CN115862848A - 基于临床数据筛选和医学知识图谱的疾病预测系统和装置 - Google Patents

基于临床数据筛选和医学知识图谱的疾病预测系统和装置 Download PDF

Info

Publication number
CN115862848A
CN115862848A CN202310116468.6A CN202310116468A CN115862848A CN 115862848 A CN115862848 A CN 115862848A CN 202310116468 A CN202310116468 A CN 202310116468A CN 115862848 A CN115862848 A CN 115862848A
Authority
CN
China
Prior art keywords
medical knowledge
disease
symptom
clinical data
node
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
Application number
CN202310116468.6A
Other languages
English (en)
Other versions
CN115862848B (zh
Inventor
李劲松
王宇清
池胜强
田雨
周天舒
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202310116468.6A priority Critical patent/CN115862848B/zh
Publication of CN115862848A publication Critical patent/CN115862848A/zh
Application granted granted Critical
Publication of CN115862848B publication Critical patent/CN115862848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于临床数据筛选和医学知识图谱的疾病预测系统及装置，包括初始化模块、医学知识图谱边权重训练模块、疾病诊断预测模块和解释模块；初始化模块：用于构建医学知识图谱以及提取并处理临床数据；所述初始化模块包括：医学知识图谱构建子模块和临床数据提取与处理子模块；医学知识图谱边权重训练模块包括医学知识图谱边权重训练网络、图计算诊断预测子模块和数据筛选子模块针对基于规则的疾病诊断预测系统的无法量化症状与疾病诊断关系、查全率差的问题，本发明利用临床数据中症状与疾病诊断的共现信息，训练医学知识图谱边权重。本系统在预测疾病诊断结果时，可以定量地展示症状对疾病诊断的影响。

Description

基于临床数据筛选和医学知识图谱的疾病预测系统和装置
技术领域
本发明涉及数据处理及深度训练技术领域，特别涉及一种基于临床数据筛选和医学知识图谱的疾病预测系统和装置。
背景技术
疾病诊断预测系统可以分为基于规则的疾病诊断预测系统和基于模型的疾病诊断预测系统。基于规则的疾病诊断预测系统利用疾病指南、临床医学知识库等医学知识，构建疾病诊断的规则。在预测疾病诊断时，基于规则的疾病诊断预测系统会将输入的症状与所有疾病诊断的规则进行比对，若输入的症状符合某条疾病诊断的规则，则将该疾病诊断输出。基于模型的疾病诊断预测系统的核心在于疾病诊断预测模型。基于模型的疾病诊断预测系统利用单次就诊中的症状，结合当次就诊对应的诊断，训练疾病诊断预测模型。训练完成后，将症状输入到疾病诊断预测模型中，就可以得到疾病诊断的预测结果。现有的疾病诊断预测模型使用逻辑回归模型、随机森林、神经网络、概率图模型、图神经网络等模型对输入特征进行训练与预测（例如专利号为“CN202011479766.4”的发明专利“基于病理模式与注意力机制的可解释疾病风险分析系统”）。
医学知识图谱是一个无权重图，包含症状与疾病的关系。医学知识图谱可以用于辅助训练疾病诊断预测模型。专利号为“CN202111609275.1”的发明专利“一种基于图神经网络的疾病诊断预测系统”利用临床数据构建包含“患者-症状-诊断”关系图谱，融合了包含“症状-疾病”的医学知识图谱，构成总的图谱，训练卷积图神经网络作为疾病诊断预测模型。此外，专利号为“CN201610658754.5”的发明专利“一种基于智能推理的辅助疾病诊断的系统”中利用医学知识图谱构建规则库，在输入症状后计算病历库中的信息匹配度和规则库中的规则覆盖率，对信息匹配度和规则覆盖率加权求和并排序，得到疾病诊断的预测结果。
基于规则的疾病诊断预测系统可以给出预测的疾病诊断的解释，但是由于利用的是无权重的医学知识图谱，所以无法给出每种症状对疾病诊断影响的量化程度。此外，疾病诊断规则大多较为简单且覆盖的样本量有限，病因复杂的疾病难以被疾病诊断规则筛选出，所以基于规则的疾病诊断预测系统的查全率较低。
基于模型的疾病诊断预测系统在利用医学知识图谱进行辅助诊断的时候可以达到较高的准确率，但是疾病诊断预测模型本身是一个黑箱，无法获得输入的症状和输出的疾病诊断预测之间的关系。在实际辅助诊断场景中，基于模型的疾病诊断预测系统的可靠性会被质疑。
专利号为“CN201610658754.5”的发明专利“一种基于智能推理的辅助疾病诊断的系统”中使用的方法，需要对比输入症状和病历库的信息匹配度。这种方法对病历库和临床数据质量的依赖性很高，无法用于临床数据量较少或临床数据质量较差的医疗机构，因此泛化性较差。
发明内容
本发明的目的在于提供一种基于临床数据筛选和医学知识图谱的疾病预测系统和装置，以克服现有技术中的不足。
为实现上述目的，本发明提供如下技术方案：
本发明公开了一种基于临床数据筛选和医学知识图谱的疾病预测系统，包括初始化模块、医学知识图谱边权重训练模块、疾病诊断预测模块和解释模块；
初始化模块：用于构建医学知识图谱以及提取并处理临床数据；所述初始化模块包括：医学知识图谱构建子模块：用于根据医学知识源中概念、术语和关系构建医学知识图谱；临床数据提取与处理子模块：用于从电子病历数据库中提取并处理每次就诊对应的疾病诊断、实验室检查结果和病历文本信息；
医学知识图谱边权重训练模块包括医学知识图谱边权重训练网络、图计算诊断预测子模块和数据筛选子模块；医学知识图谱边权重训练网络：用于利用临床数据中症状与疾病诊断的共现信息，训练医学知识图谱边权重；图计算诊断预测子模块：用于根据临床数据里每次就诊中存在的症状来计算每种疾病诊断的置信度；数据筛选子模块：用于根据医学知识图谱边权重评估临床数据的质量，对临床数据进行筛选，更新训练集；
疾病诊断预测模块：用于利用输入该模块的新的就诊中存在的症状和医学知识图谱边权重，计算每种疾病诊断的置信度，并根据置信度的排序输出每种疾病的诊断的名称和置信度；
解释模块：用于展示就诊中的一种或多种症状对应的症状节点在医学知识图谱上将原始症状影响力值传播到目标疾病节点的传播路径，以及传播路径上各个节点的症状影响力值根据医学知识图谱边权重所改变的情况。
作为优选的，所述医学知识图谱边权重训练网络由三层网络组成，在训练迭代过程中，第一层网络用于更新节点的嵌入表示矩阵，第二层网络用于更新边的嵌入表示矩阵，第三层网络用于再次更新节点的嵌入表示矩阵，完成节点的嵌入表示矩阵的更新以后，利用疾病节点的嵌入表示预测疾病节点的标签，根据疾病节点的标签预测结果和疾病节点的真实标签计算医学知识图谱损失，同时利用边的嵌入表示计算得到医学知识图谱边权重。
作为优选的，所述医学知识图谱构建子模块中所述医学知识源包括SNOMED CT、OMAHA类别的医学术语集，以及医学指南；所述构建的医学知识图谱中的节点分为疾病节点和症状节点，每一个疾病节点代表一种疾病诊断；每一个症状节点代表一种症状，症状包括症状术语和满足标准的实验室检验结果；医学知识图谱中的节点由无权重的边连接。
作为优选的，所述临床数据提取与处理子模块中临床数据包括每次就诊对应的疾病诊断、实验室检查结果和病历文本信息；提取与处理临床数据的具体操作流程为：首先对病历文本进行分词、术语提取、术语映射操作，得到症状术语；然后保留医学知识图谱疾病节点和症状节点对应的疾病诊断、实验室检查结果和症状术语。
作为优选的，所述医学知识图谱边权重训练模块执行的具体子步骤如下：
（1）、构建医学知识图谱的节点邻接矩阵和边邻接矩阵；
（2）、根据临床数据计算节点特征矩阵和边特征矩阵；
（3）、初始化医学知识图谱边权重训练网络；
（4）、医学知识图谱边权重训练网络前向传播，更新节点和边的嵌入表示矩阵；
（5）、根据边的嵌入表示更新医学知识图谱边权重，预测临床数据中每次就诊的每种诊断的置信度；
（6）、判断是否达到迭代轮次上限，若达到上限，完成医学知识图谱边权重训练网络的训练，若未达到上限，进入（7）中；
（7）、计算模型总损失，医学知识图谱边权重训练网络反向传播，更新权重矩阵和权重向量；
（8）、更新所有就诊的数据质量系数，重新筛选就诊作为训练集，并返回至（4）中。
作为优选的，所述医学知识图谱边权重训练模块执行每轮迭代中，利用Adam优化器进行反向传播，更新权重矩阵和权重向量,在训练完成以后，将此次训练得到的医学知识图谱边权重进行保存。
作为优选的，图计算诊断预测子模块中根据临床数据里每次就诊中存在的症状来计算每种疾病诊断的置信度的具体操作流程如下：
（1）首先将医学知识图谱中单次就诊中的单个症状对应的症状节点的症状影响力值设置为1，其他节点的症状影响力值设置为0；
（2）利用广度优先搜索原理将此症状节点的症状影响力值传播到其他节点上，通过医学知识图谱边权重更新其他症状节点的症状影响力值，直至所有节点的症状影响力值都不为0；
（3）根据上述步骤对此次就诊中的每个症状对应的症状节点进行症状影响力值传播操作，得到所有疾病节点的症状影响力值的累加和；
（4）按照疾病节点的顺序，取每个疾病节点的症状影响力值的累加和，作为该疾病诊断的置信度，构建此次就诊的疾病诊断预测。
作为优选的，所述疾病诊断预测模块的具体操作流程为：在对新的就诊进行疾病诊断预测时，根据新的就诊中存在的症状和医学知识图谱边权重，计算每种疾病诊断的置信度，对每种疾病诊断的置信度降序排序后按顺序输出每种疾病诊断的名称以及置信度。
本发明公开一种基于临床数据筛选和医学知识图谱的疾病预测装置，所述装置包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于执行上述基于临床数据筛选和医学知识图谱的疾病预测系统中任一所述模块操作。
本发明的有益效果：
（1）针对基于规则的疾病诊断预测系统的无法量化症状与疾病诊断关系、查全率差的问题，本发明利用临床数据中症状与疾病诊断的共现信息，训练医学知识图谱边权重。本系统在预测疾病诊断时，可以定量地展示症状对疾病诊断的影响。
（2）针对基于模型的疾病诊断预测系统无法获得输入的症状和输出的疾病诊断预测之间的关系的问题，本发明的解释模块可以展示输入的症状对应的症状节点在医学知识图谱上将症状影响力值传播到目标疾病节点的路径，以及传播路径上各个节点的症状影响力值随医学知识图谱边权重改变的情况，从而给输出的疾病诊断预测提供解释，使得本发明在真实世界辅助诊断场景中更具有可靠性。
（3）针对现有技术《一种基于智能推理的辅助疾病诊断的系统》的泛化性差，无法用于临床数据量较少或临床数据质量较差的医疗机构的问题，本发明在训练医学知识图谱边权重的过程中使用数据筛选子模块，根据医学知识图谱的结构和医学知识图谱边权重对参与训练的临床数据进行筛选，使系统推荐的疾病诊断更准确。同时，本发明设计的疾病预测系统在一家医疗机构中完成医学知识图谱边权重训练以后，只需保存医学知识图谱的结构和医学知识图谱边权重，就可以将疾病诊断预测模块和解释模块部署到临床数据量较少或临床数据质量较差的医疗机构，具有较强的泛化性。
附图说明
图1是本发明实施例的系统模块图；
图2是本发明实施例医学知识图谱边权重训练模块流程图；
图3是本发明实施例权重矩阵和权重向量的关系示意图；
图4是本发明实施例单个症状节点对目标疾病节点的影响示例图；
图5是本发明实施例多个症状节点对目标疾病节点的影响示例图；
图6是本发明实施例的装置示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明实施例提供一种基于临床数据筛选和医学知识图谱的疾病预测系统，如图1所示，所述系统由初始化模块、医学知识图谱边权重训练模块、疾病诊断预测模块、解释模块组成。
1、初始化模块：用于构建医学知识图谱以及提取并处理临床数据；所述初始化模块包括：医学知识图谱构建子模块和临床数据提取与处理子模块。
1.1、医学知识图谱构建子模块：
采用医学知识源中概念、术语和关系构建医学知识图谱。医学知识源可以是SNOMED CT、OMAHA等医学术语集，也可以是医学指南。医学知识图谱中的节点分为疾病节点和症状节点。每一个疾病节点代表一种疾病诊断；每一个症状节点代表一种症状，症状包括症状术语和满足某种标准的实验室检验结果。医学知识图谱中的节点由无权重的边连接。
设医学知识图谱的疾病节点集合记为
Figure SMS_1
，其中/>
Figure SMS_2
为医学知识图谱中疾病节点的数量。设医学知识图谱的症状节点集合记为/>
Figure SMS_3
，其中
Figure SMS_4
为医学知识图谱中症状节点的数量。医学知识图谱的节点集合记为
Figure SMS_5
，其中包含节点总数为/>
Figure SMS_6
。
设医学知识图谱的边集合记为
Figure SMS_7
，其中/>
Figure SMS_8
为医学知识图谱的边的数量。
医学知识图谱的节点邻接矩阵
Figure SMS_12
的大小为/>
Figure SMS_16
。/>
Figure SMS_22
中第/>
Figure SMS_10
行第j列元素的值记为/>
Figure SMS_13
，若 />
Figure SMS_19
中第/>
Figure SMS_23
个节点与第j个节点相连，则/>
Figure SMS_9
，否则/>
Figure SMS_14
。/>
Figure SMS_17
的拉普拉斯正则的结果记为/>
Figure SMS_20
。其中/>
Figure SMS_11
是一个大小为/>
Figure SMS_15
的单位矩阵；
Figure SMS_18
是/>
Figure SMS_21
的度矩阵。
医学知识图谱的边邻接矩阵
Figure SMS_26
的大小为/>
Figure SMS_30
。/>
Figure SMS_35
中第/>
Figure SMS_27
行第j列元素的值记为
Figure SMS_31
，若/>
Figure SMS_33
中第/>
Figure SMS_37
条边与第j条边连接着同一个节点，则/>
Figure SMS_24
，否则/>
Figure SMS_28
。/>
Figure SMS_32
的拉普拉斯正则的结果记为/>
Figure SMS_36
。其中/>
Figure SMS_25
是一个大小为/>
Figure SMS_29
的单位矩阵；/>
Figure SMS_34
是/>
Figure SMS_38
的度矩阵。
二元转换矩阵
Figure SMS_40
的大小为/>
Figure SMS_44
，/>
Figure SMS_46
中第/>
Figure SMS_41
行第j列元素的值记为/>
Figure SMS_42
，若/>
Figure SMS_45
中第j条边连接着/>
Figure SMS_48
中第/>
Figure SMS_39
个节点，则/>
Figure SMS_43
，否则/>
Figure SMS_47
。
疾病节点是具有标签的，每个疾病节点的标签是一个长度为
Figure SMS_49
的向量，向量中的每一位代表一种疾病。疾病节点/>
Figure SMS_50
的标签的第/>
Figure SMS_51
位的值为1，其余位置的值为0。疾病节点/>
Figure SMS_52
的标签记为/>
Figure SMS_53
，/>
Figure SMS_54
中第j个元素的值记为/>
Figure SMS_55
。
1.2、临床数据提取与处理子模块：
从电子病历数据库中提取出每次就诊对应的疾病诊断、实验室检查结果和病历文本信息。实验室检查结果是指血常规，尿常规，便常规，血气分析，血电解质，肝功能，肾功能，血脂，心肌酶，甲状腺功能，血糖等项目的内容、性质、浓度、数量等特性。
首先对病历文本进行分词、术语提取、术语映射操作，得到症状术语。然后从保留医学知识图谱疾病节点和症状节点对应的疾病诊断、实验室检查结果和症状术语。
根据提取到的临床数据计算节点特征矩阵、边特征矩阵和每次就诊对应的标签。节点特征矩阵
Figure SMS_57
的大小为/>
Figure SMS_61
，/>
Figure SMS_64
中第/>
Figure SMS_58
行第j列元素的值记为/>
Figure SMS_59
。/>
Figure SMS_63
，
Figure SMS_65
的值为临床数据中/>
Figure SMS_56
与/>
Figure SMS_60
出现在同一次就诊的数量。然后，/>
Figure SMS_62
会进行归一化处理。
边特征矩阵
Figure SMS_68
的大小为/>
Figure SMS_70
，/>
Figure SMS_74
中第/>
Figure SMS_67
行第j列元素的值记为/>
Figure SMS_69
。若边/>
Figure SMS_72
连接着/>
Figure SMS_75
和/>
Figure SMS_66
两个节点，则/>
Figure SMS_71
。然后，/>
Figure SMS_73
会进行归一化处理。
临床数据中就诊集合记为
Figure SMS_77
，就诊总次数为/>
Figure SMS_80
。每次就诊包含/>
Figure SMS_82
中若干个症状和/>
Figure SMS_79
中若干个疾病诊断。/>
Figure SMS_83
的标签记为/>
Figure SMS_85
，/>
Figure SMS_87
中第j个元素的值记为/>
Figure SMS_78
。若在/>
Figure SMS_81
就诊中，获得了疾病节点/>
Figure SMS_84
对应的疾病诊断，则/>
Figure SMS_86
，否则/>
Figure SMS_76
。
2、医学知识图谱边权重训练模块由医学知识图谱边权重训练网络、图计算诊断预测子模块、数据筛选子模块构成。医学知识图谱边权重训练网络的作用是利用临床数据中症状与疾病诊断的共现信息，训练医学知识图谱边权重。图计算诊断预测子模块的作用是根据临床数据里每次就诊中存在的症状来计算对应的每种疾病诊断的置信度。数据筛选子模块的作用是根据医学知识图谱边权重评估临床数据的质量，对临床数据进行筛选，更新训练集。
医学知识图谱边权重训练模块的实现流程如图2所示。
2.1、医学知识图谱边权重训练网络：
医学知识图谱边权重训练网络由三层网络组成。记第
Figure SMS_90
轮迭代完成后的节点的嵌入表示矩阵为/>
Figure SMS_91
，大小为/>
Figure SMS_93
，每一个节点的嵌入表示都是一个长度为/>
Figure SMS_89
的向量；第/>
Figure SMS_92
轮迭代完成后的边的嵌入表示矩阵为/>
Figure SMS_94
，大小为/>
Figure SMS_95
，每一条边的嵌入表示都是一个长度为/>
Figure SMS_88
的向量。
在模型初始化阶段，设
Figure SMS_97
，/>
Figure SMS_100
。随机初始化/>
Figure SMS_103
、/>
Figure SMS_98
和/>
Figure SMS_101
为长度为/>
Figure SMS_104
的可学习的权重向量；/>
Figure SMS_106
和/>
Figure SMS_96
为大小为/>
Figure SMS_99
的可学习的权重矩阵；/>
Figure SMS_102
为大小为/>
Figure SMS_105
的可学习的权重矩阵。
在第
Figure SMS_108
轮迭代过程中，第一层网络更新节点的嵌入表示矩阵。计算公式为
Figure SMS_111
。其中/>
Figure SMS_114
表示将一个向量转化成一个对角方阵的操作；/>
Figure SMS_109
代表/>
Figure SMS_112
的转置；/>
Figure SMS_113
表示两个矩阵对应位置元素相乘的操作；/>
Figure SMS_115
为激活函数。第二层网络更新边的嵌入表示矩阵。计算公式为/>
Figure SMS_107
。第三层网络再次更新节点的嵌入表示矩阵。计算公式为/>
Figure SMS_110
。
完成节点的嵌入表示矩阵的更新以后，利用疾病节点的嵌入表示预测疾病节点的标签，计算公式为
Figure SMS_117
。其中/>
Figure SMS_120
是疾病节点/>
Figure SMS_122
的嵌入表示，/>
Figure SMS_118
是一个长度为
Figure SMS_119
的向量，每一位代表一种疾病的预测值。/>
Figure SMS_121
中第j个元素的值记为/>
Figure SMS_123
。/>
Figure SMS_116
会进行归一化处理。
然后，计算得到医学知识图谱边权重
Figure SMS_125
，计算公式为/>
Figure SMS_127
。其中/>
Figure SMS_129
是边/>
Figure SMS_124
的嵌入表示。/>
Figure SMS_128
是边/>
Figure SMS_130
的权重,/>
Figure SMS_131
，/>
Figure SMS_126
会被用于图计算诊断预测子模块。
这一部分的损失函数称为医学知识图谱损失，定义为：
Figure SMS_132
。
2.2、图计算诊断预测子模块：
图计算诊断预测子模块的输入是单次就诊中存在的症状和医学知识图谱边权重。就诊中出现的每种症状都会对疾病诊断预测结果造成影响，本发明中将这种影响量化表示，并称之为症状影响力值。
记训练集中的就诊为
Figure SMS_144
，共有/>
Figure SMS_136
个就诊在训练集中。对就诊/>
Figure SMS_140
，假设存在/>
Figure SMS_148
种症状 />
Figure SMS_151
。对于其中的/>
Figure SMS_149
，首先将医学知识图谱中/>
Figure SMS_152
节点的症状影响力值设置为1，记/>
Figure SMS_142
，其他节点的症状影响力值设置为0。然后利用广度优先搜索原理将
Figure SMS_146
节点的症状影响力值传播到其他节点上。传播过程中，若节点/>
Figure SMS_133
的症状影响力值为/>
Figure SMS_139
，节点/>
Figure SMS_134
是/>
Figure SMS_137
的相邻节点，且/>
Figure SMS_141
，连接/>
Figure SMS_145
和/>
Figure SMS_138
的边的权重为/>
Figure SMS_143
，那么/>
Figure SMS_147
的症状影响力值将被更新成/>
Figure SMS_150
。/>
Figure SMS_135
节点的症状影响力值传播直到所有节点的症状影响力值都不为0。
对
Figure SMS_154
种症状都独立地进行上述的症状影响力值传播操作，最后节点/>
Figure SMS_157
的症状影响力值的累加和记为/>
Figure SMS_161
。取所有疾病节点的症状影响力值的累加和，按照疾病节点的顺序，构成/>
Figure SMS_155
的预测/>
Figure SMS_158
。/>
Figure SMS_160
中第j个元素的值记为/>
Figure SMS_162
。/>
Figure SMS_153
会进行归一化处理。/>
Figure SMS_156
中各个元素的数值为就诊/>
Figure SMS_159
中每种疾病诊断的置信度。
这一部分的损失函数称为临床数据损失，定义为：
Figure SMS_163
。
2.3、数据筛选子模块：
数据筛选子模块首先计算在临床数据中每次就诊的数据质量系数。就诊
Figure SMS_164
的数据质量系数记为/>
Figure SMS_165
。/>
Figure SMS_166
的计算方法如下。
假设就诊
Figure SMS_169
中存在/>
Figure SMS_173
种症状/>
Figure SMS_176
和/>
Figure SMS_168
个疾病诊断/>
Figure SMS_171
。疾病/>
Figure SMS_174
和症状/>
Figure SMS_177
的距离/>
Figure SMS_167
定义为医学知识图谱上连接/>
Figure SMS_172
节点和/>
Figure SMS_175
节点最短路径上节点的数量，该路径上的边的医学知识图谱边权重的平均值为/>
Figure SMS_178
。/>
Figure SMS_170
。
在每轮迭代完成之后，利用新的医学知识图谱边权重更新所有就诊的数据质量系数，并根据数据质量系数对训练数据集进行筛选。筛选过程中，根据数据质量系数对所有就诊进行降序排序，将排序前
Figure SMS_179
个就诊作为训练集进入下一轮的训练迭代。/>
Figure SMS_180
由用户设定，需要保证/>
Figure SMS_181
是小于/>
Figure SMS_182
的正整数。
2.4、模型总损失：
模型总损失记为
Figure SMS_194
。其中/>
Figure SMS_184
，当迭代轮次/>
Figure SMS_189
满足
Figure SMS_193
时，取/>
Figure SMS_197
；当迭代轮次/>
Figure SMS_198
满足/>
Figure SMS_199
时，取/>
Figure SMS_192
；当迭代轮次/>
Figure SMS_196
满足/>
Figure SMS_183
时，取/>
Figure SMS_187
。/>
Figure SMS_186
和/>
Figure SMS_188
由用户设定，需要保证/>
Figure SMS_191
和/>
Figure SMS_195
是小于迭代轮次上限的正整数，且/>
Figure SMS_185
大于 />
Figure SMS_190
。
医学知识图谱边权重训练网络和图计算诊断预测子模块中各权重矩阵和权重向量的关系示意图如图3所示。在医学知识图谱边权重训练网络中，
Figure SMS_203
和/>
Figure SMS_207
分别表示第t-1轮迭代完成后的节点嵌入表示矩阵和边嵌入表示矩阵，利用/>
Figure SMS_210
、/>
Figure SMS_201
和可学习的权重权重矩阵/>
Figure SMS_204
共同计算，得到第t轮迭代第一层网络更新后的节点嵌入表示矩阵/>
Figure SMS_208
；利用
Figure SMS_212
、/>
Figure SMS_202
和可学习的权重权重矩阵/>
Figure SMS_205
共同计算，得到第t轮迭代第二层网络更新后的边嵌入表示矩阵/>
Figure SMS_211
；利用/>
Figure SMS_213
、/>
Figure SMS_214
、/>
Figure SMS_216
共同计算，得到第t轮迭代第三层网络更新后的节点嵌入表示矩阵/>
Figure SMS_220
；利用/>
Figure SMS_225
和可学习的权重矩阵/>
Figure SMS_217
共同计算，得到预测疾病节点的标签/>
Figure SMS_219
；利用/>
Figure SMS_222
和预测疾病节点的真实标签共同计算得到医学知识图谱损失/>
Figure SMS_226
。在图计算诊断预测子模块中，利用/>
Figure SMS_200
和可学习的权重向量/>
Figure SMS_206
共同计算，得到医学知识图谱边权重/>
Figure SMS_209
；利用/>
Figure SMS_218
进行症状影响力值传播操作，得到预测疾病的标签/>
Figure SMS_215
；利用/>
Figure SMS_221
和真实临床数据中的疾病诊断共同计算，得到临床数据损失/>
Figure SMS_224
。/>
Figure SMS_228
和/>
Figure SMS_223
和当前的迭代轮次t共同计算，得到模型总损失/>
Figure SMS_227
。
每轮迭代中利用Adam优化器进行反向传播，更新权重矩阵和权重向量。在训练完成以后，医学知识图谱边权重
Figure SMS_229
被保存下来。
3、疾病诊断预测模块：在对新的就诊进行疾病诊断预测时，将新的就诊中存在的症状和模型训练得到的医学知识图谱边权重输入图计算诊断预测子模块中，计算每种疾病诊断的置信度，按照对每种疾病诊断的置信度降序排序后按顺序输出每种疾病诊断的名称以及置信度。
4、解释模块：本系统提供了结果解释功能，可以选择一次就诊的一种或多种症状对应的症状节点在医学知识图谱上将原始症状影响力值传播到目标疾病节点的路径，以及传播路径上各个节点的症状影响力值根据医学知识图谱边权重所改变的情况。
根据具体数据与附图进一步详述如下实施例。
某医疗机构利用临床数据训练医学知识图谱边权重。采用SNOMED CT中概念、术语和关系构建医学知识图谱，医学知识图谱中包含73个疾病节点和623个症状节点（
Figure SMS_230
，/>
Figure SMS_231
，/>
Figure SMS_232
）。根据医学知识图谱的结构计算得到医学知识图谱的节点邻接矩阵/>
Figure SMS_233
和医学知识图谱的边邻接矩阵/>
Figure SMS_234
，以及二元转换矩阵/>
Figure SMS_235
。
从该医疗机构的电子病历数据库中提取到47906次就诊记录（
Figure SMS_236
）：提取每次就诊中的实验室检验结果、病历文本等信息，经过处理后得到症状；提取每次就诊中的疾病诊断。每次就诊中包含至少一个症状节点对应的症状和一个疾病节点对应的疾病诊断。然后利用临床数据中症状与疾病诊断的共现信息，计算得到节点特征矩阵/>
Figure SMS_237
和边特征矩阵/>
Figure SMS_238
。同时计算疾病节点的标签和每次就诊对应的标签。完成医学知识图谱边权重训练网络的初始化。
设定迭代次数为1000,
Figure SMS_239
，/>
Figure SMS_240
。每轮迭代中，首先利用医学知识图谱边权重训练网络更新医学知识图谱的节点的嵌入表示矩阵和边的嵌入表示矩阵。然后由边的嵌入表示计算得到医学知识图谱边权重并根据疾病节点的标签求出医学知识图谱损失
Figure SMS_241
。在图计算诊断预测子模块中，将训练集中每次就诊的症状对应的症状节点的症状影响力值设置为1，根据医学知识图谱的结构和医学知识图谱边权重传播症状影响力值，得到每种疾病诊断的置信度。根据每种疾病诊断的置信度和临床数据中的真实疾病诊断求出临床数据损失/>
Figure SMS_242
。
利用当前迭代轮次的医学知识图谱边权重更新临床数据中每次就诊的数据质量系数。根据数据质量系数对所有就诊进行降序排序，将排序前30000个就诊（
Figure SMS_243
）作为训练集进入下一轮的训练迭代。
根据本轮迭代轮次和
Figure SMS_244
、/>
Figure SMS_245
的大小关系确定/>
Figure SMS_246
的值并计算出模型总损失/>
Figure SMS_247
，利用Adam优化器进行反向传播，更新权重矩阵和权重向量。在训练完成以后，医学知识图谱的边的权重会被保存下来。
在对新的就诊进行疾病诊断预测时，将新的就诊中存在的症状和模型训练得到的医学知识图谱边权重输入图计算诊断预测子模块中，计算每种疾病诊断的置信度，对每种疾病诊断的置信度降序排序后按顺序输出每种疾病诊断的名称以及置信度。
得到疾病诊断推荐之后，可以选择输入的一种或多种症状，查看它们对目标疾病诊断的影响。如图4所示，可以展示单个症状节点
Figure SMS_266
将症状影响力值传播到疾病节点/>
Figure SMS_269
经过的边和节点以及对应边的边权重、对应节点的症状影响力值。假设边/>
Figure SMS_272
的权重
Figure SMS_251
，边/>
Figure SMS_253
的权重/>
Figure SMS_258
，边/>
Figure SMS_263
的权重/>
Figure SMS_265
，症状节点/>
Figure SMS_268
对自身的症状影响力值/>
Figure SMS_271
。/>
Figure SMS_274
的症状影响力值通过边/>
Figure SMS_267
从/>
Figure SMS_270
传递到节点/>
Figure SMS_273
上，/>
Figure SMS_275
的症状影响力值为/>
Figure SMS_250
；/>
Figure SMS_254
的症状影响力值通过边/>
Figure SMS_257
从/>
Figure SMS_261
传递到节点/>
Figure SMS_248
上，
Figure SMS_256
的症状影响力值为/>
Figure SMS_260
；/>
Figure SMS_264
的症状影响力值通过边/>
Figure SMS_249
从/>
Figure SMS_252
传递到节点/>
Figure SMS_255
上，/>
Figure SMS_259
的症状影响力值为/>
Figure SMS_262
。
如图5所示，可以展示多个症状节点
Figure SMS_289
、/>
Figure SMS_294
、/>
Figure SMS_297
将症状影响力值传播到疾病节点/>
Figure SMS_301
经过的边和节点以及对应边的边权重、对应节点的症状影响力值。假设边/>
Figure SMS_305
的权重
Figure SMS_309
，边/>
Figure SMS_312
的权重/>
Figure SMS_279
，边/>
Figure SMS_282
的权重/>
Figure SMS_286
，边/>
Figure SMS_290
的权重/>
Figure SMS_295
，边/>
Figure SMS_299
的权重/>
Figure SMS_304
。症状节点/>
Figure SMS_308
对自身的症状影响力值/>
Figure SMS_278
；症状节点/>
Figure SMS_280
对自身的症状影响力值/>
Figure SMS_284
；症状节点/>
Figure SMS_287
对自身的症状影响力值/>
Figure SMS_291
。/>
Figure SMS_293
的症状影响力值通过边/>
Figure SMS_298
从/>
Figure SMS_302
传递到节点/>
Figure SMS_306
上，/>
Figure SMS_310
的症状影响力值为/>
Figure SMS_314
；/>
Figure SMS_316
的症状影响力值通过边/>
Figure SMS_317
从/>
Figure SMS_320
传递到节点/>
Figure SMS_321
上，/>
Figure SMS_323
的症状影响力值通过边/>
Figure SMS_311
从/>
Figure SMS_313
传递到节点/>
Figure SMS_315
上，/>
Figure SMS_318
的症状影响力值为/>
Figure SMS_319
；/>
Figure SMS_322
的症状影响力值通过边/>
Figure SMS_324
从/>
Figure SMS_325
传递到节点/>
Figure SMS_276
上，/>
Figure SMS_283
的症状影响力值通过边/>
Figure SMS_288
从/>
Figure SMS_292
传递到节点/>
Figure SMS_296
上，/>
Figure SMS_300
的症状影响力值通过边/>
Figure SMS_303
从/>
Figure SMS_307
传递到节点/>
Figure SMS_277
上，/>
Figure SMS_281
的症状影响力值为
Figure SMS_285
。
本发明结合了临床数据和医学知识图谱的结构，共同训练医学知识图谱边权重。训练过程中，对医学知识图谱的节点嵌入表示矩阵和边嵌入表示矩阵进行迭代更新，根据节点的嵌入表示预测疾病节点的标签并计算医学知识图谱损失。通过边的嵌入表示计算得到医学知识图谱边权重，根据医学知识图谱边权重和医学知识图谱的结构计算临床数据的数据质量系数，并对训练集中的临床数据进行筛选。根据医学知识图谱边权重和医学知识图谱的结构预测训练集中每次就诊的疾病诊断，并计算临床数据损失。医学知识图谱损失和临床数据损失共同作用于模型迭代。
训练完成后，只需要医学知识图谱的结构和医学知识图谱边权重，就可以对输入的症状进行症状影响力值传播，得到疾病诊断预测。计算过程透明，不涉及黑箱模型。实际应用过程中可以对疾病诊断预测结果进行解释，展示输入的症状对应的症状节点在医学知识图谱上将症状影响力值传播到目标疾病节点的路径，以及传播路径上各个节点的症状影响力值根据医学知识图谱边权重所改变的情况。
另外，参见图6，本发明实施例还提供了一种基于临床数据筛选和医学知识图谱的疾病预测装置，还包括存储器和一个或多个处理器，存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的基于临床数据筛选和医学知识图谱的疾病预测系统中各个模块的操作。
本发明一种基于临床数据筛选和医学知识图谱的疾病预测装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本发明一种基于临床数据筛选和医学知识图谱的疾病预测装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述各个模块中对应操作的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于系统实施例，所以相关之处参见系统实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于临床数据筛选和医学知识图谱的疾病预测系统中各个模块的操作。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：包括初始化模块、医学知识图谱边权重训练模块、疾病诊断预测模块和解释模块；
初始化模块：用于构建医学知识图谱以及提取并处理临床数据；所述初始化模块包括：医学知识图谱构建子模块：用于根据医学知识源中概念、术语和关系构建医学知识图谱；临床数据提取与处理子模块：用于从电子病历数据库中提取并处理每次就诊对应的疾病诊断、实验室检查结果和病历文本信息；
医学知识图谱边权重训练模块包括医学知识图谱边权重训练网络、图计算诊断预测子模块和数据筛选子模块；医学知识图谱边权重训练网络：用于利用临床数据中症状与疾病诊断的共现信息，训练医学知识图谱边权重；图计算诊断预测子模块：用于根据临床数据里每次就诊中存在的症状来计算每种疾病诊断的置信度；数据筛选子模块：用于根据医学知识图谱边权重评估临床数据的质量，对临床数据进行筛选，更新训练集；
疾病诊断预测模块：用于利用输入该模块的新的就诊中存在的症状和医学知识图谱边权重，计算每种疾病诊断的置信度，并根据置信度的排序输出每种疾病的诊断的名称和置信度；
解释模块：用于展示就诊中的一种或多种症状对应的症状节点在医学知识图谱上将原始症状影响力值传播到目标疾病节点的传播路径，以及传播路径上各个节点的症状影响力值根据医学知识图谱边权重所改变的情况。
2.如权利要求1所述的基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：所述医学知识图谱边权重训练网络由三层网络组成，在训练迭代过程中，第一层网络用于更新节点的嵌入表示矩阵，第二层网络用于更新边的嵌入表示矩阵，第三层网络用于再次更新节点的嵌入表示矩阵，完成节点的嵌入表示矩阵的更新以后，利用疾病节点的嵌入表示预测疾病节点的标签，根据疾病节点的标签预测结果和疾病节点的真实标签计算医学知识图谱损失，同时利用边的嵌入表示计算得到医学知识图谱边权重。
3.如权利要求1所述的基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：所述医学知识图谱构建子模块中所述医学知识源包括SNOMED CT、OMAHA类别的医学术语集，以及医学指南；所述构建的医学知识图谱中的节点分为疾病节点和症状节点，每一个疾病节点代表一种疾病诊断；每一个症状节点代表一种症状，症状包括症状术语和满足标准的实验室检验结果；医学知识图谱中的节点由无权重的边连接。
4.如权利要求1所述的基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：所述临床数据提取与处理子模块中临床数据包括每次就诊对应的疾病诊断、实验室检查结果和病历文本信息；提取与处理临床数据的具体操作流程为：首先对病历文本进行分词、术语提取、术语映射操作，得到症状术语；然后保留医学知识图谱疾病节点和症状节点对应的疾病诊断、实验室检查结果和症状术语。
5.如权利要求1所述的基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：所述医学知识图谱边权重训练模块执行的具体子步骤如下：
（1）、构建医学知识图谱的节点邻接矩阵和边邻接矩阵；
（2）、根据临床数据计算节点特征矩阵和边特征矩阵；
（3）、初始化医学知识图谱边权重训练网络；
（4）、医学知识图谱边权重训练网络前向传播，更新节点和边的嵌入表示矩阵；
（5）、根据边的嵌入表示更新医学知识图谱边权重，预测临床数据中每次就诊的每种诊断的置信度；
（6）、判断是否达到迭代轮次上限，若达到上限，完成医学知识图谱边权重训练网络的训练，若未达到上限，进入（7）中；
（7）、计算模型总损失，医学知识图谱边权重训练网络反向传播，更新权重矩阵和权重向量；
（8）、更新所有就诊的数据质量系数，重新筛选就诊作为训练集，并返回至（4）中。
6.如权利要求5所述的基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：所述医学知识图谱边权重训练模块执行每轮迭代中，利用Adam优化器进行反向传播，更新权重矩阵和权重向量,在训练完成以后，将此次训练得到的医学知识图谱边权重进行保存。
7.如权利要求1所述的基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：图计算诊断预测子模块中根据临床数据里每次就诊中存在的症状来计算每种疾病诊断的置信度的具体操作流程如下：
（1）首先将医学知识图谱中单次就诊中的单个症状对应的症状节点的症状影响力值设置为1，其他节点的症状影响力值设置为0；
（2）利用广度优先搜索原理将此症状节点的症状影响力值传播到其他节点上，通过医学知识图谱边权重更新其他症状节点的症状影响力值，直至所有节点的症状影响力值都不为0；
（3）根据上述步骤对此次就诊中的每个症状对应的症状节点进行症状影响力值传播操作，得到所有疾病节点的症状影响力值的累加和；
（4）按照疾病节点的顺序，取每个疾病节点的症状影响力值的累加和，作为该疾病诊断的置信度，构建此次就诊的疾病诊断预测。
8.如权利要求1所述的基于临床数据筛选和医学知识图谱的疾病预测系统，其特征在于：所述疾病诊断预测模块的具体操作流程为：在对新的就诊进行疾病诊断预测时，根据新的就诊中存在的症状和医学知识图谱边权重，计算每种疾病诊断的置信度，对每种疾病诊断的置信度降序排序后按顺序输出每种疾病诊断的名称以及置信度。
9.一种基于临床数据筛选和医学知识图谱的疾病预测装置，其特征在于：所述装置包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于执行权利要求1-8任一项所述基于临床数据筛选和医学知识图谱的疾病预测系统中任一所述模块操作。
CN202310116468.6A 2023-02-15 2023-02-15 基于临床数据筛选和医学知识图谱的疾病预测系统和装置 Active CN115862848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310116468.6A CN115862848B (zh) 2023-02-15 2023-02-15 基于临床数据筛选和医学知识图谱的疾病预测系统和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310116468.6A CN115862848B (zh) 2023-02-15 2023-02-15 基于临床数据筛选和医学知识图谱的疾病预测系统和装置

Publications (2)

Publication Number Publication Date
CN115862848A true CN115862848A (zh) 2023-03-28
CN115862848B CN115862848B (zh) 2023-05-30

Family

ID=85658089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310116468.6A Active CN115862848B (zh) 2023-02-15 2023-02-15 基于临床数据筛选和医学知识图谱的疾病预测系统和装置

Country Status (1)

Country Link
CN (1) CN115862848B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340548A (zh) * 2023-05-29 2023-06-27 四维创智（北京）科技发展有限公司 一种数据处理方法、装置、电子设备和存储介质
CN116682551A (zh) * 2023-07-27 2023-09-01 腾讯科技（深圳）有限公司 疾病预测方法、疾病预测模型训练方法和装置
CN117649949A (zh) * 2024-01-29 2024-03-05 浙江大学 基于强化学习的临床思维数据生成系统及方法
CN117747124A (zh) * 2024-02-20 2024-03-22 浙江大学 基于网络激发图分解的医学大模型逻辑反演方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113990495B (zh) * 2021-12-27 2022-04-29 之江实验室 一种基于图神经网络的疾病诊断预测系统
CN114496234B (zh) * 2022-04-18 2022-07-19 浙江大学 一种基于认知图谱的全科患者个性化诊疗方案推荐系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340548A (zh) * 2023-05-29 2023-06-27 四维创智（北京）科技发展有限公司 一种数据处理方法、装置、电子设备和存储介质
CN116682551A (zh) * 2023-07-27 2023-09-01 腾讯科技（深圳）有限公司 疾病预测方法、疾病预测模型训练方法和装置
CN116682551B (zh) * 2023-07-27 2023-12-22 腾讯科技（深圳）有限公司 疾病预测方法、疾病预测模型训练方法和装置
CN117649949A (zh) * 2024-01-29 2024-03-05 浙江大学 基于强化学习的临床思维数据生成系统及方法
CN117649949B (zh) * 2024-01-29 2024-04-30 浙江大学 基于强化学习的临床思维数据生成系统及方法
CN117747124A (zh) * 2024-02-20 2024-03-22 浙江大学 基于网络激发图分解的医学大模型逻辑反演方法及系统

Also Published As

Publication number Publication date
CN115862848B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN109697285B (zh) 增强语义表示的层次BiLSTM中文电子病历疾病编码标注方法
CN115862848A (zh) 基于临床数据筛选和医学知识图谱的疾病预测系统和装置
CN109659033B (zh) 一种基于循环神经网络的慢性疾病病情变化事件预测装置
Ronoud et al. An evolutionary deep belief network extreme learning-based for breast cancer diagnosis
Loey et al. Bayesian-based optimized deep learning model to detect COVID-19 patients using chest X-ray image data
CN113535984B (zh) 一种基于注意力机制的知识图谱关系预测方法及装置
Dejaeger et al. Data mining techniques for software effort estimation: a comparative study
Zhou et al. Bayesian network approach to multinomial parameter learning using data and expert judgments
CN112364880B (zh) 基于图神经网络的组学数据处理方法、装置、设备及介质
Lappenschaar et al. Multilevel Bayesian networks for the analysis of hierarchical health care data
CN111180068A (zh) 一种基于多任务学习模型的慢病预测系统
Ampavathi et al. Multi disease-prediction framework using hybrid deep learning: an optimal prediction model
CN113436754A (zh) 一种智能终端问诊的医疗软件及其方法
Sharma et al. The truth is in there: Improving reasoning in language models with layer-selective rank reduction
Gugulothu et al. An early prediction and classification of lung nodule diagnosis on CT images based on hybrid deep learning techniques
CN117312680A (zh) 一种基于用户-实体子图对比学习的资源推荐方法
CN110909146A (zh) 用于推送反问标签的标签推送模型训练方法、装置及设备
Wu et al. Generating life course trajectory sequences with recurrent neural networks and application to early detection of social disadvantage
CN112086174B (zh) 一种三维知识诊断模型构建方法和系统
CN114886383A (zh) 基于迁移学习的针对脑电信号情感特征分类方法
Rodrigo Bayesian artificial neural networks in health and cybersecurity
CN116805384A (zh) 自动搜索方法、自动搜索的性能预测模型训练方法及装置
Misaii et al. Multiple imputation of masked competing risks data using machine learning algorithms
Özkan et al. Effect of data preprocessing on ensemble learning for classification in disease diagnosis
Foguem et al. Combined learning models for survival analysis of patients with pulmonary hypertension

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