CN116246773A - 一种知识和数据结合的辅助诊疗模型 - Google Patents

一种知识和数据结合的辅助诊疗模型 Download PDF

Info

Publication number
CN116246773A
CN116246773A CN202310244698.0A CN202310244698A CN116246773A CN 116246773 A CN116246773 A CN 116246773A CN 202310244698 A CN202310244698 A CN 202310244698A CN 116246773 A CN116246773 A CN 116246773A
Authority
CN
China
Prior art keywords
model
knowledge
module
data
diagnosis
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
CN202310244698.0A
Other languages
English (en)
Inventor
李睿琪
郭立超
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.)
Xiniu Medical Technology Zhejiang Co ltd
Original Assignee
Xiniu Medical Technology Zhejiang 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 Xiniu Medical Technology Zhejiang Co ltd filed Critical Xiniu Medical Technology Zhejiang Co ltd
Priority to CN202310244698.0A priority Critical patent/CN116246773A/zh
Publication of CN116246773A publication Critical patent/CN116246773A/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
    • 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)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明属于医疗大数据挖掘和诊疗技术领域，一种知识和数据结合的辅助诊疗模型，其特征在于，包括辅助诊疗模型,辅助诊疗模型分为诊断模型、发现预测模型和个性化治疗推荐模型,诊断模型和发现预测模型为结合知识的模型，个性化治疗推荐模型为结合数据的模型,诊断模型包括指南、知识、规则模块，专病库，知识图谱。本发明通过诊断模型、风险预测模型及个性化治疗推荐模型的设计，通过采用数据和知识双驱动，用自动机器学习技术优化数据驱动的方式，用知识细化的方式更好的融合知识到模型中，并大大提高模型的可解释性和可控性，一方面降低对数据质和量的要求，另一方面可以用数据辅助自动的规则生成。

Description

一种知识和数据结合的辅助诊疗模型
技术领域
本发明属于医疗大数据挖掘和诊疗技术领域，具体涉及一种知识和数据结合的辅助诊疗模型。
背景技术
辅助诊疗系统依据医院数据和医学知识，对患者的诊断、治疗方案、各高危风险状况、总体风险等进行计算机自动预测。可以提示辅助医生做出相关决策，帮助医生减低漏诊率，或也可用于相关疾病的初筛手段。在紧急或者信息量较大及医疗人手紧缺的场景，有很大应用价值，目前，常见的辅助诊疗系统技术路径分为数据驱动，知识驱动两种；
中国发明专利：申请号CN202110046333.8，公开号CN112786190A公开了一种多维数据融合的医疗健康诊疗模型，包括步骤1，利用拍摄的医学影像、体检数据和智能穿戴设备采集的数据制作每位患者的信息表并上传至区块链节点；步骤2，利用区块链技术对上传的患者信息表依据年龄、病例类型进行整合和存储；步骤3，从区块链中获取患者数据，利用卷积神经网络、模糊综合评价打分模型和深度神经网络对数据进行特征提取，而后利用DNN对多维融合特征数据进行进一步的特征提取；步骤4，利用逻辑回归、LSTM预测模型和多目标优化遗传算法对步骤3中的提取的特征进行分析而得出结果。本发明可以有效的对医疗大数据进行挖掘，提供准确的健康评价和合理有效的诊疗方案；
该诊疗模型在实际使用的过程中，其只使用了数据驱动，数据驱动的常见做法是建立专病库，利用机器学习，深度网络、增强学习等类型的模型，根据病患观测进行特征捕捉，此类模型在多种疾病上取得了很好的效果，但是数据驱动对数据采集要求高，全流程高质量数据获取困难，此外，数据驱动只能捕获关联信息而非因果信息，可解释性不足，对于新的状况、新药或者新的患者症状反应较慢；
而知识驱动则是将标准化，归一化的数据映射到来自指南，文献，医学专家的强制规则，经过专家校验让算法模型具有可解释性，权威性，通用性，通过知识推理，自动生成个体化，规范化的预防处理机制，但知识驱动强制规则的梳理难度很高，知识模型是应当是千人千面，非常复杂的，且需要支持不断更新，为此我们设计出了一种知识和数据结合的辅助诊疗模型来解决上述的问题。
发明内容
针对现有技术的不足，本发明的目的在于提供一种知识和数据结合的辅助诊疗模型，它可以解决现有诊疗模型对数据质和量的要求高，对强制规则制定的细化程度要求高的问题，本发明采用如下的技术方案。
一种知识和数据结合的辅助诊疗模型，其特征在于:包括辅助诊疗模型；
辅助诊疗模型分为诊断模型、发现预测模型和个性化治疗推荐模型；
诊断模型和发现预测模型为结合知识的模型，个性化治疗推荐模型为结合数据的模型；
诊断模型包括指南、知识、规则模块，专病库，知识图谱；
指南、知识、规则模块，专病库，知识图谱可用于形成知识限制下的深度模型、基于统计的贝叶斯模型和基于知识图谱嵌入的模型，并将三个模型排序、融合及规则限制后输出最终诊断；
发现预测模型包括指南、知识、规则模块，专病库，知识图谱，不良事件概率模块；
指南、知识、规则模块，专病库，知识图谱可用于形成知识限制下决策树模型或深度模型、基于统计的贝叶斯模型和基于知识图谱嵌入的模型，并将三个模型分类后通过不良事件概率模块进行预测并输出风险评估；
个性化治疗推荐模型包括初始化模块、规则管理模块和知识细化模块；
初始化模块内设置有指南模块和医学专家模块，规则管理模块内设置有规则管理模块、规则引擎和推理引擎，知识细化模块内设置有专病库，验证模块及精细化模块；
初始化模块、规则管理模块和知识细化模块可用于形成基于决策树的知识模型。
优选地，诊断模型建模为对候选疾病的排序模型，利用深度学习技术采用多模型融合机制，输出诊断。
优选地，发现预测模型风险预测模型和疾病分类预测模型在技术选型上也没有区别。主要思路是对疾病可能发生的各不良事件进行逐对分类预测，分类模型可采用多模型融合的方式提高准确率，可根据具体需求调整分类目标，生成评分函数。
优选地，个性化治疗推荐模型在数据和模型的融合中，主要重数据，对于特定疾病，将指南和专家知识转化决策树，用规则引擎和推理引擎进行管理，用数据对于决策树进行验证和调整。
优选地，不良事件概率模块包括分类器、专病库数据模块、融合知识图谱的向量化模块；
分类器在基于知识的正则化、融合知识图谱的向量化和向量化后输出不良事件概率；
融合知识图谱的向量化模块包括各种不良事件。
优选地，不良事件概率模块的不良事件概率包括特定危险疾病发生率、特定不良事件发生率和总体不良事件发生率。
优选地，诊断模型和发现预测模型中文本资料中生成决策树知识和个性化治疗推荐模型中从数据中生成决策树知识两者结合，由使用者驱动生成好的交互。
与现有技术相比，本发明的有益效果是：
一、本发明知识和数据结合的辅助诊疗模型，通过诊断模型、风险预测模型及个性化治疗推荐模型的设计，通过采用数据和知识双驱动，用自动机器学习技术优化数据驱动的方式，用知识细化的方式更好的融合知识到模型中，并大大提高模型的可解释性和可控性，一方面降低对数据质和量的要求，另一方面可以用数据辅助自动的规则生成，并且依靠模型本身具有的强大泛化能力，降低对强制规则制定的细化程度的需要。
二、本发明知识和数据结合的辅助诊疗模型，通过知识图谱、贝叶斯模型及深度模型的设计，知识图谱的引入也会大大增强知识的深度嵌入，这里应用基于图谱的向量化能力，更深入的在模型中融合知识，基于统计的贝叶斯模型具有很好的可解释性，也便于转换成规则，知识限制下的深度模型是指损失函数或者训练策略下遵循知识的限制。
附图说明
图1为本发明的模型架构图；
图2为本发明辅助诊疗模型的模型架构图；
图3为本发明诊断模型的模型架构图；
图4为本发明风险预测模型的模型架构图；
图5为本发明诊断模型的不良事件概率模块的模型架构图；
图6为本发明的辅助诊疗流程图；
图中：1、辅助诊疗模型，2、诊断模型，3、风险预测模型，4、个性化治疗推荐模型，301、不良事件概率模块。
具体实施方式
请参阅图1-6所示的一种知识和数据结合的辅助诊疗模型，它是对数据质和量的要求不高，对强制规则制定的细化程度要求不高，且大大提高模型的可解释性和可控性的一种知识和数据结合的辅助诊疗模型。具体地，包括辅助诊疗模型1。
辅助诊疗模型1分为诊断模型2、发现预测模型3和个性化治疗推荐模型4，诊断模型2和发现预测模型3为结合知识的模型，个性化治疗推荐模型4为结合数据的模型，诊断模型2包括指南、知识、规则模块，专病库，知识图谱，指南、知识、规则模块，专病库，知识图谱可用于形成知识限制下的深度模型、基于统计的贝叶斯模型和基于知识图谱嵌入的模型，并将三个模型排序、融合及规则限制后输出最终诊断，发现预测模型3包括指南、知识、规则模块，专病库，知识图谱，不良事件概率模块301，指南、知识、规则模块，专病库，知识图谱可用于形成知识限制下决策树模型或深度模型、基于统计的贝叶斯模型和基于知识图谱嵌入的模型，并将三个模型分类后通过不良事件概率模块301进行预测并输出风险评估，个性化治疗推荐模型4包括初始化模块、规则管理模块和知识细化模块，初始化模块内设置有指南模块和医学专家模块，规则管理模块内设置有规则管理模块、规则引擎和推理引擎，知识细化模块内设置有专病库，验证模块及精细化模块，初始化模块、规则管理模块和知识细化模块可用于形成基于决策树的知识模型,通过采用数据和知识双驱动，用自动机器学习技术优化数据驱动的方式，用知识细化的方式更好的融合知识到模型中，并大大提高模型的可解释性和可控性，一方面降低对数据质和量的要求，另一方面可以用数据辅助自动的规则生成，并且依靠模型本身具有的强大泛化能力，降低对强制规则制定的细化程度的需要。
诊断模型2建模为对候选疾病的排序模型，利用深度学习技术采用多模型融合机制，输出诊断。
发现预测模型3风险预测模型和疾病分类预测模型在技术选型上也没有区别。主要思路是对疾病可能发生的各不良事件进行逐对分类预测，分类模型可采用多模型融合的方式提高准确率，可根据具体需求调整分类目标，生成评分函数。
个性化治疗推荐模型4在数据和模型的融合中，主要重数据，对于特定疾病，将指南和专家知识转化决策树，用规则引擎和推理引擎进行管理，用数据对于决策树进行验证和调整,知识图谱的引入也会大大增强知识的深度嵌入，这里应用基于图谱的向量化能力，更深入的在模型中融合知识，基于统计的贝叶斯模型具有很好的可解释性，也便于转换成规则，知识限制下的深度模型是指损失函数或者训练策略下遵循知识的限制。
不良事件概率模块301包括分类器、专病库数据模块、融合知识图谱的向量化模块，分类器在基于知识的正则化、融合知识图谱的向量化和向量化后输出不良事件概率，融合知识图谱的向量化模块包括各种不良事件。
不良事件概率模块301的不良事件概率包括特定危险疾病发生率、特定不良事件发生率和总体不良事件发生率。
诊断模型2和发现预测模型3中文本资料中生成决策树知识和个性化治疗推荐模型4中从数据中生成决策树知识两者结合，由使用者驱动生成好的交互。
模型原理：以心梗诊疗为例，用AUTOX自动学习技术，使得模型训练更加规范化。知识图谱的引入也会大大增强知识的深度嵌入，这里应用TransE的基于图谱的向量化能力，利用基于Omaha的自建图谱，更深入的在模型中融合知识，AUC值均在95％以上，模型准确率达到99.539，抽取出一些重要的特征：本次就诊首次CTNT值，本次就诊第二次CTNT值，血肌酐值，年龄，收缩压，并且做出相关可解释性决策树。

Claims (7)

1.一种知识和数据结合的辅助诊疗模型，其特征在于:包括辅助诊疗模型(1)；
辅助诊疗模型(1)分为诊断模型(2)、发现预测模型(3)和个性化治疗推荐模型(4)；
诊断模型(2)和发现预测模型(3)为结合知识的模型，个性化治疗推荐模型(4)为结合数据的模型；
诊断模型(2)包括指南、知识、规则模块，专病库，知识图谱；
指南、知识、规则模块，专病库，知识图谱可用于形成知识限制下的深度模型、基于统计的贝叶斯模型和基于知识图谱嵌入的模型，并将三个模型排序、融合及规则限制后输出最终诊断；
发现预测模型(3)包括指南、知识、规则模块，专病库，知识图谱，不良事件概率模块(301)；
指南、知识、规则模块，专病库，知识图谱可用于形成知识限制下决策树模型或深度模型、基于统计的贝叶斯模型和基于知识图谱嵌入的模型，并将三个模型分类后通过不良事件概率模块(301)进行预测并输出风险评估；
个性化治疗推荐模型(4)包括初始化模块、规则管理模块和知识细化模块；
初始化模块内设置有指南模块和医学专家模块，规则管理模块内设置有规则管理模块、规则引擎和推理引擎，知识细化模块内设置有专病库，验证模块及精细化模块；
初始化模块、规则管理模块和知识细化模块可用于形成基于决策树的知识模型。
2.根据权利要求1所述的一种知识和数据结合的辅助诊疗模型，其特征在于：诊断模型(2)建模为对候选疾病的排序模型，利用深度学习技术采用多模型融合机制，输出诊断。
3.根据权利要求1所述的一种知识和数据结合的辅助诊疗模型，其特征在于：发现预测模型(3)风险预测模型和疾病分类预测模型在技术选型上也没有区别。主要思路是对疾病可能发生的各不良事件进行逐对分类预测，分类模型可采用多模型融合的方式提高准确率，可根据具体需求调整分类目标，生成评分函数。
4.根据权利要求1所述的一种知识和数据结合的辅助诊疗模型，其特征在于：个性化治疗推荐模型(4)在数据和模型的融合中，主要重数据，对于特定疾病，将指南和专家知识转化决策树，用规则引擎和推理引擎进行管理，用数据对于决策树进行验证和调整。
5.根据权利要求1所述的一种知识和数据结合的辅助诊疗模型，其特征在于：不良事件概率模块(301)包括分类器、专病库数据模块、融合知识图谱的向量化模块；
分类器在基于知识的正则化、融合知识图谱的向量化和向量化后输出不良事件概率；
融合知识图谱的向量化模块包括各种不良事件。
6.根据权利要求5所述的一种知识和数据结合的辅助诊疗模型，其特征在于：不良事件概率模块(301)的不良事件概率包括特定危险疾病发生率、特定不良事件发生率和总体不良事件发生率。
7.根据权利要求1所述的一种知识和数据结合的辅助诊疗模型，其特征在于：诊断模型(2)和发现预测模型(3)中文本资料中生成决策树知识和个性化治疗推荐模型(4)中从数据中生成决策树知识两者结合，由使用者驱动生成好的交互。
CN202310244698.0A 2023-03-08 2023-03-08 一种知识和数据结合的辅助诊疗模型 Pending CN116246773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310244698.0A CN116246773A (zh) 2023-03-08 2023-03-08 一种知识和数据结合的辅助诊疗模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310244698.0A CN116246773A (zh) 2023-03-08 2023-03-08 一种知识和数据结合的辅助诊疗模型

Publications (1)

Publication Number Publication Date
CN116246773A true CN116246773A (zh) 2023-06-09

Family

ID=86635816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310244698.0A Pending CN116246773A (zh) 2023-03-08 2023-03-08 一种知识和数据结合的辅助诊疗模型

Country Status (1)

Country Link
CN (1) CN116246773A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117012374A (zh) * 2023-10-07 2023-11-07 之江实验室 一种融合事件图谱和深度强化学习的医疗随访系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117012374A (zh) * 2023-10-07 2023-11-07 之江实验室 一种融合事件图谱和深度强化学习的医疗随访系统及方法
CN117012374B (zh) * 2023-10-07 2024-01-26 之江实验室 一种融合事件图谱和深度强化学习的医疗随访系统及方法

Similar Documents

Publication Publication Date Title
Kaur et al. Medical diagnostic systems using artificial intelligence (ai) algorithms: Principles and perspectives
CN114496234B (zh) 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
Mall et al. Heart diagnosis using deep neural network
CN116246773A (zh) 一种知识和数据结合的辅助诊疗模型
CN111951975B (zh) 一种基于深度学习模型gpt-2的脓毒症早期预警方法
CN103116707A (zh) 一种基于案例推理的心脏病智能诊断方法
CN109512423A (zh) 一种基于确定学习与深度学习的心肌缺血危险分层方法
CN112489769A (zh) 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统
CN112201330A (zh) 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法
Alkaragole et al. Comparison of data mining techniques for predicting diabetes or prediabetes by risk factors
CN118280562B (zh) 知识图谱驱动的医疗大模型诊断方法
CN118213075A (zh) 老年全麻患者术后亚谵妄综合症多模态预测识别系统
CN113342973A (zh) 一种基于疾病二分类器的辅助诊断模型的诊断方法
CN118430787A (zh) 一种医疗信息咨询方法及系统
Tariq et al. Principles and Perspectives in Medical Diagnostic Systems Employing Artificial Intelligence (AI) Algorithms
CN116959715B (zh) 一种基于时序演进过程解释的疾病预后预测系统
Madanan et al. Designing a hybrid artificial intelligent clinical decision support system using artificial neural network and artificial Bee Colony for predicting heart failure rate
CN117637175A (zh) 基于多级语义的大模型医疗训练数据生成方法和系统
Chattopadhyay et al. Fuzzy-logic-based screening and prediction of adult psychoses: A novel approach
CN116933135A (zh) 基于跨模态融合级联的癌症分期预测模型建模系统及方法
CN115547502B (zh) 基于时序数据的血透病人风险预测装置
CN115312186A (zh) 一种糖尿病视网膜病变辅助筛查系统
AU2021102832A4 (en) System & method for automatic health prediction using fuzzy based machine learning
Singh et al. A Retrospective: Sightseeing Excursion of Threatened Miscarriage Pertaining Ensemble Machine Learning Algorithms
Wang et al. Application of Artificial Intelligence Technology in Clinical Auxiliary Diagnosis and Treatment Equipment

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