CN113434692A - 图神经网络模型构建、诊疗方案推荐方法、系统及设备 - Google Patents
图神经网络模型构建、诊疗方案推荐方法、系统及设备 Download PDFInfo
- Publication number
- CN113434692A CN113434692A CN202110690423.0A CN202110690423A CN113434692A CN 113434692 A CN113434692 A CN 113434692A CN 202110690423 A CN202110690423 A CN 202110690423A CN 113434692 A CN113434692 A CN 113434692A
- Authority
- CN
- China
- Prior art keywords
- entity
- data
- diagnosis
- entities
- relationship
- 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
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N20/00—Machine learning
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种图神经网络模型构建、诊疗方案推荐方法、系统及设备。根据本发明的图神经网络模型构建方法,包括以下步骤:获取多个患者的历史诊疗数据;根据历史诊疗数据中实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立知识图谱;以及,根据知识图谱构建图神经网络模型。根据本发明的一种图神经网络模型构建、诊疗方案推荐方法、系统及设备,能够充分挖掘实体间的丰富语义关联,合理扩展实体类型和关系类型,提高推荐精确度和增加推荐的多样性。
Description
技术领域
本发明涉及医疗领域,涉及一种图神经网络模型构建、诊疗方案推荐方法、系统及设备。
背景技术
近年来,在传统医疗行业,人工智能逐步在疾病辅助诊断治疗、个人健康管理、基因药物研发和医院智能管理等多个环节,发挥出优势和独特作用。在疾病就诊过程中,医院保留了大量相关就诊的信息记录(包括病人的基本信息、诊断信息、既往史和检验检查记录),还包括针对病人情况的诊疗方案(手术、用药和辅助治疗等等)。大量的历史记录隐含着大量的信息,如果能很好的运用人工智能技术,就能从中挖掘出有价值的信息,达到疾病辅助诊疗的目的。
传统的机器学习诊疗方案推荐算法是使用患者的历史就诊记录信息,将诊疗过程中的一些关键因素作为特征梳理出来,然后根据这些特征训练出一个推荐算法模型。而基于深度学习的诊疗方案推荐方法,一般都是使用病历样本和对应的标注标签来训练出一个相似病历模型,然后匹配相似病历模型来达到对应诊疗方案的推荐。
总而言之,以上的方法发展至今,已经在不同的场景中取得了一定的效果,但是在一些复杂的场景下,不管是上述的机器学习算法还是深度学习算法都只能挖掘出浅层的语义信息和关联信息,而更深层次的关联信息无法被充分利用。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的在于提出了一种图神经网络模型构建方法,本发明的图神经网络模型优势在于知识图谱能够充分挖掘实体间的丰富语义关联,能充分利用患者的历史诊疗数据中更深层次的关系信息,提高推荐精确度。
本发明的一个目的在于提出了一种图神经网络模型构建方法,本发明的图神经网络模型优势还在于知识图谱具有可解释性以及知识图谱中关系类型丰富,可以合理扩展实体类型和关系类型,增加推荐的多样性。
本发明的一个目的在于提出了一种图神经网络模型构建方法,本发明的图神经网络模型优势还在于邻域聚合,捕获并存储每个实体中的局部邻接结构。
本发明的一个目的在于提出了一种诊疗方案推荐方法,推荐精确度高且推荐信息全面。
本发明提出了一种图神经网络模型构建方法,包括以下步骤:
获取多个患者的历史诊疗数据;
根据所述历史诊疗数据中的实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立所述知识图谱;以及,根据所述知识图谱构建图神经网络模型。
本发明的图神经网络模型构建方法的优势在于:知识图谱实体间的丰富语义关联帮助挖掘其中的联系,从而提高构建的图神经网络模型的精确度。知识图谱中关系类型丰富,可以合理扩展业务需求,增加推荐的多样性。知识图谱具有很好的可解释性,可以清楚理解各实体之间的关系,便于构建图神经网络模型。
另外,根据本发明的图神经网络模型的构建方法,还可以具有如下附加的技术特征:
在本发明的一些实施例中,所述历史诊疗数据包括结构化数据和非结构化数据,所述知识图谱三元组的构建包括以下步骤:直接抽取所述结构化数据中的实体和关系;根据实体抽取模型抽取所述非结构化数据中的实体,以生成实体数据;根据关系抽取模型抽取所述实体数据中两两实体之间的关系;以及,根据所述实体和所述关系,构建所述知识图谱三元组。
在本发明的一些实施例中,采用实体抽取模型抽取所述非结构化数据中的实体包括以下步骤:
1)获取所述非结构化数据;
2)标注部分所述非结构化数据中实体的实体类型,以生成所述实体类型训练数据;
3)根据所述实体类型训练数据训练预设的实体学习模型,以生成所述实体抽取模型;
4)根据所述实体抽取模型预测预测非结构化数据中实体的实体类型,以生成预测数据,其中,所述预测非结构化数据是通过删去所述非结构化数据中所述实体类型训练数据对应的非结构化数据生成;
5)核对所述预测数据中实体与实体类型是否正确对应,将正确对应的所述预测数据加入所述实体类型训练数据,以生成更新实体类型训练数据;
6)确定所述预测数据中所有的实体的实体类型是否均正确对应;若否,采用更新实体类型训练数据替换所述实体类型训练数据,重复迭代3)-5)步骤;若是,则抽取最后一次生成的所述更新实体类型训练数据和所述预测数据中的实体,以生成所述实体数据。
在本发明的一些实施例中,从所述实体数据中抽取所述关系包括以下步骤:
7)将所述实体数据中的句子按句号分句;
8)找出分句的句子中两两实体可能的组合集;
9)根据所述组合集,标注部分所述实体数据中两两所述实体之间的关系,以生成关系训练数据;
10)根据所述关系训练数据训练预设的关系学习模型,以生成所述关系抽取模型;
11)根据所述关系抽取模型预测预测实体数据中两两实体之间的关系,以生成预测关系数据,其中,所述预测实体数据是通过删去所述实体数据中所述关系训练数据对应的实体数据生成;
12)核对所述预测关系数据中两两实体之间的关系是否正确对应,将对应正确的预测关系数据加入所述关系训练数据,以生成更新关系训练数据;
13)确定预测关系数据中两两实体之间的关系是否均正确对应;若否,采用更新关系训练数据替换所述关系训练数据,重复迭代10)-12)步骤;若是,则抽取最后一次生成的所述更新关系训练数据和所述预测关系数据中的关系。
在本发明的一些实施例中,根据所述知识图谱构建图神经网络模型包括以下步骤:
构建患者集合、实体集合和关系集合;
根据所述患者集合和所述实体集合中每个患者和每个实体的交互情况构建患者-实体矩阵;
根据所述患者-实体矩阵构建患者特征向量;
将所述患者特征向量非线性变换为D维患者特征向量,D为正整数;
将所述实体集合中的每个实体转换为D维向量,以构建实体向量矩阵;
将所述关系集合中的每个关系转换为D维向量,以构建关系向量矩阵;
根据所述实体集合和所述知识图谱中两两实体的相邻情况构建实体-实体邻域矩阵;
根据所述关系集合、所述实体集合和所述知识图谱中实体和关系的相邻情况构建实体-关系邻域矩阵;
融合所述实体-实体邻域矩阵和所述实体向量矩阵,以生成实体邻域矩阵;
融合所述实体-关系邻域矩阵和所述关系向量矩阵,以生成关系邻域矩阵;
将所述关系邻域矩阵和所述D维患者特征向量先做内积后一维求和,以生成患者-关系分数;
将所述患者-关系分数与所述实体邻域矩阵做内积,以生成患者邻域矩阵;
将所述患者邻域矩阵和所述实体邻域矩阵相加,以生成更新患者邻域矩阵;
将所述更新患者邻域矩阵和所述D维患者特征向量先做内积后一维求和,以生成诊疗方案向量,以构建完成图神经网络模型。
本发明还提出了一种图神经网络模型构建系统,包括:获取模块,用于获取历史诊疗数据;第一构建模块,用于根据所述历史诊疗数据中的实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立所述知识图谱;以及,第二构建模块,用于根据所述知识图谱构建图神经网络模型。
另外,根据本发明的图神经网络模型,还可以具有如下附加的技术特征:
在本发明的一些实施例中,所述历史诊疗数据包括结构化数据和非结构化数据,图神经网络模型构建系统还包括:第一抽取模块,用于直接抽取所述结构化数据中的实体和关系;以及,第二抽取模块,用于根据实体抽取模型抽取所述非结构化数据中的实体,以生成实体数据;以及,根据关系抽取模型抽取所述实体数据中两两实体之间的关系。
本发明还提出一种诊疗方案的推荐方法,包括以下步骤:
获取多个患者的诊疗实体数据;
根据所述诊疗实体数据中的诊疗实体和两两诊疗实体之间预定义的诊疗关系,构建诊疗知识图谱三元组,以建立多个诊疗知识图谱;
根据图神经网络模型处理多个所述诊疗知识图谱,以生成多个诊疗方案向量,所述图神经网络模型是根据如上所述的构建方法构建的;
获取待推荐患者的医疗实体数据;
根据所述医疗实体数据中医疗实体和两两医疗实体之间预定义的医疗关系,构建医疗知识图谱三元组,以建立医疗知识图谱;
根据所述图神经网络模型处理所述医疗知识图谱,以生成待推荐医疗向量;
计算所述待推荐医疗向量和每个所述诊疗方案向量之间的相似度;以及,
根据所述相似度,推荐相似度值满足预设条件的诊疗方案向量对应的诊疗方案。
本发明还提出了一种推荐诊疗方案的系统,包括:获取模块,用于获取多个患者的诊疗实体数据和待推荐患者的医疗实体数据;第三构建模块,用于根据所述诊疗实体数据中的诊疗实体和两两诊疗实体之间预定义的诊疗关系,构建诊疗知识图谱三元组,以建立诊疗知识图谱;用于根据所述医疗实体数据中的医疗实体和两两医疗实体之间预定义的医疗关系,构建医疗知识图谱三元组,以建立医疗知识图谱;处理模块,用于根据图神经网络模型处理多个所述诊疗知识图谱,以生成多个诊疗方案向量;以及,用于根据图神经网络模型处理所述医疗知识图谱,以生成待推荐医疗向量;计算模块,用于计算所述待推荐医疗向量和每个所述诊疗方案向量之间的相似度;以及,选取模块,用于根据所述相似度,选取相似度值满足预设条件的诊疗方案向量对应的诊疗方案。
本发明还提出了一种电子设备,包括处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如上所述的图神经网络模型构建方法。
本发明还提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的图神经网络模型构建方法。
本发明的附加方面和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,或通过本发明的实践了解到。
具体实施方式
下面详细描述本发明的实施例。下面的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
一种图神经网络模型构建方法,包括以下步骤:
S10:获取多个患者的历史诊疗数据。举例来说,历史诊疗数据包括患有疾病的患者的基本信息、症状、既往史、检验检查信息和治疗信息等数据。基本信息包括患者的年龄、性别和BMI值等。既往史包括患者吸烟饮酒史等,症状包括患有疾病的患者主观上的异常感觉或某些客观病态改变,例如发烧、咳嗽和头痛等。检验检查信息包括患者为确定疾病对身体所做的各项检验检查项目以及通过检查检查项目获取的各项身体指标数据等,例如各项检验检查包括心电图、CT图、血脂检查和血糖检查等,通过各项检验检查项目获得的心功能相关指标数据、血糖相关指标数据和血脂相关指标数据等。治疗信息包括患者为治愈疾病服用过的药品、进行过的手术。
S20:根据历史诊疗数据中实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立知识图谱。举例来说,历史诊疗数据包括基本信息、症状、既往史、检验检查项目、检查检查项目获取的各项身体指标、手术和药品等实体信息。预定义两两实体之间的关系,如“疾病”实体和“疾病”实体之间的关系定义为“并发症”、“疾病”实体和“药物”实体之间的关系定义为“药物治疗”、“疾病”实体和“检验项目”实体之间的关系定义为“检验”、“检查”实体和“手术名称”实体之间的关系定义为“手术治疗”、“疾病”实体和“生活习惯”实体之间的关系定义为“个人史”、“疾病”实体和“其他治疗”实体之间的关系定义为“辅助治疗”等。根据实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立知识图谱。举例来说,根据上述“疾病”实体、“疾病”实体和两个实体之间的关系“并发症”,构建的知识图谱三元组为疾病-并发症-疾病。根据上述“疾病”实体、“药物”实体和两个之间的关系“药物治疗”,构建的知识图谱三元组为疾病-药物治疗-药物。根据“疾病”实体、“检验项目”实体和两个实体之间的关系“检验”,构建的知识图谱三元组为疾病-检验-检验项目。根据上述“疾病”实体、“生活习惯”实体和两个实体之间的关系“个人史”,构建的知识图谱三元组为疾病-个人史-生活习惯。
S30:根据知识图谱构建图神经网络模型。
本发明方法采用多个患者的历史诊疗数据形成知识图谱,知识图谱能够充分挖掘历史诊疗数据的实体间的丰富语义关联,充分利用历史诊疗数据实体间的深层次信息,提高后续推荐诊疗方案时的推荐精确度。同时,可以合理扩展实体类型和关系类型,增加推荐的多样性。
具体地,历史诊疗数据包括结构化数据和非结构化数据,知识图谱三元组的构建包括以下步骤:
S21:直接抽取结构化数据中的实体和关系。
S22:根据实体抽取模型抽取非结构化数据中的实体,以生成实体数据。
S23:根据关系抽取模型抽取实体数据中两两实体之间的关系。
S24:根据实体和关系,构建知识图谱三元组。
进一步地,步骤S22包括以下步骤:
1)获取非结构化数据。
2)标注部分非结构化数据中实体的实体类型,以生成实体类型训练数据。
3)根据实体类型训练数据训练预设的实体学习模型,以生成实体抽取模型。
4)根据实体抽取模型预测预测非结构化数据中实体的实体类型,以生成预测数据,其中,预测非结构化数据是通过删去非结构化数据中实体类型训练数据对应的非结构化数据生成。
5)核对预测数据中实体与实体类型是否正确对应,将正确对应的预测数据加入实体类型训练数据,以生成更新实体类型训练数据。
6)确定预测数据中所有实体和实体类型是否均正确对应;若否,采用更新实体类型训练数据替换实体类型训练数据,重复迭代3)-5)步骤;若是,则抽取最后一次生成的更新实体类型训练数据和预测数据中的实体,以生成实体数据。
本发明实体抽取方法不断地交替操作实体抽取模型的训练和核对,以达到将非结构化数据中的实体都能够精确标注,提高实体抽取的准确性的目的。
进一步地,步骤S23包括以下步骤:
7)将实体数据中的句子按句号分句;
8)找出分句的句子中两两实体可能的组合集;
9)根据组合集,标注部分实体数据中两两实体之间的关系,以生成关系训练数据;
10)根据关系训练数据训练预设的关系学习模型,以生成关系抽取模型;
11)根据关系抽取模型预测预测实体数据中两两实体之间的关系,以生成预测关系数据,其中,预测实体数据是通过删去实体数据中关系训练数据对应的实体数据生成;
12)核对预测关系数据中两两实体之间的关系是否正确对应,将对应正确的预测关系数据加入关系训练数据,以生成更新关系训练数据;
13)确定预测关系数据中两两实体之间的关系是否均正确对应;若否,采用更新关系训练数据替换关系训练数据,重复迭代10)-12)步骤;若是,则抽取最后一次生成的更新关系训练数据和预测关系数据中的关系。
本发明关系抽取方法不断地交替操作关系抽取模型的训练和核对,以达到将非结构化数据的实体之间的关系都能够精确标注,提高关系抽取的准确性的目的。
具体地,步骤S30包括以下步骤:
S31:构建患者集合、实体集合和关系集合。
举例来说,根据获取的M个患者的诊疗数据,构建患者集合U,U={u1,u2,…,uM},其中u代表每个患者。
根据M个患者所具有的所有实体即N个实体,构建实体集合V,V={v1,v2,…,vN},其中v代表每个实体。举例来说,某种药品(硝酸甘油注射液)、某种疾病(冠心病)和某种检查(心电图)均构成一个实体。
根据M个患者所具有的所有关系即P个关系,构建关系集合W,W={w1,w2,…,wP},其中w代表每个关系。举例来说,“急性下壁后壁右心室心肌梗死”和“冠脉支架植入术”的实体之间关系“手术治疗”即为一个关系。
S32:根据患者集合U和实体集合V中每个患者和每个实体的交互情况构建M*N的患者-实体矩阵。举例来说,在患者实体交互矩阵中,判断患者与实体之间是否存在交互关系,若存在交互则为1,反之则标记为0。患者-实体矩阵中每行N维代表一个患者特征向量。举例来说,提取患者-实体矩阵的一行数据即构成患者特征向量。
S33:将患者特征向量通过非线性变换转成D维患者特征向量。D为正整数。患者特征向量的维度是[1,D],即删去患者特征向量中标记为0的标记所在的维度。
S34:将实体集合V中的每个实体均转换为D维向量,以构建实体向量矩阵。
S35:根据实体集合V和知识图谱中两两实体的相邻情况构建N*N的实体-实体邻域矩阵。举例来说,对于实体集合V中的一个实体v,判断实体v与N个实体(包括自身)之间在知识图谱中是否相邻,若相邻则为1,反之则为0。
S36:将关系集合W中的每个关系均转换为D维向量,以构建关系向量矩阵。
S37:根据关系集合W、实体集合V和知识图谱中实体和关系的相邻情况构建N*P的实体-关系邻域矩阵。举例来说,对于实体集合V中的一个实体v,判断实体v与P个关系之间在知识图谱中是否相邻,若相邻则为1,反之则为0。
S38:融合步骤S35生成的实体-实体邻域矩阵和步骤S34生成的实体向量矩阵,以生成实体邻域矩阵。目的是选取实体的K个相邻实体构成新的集合。举例来说,实体为急性心肌梗死,根据实体-实体邻域矩阵,得到与急性心肌梗死相邻的实体有心律失常、肌钙蛋白I和心电图,则生成的实体邻域矩阵对应的邻域集合为心律失常、肌钙蛋白I和心电图等。K的取值通过设置确定。为了减小计算量,适当减小K的取值(对于每个实体取K*D,K≤N)。
S39:融合步骤S37生成的实体-关系邻域矩阵和步骤S36生成的关系向量矩阵,以生成关系邻域矩阵。目的是选取实体的K个相邻关系构成新的集合。举例来说,实体为急性心肌梗死,根据实体-关系邻域矩阵,得到与急性心肌梗死相邻的关系有临床表现和检验检查,则生成的关系邻域矩阵对应的邻域集合为临床表现和检验检查。K的取值可以通过设置确定。为了减小计算量,可以适当减小K的取值(对于每个实体取K*D,K≤P)。
S310:将步骤S39融合生成的关系邻域矩阵与步骤S33非线性变换后的患者特征向量做内积,然后按最后一维求和,以生成患者-关系分数。患者-关系分数的向量维度是sum([K,D]*[1,D],-1)=[K,1](-1代表按最后一维求和)。
S311:将患者-关系分数与步骤S38融合生成的实体邻域矩阵做内积,以生成患者邻域矩阵。患者邻域矩阵的向量维度是[K,1]*[K,D]=[K,D]。
S312:将患者邻域矩阵和步骤S38融合生成的实体邻域矩阵相加,以生成更新患者邻域矩阵。更新患者邻域矩阵的向量维度是[K,D]+[K,D]=[K,D]。
S313:将更新患者邻域矩阵和步骤S33非线性变换后的的患者特征向量做内积,然后一维求和,以生成诊疗方案向量,以构建完成图神经网络模型。诊疗方案向量的维度是sum([N,D]*[1,D],-1)=[N,1]。
在构建图神经网络模型中,巧妙的融合了知识图谱的信息,其优点如下:
(1)通过实体邻域矩阵和关系邻域矩阵参与内积的方式,自动捕获知识图谱中的高阶结构和语义信息。(2)领域融合,捕获并存储每个实体中的局部邻接结构,给出更全面的诊疗方案。(3)根据连接关系和患者分数对邻居加权,表现知识图谱语义信息。
一种图神经网络模型构建系统,包括获取模块、第一构建模块和第二构建模块。获取模块用于获取历史诊疗数据。第一构建模块用于根据历史诊疗数据中的实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立知识图谱。第二构建模块用于根据知识图谱构建图神经网络模型。
在本发明的一些示例中,历史诊疗数据包括结构化数据和非结构化数据,图神经网络模型构建系统还包括第一抽取模块和第二抽取模块。第一抽取模块用于直接抽取结构化数据中的实体和关系。第二抽取模块用于根据实体抽取模型抽取非结构化数据中的实体,以生成实体数据。第二抽取模块还用于根据关系抽取模型抽取出实体数据中两两实体之间的关系。
一种诊疗方案的推荐方法,包括以下步骤:
S40:获取多个患者的诊疗实体数据;
根据根据诊疗实体数据中的诊疗实体和两两诊疗实体之间预定义的诊疗关系,构建诊疗知识图谱三元组,以建立多个诊疗知识图谱;
根据图神经网络模型处理多个诊疗知识图谱,以生成多个诊疗方案向量,图神经网络模型是采用如上述的构建方法构建的;
S50:获取待推荐患者的医疗实体数据。
根据医疗实体数据中的医疗实体和两两医疗实体之间预定义的医疗关系,构建医疗知识图谱三元组,以建立医疗知识图谱。
根据图神经网络模型处理医疗知识图谱,以生成待推荐医疗向量。
S60:计算待推荐医疗向量和每个诊疗方案向量之间的相似度。
S70:根据相似度,推荐相似度值满足预设条件的诊疗方案向量对应的诊疗方案。
一种推荐诊疗方案的系统,包括获取模块、处理模块、第三构建模块、计算模块和选取模块。获取模块用于获取多个患者的诊疗实体数据和待推荐患者的医疗实体数据。第三构建模块用于根据诊疗实体数据中的诊疗实体和两两诊疗实体之间预定义的诊疗关系,构建诊疗知识图谱三元组,以建立诊疗知识图谱;用于根据医疗实体数据中的医疗实体和两两医疗实体之间预定义的医疗关系,构建医疗知识图谱三元组,以建立医疗知识图谱。处理模块用于根据图神经网络模型处理多个诊疗知识图谱,以生成多个诊疗方案向量。处理模块还用于根据图神经网络模型处理医疗知识图谱,以生成待推荐医疗向量。计算模块用于计算待推荐医疗向量和每个诊疗方案向量之间的相似度。选取模块用于根据相似度,选取相似度值满足预设条件的诊疗方案向量对应的诊疗方案。
一种电子设备,包括处理器和存储器;其中,处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于实现如上述的图神经网络模型构建方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的图神经网络模型构建方法。
一种推荐诊疗方案的方法,包括以下步骤:
(1)构建图神经网络模型,具体如下:
步骤1:获取多个患者的历史诊疗数据。
步骤2:基于步骤1获取的历史诊疗数据构建关于疾病的知识图谱,包括以下步骤:
步骤2.1:定义历史诊疗数据出现的实体的实体类型。具体的,定义的实体类型的个数可达500多个。
步骤2.2:根据定义的实体类型,定义两两实体的之间的关系。
步骤2.3:根据步骤2.1已定义实体类型的实体和步骤2.2定义的实体之间的关系,生成知识图谱,具体如下:
步骤2.3.1若获取的历史诊疗数据为结构化数据,则直接抽取出结构化数据中的实体和两两实体之间的关系。
步骤2.3.2若获取的历史诊疗数据为非结构化数据,从非结构化数据中抽取实体和关系包括以下步骤:
1)获取非结构化数据。
2)人工标注部分非结构化数据中实体的实体类型,以生成实体类型训练数据。
3)根据实体类型训练数据训练bilstm+crf模型,以生成实体抽取模型。
4)根据实体抽取模型预测预测非结构化数据中实体的实体类型,以生成预测数据,其中,预测非结构化数据是通过删去非结构化数据中实体类型训练数据对应的非结构化数据生成。
5)人工核对预测数据中实体与实体类型是否正确对应,将正确对应的预测数据加入实体类型训练数据,以生成更新实体类型训练数据。
6)确定预测数据中所有的实体和实体类型均正确对应;若否,采用更新实体类型训练数据替换实体类型训练数据,重复迭代3)-5)步骤;若是,则抽取最后一次生成的更新实体类型训练数据和预测数据中的实体,以生成实体数据。
7)将实体数据中的句子按句号分句。
8)找出分句的句子中两两实体可能的组合集。
9)根据组合集,人工标注部分实体数据中两两实体之间的关系,以生成关系训练数据。
具体地,标注为1或0,1表示有关系,0表示无关系。
10)根据关系训练数据训练PCNN模型,以生成关系抽取模型。
11)根据关系抽取模型预测预测实体数据中两两实体之间的关系,以生成预测关系数据,其中,预测实体数据是通过删去实体数据中关系训练数据对应的实体数据生成。
12)人工核对预测关系数据中两两实体之间的关系是否正确对应,将对应正确的预测关系数据加入关系训练数据,以生成更新关系训练数据。
13)确定预测关系数据中所有的两两实体之间的关系是否均正确对应,若否,采用更新关系训练数据替换关系训练数据,重复迭代10)-12)步骤,若是,则抽取最后一次生成的更新关系训练数据和预测关系数据中的关系。
步骤2.3.2:基于上述抽取出的实体和两两实体之间的关系构建知识图谱三元组,构建知识图谱三元组,以形成知识图谱。
步骤3:根据知识图谱构建构建图神经网络模型,包括以下步骤:
步骤3.1:构建患者集合、实体集合和关系集合。
举例来说,根据获取的M个患者的诊疗数据,构建患者集合U,U={u1,u2,…,uM},其中u代表每个患者。
根据M个患者所具有的所有实体即N个实体,构建实体集合V,V={v1,v2,…,vN},其中v代表每个实体。举例来说,某种药品(硝酸甘油注射液)、某种疾病(冠心病)和某种检查(心电图)均构成一个实体。
根据M个患者所具有的所有关系即P个关系,构建关系集合W,W={w1,w2,…,wP},其中w代表每个关系。举例来说,“急性下壁后壁右心室心肌梗死”和“冠脉支架植入术”的实体之间关系“手术治疗”即为一个关系。
步骤3.2:根据患者集合U和实体集合V中每个患者和每个实体的交互情况构建M*N的患者-实体矩阵。举例来说,在患者实体交互矩阵中,判断患者与实体之间是否存在交互关系,若存在交互则为1,反之则标记为0。患者-实体矩阵中每行N维代表一个患者特征向量。举例来说,提取患者-实体矩阵的一行数据即构成患者特征向量。
步骤3.3:将患者特征向量通过非线性变换转成D维患者特征向量。患者特征向量的维度是[1,D],即删去患者特征向量中标记为0的标记所在的维度。
步骤3.4:将实体集合V中的每个实体均转换为D维向量,以构建实体向量矩阵.
步骤3.5:根据实体集合V和知识图谱中两两实体的相邻情况构建N*N的实体-实体邻域矩阵。举例来说,对于实体集合V中的一个实体v,判断实体v与N个实体(包括自身)之间在知识图谱中是否相邻,若相邻则为1,反之则为0。
步骤3.6:将关系集合W中的每个关系均转换为D维向量,以构建关系向量矩阵。
步骤3.7:根据关系集合W、实体集合V和知识图谱中实体和关系的相邻情况构建N*P的实体-关系邻域矩阵。举例来说,对于实体集合V中的一个实体v,判断实体v与P个关系之间在知识图谱中是否相邻,若相邻则为1,反之则为0。
步骤3.8:融合步骤3.5生成的实体-实体邻域矩阵和步骤3.4生成的实体向量矩阵,以生成实体邻域矩阵。目的是选取实体的K个相邻实体构成新的集合。举例来说,实体为急性心肌梗死,根据实体-实体邻域矩阵,得到与急性心肌梗死相邻的实体有心律失常、肌钙蛋白I和心电图,则生成的实体邻域矩阵对应的邻域集合为心律失常、肌钙蛋白I和心电图等。K的取值通过设置确定。为了减小计算量,适当减小K的取值(对于每个实体取K*D,K≤N)。
步骤3.9:融合步骤3.7生成的实体-关系邻域矩阵和步骤3.6生成的关系向量矩阵,以生成关系邻域矩阵。目的是选取实体的K个相邻关系构成新的集合。举例来说,实体为急性心肌梗死,根据实体-关系邻域矩阵,得到与急性心肌梗死相邻的关系有临床表现和检验检查,则生成的关系邻域矩阵对应的邻域集合为临床表现和检验检查。K的取值可以通过设置确定。为了减小计算量,可以适当减小K的取值(对于每个实体取K*D,K≤P)。
步骤3.10:将步骤3.9融合生成的关系邻域矩阵与步骤3.3非线性变换后的患者特征向量做内积,然后按最后一维求和,以生成患者-关系分数。患者-关系分数的向量维度是sum([K,D]*[1,D],-1)=[K,1](-1代表按最后一维求和)。
步骤3.11:将患者-关系分数与步骤3.8融合生成的实体邻域矩阵做内积,以生成患者邻域矩阵。患者邻域矩阵的向量维度是[K,1]*[K,D]=[K,D]。
步骤3.12:将患者邻域矩阵和步骤3.8融合生成的实体邻域矩阵相加,以生成更新患者邻域矩阵。更新患者邻域矩阵的向量维度是[K,D]+[K,D]=[K,D]。
步骤3.13:将更新患者邻域矩阵和步骤3.3非线性变换后的的患者特征向量做内积,然后一维求和,以生成诊疗方案向量,以构建完成图神经网络模型。诊疗方案向量的维度是sum([N,D]*[1,D],-1)=[N,1]。
步骤4:利用构建的图神经网络模型进行预测。
步骤4.1:获取多个患者的多个诊疗方案向量。
步骤4.1.1:获取多个患者的多个诊疗方案向量,具体如下:
步骤4.1.2:根据根据诊疗实体数据中的诊疗实体和两两诊疗实体之间预定义的诊疗关系,构建诊疗知识图谱三元组,以建立多个诊疗知识图谱。
步骤4.1.3:根据图神经网络模型处理多个诊疗知识图谱,以生成多个诊疗方案向量。
步骤4.2:获取待推荐患者的待推荐医疗向量,具体如下:
步骤4.2.1:获取待推荐患者的医疗实体数据。
步骤4.2.2:根据医疗实体数据中的医疗实体和两两医疗实体之间预定义的医疗关系,构建医疗知识图谱三元组,以建立医疗知识图谱。
步骤4.2.3:根据图神经网络模型处理医疗知识图谱,以生成待推荐医疗向量。
步骤4.3:采用余弦相似度函数计算待推荐医疗向量和每个诊疗方案向量之间的相似度。
步骤4.4:根据相似度,推荐相似度值最大的诊疗方案向量对应的诊疗方案。
在本说明书的描述中,参考术语“一些实施例”、“可选地”、“进一步地”或“具体实施例”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须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。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种图神经网络模型构建方法,其特征在于,包括以下步骤:
获取多个患者的历史诊疗数据;
根据所述历史诊疗数据中实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立所述知识图谱;以及,
根据所述知识图谱构建图神经网络模型。
2.根据权利要求1所述的图神经网络模型构建方法,其特征在于,所述历史诊疗数据包括结构化数据和非结构化数据,所述知识图谱三元组的构建包括以下步骤:
直接抽取所述结构化数据中的实体和关系;
根据实体抽取模型抽取所述非结构化数据中的实体,以生成实体数据;
根据关系抽取模型抽取所述实体数据中两两实体之间的关系;以及,
根据所述实体和所述关系,构建所述知识图谱三元组。
3.根据权利要求2所述的图神经网络模型构建方法,其特征在于,采用实体抽取模型抽取所述非结构化数据中的实体包括以下步骤:
1)获取所述非结构化数据;
2)标注部分所述非结构化数据中实体的实体类型,以生成所述实体类型训练数据;
3)根据所述实体类型训练数据训练预设的实体学习模型,以生成所述实体抽取模型;
4)根据所述实体抽取模型预测预测非结构化数据中实体的实体类型,以生成预测数据,其中,所述预测非结构化数据是通过删去所述非结构化数据中所述实体类型训练数据对应的非结构化数据生成;
5)核对所述预测数据中实体与实体类型是否正确对应,将正确对应的所述预测数据加入所述实体类型训练数据,以生成更新实体类型训练数据;
6)确定所述预测数据中所有实体的实体类型是否均正确对应;若否,采用所述更新实体类型训练数据替换所述实体类型训练数据,重复迭代3)-5)步骤;若是,则抽取最后一次生成的所述更新实体类型训练数据和所述预测数据中的实体,以生成所述实体数据。
4.根据权利要求3所述的图神经网络模型构建方法,其特征在于,从所述实体数据中抽取所述关系包括以下步骤:
7)将所述实体数据中的句子按句号分句;
8)找出分句的句子中两两实体可能的组合集;
9)根据所述组合集,标注部分所述实体数据中两两实体之间的关系,以生成关系训练数据;
10)根据所述关系训练数据训练预设的关系学习模型,以生成所述关系抽取模型;
11)根据所述关系抽取模型预测预测实体数据中两两实体之间的关系,以生成预测关系数据,其中,所述预测实体数据是通过删去所述实体数据中所述关系训练数据对应的实体数据生成;
12)核对所述预测关系数据中两两实体之间的关系是否正确对应,将对应正确的预测关系数据加入所述关系训练数据,以生成更新关系训练数据;以及,
13)确定所述预测关系数据中两两实体之间的关系是否均正确对应;若否,采用更新关系训练数据替换所述关系训练数据,重复迭代10)-12)步骤;若是,则抽取最后一次生成的所述更新关系训练数据和所述预测关系数据中的关系。
5.根据权利要求1所述的图神经网络模型构建方法,其特征在于,根据所述知识图谱构建图神经网络模型包括以下步骤:
构建患者集合、实体集合和关系集合;
根据所述患者集合和所述实体集合中每个患者和每个实体的交互情况构建患者-实体矩阵;
根据所述患者-实体矩阵构建患者特征向量;
将所述患者特征向量非线性变换为D维患者特征向量,D为正整数;
将所述实体集合中的每个实体转换为D维向量,以构建实体向量矩阵;
将所述关系集合中的每个关系转换为D维向量,以构建关系向量矩阵;
根据所述实体集合和所述知识图谱中两两实体的相邻情况构建实体-实体邻域矩阵;
根据所述关系集合、所述实体集合和所述知识图谱中实体和关系的相邻情况构建实体-关系邻域矩阵;
融合所述实体-实体邻域矩阵和所述实体向量矩阵,以生成实体邻域矩阵;
融合所述实体-关系邻域矩阵和所述关系向量矩阵,以生成关系邻域矩阵;
将所述关系邻域矩阵和所述D维患者特征向量先做内积后一维求和,以生成患者-关系分数;
将所述患者-关系分数与所述实体邻域矩阵做内积,以生成患者邻域矩阵;
将所述患者邻域矩阵和所述实体邻域矩阵相加,以生成更新患者邻域矩阵;
将所述更新患者邻域矩阵和所述D维患者特征向量先做内积后一维求和,以生成诊疗方案向量,以构建完成图神经网络模型。
6.一种图神经网络模型构建系统,其特征在于,包括:
获取模块,用于获取历史诊疗数据;
第一构建模块,用于根据所述历史诊疗数据中的实体和两两实体之间预定义的关系,构建知识图谱三元组,以建立所述知识图谱;以及,
第二构建模块,用于根据所述知识图谱构建图神经网络模型。
7.根据权利要求6所述的图神经网络模型构建系统,其特征在于,所述历史诊疗数据包括结构化数据和非结构化数据,图神经网络模型构建系统还包括:
第一抽取模块,用于直接抽取所述结构化数据中的实体和关系;以及,
第二抽取模块,用于根据实体抽取模型抽取所述非结构化数据中的实体,以生成实体数据;以及,根据关系抽取模型抽取出所述实体数据中两两实体之间的关系。
8.一种诊疗方案的推荐方法,其特征在于,包括以下步骤:
获取多个患者的诊疗实体数据;
根据所述诊疗实体数据中的诊疗实体和两两诊疗实体之间预定义的诊疗关系,构建诊疗知识图谱三元组,以建立多个诊疗知识图谱;
根据图神经网络模型处理多个所述诊疗知识图谱,以生成多个诊疗方案向量,其中,所述图神经网络模型是根据如权利要求1~5任一项所述的构建方法构建的;以及,
获取待推荐患者的医疗实体数据;
根据所述医疗实体数据中的医疗实体和两两医疗实体之间预定义的医疗关系,构建医疗知识图谱三元组,以建立医疗知识图谱;
根据所述图神经网络模型处理所述医疗知识图谱,以生成待推荐医疗向量;
计算所述待推荐医疗向量和每个所述诊疗方案向量之间的相似度;以及,
根据所述相似度,推荐相似度值满足预设条件的诊疗方案向量对应的诊疗方案。
9.一种推荐诊疗方案的系统,其特征在于,包括:
获取模块,用于获取多个患者的诊疗实体数据和待推荐患者的医疗实体数据;
第三构建模块,用于根据所述诊疗实体数据中的诊疗实体和两两诊疗实体之间预定义的诊疗关系,构建诊疗知识图谱三元组,以建立诊疗知识图谱;用于根据所述医疗实体数据中的医疗实体和两两医疗实体之间预定义的医疗关系,构建医疗知识图谱三元组,以建立医疗知识图谱;
处理模块,用于根据图神经网络模型处理多个所述诊疗知识图谱,以生成多个诊疗方案向量;以及,用于根据图神经网络模型处理所述医疗知识图谱,以生成待推荐医疗向量;
计算模块,用于计算所述待推荐医疗向量和每个所述诊疗方案向量之间的相似度;以及,
选取模块,用于根据所述相似度,选取相似度值满足预设条件的诊疗方案向量对应的诊疗方案。
10.一种电子设备,其特征在于,包括处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-5中任一项所述的图神经网络模型构建方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的图神经网络模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690423.0A CN113434692B (zh) | 2021-06-22 | 2021-06-22 | 图神经网络模型构建、诊疗方案推荐方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110690423.0A CN113434692B (zh) | 2021-06-22 | 2021-06-22 | 图神经网络模型构建、诊疗方案推荐方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113434692A true CN113434692A (zh) | 2021-09-24 |
CN113434692B CN113434692B (zh) | 2023-08-01 |
Family
ID=77757120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110690423.0A Active CN113434692B (zh) | 2021-06-22 | 2021-06-22 | 图神经网络模型构建、诊疗方案推荐方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113434692B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117594241A (zh) * | 2024-01-15 | 2024-02-23 | 北京邮电大学 | 基于时序知识图谱邻域推理的透析低血压预测方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753570A (zh) * | 2019-01-11 | 2019-05-14 | 中山大学 | 一种基于Horn逻辑与图神经网络的场景图谱向量化方法 |
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
CN111488465A (zh) * | 2020-04-14 | 2020-08-04 | 税友软件集团股份有限公司 | 一种知识图谱构建方法及相关装置 |
CN112037920A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗知识图谱构建方法、装置、设备及存储介质 |
CN112151141A (zh) * | 2020-09-23 | 2020-12-29 | 康键信息技术(深圳)有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
CN112242187A (zh) * | 2020-10-26 | 2021-01-19 | 平安科技(深圳)有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
CN112257841A (zh) * | 2020-09-03 | 2021-01-22 | 北京大学 | 图神经网络中的数据处理方法、装置、设备及存储介质 |
US20210049442A1 (en) * | 2019-08-15 | 2021-02-18 | Microsoft Technology Licensing, Llc | Multiple-entity-based recommendation system |
CN112542223A (zh) * | 2020-12-21 | 2021-03-23 | 西南科技大学 | 一种从中文电子病历构建医疗知识图谱的半监督学习方法 |
CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及系统 |
CN112632250A (zh) * | 2020-12-23 | 2021-04-09 | 南京航空航天大学 | 一种多文档场景下问答方法及系统 |
CN112989134A (zh) * | 2021-03-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 节点关系图的处理方法、装置、设备及存储介质 |
CN112989064A (zh) * | 2021-03-16 | 2021-06-18 | 重庆理工大学 | 一种聚合知识图神经网络和自适应注意力的推荐方法 |
-
2021
- 2021-06-22 CN CN202110690423.0A patent/CN113434692B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020068831A1 (en) * | 2018-09-26 | 2020-04-02 | Visa International Service Association | Dynamic graph representation learning via attention networks |
CN109753570A (zh) * | 2019-01-11 | 2019-05-14 | 中山大学 | 一种基于Horn逻辑与图神经网络的场景图谱向量化方法 |
US20210049442A1 (en) * | 2019-08-15 | 2021-02-18 | Microsoft Technology Licensing, Llc | Multiple-entity-based recommendation system |
CN111488465A (zh) * | 2020-04-14 | 2020-08-04 | 税友软件集团股份有限公司 | 一种知识图谱构建方法及相关装置 |
CN112037920A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗知识图谱构建方法、装置、设备及存储介质 |
CN112257841A (zh) * | 2020-09-03 | 2021-01-22 | 北京大学 | 图神经网络中的数据处理方法、装置、设备及存储介质 |
CN112151141A (zh) * | 2020-09-23 | 2020-12-29 | 康键信息技术(深圳)有限公司 | 医疗数据处理方法、装置、计算机设备和存储介质 |
CN112242187A (zh) * | 2020-10-26 | 2021-01-19 | 平安科技(深圳)有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
CN112542223A (zh) * | 2020-12-21 | 2021-03-23 | 西南科技大学 | 一种从中文电子病历构建医疗知识图谱的半监督学习方法 |
CN112632250A (zh) * | 2020-12-23 | 2021-04-09 | 南京航空航天大学 | 一种多文档场景下问答方法及系统 |
CN112613602A (zh) * | 2020-12-25 | 2021-04-06 | 神行太保智能科技(苏州)有限公司 | 基于知识感知超图神经网络的推荐方法及系统 |
CN112989064A (zh) * | 2021-03-16 | 2021-06-18 | 重庆理工大学 | 一种聚合知识图神经网络和自适应注意力的推荐方法 |
CN112989134A (zh) * | 2021-03-29 | 2021-06-18 | 腾讯科技(深圳)有限公司 | 节点关系图的处理方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
FERNANDO GAMA 等: "Stability of Graph Neural Networks to Relative Perturbations", 《ICASSP 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS, SPEECH AND SIGNAL PROCESSING (ICASSP)》, pages 9070 - 9074 * |
TIANXIANG ZHAO: "GraphSMOTE: Imbalanced Node Classification on Graphs with Graph Neural Networks", 《WSDM \'21: PROCEEDINGS OF THE 14TH ACM INTERNATIONAL CONFERENCE ON WEB SEARCH AND DATA MINING》, pages 833 - 841 * |
刘欢 等: "基于知识图谱驱动的图神经网络推荐模型", 《计算机应用》, pages 1865 - 1870 * |
吴国栋 等: "图神经网络推荐研究进展", 《智能系统学报 》, pages 14 - 24 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117594241A (zh) * | 2024-01-15 | 2024-02-23 | 北京邮电大学 | 基于时序知识图谱邻域推理的透析低血压预测方法及装置 |
CN117594241B (zh) * | 2024-01-15 | 2024-04-30 | 北京邮电大学 | 基于时序知识图谱邻域推理的透析低血压预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113434692B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miller | Medical diagnostic decision support systems—past, present, and future: a threaded bibliography and brief commentary | |
CN110119775B (zh) | 医疗数据处理方法、装置、系统、设备和存储介质 | |
KR20190132290A (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
CN109036545A (zh) | 医疗信息处理方法、装置、计算机设备和存储介质 | |
Alcaraz et al. | Diffusion-based conditional ECG generation with structured state space models | |
EP3796226A1 (en) | Data conversion/symptom scoring | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
CN113434692B (zh) | 图神经网络模型构建、诊疗方案推荐方法、系统及设备 | |
CN115565660A (zh) | 一种基于特征识别的医疗影像数据共享管理系统 | |
Sapra et al. | Integrated approach using deep neural network and CBR for detecting severity of coronary artery disease | |
Harris | Editorial commentary: personalized hip arthroscopy outcome prediction using machine learning—the future is here | |
CN112259260B (zh) | 基于智能穿戴设备的智能医疗问答方法、系统及装置 | |
JPWO2019220833A1 (ja) | 診断支援システム、診断支援装置および診断支援方法 | |
CN116564511A (zh) | 一种慢性病健康状态预测方法、装置及设备 | |
Strobel et al. | Healthcare in the Era of Digital twins: towards a Domain-Specific Taxonomy. | |
Evans et al. | Computer diagnosis of skin disease: System design and preliminary results | |
CN117009839B (zh) | 基于异构超图神经网络的患者聚类方法和装置 | |
Wang et al. | An uncertainty reasoning method for abnormal ECG detection | |
Goldberger et al. | Current perspective | |
Ganipineni et al. | Artificial Intelligence in Cardiovascular Medicine: A Comprehensive Clinical Review | |
CN113157640B (zh) | 一种家庭医生辅助问诊装置、终端及问诊系统 | |
Georgieva-Tsaneva et al. | An Information Cardiac Platform to Support Healthcare. | |
EP4336514A1 (en) | Medical data management using digital twins | |
CN113782132B (zh) | 标签信息的动态更新方法、装置及介质 | |
Priya et al. | Performance analysis of machine learning algorithms for disease prediction |
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 |