CN114974554A - 融合图谱知识强化病历特征的方法、装置及存储介质 - Google Patents
融合图谱知识强化病历特征的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114974554A CN114974554A CN202210257509.9A CN202210257509A CN114974554A CN 114974554 A CN114974554 A CN 114974554A CN 202210257509 A CN202210257509 A CN 202210257509A CN 114974554 A CN114974554 A CN 114974554A
- Authority
- CN
- China
- Prior art keywords
- medical record
- knowledge
- features
- medical
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 24
- 208000024891 symptom Diseases 0.000 claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000005728 strengthening Methods 0.000 claims abstract description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003014 reinforcing effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003345 hyperglycaemic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001131 transforming 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
- 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
- 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
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开一种融合图谱知识强化病历特征的方法、装置及存储介质，方法包括：利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，从而获得图谱嵌入结果向量集合，其中，医疗知识图谱具有与病历样本中的病历特征对应的实体；利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征；利用强化病历特征作为训练数据，使用机器学习方法训练症状分类模型，获得经过强化病历特征训练的症状分类模型。本发明可以获得强化病历特征，通过强化病历特征在症状分类训练任务中可以达到5％以上的准确率提升。
Description
技术领域
本发明涉及人工智能技术领域，具体地说，涉及一种融合图谱知识强化病历特征的方法、装置及存储介质。
背景技术
随着信息技术的不断发展，数据存储方式的不断迭代也使得大数据技术可以在医疗领域推广应用。大量可用的电子病历、医学百科具有高浓度的诊断、诊疗知识，也涌现出许多使用人工智能技术针对此进行训练建模的方法。除此以外，大体量的数据也需要一种比当前的数据结构更优的形式。知识图谱是一种知识库的存储形式，这种形式更加结构化，能够将零散的知识概念有效地组织起来，目前在医疗领域已经出现了多个具有丰富知识的医疗知识图谱。传统的机器学习方法对病历中的疾病、症状等概念使用类似于one-hot或单值的编码方式作为数据输入，通过患者的病历数据中的病历特征构建神经网络完成疾病诊断、风险预测等任务的训练。但这种方法仅能学习到病历队列中存在的信息，不能有效分析各病历特征之间的相关性，缺乏外部的知识引导而会出现过拟合、偏差大等问题。与之相对，也可以利用知识图谱的推理分析等方法完成疾病诊断与预测，但这种方法更加粗糙，仅能利用较为宽泛的领域知识，而不能学习到病历队列的局部信息分布。本专利提出一种方法，能够融合图谱中的先验知识强化电子病历中的病历特征从而更好地完成疾病诊断预测网络的训练。
发明内容
为解决以上问题，本发明提供一种融合图谱知识强化病历特征的方法，包括：
利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，从而获得图谱嵌入结果向量集合，其中，医疗知识图谱具有与病历样本中的病历特征对应的实体；
利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征；
利用强化病历特征作为训练数据，使用机器学习方法训练症状分类模型，获得经过强化病历特征训练的症状分类模型。
可选地，所述医疗知识图谱具有与病历样本中的病历特征对应的实体，包括：
离散型的病历特征在医疗知识图谱中分别对应有一个实体。
可选地，所述医疗知识图谱具有与病历样本中的病历特征对应的实体，还包括：
连续型的病历特征在医疗知识图谱中利用区间实体建立映射。
可选地，所述利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，包括采用TransE图谱嵌入方法。
可选地，所述利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征，包括：
将病历特征从病历样本中抽取组成向量，然后将病历特征用图谱嵌入结果向量进行替换。
可选地，所述利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征，包括：
将病历特征进行标准化处理，再将标准化的病历特征用知识图谱中对应的图谱嵌入结果向量替换。
可选地，所述机器学习方法是XGBoost。
本发明还提供一种融合图谱知识强化病历特征的装置，包括：
图谱嵌入模块，用于利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，从而获得图谱嵌入结果向量集合，其中，医疗知识图谱具有与病历样本中的病历特征对应的实体；
特征替换模块，用于利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征；
训练模块，用于利用强化病历特征作为训练数据，使用机器学习方法训练症状分类模型，获得经过强化病历特征训练的症状分类模型。
本发明还提供一种电子装置，该电子装置包括：存储器和处理器，所述存储器中存储有融合图谱知识强化病历特征的程序，所述融合图谱知识强化病历特征的程序被所述处理器执行时实现如上所述的融合图谱知识强化病历特征的方法。
本发明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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现如上所述的融合图谱知识强化病历特征的方法。
本发明使用图谱嵌入方法提取医疗知识图谱中的信息，随后将这些信息融合到病历样本中的病历特征中，最后使用知识强化后的数据训练神经网络模型，融合医疗知识图谱与病历样本，可以更好的理解患者的症状。可以将相同领域的知识图谱信息融入到不同疾病队列分别训练，提升训练效果；以某病历数据为例，利用本方法强化后的数据在症状分类训练任务中可以达到5％以上的准确率提升。
附图说明
通过结合下面附图对其实施例进行描述，本发明的上述特征和技术优点将会变得更加清楚和容易理解。
图1是表示本发明实施例的融合图谱知识强化病历特征的方法的流程图；
图2是表示本发明实施例的电子装置的硬件架构示意图；
图3是表示本发明实施例的融合图谱知识强化病历特征的程序的程序模块示意图。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。
本实施例的融合图谱知识强化病历特征的方法，包括以下步骤：
步骤S1，利用图谱嵌入方法，将医疗知识图谱中的每个实体都获得一个蕴含图谱结构知识的向量表示，即图谱嵌入结果向量，从而可以获得图谱嵌入结果向量集合，所述图谱嵌入结果向量集合中包括各个实体转换后的图谱嵌入结果向量，其中，医疗知识图谱具有与病历特征对应的实体。
具体的，由于医疗知识图谱需要与病历样本的病历特征对齐，因此医疗知识图谱的结构设计是与病历特征对应匹配的。例如离散型的特征对应在医疗知识图谱中也对应有一个实体，如病历特征中的“性别：男”在医疗知识图谱中应当有“男”这一实体节点与之对应；连续型的病历特征对应在医疗知识图谱中可以利用区间实体建立映射，如病历特征中的“血糖值(mmol/L)：12”在图谱中可以用“血糖值(mmol/L)：9～13”或“血糖高”实体与之对应。
具体的，图谱嵌入方法是将医疗知识图谱中的实体、关系嵌入到连续向量空间中以一个固定维度的向量表示，该向量通过例如余弦距离等空间内的数学运算来表示实体与关系在医疗知识图谱中的结构信息。
例如可以采用TransE、KG2E方法都可以进行图谱嵌入，本实施例采用TransE进行图谱嵌入。
TransE方法是首先对待处理的医疗知识图谱进行图谱嵌入学习，医疗知识图谱以三元组形式记录，即(头实体，关系，尾实体)的形式。TransE方法将医疗知识图谱中的上述结构信息以向量形式呈现。分别用三个向量表示上述头实体h、关系r、尾实体t，通过迭代训练使得三个向量逐渐满足数学运算关系h+r＝t，可以使用余弦距离来评估h+r与t之间的距离，使得向量距离<h+r,t>尽可能小。通过这种方法，可以将图谱中的每个实体词都获得一个蕴含图谱结构知识的向量表示。
步骤S2，利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征。
具体的，对于病历样本，首先进行病历特征抽取，例如将性别(男、女)、年龄、症状、生化指标等特征进行抽取得到一个结构化的病历表，每个病历样本表示为由上述病历特征组成的一个向量。其中，性别、症状等离散值可以使用0、1等表示，年龄、生化指标等可以是用原数值表示。
随后可以将上述病历样本中的病历特征以图谱嵌入结果向量进行替换，以蕴含图谱知识的向量代替单一含义的病历特征。
其中，在替换过程中针对离散值可直接使用实体嵌入进行替代，如原始特征中的“性别：男”可以使用知识图谱中“男”这一实体的对应向量替代；
其中，连续值可以转化为区间映射到实体进行替代，如原始特征中的“血糖值(mmol/L)：12”可以使用图谱中“血糖高”这一实体的对应向量替代；
其中，因病历样本中出现的病历特征词语多为口语化、简单化的文本，无法直接与医疗知识图谱中的实体词语一一对应，因此可以将无法直接对应的病历特征词语进行标准化的映射，再将标准化的病历特征用知识图谱中对应的图谱嵌入结果向量替换。
经过将病历特征用图谱嵌入结果向量替换后，病历样本的病历特征经由图谱进行强化，每个病历样本从一个由单一特征组成的向量转化成一个由特征向量组成的矩阵，作为该样本的高维特征表示。该特征表示不仅包括疾病信息，也包括从医疗知识图谱中获取的疾病特征的内在含义。
步骤S3，利用强化病历特征作为训练数据，使用例如XGBoost的机器学习方法训练症状分类模型，获得经过强化病历特征训练的症状分类模型，从而可以使用症状分类模型完成针对病历数据的症状分类与风险预测等任务。
参阅图2所示，是本发明电子装置的实施例的硬件架构示意图。本实施例中，所述电子装置2是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。例如，可以是智能手机、平板电脑、笔记本电脑、台式计算机等。如图2所示，所述电子装置2至少包括，但不限于，可通过系统总线相互通信连接的存储器21、处理器22。其中：所述存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器等。在一些实施例中，所述存储器21可以是所述电子装置2的内部存储单元，例如该电子装置2的硬盘或内存。在另一些实施例中，所述存储器21也可以是所述电子装置2的外部存储设备，例如该电子装置2上配备的插接式硬盘，智能存储卡等。当然，所述存储器21还可以既包括所述电子装置2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21通常用于存储安装于所述电子装置2的操作系统和各类应用软件，例如所述融合图谱知识强化病历特征的程序代码等。此外，所述存储器21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22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22通常用于控制所述电子装置2的总体操作，例如执行与所述电子装置2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的融合图谱知识强化病历特征的程序等。
需要指出的是，图2仅示出了具有组件21-22的电子装置2，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。
包含可读存储介质的存储器21中可以包括操作系统、融合图谱知识强化病历特征的程序50等。处理器22执行存储器21中融合图谱知识强化病历特征的程序50时实现以上融合图谱知识强化病历特征的方法所述的步骤。在本实施例中，存储于存储器21中的所述融合图谱知识强化病历特征的程序可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并可由一个或多个处理器(本实施例为处理器22)所执行，以完成本发明。例如，图3示出了所述融合图谱知识强化病历特征的程序的程序模块示意图，该实施例中，所述融合图谱知识强化病历特征的程序50可以被分割为图谱嵌入模块501、特征替换模块502、训练模块503，其中，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，以下描述将具体介绍所述程序模块的具体功能。
其中，利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，从而获得图谱嵌入结果向量集合，其中，医疗知识图谱具有与病历样本中的病历特征对应的实体；
利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征；
利用强化病历特征作为训练数据，使用机器学习方法训练症状分类模型，获得经过强化病历特征训练的症状分类模型。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括融合图谱知识强化病历特征的程序，融合图谱知识强化病历特征的程序被处理器22执行时实现融合图谱知识强化病历特征的方法。本发明之计算机可读存储介质的具体实施方式与上述融合图谱知识强化病历特征的方法以及电子装置2的具体实施方式大致相同，在此不再赘述。
以上所述仅为本发明的优选实施例，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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种融合图谱知识强化病历特征的方法，其特征在于，包括：
利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，从而获得图谱嵌入结果向量集合，其中，医疗知识图谱具有与病历样本中的病历特征对应的实体；
利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征；
利用强化病历特征作为训练数据，使用机器学习方法训练症状分类模型，获得经过强化病历特征训练的症状分类模型。
2.根据权利要求1所述的融合图谱知识强化病历特征的方法，其特征在于，
所述医疗知识图谱具有与病历样本中的病历特征对应的实体，包括：
离散型的病历特征在医疗知识图谱中分别对应有一个实体。
3.根据权利要求2所述的融合图谱知识强化病历特征的方法，其特征在于，所述医疗知识图谱具有与病历样本中的病历特征对应的实体，还包括：
连续型的病历特征在医疗知识图谱中利用区间实体建立映射。
4.根据权利要求1所述的融合图谱知识强化病历特征的方法，其特征在于，所述利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，包括采用TransE图谱嵌入方法。
5.根据权利要求1所述的融合图谱知识强化病历特征的方法，其特征在于，
所述利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征，包括：
将病历特征从病历样本中抽取组成向量，然后将病历特征用图谱嵌入结果向量进行替换。
6.根据权利要求1所述的融合图谱知识强化病历特征的方法，其特征在于，所述利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征，包括：
将病历特征进行标准化处理，再将标准化的病历特征用知识图谱中对应的图谱嵌入结果向量替换。
7.根据权利要求1所述的融合图谱知识强化病历特征的方法，其特征在于，所述机器学习方法是XGBoost。
8.一种融合图谱知识强化病历特征的装置，其特征在于，包括：
图谱嵌入模块，用于利用图谱嵌入方法将医疗知识图谱中的每个实体都转换为图谱嵌入结果向量，从而获得图谱嵌入结果向量集合，其中，医疗知识图谱具有与病历样本中的病历特征对应的实体；
特征替换模块，用于利用图谱嵌入结果向量替换病历样本中对应的病历特征，获得强化病历特征；
训练模块，用于利用强化病历特征作为训练数据，使用机器学习方法训练症状分类模型，获得经过强化病历特征训练的症状分类模型。
9.一种电子装置，其特征在于，该电子装置包括：存储器和处理器，所述存储器中存储有融合图谱知识强化病历特征的程序，所述融合图谱知识强化病历特征的程序被所述处理器执行时实现权利要求1至7中任一项所述的融合图谱知识强化病历特征的方法。
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存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现如权利要求1至7任一项所述的融合图谱知识强化病历特征的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210169088 | 2022-02-23 | ||
| CN2022101690884 | 2022-02-23 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114974554A true CN114974554A (zh) | 2022-08-30 |
Family
ID=82975440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210257509.9A Pending CN114974554A (zh) | 2022-02-23 | 2022-03-16 | 融合图谱知识强化病历特征的方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114974554A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115394435A (zh) * | 2022-09-09 | 2022-11-25 | 北京大学 | 基于深度学习的关键临床指标实体识别方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与系统 |
| CN112131399A (zh) * | 2020-09-04 | 2020-12-25 | 牛张明 | 基于知识图谱的老药新用分析方法和系统 |
| CN112364174A (zh) * | 2020-10-21 | 2021-02-12 | 山东大学 | 基于知识图谱的病人病历相似度评估方法及系统 |
| WO2021139232A1 (zh) * | 2020-06-30 | 2021-07-15 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
| WO2021189971A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
-
2022
- 2022-03-16 CN CN202210257509.9A patent/CN114974554A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111613339A (zh) * | 2020-05-15 | 2020-09-01 | 山东大学 | 一种基于深度学习的相似病历查找方法与系统 |
| WO2021139232A1 (zh) * | 2020-06-30 | 2021-07-15 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊方法、装置、设备及存储介质 |
| CN112131399A (zh) * | 2020-09-04 | 2020-12-25 | 牛张明 | 基于知识图谱的老药新用分析方法和系统 |
| CN112364174A (zh) * | 2020-10-21 | 2021-02-12 | 山东大学 | 基于知识图谱的病人病历相似度评估方法及系统 |
| WO2021189971A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于知识图谱表征学习的医疗方案推荐系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHAI XUQING: "Diagnosis Method of Thyroid Disease Combining Knowledge Graph and Deep Learning", 《 IEEE ACCESS》, 4 September 2020 (2020-09-04), pages 149787 - 149795 * |
| 董丽丽等: "融合知识图谱与深度学习的疾病诊断方法研究", 《计算机科学与探索》, no. 5, 11 July 2019 (2019-07-11), pages 815 - 824 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115394435A (zh) * | 2022-09-09 | 2022-11-25 | 北京大学 | 基于深度学习的关键临床指标实体识别方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022078346A1 (zh) | 文本意图识别方法、装置、电子设备及存储介质 | |
| CN107833603B (zh) | 电子病历文档分类方法、装置、电子设备及存储介质 | |
| CN112015917A (zh) | 基于知识图谱的数据处理方法、装置及计算机设备 | |
| CN110427486B (zh) | 身体病况文本的分类方法、装置及设备 | |
| CN116580849B (zh) | 医疗数据的采集分析系统及其方法 | |
| CN109993227A (zh) | 自动添加国际疾病分类编码的方法、系统、装置和介质 | |
| CN110825827B (zh) | 一种实体关系识别模型训练、实体关系识别方法及装置 | |
| CN110867231A (zh) | 基于文本分类的疾病预测方法、装置、计算机设备及介质 | |
| EP4361843A1 (en) | Neural network searching method and related device | |
| CN113779179B (zh) | 一种基于深度学习和知识图谱的icd智能编码的方法 | |
| CN112749277B (zh) | 医学数据的处理方法、装置及存储介质 | |
| CN109299467B (zh) | 医学文本识别方法及装置、语句识别模型训练方法及装置 | |
| CN113012774B (zh) | 病案自动编码方法、装置、电子设备及存储介质 | |
| CN118098482B (zh) | 基于5g技术的智慧医疗管理系统及方法 | |
| CN113658720A (zh) | 匹配诊断名称和icd编码的方法、装置、电子设备和存储介质 | |
| CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
| CN114974554A (zh) | 融合图谱知识强化病历特征的方法、装置及存储介质 | |
| CN112100360B (zh) | 一种基于向量检索的对话应答方法、装置和系统 | |
| CN117350291A (zh) | 一种电子病历命名实体识别方法、装置、设备及存储介质 | |
| CN116796840A (zh) | 医疗实体信息抽取方法、装置、计算机设备及存储介质 | |
| CN113160987B (zh) | 健康状态预测方法、装置、计算机设备及存储介质 | |
| CN115687136A (zh) | 一种脚本程序处理方法、系统、计算机设备及介质 | |
| CN113610375A (zh) | 基于自然语言处理的保单核保方法及核保装置 | |
| CN113688854A (zh) | 数据处理方法、装置及计算设备 | |
| CN113297828B (zh) | 一种文本生成方法、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 |