CN114372154B - 一种基于知识图谱的预导诊及分诊技术方法 - Google Patents
一种基于知识图谱的预导诊及分诊技术方法 Download PDFInfo
- Publication number
- CN114372154B CN114372154B CN202210024887.2A CN202210024887A CN114372154B CN 114372154 B CN114372154 B CN 114372154B CN 202210024887 A CN202210024887 A CN 202210024887A CN 114372154 B CN114372154 B CN 114372154B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- graph
- data
- rule
- triage
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 201000010099 disease Diseases 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 13
- 208000024891 symptom Diseases 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 38
- 238000011161 development Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000013179 statistical model Methods 0.000 claims description 11
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 9
- 238000003908 quality control method Methods 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000969 carrier Substances 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010014596 Encephalitis Japanese B Diseases 0.000 description 1
- 201000005807 Japanese encephalitis Diseases 0.000 description 1
- 241000710842 Japanese encephalitis virus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及信息处理技术领域,具体涉及一种基于知识图谱的预导诊及分诊技术方法,包括以下步骤:预先将分诊前的主诉、现病史文本输入系统中,并以长文本为主,可自行选择主诉或症状的关键词获取结构化,通过结构化模型API输入数据,并对其进行结构化处理,随后提取响应实体、关系和属性,完成机构化的数据,使数据形成的实体、关系和属性在知识图谱内进行对应检索和查询;本发明中使用基于概率的Xgboost方法构建室实体与症状、主诉、疾病之间的关系模式,以提高医疗相关数据的关联,且基于知识节点的路径搜索结合多种推理机模式形成更为精准的判定,可进行复杂情况下的导诊与分诊,以此提高导诊与分诊的速率。
Description
技术领域
本发明涉及信息处理技术领域,具体涉及一种基于知识图谱的预导诊及分诊技术方法。
背景技术
知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,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,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系,知识图谱,是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
但是,目前的医疗行业内有使用知识图谱结合JENA推理器进行分类推断的方案,但此方案因规则编写逻辑与规则编写语言复杂程度太高,导致有较大的上手门槛且推广成本较高。
发明内容
解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于知识图谱的预导诊及分诊技术方法,解决了医疗行业内有使用知识图谱结合JENA推理器进行分类推断的方案,但此方案因规则编写逻辑与规则编写语言复杂程度太高,导致有较大的上手门槛且推广成本较高的问题。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于知识图谱的预导诊及分诊技术方法,包括以下步骤:
S1:预先将分诊前的主诉、现病史文本输入系统中,并以长文本为主,可自行选择主诉或症状的关键词获取结构化;
S2:通过结构化模型API输入数据,并对其进行结构化处理,随后提取响应实体、关系和属性;
S3:完成机构化的数据,使数据形成的实体、关系和属性在知识图谱内进行对应检索和查询;
S4:基于知识图谱内的实体、关系和属性节点或边,调用规则推理器及知识规则,且由规则推理器使用If/Then模式对输入的结构化语料做逻辑判定,输出具体科室信息;
S5:同时基于S4中知识图谱内的实体、关系和属性节点或边,调用机器学习模型推理器,并对输入的结构化语料做推理计算,输出具体科室信息。
更进一步地,所述分诊与导诊由模型端、服务接口及系统端所组成,所述模型端中的医疗相关知识开发平台经网络将医疗相关数据分别传输至病例结构化开发、知识图谱开发及其他相关知识中,所述系统端由检索系统、智能导诊分诊、CDSS及内涵质控组成;
所述病例结构化开发用于将数据进行标注、效果测试、管理语料及模型训练以形成结构化模型,且结构化模型及系统端中的检索系统与服务接口中的病例结构化API接口相连接,以通过所述检索系统获取结构化模型中的病例数据;
所述知识图谱开发用于将医疗相关基本知识、疾病诊疗指南、医疗文献及质控相关知识集成并存储至知识图谱库中;
所述其他相关知识包括知识辞典文献、病症统计模型及药物知识,且将三者归纳储存至规则、统计模型中;
所述智能导诊分诊、CDSS与内涵质控均通过CDSS推理API接口获取知识图谱库及规则、统计模型中的数据。
更进一步地,所述结构化数据所形成的实体、关系和属性在所述知识图谱内进行对应检索和查询时,若有相应的科室,则输出科室结论,若无相应的科室,基于知识图谱的应用形成图谱内归一化。
更进一步地,所述规则推理器通过规则引擎整合传入系统中的Fact集合和规则集合,进而触发一个或多个业务操作,且通常以声明式的方式在业务代码中实现。
更进一步地,所述规则引擎通常以正向链接与反向链接的执行方式声明;
所述正向链接基于“数据驱动”的形式插入Fact对象和Fact对象的更新,且基于规则引擎利用可用的Fact推理规则来提取出更多的Fact对象,直到计算出最终目标,以获取一个或多个规则被匹配并计划执行;
所述反向链接基于“目标驱动”或推理形式,且通过所述规则引擎假设的结论开始,若不能直接满足假设,则搜索可满足假设的子目标;其中,所述规则引擎会循环执行这一过程,直到证明结论或没有更多可证明的子目标为止。
更进一步地,所述知识图谱中的知识推理用于在已有的事实基础上,推理出新的知识或者识别出知识图谱上已有知识的错误。
更进一步地,所述知识规则用于在已有知识的基础之上,推断出未知的知识,且通过已知的知识出发获取到所蕴含的新的事实,或已有的知识中进行归纳,并将个体知识推广到一般性知识。
更进一步地,所述机器学习模型推理器用于对确定的主诉、现病史输入并进行模型推理以形成特定的结论;其中,需预先对输入的数据进行结构化处理、映射和归一化处理。
更进一步地,所述知识图库由结构化数据、半结构化数据、非结构化数据、知识抽取、知识融合及知识检索组成;
所述知识抽取用于公开的半结构化数据、非结构化数据,并提取出实体、关系、属性知识要素;
所述知识融合用于消除实体、关系、属性等指称项与事实对象之间的歧义以形成知识库,所述知识融合中的知识推理用于在已有的知识库基础上进一步挖掘隐含知识;
所述知识图谱查询用于针对RDF模式表示的图谱查询语言,且通过使用SPARQL协议来发送SPARQL查询去查询,所述SPARQL用于通过选择、抽取的方式从被表示为RDF的知识中获取特定的部分。
更进一步地,所述知识抽取包括实体抽取、关系抽取及属性抽取,且通过自动化的技术抽取出可用的知识单元;其中,知识单元主要包括实体、关系以及属性知识要素;
所述实体抽取用于从原始语料中自动识别出命名实体;
所述关系抽取用于解决实体间语义链接中的问题;
所述属性抽取用于针对实体且通过属性形成对实体的完整勾画;其中,所述属性抽取可将实体属性的抽取问题转换为关系抽取问题。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
1、本发明中使用基于概率的Xgboost方法构建室实体与症状、主诉、疾病之间的关系模式,以提高医疗相关数据的关联,且基于知识节点的路径搜索结合多种推理机模式形成更为精准的判定,可进行复杂情况下的导诊与分诊,以此提高导诊与分诊的速率;另外,采用了If/Then模式的规则编写,极大地降低了规则编写门槛,同时使得规则可被轻易地与已有官方知识(教材、指南)进行关联。
2、本发明中知识图谱库是由多种智能信息处理技术的支持所构建与应用的,且知识单元是由实体(概念的外延)、关系以及属性三个知识要素组成,并以此为基础,以此形成一系列高质量的事实表达及高质量的知识库,而知识融合中的知识推理则是在已有的知识库基础上进一步挖掘隐含的知识,从而丰富、扩展了知识库。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明的预导诊及分诊技术方法流程示意图;
图2为本发明的导诊推理流程示意图;
图3为本发明的智能分诊导诊整体功能架构示意图;
图4为本发明的知识图谱体系架构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述。
实施例1
本实施例的一种基于知识图谱的预导诊及分诊技术方法,如图1至图2所示,包括以下步骤:
S1:预先将分诊前的主诉、现病史文本输入系统中,并以长文本为主,可自行选择主诉或症状的关键词获取结构化;
S2:通过结构化模型API输入数据,并对其进行结构化处理,随后提取响应实体、关系和属性;
S3:完成机构化的数据,使数据形成的实体、关系和属性在知识图谱内进行对应检索和查询;
S4:基于知识图谱内的实体、关系和属性节点或边,调用规则推理器及知识规则,且由规则推理器使用If/Then模式对输入的结构化语料做逻辑判定,输出具体科室信息;
S5:同时基于S4中知识图谱内的实体、关系和属性节点或边,调用机器学习模型推理器,并对输入的结构化语料做推理计算,输出具体科室信息。
本发明中,使用基于概率的Xgboost方法构建室实体与症状、主诉、疾病之间的关系模式,以提高医疗相关数据的关联,且基于知识节点的路径搜索结合多种推理机模式形成更为精准的判定,可进行复杂情况下的导诊与分诊,以此提高导诊与分诊的速率;另外,采用了If/Then模式的规则编写,极大地降低了规则编写门槛,同时使得规则可被轻易地与已有官方知识(教材、指南)进行关联。
本发明中,知识图谱库是由多种智能信息处理技术的支持所构建与应用的,且知识单元是由实体(概念的外延)、关系以及属性三个知识要素组成,并以此为基础,以此形成一系列高质量的事实表达及高质量的知识库,而知识融合中的知识推理则是在已有的知识库基础上进一步挖掘隐含的知识,从而丰富、扩展了知识库。
实施例2
如图2所示,本实施例结构化数据所形成的实体、关系和属性在知识图谱内进行对应检索和查询时,若有相应的科室,则输出科室结论,若无相应的科室,基于知识图谱的应用形成图谱内归一化。
本实施例规则推理器通过规则引擎整合传入系统中的Fact集合和规则集合,进而触发一个或多个业务操作,且通常以声明式的方式在业务代码中实现。
本实施例规则引擎通常以正向链接与反向链接的执行方式声明。
本实施例正向链接基于“数据驱动”的形式插入Fact对象和Fact对象的更新,且基于规则引擎利用可用的Fact推理规则来提取出更多的Fact对象,直到计算出最终目标,以获取一个或多个规则被匹配并计划执行。
本实施例反向链接基于“目标驱动”或推理形式,且通过规则引擎假设的结论开始,若不能直接满足假设,则搜索可满足假设的子目标;其中,规则引擎会循环执行这一过程,直到证明结论或没有更多可证明的子目标为止。
本实施例知识规则用于在已有知识的基础之上,推断出未知的知识,且通过已知的知识出发获取到所蕴含的新的事实,或已有的知识中进行归纳,并将个体知识推广到一般性知识。
本实施例机器学习模型推理器用于对确定的主诉、现病史输入并进行模型推理以形成特定的结论;其中,需预先对输入的数据进行结构化处理、映射和归一化处理。
本实施例中,两种知识推理模型结果的证据效力为:
若知识图谱路径查询可输出结果的,以路径查询结果为准;
若规则推理可输出结果的,以规则推理器结果为准;
若知识图谱路径查询结果与规则推理器结果冲突时,以规则推理器结果为准;
若知识图谱路径查询结果与机器学习模型推理器结果冲突时,以知识图谱路径查询结果为准;
若机器学习模型推理器结果与规则推理器结果冲突时,以规则推理器结果为准;
若规则推理器无法输出结果的,以机器学习模型推理器为准,提供建议意见;
其中,具体集成算法为C4.5决策树算法,树分叉3层。
实施例3
如图3所示,分诊与导诊由模型端、服务接口及系统端所组成,模型端中的医疗相关知识开发平台经网络将医疗相关数据分别传输至病例结构化开发、知识图谱开发及其他相关知识中,系统端由检索系统、智能导诊分诊、CDSS及内涵质控组成。
本实施例病例结构化开发用于将数据进行标注、效果测试、管理语料及模型训练以形成结构化模型,且结构化模型及系统端中的检索系统与服务接口中的病例结构化API接口相连接,以通过检索系统获取结构化模型中的病例数据。
本实施例知识图谱开发用于将医疗相关基本知识、疾病诊疗指南、医疗文献及质控相关知识集成并存储至知识图谱库中。
本实施例其他相关知识包括知识辞典文献、病症统计模型及药物知识,且将三者归纳储存至规则、统计模型中。
本实施例智能导诊分诊、CDSS与内涵质控均通过CDSS推理API接口获取知识图谱库及规则、统计模型中的数据。
本实施例中,模型端采用Xgboost模型框架优化的分布式梯度增强数据库。
本发明中,使用基于概率的Xgboost方法构建室实体与症状、主诉、疾病之间的关系模式,以提高医疗相关数据的关联,且基于知识节点的路径搜索结合多种推理机模式形成更为精准的判定,可进行复杂情况下的导诊与分诊,以此提高导诊与分诊的速率;另外,采用了If/Then模式的规则编写,极大地降低了规则编写门槛,同时使得规则可被轻易地与已有官方知识(教材、指南)进行关联。
实施例4
如图4所示,知识图谱中的知识推理用于在已有的事实基础上,推理出新的知识或者识别出知识图谱上已有知识的错误。
本实施例知识图库由结构化数据、半结构化数据、非结构化数据、知识抽取、知识融合及知识检索组成。
本实施例知识抽取用于公开的半结构化数据、非结构化数据,并提取出实体、关系、属性知识要素。
本实施例知识融合用于消除实体、关系、属性等指称项与事实对象之间的歧义以形成知识库,知识融合中的知识推理用于在已有的知识库基础上进一步挖掘隐含知识。
本实施例知识图谱查询用于针对RDF模式表示的图谱查询语言,且通过使用SPARQL协议来发送SPARQL查询去查询,SPARQL用于通过选择、抽取的方式从被表示为RDF的知识中获取特定的部分。
本实施例知识抽取包括实体抽取、关系抽取及属性抽取,且通过自动化的技术抽取出可用的知识单元;其中,知识单元主要包括实体、关系以及属性知识要素。
本实施例实体抽取用于从原始语料中自动识别出命名实体。
本实施例关系抽取用于解决实体间语义链接中的问题。
本实施例属性抽取用于针对实体且通过属性形成对实体的完整勾画;其中,属性抽取可将实体属性的抽取问题转换为关系抽取问题。
本发明中,知识图谱库是由多种智能信息处理技术的支持所构建与应用的,且知识单元是由实体(概念的外延)、关系以及属性三个知识要素组成,并以此为基础,以此形成一系列高质量的事实表达及高质量的知识库,而知识融合中的知识推理则是在已有的知识库基础上进一步挖掘隐含的知识,从而丰富、扩展了知识库。
综上,使用基于概率的Xgboost方法构建室实体与症状、主诉、疾病之间的关系模式,以提高医疗相关数据的关联,且基于知识节点的路径搜索结合多种推理机模式形成更为精准的判定,可进行复杂情况下的导诊与分诊,以此提高导诊与分诊的速率;另外,采用了If/Then模式的规则编写,极大地降低了规则编写门槛,同时使得规则可被轻易地与已有官方知识(教材、指南)进行关联;知识图谱库是由多种智能信息处理技术的支持所构建与应用的,且知识单元是由实体(概念的外延)、关系以及属性三个知识要素组成,并以此为基础,以此形成一系列高质量的事实表达及高质量的知识库,而知识融合中的知识推理则是在已有的知识库基础上进一步挖掘隐含的知识,从而丰富、扩展了知识库。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例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同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于知识图谱的预导诊及分诊技术方法,其特征在于,包括以下步骤:
S1:预先将分诊前的主诉、现病史文本输入系统中,并以长文本为主,通过可自行选择主诉或症状的关键词来获取结构化数据;
S2:通过结构化模型API输入数据,并对其进行结构化处理,随后提取响应实体、关系和属性;
S3:完成结构化的数据,使数据形成的实体、关系和属性在知识图谱内进行对应检索和查询;
S4:基于知识图谱内的实体、关系和属性节点或边,调用规则推理器及知识规则,且由规则推理器使用If/Then模式对输入的结构化语料做逻辑判定,输出具体科室信息;
S5:同时基于S4中知识图谱内的实体、关系和属性节点或边,调用机器学习模型推理器,并对输入的结构化语料做推理计算,输出具体科室信息;
其中,所述分诊与导诊由模型端、服务接口及系统端所组成,所述模型端中的医疗相关知识开发平台经网络将医疗相关数据分别传输至病例结构化开发、知识图谱开发及其他相关知识中,所述模型端采用Xgboost模型框架优化的分布式梯度增强数据库;
S4和S5中的具体科室信息作为结果的证据效力,包括:
若知识图谱路径查询可输出结果的,以路径查询结果为准;
若规则推理可输出结果的,以规则推理器结果为准;
若知识图谱路径查询结果与规则推理器结果冲突时,以规则推理器结果为准;
若知识图谱路径查询结果与机器学习模型推理器结果冲突时,以知识图谱路径查询结果为准;
若机器学习模型推理器结果与规则推理器结果冲突时,以规则推理器结果为准;
若规则推理器无法输出结果的,以机器学习模型推理器为准,提供建议意见。
2.根据权利要求1所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述系统端由检索系统、智能导诊分诊、CDSS及内涵质控组成;
所述病例结构化开发用于将数据进行标注、效果测试、管理语料及模型训练以形成结构化模型,且结构化模型及系统端中的检索系统与服务接口中的病例结构化API接口相连接,以通过所述检索系统获取结构化模型中的病例数据;
所述知识图谱开发用于将医疗相关基本知识、疾病诊疗指南、医疗文献及质控相关知识集成并存储至知识图谱库中;
所述其他相关知识包括知识辞典文献、病症统计模型及药物知识,且将三者归纳储存至规则、统计模型中;
所述智能导诊分诊、CDSS与内涵质控均通过CDSS推理API接口获取知识图谱库及规则、统计模型中的数据。
3.根据权利要求1所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述结构化数据所形成的实体、关系和属性在所述知识图谱内进行对应检索和查询时,若有相应的科室,则输出科室结论,若无相应的科室,基于知识图谱的应用形成图谱内归一化。
4.根据权利要求1所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述规则推理器通过规则引擎整合传入系统中的Fact集合和规则集合,进而触发一个或多个业务操作,且以声明式的方式在业务代码中实现。
5.根据权利要求4所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述规则引擎以正向链接与反向链接的执行方式声明;
所述正向链接基于“数据驱动”的形式插入Fact对象和Fact对象的更新,且基于规则引擎利用可用的Fact推理规则来提取出更多的Fact对象,直到计算出最终目标,以获取一个或多个规则被匹配并计划执行;
所述反向链接基于“目标驱动”或推理形式,且通过所述规则引擎假设的结论开始,若不能直接满足假设,则搜索可满足假设的子目标;其中,所述规则引擎会循环执行这一过程,直到证明结论或没有更多可证明的子目标为止。
6.根据权利要求1所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述知识图谱中的知识推理用于在已有的事实基础上,推理出新的知识或者识别出知识图谱上已有知识的错误。
7.根据权利要求1所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述知识规则用于在已有知识的基础之上,推断出未知的知识,且通过已知的知识出发获取到所蕴含的新的事实,或已有的知识中进行归纳,并将个体知识推广到一般性知识。
8.根据权利要求1所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述机器学习模型推理器用于对确定的主诉、现病史输入并进行模型推理以形成特定的结论;其中,需预先对输入的数据进行结构化处理、映射和归一化处理。
9.根据权利要求1所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述知识图谱由结构化数据、半结构化数据、非结构化数据、知识抽取、知识融合及知识检索组成;
所述知识抽取用于公开的半结构化数据、非结构化数据,并提取出实体、关系、属性知识要素;
所述知识融合用于消除实体、关系、属性指称项与事实对象之间的歧义以形成知识库,所述知识融合中的知识推理用于在已有的知识库基础上进一步挖掘隐含知识;
所述知识图谱查询用于针对RDF模式表示的图谱查询语言,且通过使用SPARQL协议来发送SPARQL查询去查询,所述SPARQL用于通过选择、抽取的方式从被表示为RDF的知识中获取特定的部分。
10.根据权利要求9所述的一种基于知识图谱的预导诊及分诊技术方法,其特征在于,所述知识抽取包括实体抽取、关系抽取及属性抽取,且通过自动化的技术抽取出可用的知识单元;其中,知识单元主要包括实体、关系以及属性知识要素;
所述实体抽取用于从原始语料中自动识别出命名实体;所述关系抽取用于解决实体间语义链接中的问题;所述属性抽取用于针对实体且通过属性形成对实体的完整勾画;其中,所述属性抽取可将实体属性的抽取问题转换为关系抽取问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024887.2A CN114372154B (zh) | 2022-01-11 | 2022-01-11 | 一种基于知识图谱的预导诊及分诊技术方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210024887.2A CN114372154B (zh) | 2022-01-11 | 2022-01-11 | 一种基于知识图谱的预导诊及分诊技术方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372154A CN114372154A (zh) | 2022-04-19 |
CN114372154B true CN114372154B (zh) | 2023-04-07 |
Family
ID=81144702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210024887.2A Active CN114372154B (zh) | 2022-01-11 | 2022-01-11 | 一种基于知识图谱的预导诊及分诊技术方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372154B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117198547B (zh) * | 2023-09-01 | 2024-04-30 | 湖北中医药大学 | 中医临床科研知识智能提取方法及系统 |
CN117497158B (zh) * | 2023-12-28 | 2024-04-16 | 智业软件股份有限公司 | 基于维度组合与权重计算推荐分诊等级的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557653B (zh) * | 2016-11-15 | 2017-09-22 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
CN111414486B (zh) * | 2020-03-20 | 2022-11-11 | 厦门渊亭信息科技有限公司 | 一种基于路径排序算法的知识推理系统 |
CN112700865A (zh) * | 2021-01-07 | 2021-04-23 | 重庆中肾网络科技有限公司 | 一种基于综合推理的智能分诊方法 |
CN112768052A (zh) * | 2021-01-07 | 2021-05-07 | 重庆中肾网络科技有限公司 | 一种基于知识图谱推理的智能分诊方法 |
CN113010688A (zh) * | 2021-03-05 | 2021-06-22 | 北京信息科技大学 | 知识图谱构建方法、装置、设备及计算机可读存储介质 |
CN113641832B (zh) * | 2021-08-16 | 2022-05-10 | 中国科学院空天信息创新研究院 | 基于知识图谱面向多源离散数据的林火救援路径规划方法 |
-
2022
- 2022-01-11 CN CN202210024887.2A patent/CN114372154B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114372154A (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taymouri et al. | Business process variant analysis: Survey and classification | |
CN110032648B (zh) | 一种基于医学领域实体的病历结构化解析方法 | |
US5937400A (en) | Method to quantify abstraction within semantic networks | |
CN114372154B (zh) | 一种基于知识图谱的预导诊及分诊技术方法 | |
US7428517B2 (en) | Data integration and knowledge management solution | |
CN110866124B (zh) | 基于多数据源的医学知识图谱融合方法及装置 | |
US20130332812A1 (en) | Method and system to generate a process flow diagram | |
Rector et al. | On beyond Gruber:“Ontologies” in today’s biomedical information systems and the limits of OWL | |
Alejandro Gomez et al. | Reasoning with inconsistent ontologies through argumentation | |
US20190171947A1 (en) | Methods and apparatus for semantic knowledge transfer | |
US20170220554A1 (en) | Identifying Logic Problems in Text Using a Statistical Approach and Natural Language Processing | |
US20220300831A1 (en) | Context-aware entity linking for knowledge graphs | |
Efremova et al. | Multi-source entity resolution for genealogical data | |
Shao et al. | Answering Who/When, What, How, Why through Constructing Data Graph, Information Graph, Knowledge Graph and Wisdom Graph. | |
US20230084492A1 (en) | Ontological modeling method and system, storage medium and computer device for flower pests and diseases based on knowledge graph | |
CN114239828A (zh) | 一种基于因果关系的供应链事理图谱构建方法 | |
Bagchi | A large scale, knowledge intensive domain development methodology | |
Saini et al. | Towards queryable and traceable domain models | |
US20230111052A1 (en) | Self-learning annotations to generate rules to be utilized by rule-based system | |
Rigou et al. | A sketch of a deep learning approach for discovering UML class diagrams from system’s textual specification | |
US20230027050A1 (en) | Automatic extraction of situations | |
US20230401467A1 (en) | Interactive research assistant with data trends | |
CN111143573B (zh) | 基于用户反馈信息进行知识图谱目标节点预测的方法 | |
US11809827B2 (en) | Interactive research assistant—life science | |
CN115935943A (zh) | 一种支持自然语言结构计算的分析框架 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A knowledge graph based pre guidance and triage technique method Granted publication date: 20230407 Pledgee: Wuxi New District Chuang friends financing Company limited by guarantee Pledgor: JIANGSU MANDALA SOFTWARE Co.,Ltd. Registration number: Y2024980018257 |