CN113707322B - 信息预测模型的训练方法、装置、计算机设备及存储介质 - Google Patents
信息预测模型的训练方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113707322B CN113707322B CN202111015562.XA CN202111015562A CN113707322B CN 113707322 B CN113707322 B CN 113707322B CN 202111015562 A CN202111015562 A CN 202111015562A CN 113707322 B CN113707322 B CN 113707322B
- Authority
- CN
- China
- Prior art keywords
- node
- disease information
- sample patient
- initial
- item
- 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
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种信息预测模型的训练方法、装置、计算机设备及存储介质,主要在于能够提高信息预测模型的预测精度。其中方法包括:获取样本患者的多次就诊数据和实际疾病信息;根据所述多次就诊数据,确定所述样本患者在医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱,确定所述样本患者对应的第一特征向量;将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;基于所述预测疾病信息和所述实际疾病信息,构建预设疾病信息预测模型。本发明涉及人工智能和数字医疗领域。
Description
技术领域
本发明涉及人工智能领域,尤其是涉及一种信息预测模型的训练方法、装置、计算机设备及存储介质。
背景技术
随着机器学习技术的不断发展,在很多场景中通过训练信息预测模型来进行信息预测,由于信息预测模型受限于数据量、数据标签等因素的影响,因此很难得到稳定、精确地预测结果。
目前,通常通过引入大规模知识图谱的方式,来提升预测模型的性能。然而,一个庞大的知识图谱中会包含非常多的信息,如果直接将其结合到训练集上,构建预测模型,往往会引入很多无效的信息,甚至是噪声,从而会影预测模型的预测精度。
发明内容
本发明提供了一种信息预测模型的训练方法、装置、计算机设备及存储介质,主要在于能够提高信息预测模型的预测精度。
根据本发明的第一个方面,提供一种信息预测模型的训练方法,包括:
获取样本患者的多次就诊数据和实际疾病信息;
根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;
根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;
将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;
基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
根据本发明的第二个方面,提供一种信息预测模型的训练装置,包括:
获取单元,用于获取样本患者的多次就诊数据和实际疾病信息;
确定单元,用于根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;
构建单元,用于根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;
预测单元,用于将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;
训练单元,用于基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
根据本发明的第三个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取样本患者的多次就诊数据和实际疾病信息;
根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;
根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;
将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;
基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
根据本发明的第四个方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
获取样本患者的多次就诊数据和实际疾病信息;
根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;
根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;
将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;
基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
本发明提供的一种信息预测模型的训练方法、装置、计算机设备及存储介质,与目前引入大规模知识图谱的方式的方式相比,本发明能够获取样本患者的多次就诊数据和实际疾病信息;并根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;与此同时,根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;并将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;最终基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型,由此通过确定样本患者在已有医疗知识图谱中所涉及的第一节点及其对应的关联节点,能够针对每个样本患者,从原始的大规模知识图谱中构建一个独有的子集,即个性化知识图谱,将该个性化知识图谱融到疾病信息预测模型的训练中,能够避免引入无效信息或者噪声信息,从而能够提高疾病信息预测模型的预测精度。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1示出了本发明实施例提供的一种信息预测模型的训练方法流程图;
图2示出了本发明实施例提供的另一种信息预测模型的训练方法流程图;
图3示出了本发明实施例提供的一种信息预测模型的训练装置的结构示意图;
图4示出了本发明实施例提供的另一种信息预测模型的训练装置的结构示意图;
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
目前,一个庞大的知识图谱中会包含非常多的信息,如果直接将其结合到训练集上,构建预测模型,往往会引入很多无效的信息,甚至是噪声,从而会影预测模型的预测精度。
为了解决上述问题,本发明实施例提供了一种信息预测模型的训练方法,如图1所示,所述方法包括:
101、获取样本患者的多次就诊数据和实际疾病信息。
其中,实际疾病信息为样本患者在某一时间节点被医生诊断出的疾病信息,如发生心衰或者没有发生心衰,多次就诊数据为样本患者在该时间节点以前最近几次就诊过程中就诊记录中的数据,就诊数据具体包括样本患者本次就诊过程中所涉及的药物、耗材等医疗项。为了克服现有技术中由于直接使用大规模医疗知识图谱而引入噪声信息,进而导致训练的疾病信息预测模型预测精度较低的缺陷,本发明实施能够针对每个样本患者,从原始的大规模知识图谱中构建一个独有的子集,即个性化知识图谱,将该个性化知识图谱融到疾病信息预测模型的训练中,从而能够避免引入噪声信息,提高了疾病信息预测模型的预测精度。本发明实施例主要应用于对疾病信息预测模型进行训练的场景。本发明实施例的执行主体为能够对疾病信息预测模型进行训练的装置或者设备,具体可以设置在服务器一侧。
对于本发明实施例,收集大量样本患者在某一时间节点被医生诊断出的疾病信息,以及在该时间节点之前样本患者最近几次的就诊数据,该就诊数据可以从患者每次的就诊记录中获取,例如,收集某样本患者被医生诊断出的实际疾病信息,以及最近t次的就诊数据,X={v1,v2,...,vt},其中,X代表样本患者近t次的就诊数据集合,vt代表样本患者第t次的就诊数据,vt是一个multi-hot向量,如{0,0,1,0,1},其表示样本患者本次就诊过程中所涉及的医疗项,如样本患者本次就诊过程中使用了药物红霉素,且进行了CT检测,则红霉素对应的分量为1,CT检测对应的分量为1,与此同时,如果样本患者的实际疾病信息为发生心衰,则确定其对应的标签为1;如果样本患者的实际疾病信息为未发生心衰,则确定其对应的标签为0,从而可以利用该标签对样本患者的多次就诊数据进行标注。由此按照上述方式能够确定每一位样本患者的多次就诊数据和实际疾病信息,以便将其作为样本数据,训练疾病信息预测模型。
102、根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点。
对于本发明实施例,为了构建每个样本患者对应的个性化知识图谱,需要根据样本患者的多次就诊数据,确定样本患者在已有的医疗知识图谱中所涉及的第一节点及其对应的关联节点。具体地,获取已有的大规模医疗知识图谱,该已有的医疗知识图谱中的各个节点是诊断、药物、耗材等医疗项,且已有医疗知识图谱中所涉及的医疗项远大于样本患者所涉及的医疗项,这些节点(医疗项)之间的关联(连边类型)可以是适应症、并发症等,在获取已有的医疗知识图谱之后,根据样本患者的多次就诊数据,确定样本换在在多次就诊过程中所涉及的医疗项,并在已有医疗知识图谱中找到这些医疗项对应的节点,将这些节点作为样本患者在已有医疗知识图谱中所涉及的第一节点。
进一步地,在确定样本患者对应的第一节点之后,在已有医疗知识图谱中确定第一节点对应的关联节点,该关联节点具体可以指在已有医疗知识图谱中与第一节点相连接,且连接边数小于预设边数的节点,此外,如果第一节点中的任意两个节点在已有医疗知识图谱中存在连通路径,该连通路径上的这些节点也可以认为是第一节点的关联节点,针对该关联节点的具体确定过程见步骤202。
103、根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量。
对于本发明实施例,从已有的医疗知识图谱中将第一节点及其对应的关联节点抽取出来,作为样本患者对应的项目节点,同时将项目节点中的任意两个项目节点在已有医疗知识图谱中的连边取出来,将这些项目节点和它们之间的所有连边组成样本患者对应的个性化知识图谱,由于该个性化知识图谱中仅存在与样本患者相关的信息,因此将其引入疾病信息预测模型的训练过程中,不会引入噪声信息,进而能够提高疾病信息预测模型的训练精度。
进一步地,初始化个性化知识图谱中每个项目节点对应的初始化向量,同时确定每个项目节点对应的初始权重,进而构建初始图注意力网络,此外,根据该个性化知识图谱,确定每个项目节点的相邻项目节点,并根据每个项目节点对应的初始化向量和初始权重,以及相邻项目节点对应的初始化向量和初始权重,确定每个项目节点对应的嵌入向量,针对该嵌入向量的具体确定过程见步骤,进一步地,将每个项目节点对应的嵌入向量进行叠加,得到样本患者对应的第一特征向量,以便依据该第一特征向量,确定患者的预测疾病信息。
104、将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息。
其中,初始疾病信息预测模型具体可以为多层感知器,该多层感知器包括输入层、隐藏层和输出层。对于本发明实施例,为了获取样本患者对应的预测疾病信息,将样本患者对应的第一特征向量输入至多层感知器中进行分类,得到样本患者属于不同疾病信息的概率值,基于该概率值,确定样本患者对应的预测疾病信息。
具体地,在预测样本患者的疾病信息的过程中,将样本患者对应的第一特征向量通过多层感知器的输入层输入至隐藏层,通过该隐藏层输出的结果为:
f(W1x+b1)
其中,x为样本患者对应的第一特征向量,W1为隐藏层的权重,也是多层感知器的连接系数,b1为隐藏层的偏置系数,f函数通常可以采用sigmoid函数或者tanh函数,如下所示:
sigmoid(x)=1/(1+e-x)
tanh(x)=(ex-e-x)/(ex+e-x)
进一步地,再将该结果输入至输出层,通过该输出层进行分类,得到的分类结果为:
softmax(W2f(W1x+b1)+b2)
其中,W2为输出层的权重系数,b2为输出层的偏置系数,通过预设感知器的输出层能够输出样本患者属于不同疾病信息的概率值,将最大概率值对应的疾病信息,确定为样本患者对应的预测疾病信息。由此能够基于样本患者对应的第一特征向量,利用多层感知器预测样本患者对应的预测疾病信息。
105、基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
对于本发明实施例,通过上述方式能够构建每个样本患者对应的个性化知识图谱,从而能够获取每个样本患者对应的第一特征向量,并通过初试疾病信息预测模型可以得到每个样本患者对应的预测疾病信息,进一步地,将每个样本患者对应的实际疾病信息和预测疾病信息相减后求总和,构建模型的损失函数,基于该损失函数共同对初始图注意力网络和初始疾病信息预测模型进行训练,构建图注意力网络和预设疾病信息预测模型,以便利用构建的预设疾病信息预测模型对待预测患者的疾病信息进行预测,预设疾病信息预测模型的输入为待预测患者对应的多次就诊数据,输出为待预测患者未来可能发生的疾病或者临床事件。
本发明实施例提供的一种信息预测模型的训练方法,与目前引入大规模知识图谱的方式的方式相比,本发明能够获取样本患者的多次就诊数据和实际疾病信息;并根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;与此同时,根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;并将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;最终基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型,由此通过确定样本患者在已有医疗知识图谱中所涉及的第一节点及其对应的关联节点,能够针对每个样本患者,从原始的大规模知识图谱中构建一个独有的子集,即个性化知识图谱,将该个性化知识图谱融到疾病信息预测模型的训练中,能够避免引入无效信息或者噪声信息,从而能够提高疾病信息预测模型的预测精度。
进一步的,为了更好的说明上述疾病信息预测模型的训练过程,作为对上述实施例的细化和扩展,本发明实施例提供了另一种信息预测模型的训练方法,如图2所示,所述方法包括:
201、获取样本患者的多次就诊数据和实际疾病信息。
对于本发明实施例,为了构建预设疾病信息预测模型,需要预先收集大量样本患者的样本数据,即获取样本患者的多次就诊数据和实际疾病信息,多次就诊数据和实际疾病信息的具体获取过程与步骤101完全相同,在此不再赘述。
202、根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点。
对于本发明实施例,为了确定样本换在在已有的医疗知识图谱中所涉及的第一节点,以及第一节点对应的关联节点,步骤202具体包括:根据所述多次就诊数据,确定所述样本患者在就诊过程中所涉及的医疗项,并在所述医疗知识图谱中确定所述医疗项对应的第一节点;确定所述医疗知识图谱中与所述第一节点相连接,且连接边数小于预设边数的第二节点;若所述第一节点中的任意两个节点在所述医疗知识图谱中存在连通路径,则将所述连通路径上的节点确定为第三节点;将所述第二节点和所述第三节点确定为所述第一节点对应的关联节点。
例如,在确定第二节点的过程中,将已有医疗知识图谱中与第一节点相连接,且连接边数小于5条边的节点,确定为第二节点。
进一步地,在确定第三节点的过程中,所述若所述第一节点中的任意两个节点在所述医疗知识图谱中存在连通路径,则将所述连通路径上的节点确定为第三节点,包括:将所述第一节点中的任意一个节点作为初始节点,基于所述初始节点进行深度搜索或者广度搜索,直至遍历过所述第一节点中的每一个节点,停止搜索,生成拓扑搜索表,所述拓扑搜索表中记录有多组拓扑节点序列;若所述第一节点中的任意两个节点在所述多组拓扑节点序列中的任意一组拓扑节点序列中,则确定所述任意两个节点存在连通路径;将所述任意两个节点所在的拓扑节点序列,确定为目标拓扑节点序列,并将所述目标拓扑节点序列中的节点确定为第三节点。
例如,第一节点包括节点1、节点2、节点3、节点4、节点5、节点6、节点7和节点8,随机选取节点1作为初始节点,从节点1开始进行深度搜索(纵向搜索)或者广度搜索(横向搜索),直至每个可能的分支路径深入到不能再深入为止,且每个节点均遍历过一次,停止搜索,得到多组拓扑节点序列,如第一组拓扑节点序列(1,2,3,4,5),第二组拓扑节点序列(1,2,3,4,6,8,9),第三组拓扑节点序列(1,2,3,4,6,7),根据该多组拓扑节点序列,生成拓扑搜索表,针对第一节点中的任意两个节点,如节点2和节点5,由于该节点2和节点5同时存在第一组拓扑节点序列中,因此确定节点2和节点5之间存在连通路径,与此同时,将第一组拓扑节点序列确定为目标节点序列,并将第一组拓扑节点序列中的节点1、节点3和节点4确定为第三节点。由此能够找到第一节点中所有存在连通路径的两个节点,并基于该连通路径对应的拓扑节点序列,能够确定所有与第一节点相关的第三节点。
203、根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量。
对于本发明实施例,为了构建样本患者对应的个性化知识图谱,所述根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,包括:取所述第一节点、所述第二节点和所述第三节点的并集,得到所述样本患者对应的多个项目节点;根据所述多个项目节点,以及所述多个项目节点中任意两个项目节点在所述医疗知识图谱的连边,构建所述样本患者对应的个性化知识图谱。
例如,第一节点包括节点2、节点4和节点5,第二节点包括节点1、节点3和节点6,第三节点包括节点7和节点8,取第一节点、第二节点和第三节点之间的并集,得到样本患者对应的多个项目节点,即节点1-8,进一步地,抽取节点1-8中任意两个项目节点在医疗知识图谱中的连边,基于多个项目节点和抽取的连边,构建每个样本患者对应的个性化知识图谱,以便利用该个性化知识图谱,构建疾病信息预测模型。
进一步地,为了利用该个性化知识图谱,确定样本患者对应的第一特征向量,所述根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量,包括:确定所述个性化知识图谱中每个项目节点对应的初始化向量,以及所述每个项目节点对应的相邻项目节点,并确定所述初始图注意力网络中所述每个项目节点和所述相邻项目节点分别对应的初始权重;将所述每个项目节点对应的初始化向量和初始权重相乘,得到所述每个项目节点对应的加权后的初始化向量,并将所述相邻项目节点对应的初始化向量和初始权重相乘,得到所述相邻项目节点对应的加权后的初始化向量;基于所述每个项目节点对应的加权后的初始化向量和所述相邻项目节点对应的加权后的初始化向量,计算所述每个项目节点与相邻项目节点之间的注意力系数;若所述相邻项目节点存在多个,则将所述相邻项目节点对应的加权后的初始化向量与所述注意力系数对应相乘后求和,得到所述每个项目节点对应的嵌入向量;将所述每个项目节点对应的嵌入向量进行叠加处理,得到所述样本患者对应的第一特征向量。
具体地,首先初始个性化知识图谱中每个项目节点对应的向量和权重,即初始化向量和初始权重,同时确定每个项目节点的相邻项目节点,之后针对目标项目节点(任意一个项目节点),计算目标节点节点和与其相邻的项目节点之间的注意力系数,具体公式如下:
eij=f(Wihi,Wjhj)
其中,i代表目标项目节点,j代表为目标项目节点的相邻项目节点j,hi为目标项目节点对应的初始化向量,hj为目标项目节点的相邻项目节点的初始化向量,Wi为目标项目节点对应的初始权重,Wj为相邻项目节点对应的初始权重,eij为目标项目节点i和与其相邻的项目节点j之间的注意力系数,f是一个单层的前馈神经网络。
进一步地,对所有相邻节点对应的注意力系数进行正则化处理,具体公式如下:
其中,Ni代表目标项目节点的所有相邻项目节点数量,eik代表目标项目节点i与任一相邻项目节点k之间的注意力系数。由此通过上述公式能够计算出目标项目节点与任意一个相邻项目节点之间的注意力系数。
进一步地,将相邻项目节点j对应的初始化向量和初始权重相乘,得到相邻节点j对应的加权后的初始化向量,之后将所有相邻项目节点对应的加权后的初始化向量和相应的注意力系数aij相乘后求和,得到目标项目节点i对应的嵌入向量hi′,具体公式如下,σ为非线性激活函数。由此按照该公式能够计算出个性化知识图谱中每个项目节点对应的嵌入向量。
进一步地,将个性化知识图谱中每个节点对应的嵌入向量进行叠加,得到样本患者对应的第一特征向量。
204、将所述多次就诊数据输入至初始特征提取模型中进行特征提取,得到所述样本患者对应的第二特征向量;并将所述第一特征向量和所述第二特征向量进行拼接,得到所述样本患者对应的第三特征向量。
其中,初始特征提取模型为LSTM模型。对于本发明实施例,将样本患者对应的t次就诊数据分别输入至LSTM模型中,得到隐状态向量ht,将该隐状态变量ht确定为样本患者对应的第二特征向量,该隐状态向量ht是由上个隐状态向量ht-1和样本患者第t次的就诊数据vt决定的。具体地,LSTM模型包括遗忘门、输入门和输出门,首先该遗忘门的输入是隐状态向量ht-1和样本患者第t次的就诊数据vt,输出是一个数据均在0到1之间的选择向量,具体公式如下:
ft=σ(Wf[ht-1,vt]+bf)
其中,Wf为遗忘门对应的权重系数,bf为偏置系数,ft为选择向量。在得到选择向量ft后,之后通过输入门确定备选向量和更新权重,具体公式如下:
it=σ(Wi·[ht-1,vt]+bi)
其中,it是更新系数,Wi为输入门对应的第一权重系数,bi为输入门对应的第一偏置系数,是备选向量,Wc为输入门对应的第二权重系数,bi为输入门对应的第二偏置系数。进一步地,将上一状态的向量Ct-1与选择向量ft相乘,得到保留向量,之后再加上/>得到添加向量Ct,具体公式如下:
进一步地,针对输出门,首先计算Ct对应的输出权重,之后将添加向量Ct输入tanh层,即把所有值都归到-1和1之间,最后把tanh层输出的向量和Ct对应的输出权重相乘,得到隐状态向量ht,具体公式如下:
ot=σ(Wo[ht-1,vt]+bo)
ht=ot*tanh(Ct)
其中,ot为Ct对应的输出权重,Wo为输出门对应的输出权重,bo为输出门对应的偏置系数。由此按照上述公式能够确定隐状态向量ht,将其确定为样本患者对应的第二特征向量,进一步地,为了提高模型的预测精度,将样本患者对应的第二特征向量和第一特征向量进行横向拼接,得到样本患者对应的第三特征向量,以便基于该第三特征向量,确定样本患者对应的预测疾病信息。
205、将所述第三特征向量输入至所述多层感知器中进行预测,得到所述样本患者属于不同疾病信息的概率值,从各个概率值中确定最大概率值,并将所述最大概率值对应的疾病信息,确定为所述样本患者对应的预测疾病信息。
其中,所述初始疾病信息预测模型为多层感知器,将样本患者对应的第三特征向量输入至多层感知器中,第三特征向量在多层感知器中的具体处理过程与步骤104完全相同,在此不再赘述,多层感知器的输出为样本患者属于不同疾病信息的概率值,之后选取最大概率值对应的疾病信息,将其确定为样本患者对应的预测疾病信息。
206、基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络、所述初始特征提取模型和所述初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
对于本发明实施例,在获取样本患者对应的预测疾病信息之后,将每个样本患者对应的实际疾病信息和预测疾病信息相减后求和,构建模型的损失函数,基于该损失函数共同对初始图注意力网络、初始特征提取模型和初始疾病信息预测模型进行训练,构建预设图注意力网络,预设特征提取模型和预设疾病信息预测模型。
进一步地,在构建完成预设疾病信息预测模型之后,在对患者进行疾病信息预测时,首先获取待预测患者对应的多次就诊数据,并将待预测患者对应的多测就诊数据输入至预设疾病信息预测模型(多层感知器)中进行预测,多层感知器的具体预测过程与步骤104完全相同,在此不再赘述。
本发明实施例提供的另一种信息预测模型的训练方法,与目前引入大规模知识图谱的方式的方式相比,本发明能够获取样本患者的多次就诊数据和实际疾病信息;并根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;与此同时,根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;并将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;最终基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型,由此通过确定样本患者在已有医疗知识图谱中所涉及的第一节点及其对应的关联节点,能够针对每个样本患者,从原始的大规模知识图谱中构建一个独有的子集,即个性化知识图谱,将该个性化知识图谱融到疾病信息预测模型的训练中,能够避免引入无效信息或者噪声信息,从而能够提高疾病信息预测模型的预测精度。
进一步地,作为图1的具体实现,本发明实施例提供了一种信息预测模型的训练装置,如图3所示,所述装置包括:获取单元31、确定单元32、构建单元33、预测单元34和训练单元35。
所述获取单元31,可以用于获取样本患者的多次就诊数据和实际疾病信息。
所述确定单元32,可以用于根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点。
所述构建单元33,可以用于根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量。
所述预测单元34,可以用于将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息。
所述训练单元35,可以用于基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
在具体应用场景中,为了确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点,所述确定单元32,如图4所示,包括:第一确定模块321和第二确定模块322。
所述第一确定模块321,可以用于根据所述多次就诊数据,确定所述样本患者在就诊过程中所涉及的医疗项,并在所述医疗知识图谱中确定所述医疗项对应的第一节点。
所述第二确定模块322,可以用于确定所述医疗知识图谱中与所述第一节点相连接,且连接边数小于预设边数的第二节点。
所述第二确定模块322,还可以用于若所述第一节点中的任意两个节点在所述医疗知识图谱中存在连通路径,则将所述连通路径上的节点确定为第三节点。
所述第二确定模块322,还可以用于将所述第二节点和所述第三节点确定为所述第一节点对应的关联节点。
进一步地,为了确定样本患者对应的第三节点,所述第二确定模块322,包括:搜索子模块和确定子模块。
所述搜索子模块,可以用于将所述第一节点中的任意一个节点作为初始节点,基于所述初始节点进行深度搜索或者广度搜索,直至遍历过所述第一节点中的每一个节点,停止搜索,生成拓扑搜索表,所述拓扑搜索表中记录有多组拓扑节点序列。
所述确定子模块,可以用于若所述第一节点中的任意两个节点在所述多组拓扑节点序列中的任意一组拓扑节点序列中,则确定所述任意两个节点存在连通路径。
所述确定子模块,还可以用于将所述任意两个节点所在的拓扑节点序列,确定为目标拓扑节点序列,并将所述目标拓扑节点序列中的节点确定为第三节点。
在具体应用场景中,为了构建样本患者对应的个性化知识谱图,所述构建单元33,包括:并集模块331和构建模块332。
所述并集模块331,可以用于取所述第一节点、所述第二节点和所述第三节点的并集,得到所述样本患者对应的多个项目节点。
所述构建模块332,可以用于根据所述多个项目节点,以及所述多个项目节点中任意两个项目节点在所述医疗知识图谱的连边,构建所述样本患者对应的个性化知识图谱。
进一步地,为了确定所述样本患者对应的第一特征向量,所述构建单元33,还包括:确定模块333、相乘模块334、计算模块335和叠加模块336。
所述确定模块333,可以用于确定所述个性化知识图谱中每个项目节点对应的初始化向量,以及所述每个项目节点对应的相邻项目节点,并确定所述初始图注意力网络中所述每个项目节点和所述相邻项目节点分别对应的初始权重。
所述相乘模块334,可以用于将所述每个项目节点对应的初始化向量和初始权重相乘,得到所述每个项目节点对应的加权后的初始化向量,并将所述相邻项目节点对应的初始化向量和初始权重相乘,得到所述相邻项目节点对应的加权后的初始化向量。
所述计算模块335,可以用于基于所述每个项目节点对应的加权后的初始化向量和所述相邻项目节点对应的加权后的初始化向量,计算所述每个项目节点与相邻项目节点之间的注意力系数。
所述确定模块333,还可以用于若所述相邻项目节点存在多个,则将所述相邻项目节点对应的加权后的初始化向量与所述注意力系数对应相乘后求和,得到所述每个项目节点对应的嵌入向量。
所述叠加模块336,可以用于将所述每个项目节点对应的嵌入向量进行叠加处理,得到所述样本患者对应的第一特征向量。
在具体应用场景中,为了提高疾病信息预测模型的预测精度,所述装置还包括:提取单元36和拼接单元37。
所述提取单元36,可以用于将所述多次就诊数据输入至初始特征提取模型中进行特征提取,得到所述样本患者对应的第二特征向量。
所述拼接单元37,可以用于将所述第一特征向量和所述第二特征向量进行拼接,得到所述样本患者对应的第三特征向量。
进一步地,所述初始疾病信息预测模型为多层感知器,所述预测单元34,具体可以用于将所述第三特征向量输入至所述多层感知器中进行预测,得到所述样本患者属于不同疾病信息的概率值;从各个概率值中确定最大概率值,并将所述最大概率值对应的疾病信息,确定为所述样本患者对应的预测疾病信息。
所述训练单元35,具体可以用于基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络、所述初始特征提取模型和所述初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
需要说明的是,本发明实施例提供的一种信息预测模型的训练装置所涉及各功能模块的其他相应描述,可以参考图1所示方法的对应描述,在此不再赘述。
基于上述如图1所示方法,相应的,本发明实施例还提供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以下步骤:获取样本患者的多次就诊数据和实际疾病信息;根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
基于上述如图1所示方法和如图3所示装置的实施例,本发明实施例还提供了一种计算机设备的实体结构图,如图5所示,该计算机设备包括:处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序,其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤:获取样本患者的多次就诊数据和实际疾病信息;根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
通过本发明的技术方案,能够获取样本患者的多次就诊数据和实际疾病信息;并根据所述多次就诊数据,确定所述样本患者在已有的医疗知识谱图中所涉及的第一节点,以及所述第一节点对应的关联节点;与此同时,根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;并将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;最终基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型,由此通过确定样本患者在已有医疗知识图谱中所涉及的第一节点及其对应的关联节点,能够针对每个样本患者,从原始的大规模知识图谱中构建一个独有的子集,即个性化知识图谱,将该个性化知识图谱融到疾病信息预测模型的训练中,能够避免引入无效信息或者噪声信息,从而能够提高疾病信息预测模型的预测精度。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。
Claims (8)
1.一种信息预测模型的训练方法,其特征在于,包括:
获取样本患者的多次就诊数据和实际疾病信息;
根据所述多次就诊数据,确定所述样本患者在已有的医疗知识图谱中所涉及的第一节点,以及所述第一节点对应的关联节点;
根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;
将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;
基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型;
其中,所述根据所述多次就诊数据,确定所述样本患者在已有的医疗知识图谱中所涉及的第一节点,以及所述第一节点对应的关联节点,包括:
根据所述多次就诊数据,确定所述样本患者在就诊过程中所涉及的医疗项,并在所述医疗知识图谱中确定所述医疗项对应的第一节点;
确定所述医疗知识图谱中与所述第一节点相连接,且连接边数小于预设边数的第二节点;
若所述第一节点中的任意两个节点在所述医疗知识图谱中存在连通路径,则将所述连通路径上的节点确定为第三节点;
将所述第二节点和所述第三节点确定为所述第一节点对应的关联节点;
其中,所述根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量,包括:
确定所述个性化知识图谱中每个项目节点对应的初始化向量,以及所述每个项目节点对应的相邻项目节点,并确定所述初始图注意力网络中所述每个项目节点和所述相邻项目节点分别对应的初始权重;
将所述每个项目节点对应的初始化向量和初始权重相乘,得到所述每个项目节点对应的加权后的初始化向量,并将所述相邻项目节点对应的初始化向量和初始权重相乘,得到所述相邻项目节点对应的加权后的初始化向量;
基于所述每个项目节点对应的加权后的初始化向量和所述相邻项目节点对应的加权后的初始化向量,计算所述每个项目节点与相邻项目节点之间的注意力系数;
若所述相邻项目节点存在多个,则将所述相邻项目节点对应的加权后的初始化向量与所述注意力系数对应相乘后求和,得到所述每个项目节点对应的嵌入向量;
将所述每个项目节点对应的嵌入向量进行叠加处理,得到所述样本患者对应的第一特征向量。
2.根据权利要求1所述的方法,其特征在于,所述若所述第一节点中的任意两个节点在所述医疗知识图谱中存在连通路径,则将所述连通路径上的节点确定为第三节点,包括:
将所述第一节点中的任意一个节点作为初始节点,基于所述初始节点进行深度搜索或者广度搜索,直至遍历过所述第一节点中的每一个节点,停止搜索,生成拓扑搜索表,所述拓扑搜索表中记录有多组拓扑节点序列;
若所述第一节点中的任意两个节点在所述多组拓扑节点序列中的任意一组拓扑节点序列中,则确定所述任意两个节点存在连通路径;
将所述任意两个节点所在的拓扑节点序列,确定为目标拓扑节点序列,并将所述目标拓扑节点序列中的节点确定为第三节点。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,包括:
取所述第一节点、所述第二节点和所述第三节点的并集,得到所述样本患者对应的多个项目节点;
根据所述多个项目节点,以及所述多个项目节点中任意两个项目节点在所述医疗知识图谱的连边,构建所述样本患者对应的个性化知识图谱。
4.根据权利要求1所述的方法,其特征在于,在所述根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量之后,所述方法还包括:
将所述多次就诊数据输入至初始特征提取模型中进行特征提取,得到所述样本患者对应的第二特征向量;
将所述第一特征向量和所述第二特征向量进行拼接,得到所述样本患者对应的第三特征向量。
5.根据权利要求4所述的方法,其特征在于,所述初始疾病信息预测模型为多层感知器,所述将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息,包括:
将所述第三特征向量输入至所述多层感知器中进行预测,得到所述样本患者属于不同疾病信息的概率值;
从各个概率值中确定最大概率值,并将所述最大概率值对应的疾病信息,确定为所述样本患者对应的预测疾病信息;
所述基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型,包括:
基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络、所述初始特征提取模型和所述初始疾病信息预测模型进行训练,构建预设疾病信息预测模型。
6.一种信息预测模型的训练装置,其特征在于,包括:
获取单元,用于获取样本患者的多次就诊数据和实际疾病信息;
确定单元,用于根据所述多次就诊数据,确定所述样本患者在已有的医疗知识图谱中所涉及的第一节点,以及所述第一节点对应的关联节点;
构建单元,用于根据所述第一节点及其对应的关联节点,构建所述样本患者对应的个性化知识图谱,并根据所述个性化知识图谱和初始图注意力网络,确定所述样本患者对应的第一特征向量;
预测单元,用于将所述第一特征向量输入至初始疾病信息预测模型中进行预测,得到所述样本患者对应的预测疾病信息;
训练单元,用于基于所述预测疾病信息和所述实际疾病信息,共同对所述初始图注意力网络和初始疾病信息预测模型进行训练,构建预设疾病信息预测模型;
其中,所述确定单元,具体用于根据所述多次就诊数据,确定所述样本患者在就诊过程中所涉及的医疗项,并在所述医疗知识图谱中确定所述医疗项对应的第一节点;确定所述医疗知识图谱中与所述第一节点相连接,且连接边数小于预设边数的第二节点;若所述第一节点中的任意两个节点在所述医疗知识图谱中存在连通路径,则将所述连通路径上的节点确定为第三节点;将所述第二节点和所述第三节点确定为所述第一节点对应的关联节点;
其中,所述构建单元,具体用于确定所述个性化知识图谱中每个项目节点对应的初始化向量,以及所述每个项目节点对应的相邻项目节点,并确定所述初始图注意力网络中所述每个项目节点和所述相邻项目节点分别对应的初始权重;将所述每个项目节点对应的初始化向量和初始权重相乘,得到所述每个项目节点对应的加权后的初始化向量,并将所述相邻项目节点对应的初始化向量和初始权重相乘,得到所述相邻项目节点对应的加权后的初始化向量;基于所述每个项目节点对应的加权后的初始化向量和所述相邻项目节点对应的加权后的初始化向量,计算所述每个项目节点与相邻项目节点之间的注意力系数;若所述相邻项目节点存在多个,则将所述相邻项目节点对应的加权后的初始化向量与所述注意力系数对应相乘后求和,得到所述每个项目节点对应的嵌入向量;将所述每个项目节点对应的嵌入向量进行叠加处理,得到所述样本患者对应的第一特征向量。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
8.一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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015562.XA CN113707322B (zh) | 2021-08-31 | 2021-08-31 | 信息预测模型的训练方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015562.XA CN113707322B (zh) | 2021-08-31 | 2021-08-31 | 信息预测模型的训练方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113707322A CN113707322A (zh) | 2021-11-26 |
CN113707322B true CN113707322B (zh) | 2023-09-19 |
Family
ID=78658286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015562.XA Active CN113707322B (zh) | 2021-08-31 | 2021-08-31 | 信息预测模型的训练方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113707322B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114496283A (zh) * | 2022-02-15 | 2022-05-13 | 山东大学 | 一种基于路径推理的疾病预测系统、存储介质及设备 |
CN114758781B (zh) * | 2022-06-15 | 2022-09-06 | 武汉博科国泰信息技术有限公司 | 一种生成用户的健康画像方法和系统、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111128391A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 一种信息处理设备、方法和存储介质 |
CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
CN112017776A (zh) * | 2020-10-27 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于动态图和医学知识图谱的疾病预测方法及相关设备 |
CN112037912A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
CN112259180A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技(深圳)有限公司 | 一种基于异构医学知识图谱的疾病预测方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11100167B2 (en) * | 2019-05-06 | 2021-08-24 | Advanced New Technologies Co., Ltd. | Obtaining dynamic embedding vectors of nodes in relationship graphs |
US20210233658A1 (en) * | 2020-01-23 | 2021-07-29 | Babylon Partners Limited | Identifying Relevant Medical Data for Facilitating Accurate Medical Diagnosis |
-
2021
- 2021-08-31 CN CN202111015562.XA patent/CN113707322B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111128391A (zh) * | 2019-12-24 | 2020-05-08 | 北京推想科技有限公司 | 一种信息处理设备、方法和存储介质 |
CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
CN112037912A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
WO2021151325A1 (zh) * | 2020-09-09 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
CN112259180A (zh) * | 2020-10-21 | 2021-01-22 | 平安科技(深圳)有限公司 | 一种基于异构医学知识图谱的疾病预测方法及相关设备 |
CN112017776A (zh) * | 2020-10-27 | 2020-12-01 | 平安科技(深圳)有限公司 | 基于动态图和医学知识图谱的疾病预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113707322A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wilder et al. | Learning to complement humans | |
CN113707322B (zh) | 信息预测模型的训练方法、装置、计算机设备及存储介质 | |
Alkım et al. | A fast and adaptive automated disease diagnosis method with an innovative neural network model | |
CN112116090B (zh) | 神经网络结构搜索方法、装置、计算机设备及存储介质 | |
US20160210749A1 (en) | Method and system for cross-domain synthesis of medical images using contextual deep network | |
CN112395423B (zh) | 递归的时序知识图谱补全方法和装置 | |
Selvan et al. | Uncertainty quantification in medical image segmentation with normalizing flows | |
CN111539941A (zh) | 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端 | |
CN113706558A (zh) | 图像分割方法、装置及计算机设备 | |
CN110704668B (zh) | 基于网格的协同注意力vqa方法和装置 | |
Pradhan et al. | Optimizing CNN‐LSTM hybrid classifier using HCA for biomedical image classification | |
CN110580509B (zh) | 基于隐藏表征和深度生成对抗模型的多模态数据处理系统和方法 | |
Li et al. | NIA-Network: Towards improving lung CT infection detection for COVID-19 diagnosis | |
Mahmoudi et al. | Explainable deep learning for covid-19 detection using chest X-ray and CT-scan images | |
Lu et al. | Multiscale graph convolutional networks for cardiac motion analysis | |
Shah et al. | EMED-UNet: an efficient multi-encoder-decoder based UNet for medical image segmentation | |
Prasad et al. | Lung cancer detection and classification using deep neural network based on hybrid metaheuristic algorithm | |
CN113704496B (zh) | 医疗知识图谱的修复方法、装置、计算机设备及存储介质 | |
CN116431004A (zh) | 康复机器人交互行为的控制方法及系统 | |
Le et al. | Automated evaluation of tuberculosis using deep neural networks | |
Zhang et al. | Online training for body part segmentation in infant movement videos | |
CN113792798A (zh) | 基于多源数据的模型训练方法、装置及计算机设备 | |
Biswas et al. | A hybrid CBR classification model by integrating ANN into CBR | |
Mabrouk et al. | Ensemble Federated Learning: An approach for collaborative pneumonia diagnosis | |
CN113704497B (zh) | 医疗知识图谱的填补方法、装置、计算机设备及存储介质 |
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 |