法、装置、设备和存储介质 | |
CN114077673A (zh) | 一种基于btbc模型的知识图谱构建方法 | |
Feng et al. | Towards bridged vision and language: Learning cross-modal knowledge representation for relation extraction | |
CN117954081A (zh) | 一种基于图Transformer的智能医疗问诊方法及系统 | |
CN112035627B (zh) | 自动问答方法、装置、设备及存储介质 | |
Li et al. | Knowledge‐Based Recurrent Neural Network for TCM Cerebral Palsy Diagnosis | |
Liu et al. | Deep Fuzzy Multi-Teacher Distillation Network for Medical Visual Question Answering | |
CN116227594A (zh) | 面向多源数据的医疗行业高可信度知识图谱的构建方法 | |
Gao et al. | Knowledge question-answering system based on knowledge graph of traditional Chinese medicine | |
Guan et al. | A medical Q&A system with entity linking and intent recognition | |
Li et al. | Deep learning for semantic matching: A survey | |
Geo Jenefer et al. | Diabetes disease prediction using firefly optimization-based cat-boost classifier in big data analytics | |
Shan et al. | Construction of knowledge graph based on the four treatises of tibetan medicine and its searching system | |
Jie et al. | Review of Knowledge Graph and Its Vertical Applications in Industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |
|
RJ01 | Rejection of invention patent application after publication |