CN113793662A - 相关性识别方法、装置、电子设备和计算机可读存储介质 - Google Patents
相关性识别方法、装置、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN113793662A CN113793662A CN202110937323.3A CN202110937323A CN113793662A CN 113793662 A CN113793662 A CN 113793662A CN 202110937323 A CN202110937323 A CN 202110937323A CN 113793662 A CN113793662 A CN 113793662A
- Authority
- CN
- China
- Prior art keywords
- label
- human body
- diagnostic data
- entity
- connection layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000007689 inspection Methods 0.000 claims abstract description 92
- 238000003745 diagnosis Methods 0.000 claims abstract description 82
- 239000013598 vector Substances 0.000 claims description 73
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 46
- 238000012549 training Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 210000004969 inflammatory cell Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000003491 skin Anatomy 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 206010007026 Calculus urethral Diseases 0.000 description 1
- 206010018498 Goitre Diseases 0.000 description 1
- 206010023204 Joint dislocation Diseases 0.000 description 1
- 208000029082 Pelvic Inflammatory Disease Diseases 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 201000002661 Spondylitis Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 201000004427 acute laryngopharyngitis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 210000000750 endocrine system Anatomy 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000003195 fascia Anatomy 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000002575 gastroscopy Methods 0.000 description 1
- 201000003872 goiter Diseases 0.000 description 1
- 210000002478 hand joint Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004410 intraocular pressure Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000012567 medical material Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 210000004994 reproductive system Anatomy 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
- 210000003708 urethra Anatomy 0.000 description 1
- 201000009160 urethral calculus Diseases 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种相关性识别方法、装置、电子设备和计算机可读存储介质，涉及人工智能技术领域，尤其涉及知识图谱和深度学习技术领域。具体实现方案为：获取目标对象的诊断数据和目标对象的检查项目，采用预测模型分别对诊断数据和检查项目预测，得到诊断数据和检查项目的局部人体标签，若确定诊断数据的局部人体标签和检查项目的局部人体标签不匹配，则确定诊断数据和检查项目不相关。本公开通过评估诊断数据的局部人体标签和检查项目的局部人体标签是否匹配，即是否属于相似人体概念体系，以确定不属于相似人体概念体系下的诊断和检查项目的实体对不存在相关性，提高了诊断和检查项目相关性识别的准确性，从而提高了诊断和检查项目的覆盖率。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及知识图谱和深度学习技术领域，具体涉及相关性识别方法、装置、电子设备和计算机可读存储介质。
背景技术
在医疗领域，病案首页是对病案信息的高度浓缩，能反映整册病案的综合信息，主要诊断是病案首页的核心，其选择需要遵循国家发布的系列原则：主要诊断一般是指患者住院的理由，原则上应选择对患者健康危害最大、消耗医疗资源最多、住院时间最长的疾病作为主要诊断。主要诊断关系到医疗资的利用是否标准化和收费是否合理化，以及对医院医疗进行绩效工作的评价，所以主要诊断选择的重要性更加突出。
相关技术中，病案首页的诊断依据医疗消耗进行排序，进而输出病案首页的主要诊断，从而提升医疗物资利用标准化和收费合理化，而检查项目指示了医疗消耗的大小，因此，如何确定诊断和检查项目之间的相关关系，是较为棘手的问题。
发明内容
本公开提供了一种相关性识别方法、装置、电子设备和计算机可读存储介质。
根据本公开的一方面，提供了一种相关性识别方法，包括：
获取待识别的实体对；其中，所述实体对包含目标对象的诊断数据和所述目标对象的检查项目；
采用预测模型分别根据所述诊断数据和所述检查项目预测所述目标对象存在异常的局部人体，以得到所述诊断数据的局部人体标签，以及确定所述检查项目的局部人体标签；
对所述诊断数据的局部人体标签和所述检查项目的局部人体标签进行匹配；
在所述诊断数据的局部人体标签和所述检查项目的局部人体标签不匹配的情况下，确定所述诊断数据和所述检查项目不相关。
根据本公开的另一方面，提供了一种相关性识别装置，其中，装置包括：
获取模块，用于获取待识别的实体对；其中，所述实体对包含目标对象的诊断数据和所述目标对象的检查项目；
预测模块，用于采用预测模型分别根据所述诊断数据和所述检查项目预测所述目标对象存在异常的局部人体，以得到所述诊断数据的局部人体标签，以及确定所述检查项目的局部人体标签；
匹配模块，用于对所述诊断数据的局部人体标签和所述检查项目的局部人体标签进行匹配；
第一确定模块，用于在所述诊断数据的局部人体标签和所述检查项目的局部人体标签不匹配的情况下，确定所述诊断数据和所述检查项目不相关。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述一方面所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述一方面所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述一方面所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例提供的一种相关性识别方法的流程示意图；
图2为本公开实施例提供的另一种相关性识别方法的流程示意图；
图3为本公开实施例提供的一种身体系统标签的示意图；
图4为本公开实施例提供的另一种相关性识别方法的流程示意图；
图5为本公开实施例提供的一种预测模型的结构示意图；
图6为本公开实施例提供的另一种相关性识别方法的流程示意图；
图7为本公开实施例提供的一种诊断数据和检查项目的关系图谱的示意图；
图8为本公开实施例提供的一种相关性识别装置的结构示意图；
图9为本公开的实施例提供的示例电子设备900的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的相关性识别方法、装置、电子设备和计算机可读存储介质。
图1为本公开实施例提供的一种相关性识别方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，获取待识别的实体对，其中，实体对包含目标对象的诊断数据和目标对象的检查项目。
本公开实施例中，实体对中包含两个实体，一个实体为目标对象的诊断数据，一个实体为目标对象的检查项目。其中，诊断数据，是对目标对象的局部人体的诊断结果，例如，血压值超过阈值、血糖值超过阈值等，本实施例中不一一列举。检查项目，是对局部人体实施的检测项目，例如，子宫B超检查、脊柱CT检查、胃镜检查和眼压检查等，本实施例中不一一列举。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
步骤102，采用预测模型分别根据诊断数据和检查项目预测目标对象存在异常的局部人体，以得到诊断数据的局部人体标签，以及确定检查项目的局部人体标签。
其中，局部人体标签，用于指示人体身体体系，例如，为人体的部位中的一个，和/或，人体身体系统中的一个。
本公开实施例中，预测模型是预先训练得到的，预测模型已经预先学习得到诊断数据和局部人体标签的对应关系，也学习到了检查项目和局部人体标签的对应关系，从而，根据预测模型，可以确定目标对象的诊断数据对应的局部人体标签，以及目标对象的检查项目对应的局部人体标签，而对应类似局部人体标签时，认为属于同一个概念体系下，而属于同一个概念体系下的检查项目和诊断数据是高度相关的。
步骤103，对诊断数据的局部人体标签和检查项目的局部人体标签进行匹配。
作为一种可能的实现方式，基于距离确定相似程度，例如，欧式距离，确定得到的诊断数据的局部人体标签和检查项目的局部人体标签间的相似程度，在相似程度大于阈值时，认为局部人体标签和检查项目的局部人体标签匹配，否则，认为局部人体标签和检查项目的局部人体标签不匹配。
作为另一种可能的实现方式，利用训练好的匹配模型，将诊断数据的局部人体标签和检查项目的局部人体标签输入匹配模型，以确定诊断数据的局部人体标签和检查项目的局部人体标签是否匹配。
步骤104，在诊断数据的局部人体标签和检查项目的局部人体标签不匹配的情况下，确定诊断数据和检查项目不相关。
本公开实施例中，在诊断数据和检查项目对应类似局部人体标签时，确定诊断数据和检查项目，即认为该诊断数据和检查项目属于同一个概念体系下，而属于同一个概念体系下的检查项目和诊断数据是高度相关的，而不属于同一个概念体系下的检查项目和诊断数据则是不相关的，从而，在诊断数据的局部人体标签和检查项目的局部人体标签不匹配的情况下，确定诊断数据和检查项目不相关。而在诊断数据的局部人体标签和检查项目的局部人体标签匹配的情况下，确定诊断数据和检查项目相关。
本公开实施例的相关性识别方法中，获取目标对象的诊断数据和目标对象的检查项目，采用预测模型分别对诊断数据和检查项目预测，以得到诊断数据的局部人体标签以及检查项目的局部人体标签，对诊断数据的局部人体标签和检查项目的局部人体标签进行匹配，在诊断数据的局部人体标签和检查项目的局部人体标签不匹配的情况下，确定诊断数据和检查项目不相关。本公开通过评估诊断数据的局部人体标签和检查项目的局部人体标签是否匹配，即是否属于相似概念体系下，以确定不属于相似概念体系下的诊断和检查项目的实体对不存在相关性，提高了诊断和检查项目相关性识别的准确性，以及诊断和检查项目的覆盖率。
基于上述实施例，本实施例提供了另一种相关性识别方法，图2为本公开实施例提供的另一种相关性识别方法的流程示意图，如图2所示，该方法包含以下步骤：
步骤201，获取待识别的实体对，其中，实体对包含目标对象的诊断数据和目标对象的检查项目。
具体的可参照前述实施例中的解释说明，原理相同，本实施例中不再赘述。
步骤202，采用预测模型分别根据诊断数据和检查项目预测目标对象存在异常的局部人体，以得到诊断数据的局部人体标签，以及确定检查项目的局部人体标签。
其中，局部人体标签包含部位标签和身体系统标签。
如图3所示，图3为本公开实施例提供的一种身体系统标签的示意图，如图3所示，身体系统标签划分为11个身体系统标签。需要说明的是，对于身体系统标签的划分，本公开实施例中不进行限定，可根据需求进行划分。
本公开实施例中，局部人体标签可以为大类的部位标签，例如，头部标签，上肢标签、下肢标签、消化道等。
本公开实施例中，预测模型，采用不同的训练数据进行训练，是实现不同的预测需求，下面针对不同的训练数据，对预测模型进行训练的过程进行说明。
模型训练过程1：
获取诊断数据的样本，诊断数据的样本由医学专家标注对应的局部人体标签，本公开实施例中局部人体标签包含部位标签和身体系统标签。根据标注的诊断数据的样本，对预测模型进行训练，通过不断的调整参数，使得预测模型学习得到诊断数据，与部位标签和身体系统标签的对应关系。
模型训练过程2：
获取检查项目的样本，检查项目的样本由医学专家标注对应的局部人体标签，本公开实施例中局部人体标签包含部位标签和身体系统标签。根据标注的检查项目的样本，对预测模型进行训练，通过不断的调整参数，使得预测模型学习得到检查项目，与部位标签和身体系统标签的对应关系。
需要说明的是预测模型的训练过程1和训练过程2的训练过程，本实施例中不限定执行的先后顺序。
步骤203，对诊断数据的局部人体标签和检查项目的局部人体标签进行匹配。
其中，局部人体标签匹配的方法可参照上述实施例中的说明，本实施例中不再赘述。
步骤204，在诊断数据的部位标签和检查项目的部位标签不存在相同标签，且诊断数据的身体系统标签和检查项目的身体系统标签不存在相同标签的情况下，确定诊断数据和检查项目不相关。
本公开实施例中，将局部人体标签分为部位标签和身体系统标签，在确定诊断数据和检查项目的部位标签不存在交集时，也就是说在确定诊断数据和检查项目的部位标签之间不存在相同标签，且诊断数据的身体系统标签和检查项目的身体系统标签之间也不存在相同标签的情况下，可确定该诊断数据和检查项目间没有对应的相同的局部人体标签，不属于相同的人体概念体系，也就是说该诊断数据和检查项目不匹配，从而确定诊断数据和检查项目不相关。
步骤205，在诊断数据的部位标签和检查项目的部位标签存在相同标签，和/或诊断数据的身体系统标签和检查项目的身体系统标签存在相同的标签的情况下，确定诊断数据和检查项目相关。
相反的，本公开实施例中，在诊断数据和检查项目的部位标签和系统标签中的任一个存在相同的标签，或者是诊断数据和检查项目的部位标签和系统标签均存在相同标签，则认为该诊断数据和检查项目属于相同的人体概念体系，从而确定诊断数据和检查项目相关。本公开实施例的相关性识别方法中，基于局部人体标签进行相关性识别，不仅提高了相关性识别的准确性，同时提供了覆盖率，这是因为不同的医院检查与诊断数据书写不规范，通过利用简称或别名等，比如，检查项目为：脊柱核磁(标准名为：脊柱MRI检查)，根据本公开的预测模型可以预测出局部人体标签为：脊柱，提高了检查项目和局部人体标签的覆盖率；诊断数据为：和心脏相关的XXX疾病(标准名为：XAB)，根据本公开的预测模型可以预测出局部人体标签为：心脏，提高了诊断数据和局部人体标签的覆盖率；进而，基于诊断数据的局部人体标签和检查项目的局部人体标签进行相关性判断，可以准确识别出是否存在相关关系，同时覆盖率较高。而基于传统的仅建立关系图谱的方法，名称有较大不同时，就无法确定出是否存在匹配关系，无法实现诊断数据和检查项目的覆盖。
本公开实施例的相关性识别方法中，局部人体标签包含部位标签和身体系统标签，通过将局部人体标签细分，使得在对预测模型预测得到的诊断数据和检查项目的部位标签和身体系统标签匹配时，提高了匹配的准确性，进而提高了诊断数据和检查项目间匹配的准确性，以及诊断数据和检查项目的覆盖率。
基于上述实施例，本公开实施例中，设置部位标签中包含多个层级，即全身部位层级标签、第一层级的部位标签和第二层级的部位标签，其中，全身部位层级标签包含皮肤、筋膜、肌、血管、淋巴、神经、骨、关节。
表1中为部位标签的示意图。
表1
需要理解的是，本公开实施例中的第一层级的部位标签是第二层级的部位标签的上位概念，例如，检查第二层级部位「颈椎」(下位部位)就是在检查第一层级部位「脊柱」(上位部位)。
可以理解的是，表3中的每一个元素、每一条对应关系，都是独立存在的；这些元素、对应关系被示例性的列在同一张表格中，但是并不代表表格中的所有元素、对应关系必须根据表格3中所示的同时存在，或者是仅以表格3中列举的关系存在。其中每一个元素的值和每一对应关系，是不依赖于表3中任何其他元素值或对应关系。因此本领域内技术人员可以理解，该表3中的每一个元素的取值、每一条对应关系，各种都是一个独立的实施例。
从而，预测模型在训练过程中标注的部位标签中包含全身部位层级标签、第一层级的部位标签和第二层级的部位标签，从而，如表2所示，表2中展示了诊断数据和标注的部位标签和系统标签。
表2
| 诊断数据 | 标注的标签 |
| 尿道结石 | 泌尿系统、尿道 |
| 盆腔炎 | 生殖系统、盆部 |
| 室性期前收缩 | 循环系统、心脏、胸部 |
| 甲状腺肿 | 内分泌系统、甲状腺、颈部 |
| 胃类癌 | 胃部、消化系统 |
| 手部关节脱 | 运动系统、手部、上肢、关节 |
| 急性咽喉炎 | 呼吸系统、咽喉 |
| … | … |
可以理解的是，表3中的每一个元素、每一条对应关系，都是独立存在的；这些元素、对应关系被示例性的列在同一张表格中，但是并不代表表格中的所有元素、对应关系必须根据表格3中所示的同时存在，或者是仅以表格3中列举的关系存在。其中每一个元素的值和每一对应关系，是不依赖于表3中任何其他元素值或对应关系。因此本领域内技术人员可以理解，该表3中的每一个元素的取值、每一条对应关系，各种都是一个独立的实施例。
如表3所示，表3中展示了检查项目和标注的部位标签和系统标签。
表3
可以理解的是，表3中的每一个元素、每一条对应关系，都是独立存在的；这些元素、对应关系被示例性的列在同一张表格中，但是并不代表表格中的所有元素、对应关系必须根据表格3中所示的同时存在，或者是仅以表格3中列举的关系存在。其中每一个元素的值和每一对应关系，是不依赖于表3中任何其他元素值或对应关系。因此本领域内技术人员可以理解，该表3中的每一个元素的取值、每一条对应关系，各种都是一个独立的实施例。
进而，根据标注的局部人体标签进行训练，使得训练得到的预测模型学习到了诊断数据，与全身部位层级标签、第一层级的部位标签、第二层级的部位标签和身体系统标签的对应关系；以及检查项目，与全身部位层级标签、第一层级的部位标签、第二层级的部位标签和身体系统标签的对应关系，而将部位标签包含多个层级，增加了诊断数据和检查项目间相似度匹配时的匹配条件，提高了匹配时的准确性和覆盖率。
基于上述实施例，本实施例提供了另一种相关性识别方法，图4为本公开实施例提供的另一种相关性识别方法的流程示意图，如图4所示，上述步骤102和步骤202包含以下步骤：
步骤401，采用预测模型的特征提取层对输入的实体进行特征提取，以得到实体的中间向量。
其中，输入的实体为诊断数据或检测项目。
本公开实施例的一种实现方式中，预测模型的结构如图5所示，特征提取层包含向量化网络和向量拟合网络，向量化网络例如为ERNIE的模型，该模型可将实体中的诊断数据或检查项目分字后得到的各个字生成为字向量。进而，各个字的字向量通过向量拟合网络gru(128)进行向量拟合，得到诊断数据或检查项目的多维特征向量。例如，向量拟合网络为循环神经网络gru(128)，从而输出诊断数据或检查项目的128维的特征的中间向量。
需要说明说明的是，向量化网络和向量拟合网络，均采用诊断数据和检查项目的样本数据进行了训练。
本公开实施例中，以实体为诊断数据为例进行说明，得到了诊断数据的特性的中间向量。
步骤402，采用预测模型的第一全连接层对中间向量进行预测，输出实体对应的全身部位层级标签。
其中，全身部位层级标签，是指身体部位中各个部位中均包含，例如，皮肤，血管或神经等。
本公开实施例中，以全身部位层级标签为8个为例，如图5所示，第一全连接层包含两个子全连接层，第一个子全连接层将特征提取层输出的诊断数据的128维的中间向量编码为64维，即fc1(64)，第二个子连接层fc(8)将fc1(64)输出的64维向量作为输入，输出8维的特征向量，其中，每一维的特征对应一个全身部位，进而，经过激活函数层sigmoid对每一维的特征进行概率预测，得到每一个全身部位层级标签的概率，将符合概率要求的全身部位层级标签作为诊断数据对应的全身部位层级标签。例如，设置概率阈值，概率阈值为0.7，其中，全身部位标签中的血管标签的概率为0.8，其它的全身部位标签的概率均低于0.7，则血管标签，即为当前诊断对应的全身部位层级标签。
步骤403，采用预测模型的第二全连接层对中间向量进行预测，输出实体对应的第一层级的部位标签。
本公开实施例中，如图5所示，第二全连接层中包含第一子全连接层fc2(64)和第二子全连接层fc(10)，将中间向量输入第一子全连接层fc2(64)，第一子全连接层fc2(64)的输出作为输入，输入第二子全连接层fc(10)，进而经过激活函数层sigmoid后，实现对输入的中间向量进行预测，输出实体对应的第一层级的部位标签。
本公开实施例中，例如，第一层级的部位标签为10个，则第二子全连接层输出10维指示各个第一层级的部位标签的向量。
步骤404，采用预测模型的第三全连接层对中间向量进行预测，输出实体对应的第二层级的部位标签。
本公开实施例中，以第二层级的部位标签为72个为例，如图5所示，第三全连接层将特征提取层输出的128维的特征的中间向量编码得到72维特征向量，进而经过激活函数层sigmoid后输出了72个第二层级的部位标签的概率，将概率符合设定概率要求的第二层级的部位标签作为诊断数据对应的第二层级的部位标签。
进一步，第二层级的部位标签为第一层级的部位标签的下一层级，例如，第一层级的部位标签为头部，第二层级的部位标签为眼部，为了提高第三全连接层预测的准确性，作为一种实现方式，获取第二全连接层中第一子全连接层fc2(64)的输出，将中间向量和第二全连接层中第一子全连接层fc2(64)的输出进行融合，得到第一融合向量，将第一融合向量输入第三全连接层fc(72)进行预测，进而经过激活函数层sigmoid后输出实体对应的第二层级的部位标签。本公开实施例中，第二全连接层中第一子全连接层输出的向量为第一层级的部位标签的编码向量，将第一层级的部位标签的编码向量和中间向量进行融合，可提高第二层级的部位标签的准确性。例如，将头部层级标签的编码和诊断类型的中间向量融合，可使得融合得到的向量中头部向量的权重增加，从而在预测头部层级标签的下一级标签，即眼部标签时，可以提高预测的准确性。
步骤405，采用预测模型的第四全连接层对中间向量进行预测，输出实体对应的身体系统标签。
本公开实施例中，以身体系统标签为11个为例，如图5所示，第四全连接层fc(11)将特征提取层输出的128维的特征向量，编码得到11维特征向量，经过激活函数层sigmoid后从而输出了11个身体系统标签的概率，将概率符合设定概率要求的身体系统标签作为诊断数据对应的身体系统标签。
进一步，为了提高第四全连接层预测的准确性，作为一种实现方式，获取第一全连接层中第一子全连接层fc1(64)的输出，将中间向量、第二全连接层中第一子全连接层fc2(64)的输出和第一全连接层中第一子全连接层fc1(64)的输出进行融合，得到第二融合向量，将第二融合向量输入第四全连接层fc(11)进行预测，进而经过激活函数层sigmoid后输出实体对应的身体系统标签。本公开实施例中，第二融合向量中融合了第一层级的部位标签和全身部位层级标签，可提高身体系统标签的准确性。
本公开实施例的相关性识别方法中，根据预测模型，对输入的实体进行预测，可得到实体对应的身体部位的各层级部位对应的标签，以及身体系统标签，提高了预测的效率和准确性。
基于上述实施例，本实施例提供了另一种相关性识别方法，说明了通过构建的基于局部人体标签的匹配度，来确定诊断数据和检查项目的相关性之前，先基于构建的关系图谱进行相关性识别，以提高识别的准确性。图6为本公开实施例提供的另一种相关性识别方法的流程示意图，如图6所示，该方法包含以下步骤：
步骤601，获取待识别的实体对，其中，实体对包含目标对象的诊断数据和目标对象的检查项目。
具体，可参照前述方法实施例中的解释说明，原理相同，本实施例中不再赘述。
步骤602，获取关系图谱。
其中，关系图谱是预先建立的，作为一种实现方式，基于医学书籍与病历数据，挖掘诊断数据与检查项目的关系，构建诊断数据与检查项目的关系图谱，其中，关系图谱中指示了各个诊断数据和对应的检查项目之间的对应关系，即针对每一个诊断数据，关系图谱中指示了和该诊断数据相关的至少一个检查项目。图7为本公开实施例提供的一种诊断数据和检查项目的关系图谱的示意图，如图7所示，诊断数据为L4/5椎间盘病症，和诊断数据L4/5椎间盘病症相关的检查项目为脊柱X线片，脊柱CT检查和脊柱MRI检查。
需要说明的是，图7中仅示意说明了一个诊断数据的关系图谱，而关系图谱中可包含多个诊断数据和对应的检查项目的关系，本实施中不进行限定。
步骤603，根据关系图谱中诊断数据和检查项目之间的对应关系，确定实体对中的诊断数据和检查项目不相关。
本公开实施例中，将实体对中的诊断数据，和关系图谱中的各个诊断数据进行相似度计算，例如，Dice系数，其中，相似度算法，本实施例中不进行限定，若相似度小于阈值，例如为90％，认为不相似，则将实体对中的检查项目和关系图谱中的各个检查项目进行相似度计算，若实体对中的检查项目和关系图谱中的各个检查项目的相似度低于阈值，则认为均不相似，确定实体对中的的诊断数据和检查项目不相关。
需要说明的是，将实体对中的检查项目和关系图谱中的各个检查项目进行相似度计算之前，确认实体对中的检查项目不是通用检查项目，其中，通用检查项目包含心电图检查、日常生活能力评定、康复综合评定、生活质量评定。
步骤604，采用预测模型分别根据诊断数据和检查项目预测目标对象存在异常的局部人体，以得到诊断数据的局部人体标签，以及确定检查项目的局部人体标签。
具体地，可参照前述实施例中的解释说明，本实施例中不再赘述。
步骤605，判断诊断数据的部位标签和检查项目的部位标签中对应的各层级标签是否均不存在相同标签，若是，执行步骤606，若否，执行步骤608。
本公开实施例中，诊断数据的部位标签和检查项目的部位标签中对应的各层级标签是否均不存在相同标签，也就是说在诊断数据的部位标签和检查项目的部位标签中的全身部位层级标签不存在相同的标签，且诊断数据的部位标签和检查项目的部位标签中的第一层级的部位标签不存在相同的标签，且诊断数据的部位标签和检查项目的部位标签中的第二层级的部位标签也不存在相关的标签的情况下，执行步骤606；否则，在诊断数据的部位标签和检查项目的部位标签中对应的各层级标签中的一个或多个存在相同的标签的情况下，执行步骤608，即确定诊断数据和检查项目相关。
步骤606，判断诊断数据的身体系统标签和检查项目的身体系统标签是否不存在相同的标签，若是，执行步骤607，若否，执行步骤608。
进一步，在确定诊断数据的身体系统标签和检查项目的身体系统标签不存在相同的标签的情况下，确定诊断数据和检查项目不相关，而在确定诊断数据的身体系统标签和检查项目的身体系统标签存在相同标签的情况下，确定诊断数据和检查项目相关。
例如，检查项目“颈椎CT”的部位标签和身体系统标签包含：颈椎、脊柱和运动系统；而诊断数据「脊柱炎」的部位标签和身体系统标签包含：脊柱和运动系统，通过匹配确定部位标签中存在相同的标签，即＝“脊柱”，确定检查项目“颈椎CT”和诊断数据“脊柱炎性细胞增加”是匹配的，从而确定检查项目“颈椎CT”和诊断数据“脊柱炎性细胞增加”属于同一个概念体系下，即检查项目“颈椎CT”和诊断数据“脊柱炎性细胞增加”是相关的。
步骤607，确定诊断数据和检查项目不相关。
本公开实施例中，通过确定诊断数据和检查项目之间不存在相同的标签，确定诊断数据和检查项目之间是不匹配的，即确定诊断数据和检查项目不相关。例如，诊断数据A和检查项目M之间不存在相同的标签，则诊断数据A和检查项目M之间不匹配，即确定诊断数据A和检查项目M之间不属于相同的概念体系，是不相关的。
步骤608，确定诊断数据和检查项目相关。
本公开实施例中，通过确定诊断数据和检查项目之间存在相同的标签，确定诊断数据和检查项目之间是匹配的，即确定诊断数据和检查项目相关。例如，诊断数据A和检查项目M之间不存在相同的标签，则诊断数据B和检查项目M之间匹配，即确定诊断数据A和检查项目M之间属于相同的概念体系，是相关的。本公开实施例的相关性识别方法中，在诊断数据的部位标签和检查项目的部位标签中对应的各层级标签均不存在相同标签的情况下，确定诊断数据的部位标签和检查项目的部位标签不存在相同的标签，通过设置部位标签包含各个层级标签，实现对人体部位进行细分，而疾病的诊断是基于人体的不同的部位进行的，同时检查项目也是基于人体的不同部位进行的，通过细分人体部位的层级，并基于细分的部位标签进行匹配，提高了诊断数据和检查项目相关性检测的准确性。
基于上述实施例，本公开的相关性识别方法在对实体对进行相关性识别，相较于相关技术中采用的单纯基于诊断数据与检查项目的关系抽取建立的关系图谱进行相关性识别，做了对比实验，实验结果如下：
基于医学专家标注的两轮标准测试集(共100份病案首页数据)，诊断数据与检查项目相关性检测的对比试验结果：
其中，F1值是通过准确率与召回率进行加权计算得到的，F1值越大，说明准确率和召回率的指标均较好。
为了实现上述实施例，本公开实施例提供了一种相关性识别装置。
图8为本公开实施例提供的一种相关性识别装置的结构示意图，如图8所示，该装置包含：
获取模块81，用于获取待识别的实体对；其中，所述实体对包含目标对象的诊断数据和所述目标对象的检查项目。
预测模块82，用于采用预测模型分别根据所述诊断数据和所述检查项目预测所述目标对象存在异常的局部人体，以得到所述诊断数据的局部人体标签，以及确定所述检查项目的局部人体标签。
匹配模块83，用于对所述诊断数据的局部人体标签和所述检查项目的局部人体标签进行匹配。
第一确定模块84，用于在所述诊断数据的局部人体标签和所述检查项目的局部人体标签不匹配的情况下，确定所述诊断数据和所述检查项目不相关。
进一步，作为一种实现方式，所述局部人体标签包含部位标签和身体系统标签，第一确定模块84，用于：
在所述诊断数据的部位标签和所述检查项目的部位标签不存在相同标签，且所述诊断数据的身体系统标签和所述检查项目的身体系统标签不存在相同标签的情况下，确定所述诊断数据和所述检查项目不相关。
作为一种实现方式，所述部位标签包含多个层级，第一确定模块84，还用于：
诊断数据的部位标签和所述检查项目的部位标签中对应的各层级标签均不存在相同标签的情况下，确定所述诊断数据的部位标签和所述检查项目的部位标签不存在相同标签。
作为一种实现方式，该装置，还包括：
第二确定模块，用于获取关系图谱，根据所述关系图谱中诊断数据和检查项目之间的对应关系，确定所述实体对中的诊断数据和检查项目不相关。
作为一种实现方式，预测模块82，包括：
特征提取单元，用于采用所述预测模型的特征提取层对输入的实体进行特征提取，以得到所述实体的中间向量；其中，所述输入的实体为所述诊断数据或所述检测项目；
第一预测单元，用于采用所述预测模型的第一全连接层对所述中间向量进行预测，输出所述实体对应的全身部位层级标签；
第二预测单元，用于采用所述预测模型的第二全连接层对述中间向量进行预测，输出所述实体对应的第一层级的部位标签；
第三预测单元，用于采用所述预测模型的第三全连接层对所述中间向量进行预测，输出所述实体对应的第二层级的部位标签；
第四预测单元，用于采用所述预测模型的第四全连接层对所述中间向量进行预测，输出所述实体对应的身体系统标签。
作为一种实现方式，第三预测单元，具体用于：
获取所述第二全连接层中第一子全连接层的输出；
将所述中间向量和所述第二全连接层中第一子全连接层的输出进行融合，得到第一融合向量；
将所述第一融合向量输入所述第三全连接层进行预测，输出所述实体对应的第二层级的部位标签。
作为一种实现方式，第四预测单元，具体用于：
获取所述第一全连接层中第一子全连接层的输出；
将所述中间向量、所述第二全连接层中第一子全连接层的输出和所述第一全连接层中第一子全连接层的输出进行融合，得到第二融合向量；
将所述第二融合向量输入所述第四全连接层进行预测，输出所述实体对应的身体系统标签。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再赘述。
本公开实施例的相关性识别装置中，获取目标对象的诊断数据和目标对象的检查项目，采用预测模型分别对诊断数据和检查项目预测，以得到诊断数据的局部人体标签以及检查项目的局部人体标签，对诊断数据的局部人体标签和检查项目的局部人体标签进行匹配，在诊断数据的局部人体标签和检查项目的局部人体标签不匹配的情况下，确定诊断数据和检查项目不相关。本公开通过评估诊断数据的局部人体标签和检查项目的局部人体标签是否匹配，即是否属于相似概念体系下，以确定不属于相似概念体系下的诊断和检查项目的实体对不存在相关性，提高了诊断和检查项目相关性识别的准确性。
为了实现上述实施例，本公开实施例提供了一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述方法实施例所述的方法。
为了实现上述实施例，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述方法实施例所述的方法。
为了实现上述实施例，本公开实施例提供了提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述方法实施例所述的方法。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9为本公开的实施例提供的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)902中的计算机程序或者从存储单元908加载到RAM(Random AccessMemory，随机访问/存取存储器)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。I/O(Input/Output，输入/输出)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如相关性识别方法。例如，在一些实施例中，相关性识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时，可以执行上文描述的相关性识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行相关性识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (17)
1.一种相关性识别方法，其中，方法包括：
获取待识别的实体对；其中，所述实体对包含目标对象的诊断数据和所述目标对象的检查项目；
采用预测模型分别根据所述诊断数据和所述检查项目预测所述目标对象存在异常的局部人体，以得到所述诊断数据的局部人体标签，以及确定所述检查项目的局部人体标签；
对所述诊断数据的局部人体标签和所述检查项目的局部人体标签进行匹配；
在所述诊断数据的局部人体标签和所述检查项目的局部人体标签不匹配的情况下，确定所述诊断数据和所述检查项目不相关。
2.如权利要求1所述的方法，其中，所述局部人体标签包含部位标签和身体系统标签，所述在所述诊断数据的局部人体标签和所述检查项目的局部人体标签不匹配的情况下，确定所述诊断数据和所述检查项目不相关，包括：
在所述诊断数据的部位标签和所述检查项目的部位标签之间不存在相同标签，且所述诊断数据的身体系统标签和所述检查项目的身体系统之间不存在相同标签的情况下，确定所述诊断数据和所述检查项目不相关。
3.如权利要求2所述的方法，其中，所述部位标签包含多个层级，所述方法，还包括：
在所述诊断数据的部位标签和所述检查项目的部位标签中对应的各层级标签均不存在相同标签的情况下，确定所述诊断数据的部位标签和所述检查项目的部位标签之间不存在相同标签。
4.如权利要求1所述的方法，其中，所述采用预测模型分别根据所述诊断数据和所述检查项目预测所述目标对象存在异常的局部人体，以得到所述诊断数据的局部人体标签，以及确定所述检查项目的局部人体标签之前，还包括：
获取关系图谱；
根据所述关系图谱中诊断数据和检查项目之间的对应关系，确定所述实体对中的诊断数据和检查项目不相关。
5.如权利要求3所述的方法，其中，所述采用预测模型分别根据所述诊断数据和所述检查项目预测所述目标对象存在异常的局部人体，以得到所述诊断数据的局部人体标签，以及确定所述检查项目的局部人体标签，包括：
采用所述预测模型的特征提取层对输入的实体进行特征提取，以得到所述实体的中间向量；其中，所述输入的实体为所述诊断数据或所述检测项目；
采用所述预测模型的第一全连接层对所述中间向量进行预测，输出所述实体对应的全身部位层级标签；
采用所述预测模型的第二全连接层对述中间向量进行预测，输出所述实体对应的第一层级的部位标签；
采用所述预测模型的第三全连接层对所述中间向量进行预测，输出所述实体对应的第二层级的部位标签；
采用所述预测模型的第四全连接层对所述中间向量进行预测，输出所述实体对应的身体系统标签。
6.如权利要求5所述的方法，所述采用所述预测模型的第三全连接层对所述中间向量进行预测，输出所述实体对应的第二层级的部位标签，包括：
获取所述第二全连接层中第一子全连接层的输出；
将所述中间向量和所述第二全连接层中第一子全连接层的输出进行融合，得到第一融合向量；
将所述第一融合向量输入所述第三全连接层进行预测，输出所述实体对应的第二层级的部位标签。
7.如权利要求6所述的方法，其中，所述采用所述预测模型的第四全连接层对所述中间向量进行预测，输出所述实体对应的身体系统标签，包括：
获取所述第一全连接层中第一子全连接层的输出；
将所述中间向量、所述第二全连接层中第一子全连接层的输出和所述第一全连接层中第一子全连接层的输出进行融合，得到第二融合向量；
将所述第二融合向量输入所述第四全连接层进行预测，输出所述实体对应的身体系统标签。
8.一种相关性识别装置，其中，装置包括：
获取模块，用于获取待识别的实体对；其中，所述实体对包含目标对象的诊断数据和所述目标对象的检查项目；
预测模块，用于采用预测模型分别根据所述诊断数据和所述检查项目预测所述目标对象存在异常的局部人体，以得到所述诊断数据的局部人体标签，以及确定所述检查项目的局部人体标签；
匹配模块，用于对所述诊断数据的局部人体标签和所述检查项目的局部人体标签进行匹配；
第一确定模块，用于在所述诊断数据的局部人体标签和所述检查项目的局部人体标签不匹配的情况下，确定所述诊断数据和所述检查项目不相关。
9.如权利要求8所述的装置，其中，所述局部人体标签包含部位标签和身体系统标签，所述第一确定模块，用于：
在所述诊断数据的部位标签和所述检查项目的部位标签之间不存在相同标签，且所述诊断数据的身体系统标签和所述检查项目的身体系统标签之间不存在相同标签的情况下，确定所述诊断数据和所述检查项目不相关。
10.如权利要求9所述的装置，其中，所述部位标签包含多个层级，所述第一确定模块，还用于：
所述诊断数据的部位标签和所述检查项目的部位标签中对应的各层级标签均不存在相同标签的情况下，确定所述诊断数据的部位标签和所述检查项目的部位标签之间不存在相同标签。
11.如权利要求8所述的装置，其中，所述装置，还包括：
第二确定模块，用于获取关系图谱，根据所述关系图谱中诊断数据和检查项目之间的对应关系，确定所述实体对中的诊断数据和检查项目不相关。
12.如权利要求10所述的装置，其中，所述预测模块，包括：
特征提取单元，用于采用所述预测模型的特征提取层对输入的实体进行特征提取，以得到所述实体的中间向量；其中，所述输入的实体为所述诊断数据或所述检测项目；
第一预测单元，用于采用所述预测模型的第一全连接层对所述中间向量进行预测，输出所述实体对应的全身部位层级标签；
第二预测单元，用于采用所述预测模型的第二全连接层对述中间向量进行预测，输出所述实体对应的第一层级的部位标签；
第三预测单元，用于采用所述预测模型的第三全连接层对所述中间向量进行预测，输出所述实体对应的第二层级的部位标签；
第四预测单元，用于采用所述预测模型的第四全连接层对所述中间向量进行预测，输出所述实体对应的身体系统标签。
13.如权利要求12所述的装置，所述第三预测单元，具体用于：
获取所述第二全连接层中第一子全连接层的输出；
将所述中间向量和所述第二全连接层中第一子全连接层的输出进行融合，得到第一融合向量；
将所述第一融合向量输入所述第三全连接层进行预测，输出所述实体对应的第二层级的部位标签。
14.如权利要求13所述的装置，其中，所述第四预测单元，具体用于：
获取所述第一全连接层中第一子全连接层的输出；
将所述中间向量、所述第二全连接层中第一子全连接层的输出和所述第一全连接层中第一子全连接层的输出进行融合，得到第二融合向量；
将所述第二融合向量输入所述第四全连接层进行预测，输出所述实体对应的身体系统标签。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937323.3A CN113793662B (zh) | 2021-08-16 | 2021-08-16 | 相关性识别方法、装置、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110937323.3A CN113793662B (zh) | 2021-08-16 | 2021-08-16 | 相关性识别方法、装置、电子设备和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113793662A true CN113793662A (zh) | 2021-12-14 |
| CN113793662B CN113793662B (zh) | 2023-07-28 |
Family
ID=79181744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110937323.3A Active CN113793662B (zh) | 2021-08-16 | 2021-08-16 | 相关性识别方法、装置、电子设备和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113793662B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114579626A (zh) * | 2022-03-09 | 2022-06-03 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2429489C1 (ru) * | 2010-05-14 | 2011-09-20 | Рита Анатольевна Гридасова | Способ дифференциальной диагностики различных форм ишемической болезни сердца |
| CN111938670A (zh) * | 2020-06-30 | 2020-11-17 | 齐鲁工业大学 | 基于人体骨架运动学特征信息的抑郁症识别方法及系统 |
| CN111973155A (zh) * | 2020-08-23 | 2020-11-24 | 吾征智能技术(北京)有限公司 | 一种基于人体口味异常变化的疾病认知自学习系统 |
| CN112507701A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
| WO2021068601A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备及存储介质 |
-
2021
- 2021-08-16 CN CN202110937323.3A patent/CN113793662B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2429489C1 (ru) * | 2010-05-14 | 2011-09-20 | Рита Анатольевна Гридасова | Способ дифференциальной диагностики различных форм ишемической болезни сердца |
| WO2021068601A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 病历检测方法、装置、设备及存储介质 |
| CN111938670A (zh) * | 2020-06-30 | 2020-11-17 | 齐鲁工业大学 | 基于人体骨架运动学特征信息的抑郁症识别方法及系统 |
| CN111973155A (zh) * | 2020-08-23 | 2020-11-24 | 吾征智能技术(北京)有限公司 | 一种基于人体口味异常变化的疾病认知自学习系统 |
| CN112507701A (zh) * | 2020-11-30 | 2021-03-16 | 北京百度网讯科技有限公司 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| STEVEN VANVAERENBERGH; JAVIER VÍA; IGNACIO SANTAMARÍA: "IEEE Transactions on Signal Processing", IEEE TRANSACTIONS ON SIGNAL PROCESSING * |
| 尤诚诚;冯旭鹏;刘利军;黄青松;: "基于主题模型的胸部X光片诊断报告异常检测方法", 计算机工程与科学, no. 04 * |
| 杨贵昌;钟妍其;朱彦;刘哲;王冬青;: "多激活卷积神经网络自动学习模型对膝关节软骨损伤的诊断效能分析", 山东医药, no. 35 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114579626A (zh) * | 2022-03-09 | 2022-06-03 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
| CN114579626B (zh) * | 2022-03-09 | 2023-08-11 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113793662B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113241135B (zh) | 一种基于多模态融合的疾病风险预测方法和系统 | |
| Shim et al. | Joint active feature acquisition and classification with variable-size set encoding | |
| CN109741806B (zh) | 一种医学影像诊断报告辅助生成方法及其装置 | |
| WO2021186592A1 (ja) | 診断支援装置及びモデル生成装置 | |
| CN107193919A (zh) | 一种电子病历的检索方法及系统 | |
| Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
| US20210174968A1 (en) | Visualization of Social Determinants of Health | |
| CN113792115B (zh) | 实体相关性确定方法、装置、电子设备及存储介质 | |
| CN112541066A (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
| CN111192660A (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
| CN116797572A (zh) | 基于多模态数据的类风湿关节炎活动度分级装置 | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| CN113793662B (zh) | 相关性识别方法、装置、电子设备和计算机可读存储介质 | |
| CN117391092B (zh) | 一种基于对比学习的电子病历多模态医疗语义对齐方法 | |
| Indrasiri et al. | Image Encoded Time Series Classification of Small Datasets: An Innovative Architecture Using Deep Learning Ensembles | |
| CN116258136A (zh) | 检错模型训练方法、医学影像报告检测方法、系统及设备 | |
| CN110391026A (zh) | 基于医疗概率图的信息分类方法、装置及设备 | |
| Xiao et al. | Criticality and clinical department prediction of ED patients using machine learning based on heterogeneous medical data | |
| CN116434951A (zh) | 疾病预警方法、装置、电子设备、存储介质以及程序产品 | |
| Hasan et al. | Brain tumor detection using feature extraction and ensemble learning with a smart web application | |
| Chowdary et al. | Multiple Disease Prediction by Applying Machine Learning and Deep Learning Algorithms | |
| Zhan et al. | Using convolutional neural networks to analyze x-ray radiographs for multi-label classifications of thoracic diseases | |
| Kadhim et al. | Machine Learning Prediction of Brain Stroke at an Early Stage | |
| CN116259422B (zh) | 基于虚拟数据增强的眼科疾病诊疗意见生成方法、系统、介质和设备 | |
| CN115033747B (zh) | 异常状态的检索方法及其装置 |
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 |