CN114141358A - 基于知识图谱的疾病诊断装置、计算机设备及存储介质 - Google Patents

基于知识图谱的疾病诊断装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114141358A
CN114141358A CN202111432661.8A CN202111432661A CN114141358A CN 114141358 A CN114141358 A CN 114141358A CN 202111432661 A CN202111432661 A CN 202111432661A CN 114141358 A CN114141358 A CN 114141358A
Authority
CN
China
Prior art keywords
disease
information
entity
pathophysiological
pathophysiology
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
Application number
CN202111432661.8A
Other languages
English (en)
Inventor
吴骁
王玉婷
罗忆春
周全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Medical and Healthcare Management Co Ltd
Original Assignee
Ping An Medical and Healthcare Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Medical and Healthcare Management Co Ltd filed Critical Ping An Medical and Healthcare Management Co Ltd
Priority to CN202111432661.8A priority Critical patent/CN114141358A/zh
Publication of CN114141358A publication Critical patent/CN114141358A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请实施例属于人工智能及数字医疗领域，涉及一种基于知识图谱的疾病诊断装置、计算机设备及存储介质，装置包括：症状获取模块、病理生理确定模块、计算模块以及疾病诊断模块，通过该装置获取目标病人的症状信息；通过预先构建的医学知识图谱，确定症状信息关联到的病理生理信息；根据医学知识图谱确定与病理生理信息相关联的疾病类别，并计算针对疾病类别的疾病关联度，以根据疾病类别和疾病关联度生成候选疾病预测结果；根据疾病关联度对候选疾病预测结果进行筛选，得到目标病人的疾病诊断结果。此外，本申请还涉及区块链技术，症状信息可存储于区块链中。本申请能够准确生成目标病人的疾病诊断结果。

Description

基于知识图谱的疾病诊断装置、计算机设备及存储介质
技术领域
本申请涉及数字医疗技术领域，尤其涉及一种基于知识图谱的疾病诊断装置、计算机设备及存储介质。
背景技术
随着计算机技术的发展，医疗领域对计算机的应用也越来越多，例如，对病人的病历信息进行电子化以便进行医学统计分析；借助神经网络，依据病人的医学影像、症状信息进行医疗诊断、疾病预测等。
知识图谱又叫知识域可视化或者知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形。知识图谱使用可视化技术描述知识，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。当前，知识图谱在医疗诊断中的应用并不多，难以为疾病诊断提供有效的辅助。
发明内容
本申请实施例的目的在于提出一种基于知识图谱的疾病诊断装置、计算机设备及存储介质，以准确地实现疾病的自动诊断。
为了解决上述技术问题，本申请实施例还提供一种基于知识图谱的疾病诊断装置，采用了如下所述的技术方案：
症状获取模块，用于获取目标病人的症状信息；
病理生理确定模块，用于通过预先构建的医学知识图谱，确定所述症状信息关联到的病理生理信息；
计算模块，用于根据所述医学知识图谱确定与所述病理生理信息相关联的疾病类别，并计算针对所述疾病类别的疾病关联度，以根据所述疾病类别和所述疾病关联度生成候选疾病预测结果；
疾病诊断模块，用于根据所述疾病关联度对所述候选疾病预测结果进行筛选，得到所述目标病人的疾病诊断结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述基于知识图谱的疾病诊断装置中的各模块的功能。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述基于知识图谱的疾病诊断装置中的各模块的功能。
与现有技术相比，本申请实施例主要有以下有益效果：本申请中的基于知识图谱的疾病诊断装置包括症状获取模块、病理生理确定模块、计算模块以及疾病诊断模块；该装置在获取目标病人的症状信息后，不直接根据症状信息进行预测，而是先通过医学知识图谱确定症状信息所对应的病理生理信息，病理生理信息可以更本质地表征目标病人器质性或功能性的病理生理状态变化；基于知识图谱确定病理生理信息相关联的疾病类别，并计算与疾病类别间的疾病关联度，得到候选疾病预测结果，能够更准确地对目标病人可能患有的疾病进行预测，从而能够准确生成目标病人的疾病诊断结果。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的基于知识图谱的疾病诊断装置的一个实施例的结构示意图；
图3是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于知识图谱的疾病诊断装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于知识图谱的疾病诊断装置的结构示意图，所述基于知识图谱的疾病诊断装置200可以包括：症状获取模块201、病理生理确定模块202、计算模块203以及疾病诊断模块204，其中：
症状获取模块201，用于获取目标病人的症状信息。
在本实施例中，基于知识图谱的疾病诊断装置运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式与终端进行通信。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体地，症状信息表征了目标病人的症状，例如，目标病人的体温、血糖浓度变化信息等。首先需要获取目标病人的症状信息，症状信息可以来自于目标病人的电子病历、体检报告、健康档案等。
需要强调的是，为进一步保证上述症状信息的私密和安全性，上述症状信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
病理生理确定模块202，用于通过预先构建的医学知识图谱，确定症状信息关联到的病理生理信息。
其中，医学知识图谱可以是医学领域的知识图谱，通过预先构建得到。病理生理信息是描述目标病人病理生理状态变化的信息，可以描述目标病人器质性或功能性的生理状态变化，例如，病理生理信息可以包括：呼吸道上皮细胞受损、白细胞增多等。
具体地，可以通过预先构建的医学知识图谱，查询症状信息关联到的病理生理信息。医学知识图谱中包含症状实体、病理生理实体和疾病实体。其中，症状实体可以是描述病人症状的基本单元，例如“低烧”可以是症状实体，而症状信息中包括至少一个症状实体。病理生理实体可以是描述病人病理生理状态的基本单元，例如“呼吸道上皮细胞受损”可以是病理生理实体，而病理生理信息中包括至少一个病理生理实体。疾病实体可以是表征疾病的实体，例如“过敏性鼻炎”可以是一个疾病实体。
医学知识图谱确立了症状实体与病理生理实体之间的关联关系，以及病理生理实体和疾病实体之间的关联关系。根据症状信息中的各症状实体，在医学知识图谱中查询症状实体所关联到的病理生理实体，查询到的病理生理实体构成病理生理信息。
在一个实施例中，还可以获取病人信息，病人信息可以是病人的基本信息，例如性别、年龄等。由于一些疾病与性别、年龄等因素有关，因此，可以先根据病人信息对病理生理信息进行预筛选，删除掉一些与病人信息相悖的病理生理信息。例如，通过症状实体查询到一个病理生理实体，该病理生理实体属于男性独有，而根据病人信息确定目标病人为女性，因此，可以将该病理生理实体从病理生理信息中删除，以避免做无用的计算。
计算模块203，用于根据医学知识图谱确定与病理生理信息相关联的疾病类别，并计算针对疾病类别的疾病关联度，以根据疾病类别和疾病关联度生成候选疾病预测结果。
具体地，在得到病理生理信息后，可以对目标病人进行疾病预测。疾病预测依据医学知识图谱和病理生理信息进行计算，得到全部可能的疾病类别以及疾病关联度。首先通过医学知识图谱查询与病理生理信息相关联的疾病类别，再计算病理生理信息与该疾病类别之间的疾病关联度。疾病关联度可以是一个数值，用于衡量病理生理信息与某种疾病的关联程度，可以是根据病理生理信息计算出来的患某种疾病的概率。计算出的疾病类别和疾病关联度组成候选疾病预测结果。
疾病诊断模块204，用于根据疾病关联度对候选疾病预测结果进行筛选，得到目标病人的疾病诊断结果。
具体地，候选疾病预测结果中可以包括多种疾病类别及其对应的疾病关联度。可以根据疾病关联度对疾病类别进行降序排序，选取排在前N位(N为正整数)的疾病类别。将选取到疾病类别及其对应的疾病关联度作为目标病人的疾病诊断结果进行输出。
在一个实施例中，获取预设的关联度阈值，将计算得到的疾病关联度与关联度阈值相比较，选取疾病关联度大于关联度阈值的疾病类别进行输出，得到目标病人的疾病诊断结果。
疾病诊断结果中包括至少一种疾病类别及其对应的疾病关联度，以便医生根据疾病诊断结果进行综合考量。
本实施例中，基于知识图谱的疾病诊断装置包括症状获取模块、病理生理确定模块、计算模块以及疾病诊断模块；该装置在获取目标病人的症状信息后，不直接根据症状信息进行预测，而是先通过医学知识图谱确定症状信息所对应的病理生理信息，病理生理信息可以更本质地表征目标病人器质性或功能性的病理生理状态变化；基于知识图谱确定病理生理信息相关联的疾病类别，并计算与疾病类别间的疾病关联度，得到候选疾病预测结果，能够更准确地对目标病人可能患有的疾病进行预测，从而能够准确生成目标病人的疾病诊断结果。
进一步的，上述基于知识图谱的疾病诊断装置200还可以包括：数据集获取模块、数据集抽取模块以及图谱构建模块，其中：
数据集获取模块，用于获取医学知识数据集。
数据集抽取模块，用于抽取医学知识数据集中的预设实体以及实体关联信息，预设实体包括症状实体、病理生理实体和疾病实体。
图谱构建模块，用于根据抽取到的预设实体和实体关联信息构建医学知识图谱。
其中，医学知识数据集可以是存储医学知识、医疗信息的数据集。
具体地，获取医学知识数据集，医学知识数据集可以根据专业的医学教材构建，也可以由专业医师构建。对医学知识数据集进行自然语言处理，从中抽取预设实体以及实体关联信息。
预设实体的类型由三种，包括：症状实体、病理生理实体以及疾病实体。实体关联信息记录了症状实体、病理生理实体以及疾病实体之间的关联、指向关系；具体可以是症状实体与病理生理实体之间的关联、指向关系，以及病理生理实体与疾病实体之间的关联、指向关系。
根据抽取到的症状实体、病理生理实体、疾病实体以及实体关联信息可以构建医学知识图谱。
本实施例中，从医学知识数据集中抽取症状实体、病理生理实体、疾病实体以及实体关联信息，构建医学知识图谱以容纳、有机整合症状实体、病理生理实体、疾病实体以及实体关联信息，为自动化的疾病诊断做好数据准备。
进一步的，上述图谱构建模块可以包括：初始构建子模块以及向量确定子模块，其中：
初始构建子模块，用于根据抽取到的预设实体和实体关联信息构建初始图谱。
向量确定子模块，用于基于距离模型确定初始图谱中各元素的表征向量，得到医学知识图谱。
具体地，针对每个症状实体、病理生理实体和疾病实体生成图谱节点，然后根据实体关联信息在节点之间添加有向的节点连接线，得到初始图谱。例如，根据实体关联信息，症状实体A指向病理生理实体B(即症状A在病理生理层面的原因为B)，则在症状实体A的节点引出一条指向病理生理实体B所在节点的节点连接线。
还需要通过向量表示初始图谱中的各元素(节点和节点连接线)。在图谱中，两个节点及其之间的节点连接线又可以叫头实体-关系-尾实体的三元组，头实体、关系和尾实体都具有向量，依次为h,r,t。距离模型可以用来确定各元素的表征向量，并衡量各元素的表征向量是否合理。距离模型是基于距离的评分函数，对于三元组(h,r,t)，当h+r与t很接近时，可以认为表征向量可以较好地表征初始图谱中的各元素，从而得到医学知识图谱。
本实施例中，先根据抽取到的症状实体、病理生理实体、疾病实体和实体关联信息构建初始图谱，再确定向量表征，完成医学知识图谱的构建。
进一步的，上述计算模块203可以包括：实体组合子模块以及计算子模块，其中：
实体组合子模块，用于对病理生理信息中的各病理生理实体进行组合，得到多个病理生理信息组合。
计算子模块，用于通过医学知识图谱确定各病理生理信息组合相关联的疾病类别，并基于医学知识图谱计算各病理生理信息组合与各疾病类别间的疾病关联度，以根据各疾病类别及其对应的疾病关联度生成候选疾病预测结果。
具体地，病理生理信息中可以包含多个病理生理实体，可以对多个病理生理实体进行组合，得到多个病理生理信息组合。假设病理生理信息中有N个病理生理实体，则最多可以生成
Figure BDA0003380780520000081
个病理生理信息组合。
然后，通过医学知识图谱确定与每个病理生理信息组合相关联的疾病类别，然后计算病理生理信息组合与疾病类别之间的疾病关联度，根据疾病类别和疾病关联度得到候选疾病预测结果，每个病理生理信息信息组合都可以具有一个疾病预测结果。候选疾病预测结果包括疾病类别以及针对该疾病类别地疾病关联度。
本实施例中，对病理生理信息中的病理生理实体进行组合得到多个病理生理信息组合，针对每个病理生理信息组合进行计算，以便全面地进行疾病预测。
进一步的，上述计算子模块可以包括：类别确定单元、获取单元、权重计算单元、计算单元以及预测生成单元，其中：
类别确定单元，用于对于各病理生理信息组合，通过医学知识图谱确定病理生理信息组合关联到的疾病实体。
获取单元，用于对于每个疾病实体，通过医学知识图谱获取疾病实体与病理生理信息组合中各病理生理实体的连通度，并获取疾病实体与各病理生理实体间的关系向量。
权重计算单元，用于基于预设的排名算法，计算各病理生理实体在医学知识图谱中的权重。
计算单元，用于根据获取到的连通度、关系向量以及权重，计算病理生理信息组合与疾病实体间的疾病关联度。
预测生成单元，用于根据疾病实体代表的疾病类别和疾病关联度，生成候选疾病预测结果。
具体地，病理生理信息组合中包含至少一个病理生理实体，每个病理生理实体在医学知识图谱中可能关联到多个疾病实体。对于一个病理生理信息组合，对其中的各病理生理实体所关联到的疾病实体取交集，得到该病理生理信息组合所关联到的疾病实体。
病理生理信息组合可以关联到至少一个疾病实体。对于关联到的每一个疾病实体，根据医学知识图谱，确定病理生理信息组合中各病理生理实体与该疾病实体之间的连通度。
在医学知识图谱中，一个病理生理实体可以关联多个疾病实体，一个疾病实体也可以关联多个病理生理实体。对于一个病理生理实体和一个疾病实体，当病理生理实体关联到的疾病实体越多，疾病实体关联的病理生理实体越多时，病理生理实体与疾病实体之间的关联性越弱。
对于一个疾病实体，假设它与Y个病理生理实体相关联，在这Y个病理生理实体中，有一个病理生理实体可以关联到X个疾病实体，则该病理生理实体与该疾病实体之间的连通度为X×Y。该病理生理实体和疾病实体通过节点连接线相连，这条节点连接线就是关系向量，构成头实体(病理生理实体h)-关系(关系向量r)-尾实体(疾病实体t)的三元组(h,r,t)，且h+r≈t。
本申请通过预设的排名算法计算每个病理生理实体在医学知识图谱中的重要性，计算得到的重要性将作为权重应用于疾病关联度的计算。其中，排名算法可以是PageRank算法，PageRank又称网页排名、网页级别、Google左侧排名或佩奇排名，是一种由根据网页之间相互的超链接计算的技术。PageRank算法可以通过随机游走方法计算网络中节点(例如本申请医学知识图谱中的病理生理实体)的影响力。
到此，可以计算出病理生理信息组合与某个疾病实体之间的疾病关联度为：
Figure BDA0003380780520000101
其中，I是病理生理信息组合中关联至疾病实体D的病理生理实体的数量，对于其中的一个病理生理实体i，它可以关联到的疾病实体数量为Mi，而疾病实体D所关联到的病理生理实体数量为ND，病理生理实体i与疾病实体D之间的关系向量的模为|riD|，ωi是排名算法计算出的病理生理实体i的权重，从而可以得到病理生理信息组合与疾病实体D之间的疾病关联度pD。
根据疾病实体所代表的疾病类别以及疾病关联度，可以得到该病理生理信息组合的候选疾病预测结果。
本实施例中，先确定病理生理信息组合所关联到的疾病实体，然后确定病理生理实体与疾病实体之间的连通度、关系向量以及病理生理实体的权重，从而计算病理生理信息组合与疾病实体之间的疾病关联度，科学地实现了疾病的预测。
进一步的，上述疾病诊断模块204可以包括：信息获取子模块、疾病筛选子模块以及疾病诊断子模块，其中：
信息获取子模块，用于获取目标病人的病人信息。
疾病筛选子模块，用于根据病人信息对候选疾病预测结果进行第一筛选。
疾病诊断子模块，用于根据疾病关联度对第一筛选后的候选疾病预测结果进行第二筛选，得到目标病人的疾病诊断结果。
具体地，还可以获取病人信息，病人信息可以是病人的基本信息，例如性别、年龄等。由于一些疾病与性别、年龄等因素有关，因此，可以先根据病人信息对候选疾病预测结果进行第一筛选。例如，候选疾病预测结果显示目标病人可能患有某种疾病，该疾病为男性特有，但根据病人信息确定目标病人为女性，因此，该条候选疾病预测结果与病人信息相冲突，可以将该条候选疾病预测结果进行删除。然后，再根据疾病关联度对第一筛选后的候选疾病预测结果进行第二筛选，将第二筛选后剩下的候选疾病预测结果作为目标病人的疾病诊断结果。
本实施例中，根据病人信息对候选疾病预测结果进行冲突性检测，以便排除错误的候选疾病预测结果，确保了疾病诊断预测的准确性。
进一步的，在本申请的另一个实施例中，上述疾病诊断模块204可以包括：结果合并子模块以及诊断子模块，其中：
结果合并子模块，用于依据候选疾病预测结果中的疾病类别和疾病关联度，对候选疾病预测结果进行合并。
诊断子模块，用于根据疾病关联度对合并后的候选疾病预测结果进行筛选，得到目标病人的疾病诊断结果。
具体地，由于有多个病理生理信息组合，不同的病理生理信息组合可能会指向同一种疾病，因此，候选疾病预测结果中可能存在大量重复的疾病类别。因此，可以对候选疾病预测结果进行合并，对于同一种疾病，仅保留疾病关联度最高的候选疾病预测结果即可。然后再根据疾病关联度对合并后得到的候选疾病预测结果进行筛选，得到目标病人的疾病诊断结果。
在实际应用中，候选疾病预测结果可能要进行存储或者输出，对候选疾病预测结果进行合并，可以减少存储或者输出所占用的信息量。
本实施例中，根据疾病类别和疾病关联度对候选疾病预测结果进行合并，可以精简得到的候选疾病预测结果，方便了候选疾病预测结果的存储或展示。
进一步的，上述基于知识图谱的疾病诊断装置200还可以包括：信息查询模块以及发送模块，其中：
信息查询模块，用于根据疾病诊断结果中的疾病类别，查询诊疗措施信息。
发送模块，用于将疾病诊断结果和诊疗措施信息发送至预设终端进行显示。
其中，诊疗措施信息可以是指示如何对疾病进行治疗的信息。
具体地，在得到疾病诊断结果后，还可以通过疾病类别查询对应的诊疗措施信息，然后将疾病诊断结果和诊疗措施信息一起发送至预设终端进行显示。诊疗措施信息可以从预先建立的医学数据库中进行查询。在一个实施例中，构建的医学知识图谱还包括诊疗措施信息，可以直接从医学知识图谱中获取诊疗措施信息。
本实施例中，根据疾病类别查询诊疗措施信息，以便辅助医生对目标病人进行治疗，提高了基于知识图谱的疾病诊断装置的智能性。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。例如，可以通过人工智能技术中的自然语言处理技术，从医疗记录数据中识别并抽取需要的数据进行计算。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例中各模块的功能，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各实施例中各模块的功能。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图3，图3为本实施例计算机设备基本结构框图。
所述计算机设备3包括通过系统总线相互通信连接存储器31、处理器32、网络接口33。需要指出的是，图中仅示出了具有组件31-33的计算机设备3，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器31可以是所述计算机设备3的内部存储单元，例如该计算机设备3的硬盘或内存。在另一些实施例中，所述存储器31也可以是所述计算机设备3的外部存储设备，例如该计算机设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括其外部存储设备。本实施例中，所述存储器31通常用于存储安装于所述计算机设备3的操作系统和各类应用软件，以实现上述基于知识图谱的疾病诊断装置中的各模块的功能。此外，所述存储器31还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器32在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器32通常用于控制所述计算机设备3的总体操作。本实施例中，所述处理器32用于运行所述存储器31中存储的计算机可读指令或者处理数据，以实现基于知识图谱的疾病诊断装置中的各模块的功能。
所述网络接口33可包括无线网络接口或有线网络接口，该网络接口33通常用于在所述计算机设备3与其他电子设备之间建立通信连接。
本实施例通过处理器执行存储在存储器的计算机可读指令时实现如上述实施例基于知识图谱的疾病诊断装置中的各模块的功能，在获取目标病人的症状信息后，不直接根据症状信息进行预测，而是先通过医学知识图谱确定症状信息所对应的病理生理信息，病理生理信息可以更本质地表征目标病人器质性或功能性的病理生理状态变化；基于知识图谱确定病理生理信息相关联的疾病类别，并计算与疾病类别间的疾病关联度，得到候选疾病预测结果，能够更准确地对目标病人可能患有的疾病进行预测，从而能够准确生成目标病人的疾病诊断结果。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于知识图谱的疾病诊断装置中的各模块的功能，在获取目标病人的症状信息后，不直接根据症状信息进行预测，而是先通过医学知识图谱确定症状信息所对应的病理生理信息，病理生理信息可以更本质地表征目标病人器质性或功能性的病理生理状态变化；基于知识图谱确定病理生理信息相关联的疾病类别，并计算与疾病类别间的疾病关联度，得到候选疾病预测结果，能够更准确地对目标病人可能患有的疾病进行预测，从而能够准确生成目标病人的疾病诊断结果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的基于知识图谱的疾病诊断装置中的各模块的功能。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于知识图谱的疾病诊断装置，包括：
症状获取模块，用于获取目标病人的症状信息；
病理生理确定模块，用于通过预先构建的医学知识图谱，确定所述症状信息关联到的病理生理信息；
计算模块，用于根据所述医学知识图谱确定与所述病理生理信息相关联的疾病类别，并计算针对所述疾病类别的疾病关联度，以根据所述疾病类别和所述疾病关联度生成候选疾病预测结果；
疾病诊断模块，用于根据所述疾病关联度对所述候选疾病预测结果进行筛选，得到所述目标病人的疾病诊断结果。
2.根据权利要求1所述的基于知识图谱的疾病诊断装置，其特征在于，所述基于知识图谱的疾病诊断装置还包括：
数据集获取模块，用于获取医学知识数据集；
数据集抽取模块，用于抽取所述医学知识数据集中的预设实体以及实体关联信息，所述预设实体包括症状实体、病理生理实体和疾病实体；
图谱构建模块，用于根据抽取到的预设实体和实体关联信息构建医学知识图谱。
3.根据权利要求2所述的基于知识图谱的疾病诊断装置，其特征在于，所述图谱构建模块包括：
初始构建子模块，用于根据抽取到的预设实体和实体关联信息构建初始图谱；
向量确定子模块，用于基于距离模型确定所述初始图谱中各元素的表征向量，得到医学知识图谱。
4.根据权利要求1所述的基于知识图谱的疾病诊断装置，其特征在于，所述计算模块包括：
实体组合子模块，用于对所述病理生理信息中的各病理生理实体进行组合，得到多个病理生理信息组合；
计算子模块，用于通过所述医学知识图谱确定各病理生理信息组合相关联的疾病类别，并基于所述医学知识图谱计算各病理生理信息组合与所述各疾病类别间的疾病关联度，以根据所述各疾病类别及其对应的疾病关联度生成候选疾病预测结果。
5.根据权利要求4所述的基于知识图谱的疾病诊断装置，其特征在于，所述计算子模块包括：
类别确定单元，用于对于各病理生理信息组合，通过所述医学知识图谱确定病理生理信息组合关联到的疾病实体；
获取单元，用于对于每个疾病实体，通过所述医学知识图谱获取疾病实体与所述病理生理信息组合中各病理生理实体的连通度，并获取所述疾病实体与所述各病理生理实体间的关系向量；
权重计算单元，用于基于预设的排名算法，计算所述各病理生理实体在所述医学知识图谱中的权重；
计算单元，用于根据获取到的连通度、关系向量以及权重，计算所述病理生理信息组合与所述疾病实体间的疾病关联度；
预测生成单元，用于根据所述疾病实体代表的疾病类别和所述疾病关联度，生成候选疾病预测结果。
6.根据权利要求1所述的基于知识图谱的疾病诊断装置，其特征在于，所述疾病诊断模块包括：
信息获取子模块，用于获取所述目标病人的病人信息；
疾病筛选子模块，用于根据所述病人信息对所述候选疾病预测结果进行第一筛选；
疾病诊断子模块，用于根据所述疾病关联度对第一筛选后的候选疾病预测结果进行第二筛选，得到所述目标病人的疾病诊断结果。
7.根据权利要求1所述的基于知识图谱的疾病诊断装置，其特征在于，所述疾病诊断模块包括：
结果合并子模块，用于依据所述候选疾病预测结果中的疾病类别和疾病关联度，对所述候选疾病预测结果进行合并；
诊断子模块，用于根据所述疾病关联度对合并后的候选疾病预测结果进行筛选，得到所述目标病人的疾病诊断结果。
8.根据权利要求1所述的基于知识图谱的疾病诊断装置，其特征在于，所述基于知识图谱的疾病诊断装置还包括：
信息查询模块，用于根据所述疾病诊断结果中的疾病类别，查询诊疗措施信息；
发送模块，用于将所述疾病诊断结果和所述诊疗措施信息发送至预设终端进行显示。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至8中任一项所述的基于知识图谱的疾病诊断装置中的各模块的功能。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至8中任一项所述的基于知识图谱的疾病诊断装置中的各模块的功能。
CN202111432661.8A 2021-11-29 2021-11-29 基于知识图谱的疾病诊断装置、计算机设备及存储介质 Pending CN114141358A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111432661.8A CN114141358A (zh) 2021-11-29 2021-11-29 基于知识图谱的疾病诊断装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111432661.8A CN114141358A (zh) 2021-11-29 2021-11-29 基于知识图谱的疾病诊断装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN114141358A true CN114141358A (zh) 2022-03-04

Family

ID=80389215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111432661.8A Pending CN114141358A (zh) 2021-11-29 2021-11-29 基于知识图谱的疾病诊断装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114141358A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822830A (zh) * 2022-06-27 2022-07-29 安徽讯飞医疗股份有限公司 问诊交互方法及相关装置、电子设备、存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822830A (zh) * 2022-06-27 2022-07-29 安徽讯飞医疗股份有限公司 问诊交互方法及相关装置、电子设备、存储介质
CN114822830B (zh) * 2022-06-27 2022-12-06 安徽讯飞医疗股份有限公司 问诊交互方法及相关装置、电子设备、存储介质

Similar Documents

Publication Publication Date Title
CN110504028A (zh) 一种疾病问诊方法、装置、系统、计算机设备和存储介质
WO2022174491A1 (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN112786144B (zh) 知识图谱的方法、医嘱质控的方法、装置、设备和介质
CN112149409B (zh) 医疗词云生成方法、装置、计算机设备及存储介质
Shi et al. Multiple disease risk assessment with uniform model based on medical clinical notes
CN113707299A (zh) 基于问诊会话的辅助诊断方法、装置及计算机设备
CN113782125B (zh) 基于人工智能的诊所评分方法、装置、电子设备及介质
CN113657105A (zh) 基于词汇增强的医学实体抽取方法、装置、设备及介质
CN111651579B (zh) 信息查询方法、装置、计算机设备和存储介质
CN111696656B (zh) 一种互联网医疗平台的医生评价方法、装置
CN115438232A (zh) 知识图谱构建方法及装置、电子设备、存储介质
CN114822741A (zh) 患者分类模型的处理装置、计算机设备及存储介质
CN114141358A (zh) 基于知识图谱的疾病诊断装置、计算机设备及存储介质
CN111403011B (zh) 挂号科室推送方法、装置、系统、电子设备及存储介质
CN117112829B (zh) 医疗数据跨模态检索方法、装置和相关设备
CN113707304A (zh) 分诊数据处理方法、装置、设备及存储介质
CN111046085B (zh) 数据的溯源处理方法及装置、介质和设备
CN112397194B (zh) 用于生成患者病情归因解释模型的方法、装置和电子设备
CN114664458A (zh) 患者分类装置、计算机设备及存储介质
CN116861875A (zh) 基于人工智能的文本处理方法、装置、设备及存储介质
WO2023240720A1 (zh) 药物筛选模型构建方法及装置、筛选方法、设备和介质
CN111370086A (zh) 电子病例检测方法、装置、计算机设备和存储介质
CN113990514A (zh) 医师诊疗行为的异常检测装置、计算机设备及存储介质
CN115795025A (zh) 一种摘要生成方法及其相关设备
CN115862840A (zh) 关节疼痛疾病的智能辅助诊断方法和装置

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