CN116894125B - 一种基于人工智能的医疗器械推荐方法及系统 - Google Patents

一种基于人工智能的医疗器械推荐方法及系统 Download PDF

Info

Publication number
CN116894125B
CN116894125B CN202311160619.4A CN202311160619A CN116894125B CN 116894125 B CN116894125 B CN 116894125B CN 202311160619 A CN202311160619 A CN 202311160619A CN 116894125 B CN116894125 B CN 116894125B
Authority
CN
China
Prior art keywords
medical
data
information
recommendation
model
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
Application number
CN202311160619.4A
Other languages
English (en)
Other versions
CN116894125A (zh
Inventor
潘华倩
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.)
Jiangsu Utrust Biomedical Technology Co ltd
Original Assignee
Jiangsu Utrust Biomedical Technology 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 Jiangsu Utrust Biomedical Technology Co ltd filed Critical Jiangsu Utrust Biomedical Technology Co ltd
Priority to CN202311160619.4A priority Critical patent/CN116894125B/zh
Publication of CN116894125A publication Critical patent/CN116894125A/zh
Application granted granted Critical
Publication of CN116894125B publication Critical patent/CN116894125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioethics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于人工智能的医疗器械推荐方法及系统，用于人工智能领域，该方法包括以下步骤：收集目标医院、目标地区的结构化医疗数据和非结构化医疗数据；使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系；将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合；构建医疗器械推荐深度学习模型，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型；将新病人的个人信息和病情信息输入匹配模型中，实现医疗器械的个性化推荐；当新增医疗数据出现时，生成推荐的解释文本。本发明通过提取病人的特征数据，可以为每个病人提供个性化的医疗器械推荐。

Description

一种基于人工智能的医疗器械推荐方法及系统
技术领域
本发明涉及人工智能领域，具体来说，尤其涉及一种基于人工智能的医疗器械推荐方法及系统。
背景技术
随着电子商务的快速发展和广泛应用，医疗器械推荐已经成为一个重要的研究领域。目前，内容推荐主要采用的是协同过滤推荐方式，这种方式的技术方案主要包括评分标示、邻近选择以及产生推荐。评分标示：传统的协同过滤推荐算法的输入数据是一个m×n的用户-项目评分矩阵。邻近选择：协同过滤算法的推荐原理是查找与目标用户相似的近邻用户，通过近邻用户的评价对目标用户产生推荐。近邻用户的选择方法是计算目标用户与推荐系统中其他所有用户的相似性，根据相似性排序从大到小依次选择前面的K个最相似的用户作为目标用户的近邻集合。产生推荐：协同过滤算法的一个基本假设是具有相似喜好的用户对于同一个项目会给出相似的评分。因此，目标用户的近邻集合生成后，就可以根据近邻集合中用户的评分，来预测目标用户对于未评分项目的评分。
尽管协同过滤技术在推荐系统中取得了广泛的应用和巨大的成功，但是随着互联网的发展和普及，用户人数和商品、网络资源的爆增，站点结构复杂度的增加，以及网络信息安全的不断升级，协同过滤推荐系统也面临着如下诸多问题和挑战：
1、由于用户评分的项目通常只是所有可能的项目的一小部分，这导致了用户-项目评分矩阵的稀疏性。
2、对于新用户或新项目，由于缺乏足够的评分数据，推荐系统很难为他们提供准确的推荐。
3、随着用户和项目数量的增加，协同过滤算法的计算复杂度也会相应增加。
4、协同过滤算法容易受到噪声数据的影响，例如恶意用户的虚假评分，且协同过滤算法主要依赖于用户的显性评分，但用户的隐性喜好(例如浏览历史、购物车等)也是非常重要的信息来源。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
为了克服以上问题，本发明旨在提出一种基于人工智能的医疗器械推荐方法及系统，目的在于解决但是随着互联网的发展和普及，用户人数和商品、网络资源的爆增，站点结构复杂度的增加，以及网络信息安全的不断升级，协同过滤推荐系统也面临着如下诸多问题和挑战。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于人工智能的医疗器械推荐方法，该医疗器械推荐方法包括以下步骤：
S1、收集目标医院、目标地区的结构化医疗数据和非结构化医疗数据；
S2、使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系；
S3、将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱；
S4、构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型；
S5、将新病人的个人信息和病情信息输入匹配模型中，实现医疗器械的个性化推荐；
S6、当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型。
可选地，所述使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系包括以下步骤：
S21、定义医学本体，所述医学本体至少包含疾病、症状、检查和治疗的医学概念实体及医学概念实体之间的关系；
S22、从医疗文本中抽取疾病和症状的医学概念词，获得疾病和症状的概念实体；
S23、根据医学本体，对抽取的疾病和症状概念实体进行标注；
S24、根据医学文本中标注的描述，提取疾病和症状概念实体之间的症状关系；
S25、将疾病和症状概念实体之间的症状关系连接在医学本体中，构建医疗知识图谱。
可选地，所述将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱包括以下步骤：
S31、解析结构化医疗数据，获取至少包含疾病、症状、检查、治疗的结构化医疗概念；
S32、使用自然语言处理技术解析非结构化医疗文本，提取至少包含疾病、症状的非结构化医疗概念；
S33、在医疗知识图谱中，将提取出的结构化医疗概念与非结构化医疗概念同义实体进行融合；
S34、连接同一病人的结构化医疗概念和非结构化医疗概念之间的关系，形成病人个体的医疗数据子图；
S35、重复执行S33-S34的步骤，将不同病人的医疗数据子图融合到医疗知识图谱中，构建医疗数据知识图谱。
可选地，所述构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型包括以下步骤：
S41、从医疗数据知识图谱中提取病人的基本信息、病史信息、遗传信息、生活习惯信息作为病人信息的特征数据时；
S42、从医疗数据知识图谱中提取医疗器械的类型、功能、适用病症、使用限制作为医疗器械信息的特征数据；
S43、引入差分隐私技术，并基于病人信息的特征数据和医疗器械信息的特征数据，构建医疗器械推荐深度学习模型；
S44、对利用高光谱图像数据处理法对所述特征数据进行扩维；
S45、引入稀疏表示算法，对扩维后的特征数据构建卷积层的稀疏表示；
S46、使用稀疏表示训练医疗器械推荐深度学习模型，将特征数据的数据集分为训练集、验证集和测试集，使用训练集对模型进行初步训练；
S47、在医疗器械推荐深度学习模型训练过程中，设置损失函数与训练参数；
S48、利用验证集对医疗器械推荐深度学习模型进行评估，根据评估结果，调整模型的参数，得到匹配模型。
可选地，所述引入差分隐私技术，并基于病人信息的特征数据和医疗器械信息的特征数据，构建医疗器械推荐深度学习模型包括以下步骤：
S431、选择差分隐私参数，确定噪声的量级；
S432、选择的差分隐私机制生成随机噪声，将生成的噪声添加到病人的特征数据中，存储带有噪声的特征数据；
S434、将带有噪声的病人信息特征数据与医疗器械信息的特征数据合并；
S435、设定深度学习模型的架构，使用带有噪声的合并数据集进行模型的训练；
S436、对训练数据进行常规的安全性检查，限制模型训练过程中的数据访问权限，并定期评估模型的隐私泄露风险。
可选地，所述对利用高光谱图像数据处理法对所述特征数据进行扩维包括以下步骤：
S441、加载医疗器械的高光谱图像，转换数据维度并归一化；
S442、对医疗器械的高光谱数据进行增强，并进行数据集划分；
S443、医疗器械的高光谱数据进行特征扩维；
S444、使用训练数据对医疗器械推荐深度学习模型进行训练，并进行医疗器械推荐深度学习模型的验证；
S445、优化医疗器械推荐深度学习模型的参数，评估医疗器械推荐深度学习模型的性能并将结果进行可视化展示。
可选地，所述引入稀疏表示算法，对扩维后的特征数据构建卷积层的稀疏表示包括以下步骤：
S451、对医疗器械推荐深度学习模型的每个卷积层，使用极端学习稀疏表示算法对其输出进行稀疏表示，并获得稀疏矩阵；
S452、逐层构建稀疏约束矩阵，并调整参数；
S453、对于稀疏约束矩阵中的每一层的输入矩阵，通过卷积运算与非线性映射计算出该层的输出，最优化参数，并减少输出与稀疏矩阵的差异；
其中，所述最优化参数的计算公式为：
式中，H(l)为第l层网络的输出矩阵；
T(l)为第l层网络的系数矩阵；
θ(l)为第l层网络的最优化参数；
为L2范数的平方。
可选地，所述当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型包括以下步骤：
S61、收集新增的医疗数据，并对新增的医疗数据进行处理；
S62、将预处理后的新增医疗数据输入匹配模型中进行重新训练；
S63、将新的病人特征向量输入到训练好的模型中，得到匹配的医疗器械推荐；
S64、根据医疗器械推荐的结果，利用自然语言生成技术生成解释文本；
S65、设定更新日期，到达设定日期时，重复执行S61-S64的步骤，以确保匹配模型始终保持最新的医疗数据。
可选地，所述根据医疗器械推荐的结果，利用自然语言生成技术生成解释文本包括以下步骤：
S641、将医疗器械推荐的结果转化为自然语言生处理的格式，定义多个文本模板；
S642、将医疗器械推荐的结果填充到多个文本中，生成初步的解释文本；
S643、对生成的解释文本进行优化，所述优化至少包括检查语法错误、修正拼写错误及优化语句流畅度，并输出优化后的解释文本。
根据本发明的另一个方面，还提供了一种基于人工智能的医疗器械推荐系统，该系统包括：数据收集模块、知识图谱构建模块、数据融合模块、深度学习模型构建模块、个性化推荐模块及模型更新和解释生成模块；
所述数据收集模块通过所述知识图谱构建模块与所述数据融合模块连接，所述数据融合模块通过所述深度学习模型构建模块与所述个性化推荐模块，所述个性化推荐模块与所述模型更新和解释生成模块连接；
所述数据收集模块，用于收集目标医院、目标地区的结构化医疗数据和非结构化医疗数据；
所述知识图谱构建模块，用于使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系；
所述数据融合模块，用于将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱；
所述深度学习模型构建模块，用于构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型；
所述个性化推荐模块，用于将新病人的个人信息和病情信息输入匹配模型中，实现医疗器械的个性化推荐；
所述模型更新和解释生成模块，用于当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型。
相较于现有技术，本申请具有以下有益效果：
1、本发明通过知识图谱在信息检索方面具有巨大优势，因为它们提供了一个直观的图形接口，医生可以更容易地找到和理解复杂的医疗信息，通过将疾病、症状、治疗等概念实体及其关系可视化，医生可以更好地理解疾病和症状之间的连接，以及可能的治疗方案，从而作出更好的临床决策，医疗知识图谱可以帮助研究人员发现疾病、症状和治疗之间的新的关系，推动医疗研究的进步。
2、本发明结构化数据和非结构化数据的融合可以提供更全面的医疗信息，包括疾病、症状、检查和治疗等各方面的信息，通过构建病人个体的医疗数据子图，可以提供个性化的医疗服务，例如个性化的诊断和治疗建议，通过融合结构化和非结构化数据，可以提供更丰富、更准确的医疗信息，帮助医生做出更准确的诊断和治疗决策；通过自然语言处理技术解析非结构化医疗文本，可以自动提取出重要的医疗信息，减少医生的工作负担，提高医疗服务的效率。
3、本发明通过提取病人的基本信息、病史信息、遗传信息、生活习惯信息等特征数据，可以为每个病人提供个性化的医疗器械推荐；通过提取医疗器械的类型、功能、适用病症、使用限制等特征数据，可以精准匹配病人的需求和医疗器械的特性。
4、本发明引入差分隐私技术，可以在保护病人隐私的同时，利用病人的特征数据进行医疗器械推荐，利用高光谱图像数据处理法对特征数据进行扩维，可以提取出更多的特征信息，提高医疗器械推荐的准确性，引入稀疏表示算法，可以有效地处理高维度的特征数据，提高模型的计算效率，通过设置损失函数与训练参数，利用验证集对模型进行评估和参数调整，可以优化模型的性能，提高医疗器械推荐的准确性和效率。
附图说明
结合实施例的以下描述，本发明的上述特性、特征和优点及其实现方式和方法变得更明白易懂，实施例结合附图详细阐述。在此以示意图示出：
图1是根据本发明实施例的一种基于人工智能的医疗器械推荐方法的流程图；
图2是根据本发明实施例的一种基于人工智能的医疗器械推荐系统的原理框图。
图中：
1、数据收集模块；2、知识图谱构建模块；3、数据融合模块；4、深度学习模型构建模块；5、个性化推荐模块；6、模型更新和解释生成模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
根据本发明的实施例，提供了一种基于人工智能的医疗器械推荐方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明的一个实施例，提供了一种基于人工智能的医疗器械推荐方法，该医疗器械推荐方法包括以下步骤：
S1、收集目标医院、目标地区的结构化医疗数据和非结构化医疗数据。
需要解释说明的是，结构化医疗数据和非结构化医疗数据是医疗信息系统中的两种主要数据类型。
结构化医疗数据：这是以预定格式或模型存储的数据，通常存在于关系数据库或其他形式的数据表中。例如，电子病历系统中的患者姓名、年龄、性别、诊断结果、实验室测试结果等。
非结构化医疗数据：这是没有预定义数据模型的数据，或者不适合放入关系数据库的数据。这些数据包括医疗图像(如X光片、CT扫描、MRI等)、手术记录、病理报告、临床笔记等。
结构化数据和非结构化数据都非常重要，因为它们提供了对患者状况的全面视图。通过有效地结合和使用这两种类型的数据，医疗人员可以更好地理解患者的病情，从而制定更有效的治疗计划。
S2、使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系。
优选地，所述使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系包括以下步骤：
S21、定义医学本体，所述医学本体至少包含疾病、症状、检查和治疗的医学概念实体及医学概念实体之间的关系；
S22、从医疗文本中抽取疾病和症状的医学概念词，获得疾病和症状的概念实体；
S23、根据医学本体，对抽取的疾病和症状概念实体进行标注；
S24、根据医学文本中标注的描述，提取疾病和症状概念实体之间的症状关系；
S25、将疾病和症状概念实体之间的症状关系连接在医学本体中，构建医疗知识图谱。
需要解释说明的是，重复上述S21-S25的步骤，可以扩充更多疾病、症状实体以及实体之间的关系，即：通过不断丰富知识图谱，构建医疗知识图谱；同时在知识图谱中，疾病概念实体与症状概念实体之间形成“症状”关系等，最终构建出连接了大量医学概念实体的知识图谱。
此外，医疗知识图谱是一种结构化的知识库，它将医疗领域的各种实体(如疾病、症状、检查和治疗)以及这些实体之间的关系(如疾病和症状之间的关系)以图形的形式表示出来。这种知识图谱可以帮助医疗人员更好地理解和解释医疗数据，从而提高诊断和治疗的效率和准确性。
医学本体是一种特殊的知识图谱，它定义了医学领域的核心概念和概念之间的关系。医学本体可以用于标准化医疗数据，提高数据的互操作性，以及支持复杂的查询和分析。
S3、将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱。
S31、解析结构化医疗数据，获取至少包含疾病、症状、检查、治疗的结构化医疗概念；
S32、使用自然语言处理技术解析非结构化医疗文本，提取至少包含疾病、症状的非结构化医疗概念；
S33、在医疗知识图谱中，将提取出的结构化医疗概念与非结构化医疗概念同义实体进行融合(同义实体进行融合是指：如果结构化数据和非结构化文本中提取出来的概念是同一个意思，比如都表示“胃癌”，则在知识图谱中将它们融合为一个概念实体“胃癌”)；
S34、连接同一病人的结构化医疗概念和非结构化医疗概念之间的关系，形成病人个体的医疗数据子图；
S35、重复执行S33-S34的步骤，将不同病人的医疗数据子图融合到医疗知识图谱中，构建医疗数据知识图谱。
需要解释说明的是，持续扩充医疗数据知识图谱，加入新病人的结构化数据和非结构化数据。自然语言处理(Natural Language Processing，NLP)是计算机科学和人工智能的一个重要分支，它研究如何让计算机理解、解析和生成人类语言。NLP技术可以用于处理和分析大量的非结构化文本数据，包括医疗文本。
在医疗领域，NLP技术可以用于解析非结构化的医疗文本，如病历、医学文献等，提取出其中的重要信息，如疾病、症状、治疗方法等。这些信息可以用于构建医疗知识图谱，帮助医生和研究人员更好地理解疾病和治疗方法。
S4、构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型。
优选地，所述将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱包括以下步骤：
优选地，所述构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型包括以下步骤：
S41、从医疗数据知识图谱中提取病人的基本信息、病史信息、遗传信息、生活习惯信息作为病人信息的特征数据时；
S42、从医疗数据知识图谱中提取医疗器械的类型、功能、适用病症、使用限制作为医疗器械信息的特征数据；
S43、引入差分隐私技术，并基于病人信息的特征数据和医疗器械信息的特征数据，构建医疗器械推荐深度学习模型；
S44、对利用高光谱图像数据处理法对所述特征数据进行扩维；
S45、引入稀疏表示算法，对扩维后的特征数据构建卷积层的稀疏表示；
S46、使用稀疏表示训练医疗器械推荐深度学习模型，将特征数据的数据集分为训练集、验证集和测试集，使用训练集对模型进行初步训练；
S47、在医疗器械推荐深度学习模型训练过程中，设置损失函数与训练参数；
S48、利用验证集对医疗器械推荐深度学习模型进行评估，根据评估结果，调整模型的参数，得到匹配模型。
优选地，所述引入差分隐私技术，并基于病人信息的特征数据和医疗器械信息的特征数据，构建医疗器械推荐深度学习模型包括以下步骤：
S431、选择差分隐私参数，确定噪声的量级；
S432、选择的差分隐私机制生成随机噪声，将生成的噪声添加到病人的特征数据中，存储带有噪声的特征数据；
S434、将带有噪声的病人信息特征数据与医疗器械信息的特征数据合并；
S435、设定深度学习模型的架构，使用带有噪声的合并数据集进行模型的训练；
S436、对训练数据进行常规的安全性检查，限制模型训练过程中的数据访问权限，并定期评估模型的隐私泄露风险。
优选地，所述对利用高光谱图像数据处理法对所述特征数据进行扩维包括以下步骤：
S441、加载医疗器械的高光谱图像，转换数据维度并归一化；
S442、对医疗器械的高光谱数据进行增强，并进行数据集划分；
S443、医疗器械的高光谱数据进行特征扩维；
S444、使用训练数据对医疗器械推荐深度学习模型进行训练，并进行医疗器械推荐深度学习模型的验证；
S445、优化医疗器械推荐深度学习模型的参数，评估医疗器械推荐深度学习模型的性能并将结果进行可视化展示。
优选地，所述引入稀疏表示算法，对扩维后的特征数据构建卷积层的稀疏表示包括以下步骤：
S451、对医疗器械推荐深度学习模型的每个卷积层，使用极端学习稀疏表示算法对其输出进行稀疏表示，并获得稀疏矩阵；
S452、逐层构建稀疏约束矩阵，并调整参数；
S453、对于稀疏约束矩阵中的每一层的输入矩阵，通过卷积运算与非线性映射计算出该层的输出，最优化参数，并减少输出与稀疏矩阵的差异；
其中，所述最优化参数的计算公式为：
式中，H(l)为第l层网络的输出矩阵；
T(l)为第l层网络的系数矩阵；
θ(l)为第l层网络的最优化参数；
为L2范数的平方。
需要解释说明的是，差分隐私是一种隐私保护技术，它通过在数据中添加噪声来保护个体的隐私。在深度学习中，差分隐私可以用来保护训练数据中的个体隐私。而稀疏表示是一种数据表示方法，它试图用尽可能少的非零元素来表示数据。在深度学习中，稀疏表示可以用来减少模型的复杂性和提高模型的解释性。
此外，需要强调的是，医疗器械推荐深度学习模型的本质是卷积神经网络模型，它可以有效地处理医疗器械的推荐问题。这种模型的主要特点是能够自动提取和学习医疗器械的特征，然后根据这些特征进行医疗器械的推荐。在这个模型中，卷积层用于提取医疗器械的局部特征，而稀疏约束则用于保证模型的稀疏性，从而提高模型的解释性和泛化能力。稀疏约束的引入是通过EPLS算法实现的，该算法可以保证模型的激活时间稀疏性和样本分布稀疏性。此外，这个模型还引入了非线性映射和优化参数的步骤，以进一步提高模型的性能。非线性映射可以增加模型的非线性，使模型能够处理更复杂的医疗器械推荐问题；优化参数则是通过最小化输出和稀疏矩阵之间的差异来实现的，这可以使模型更好地满足稀疏性要求。总的来说，医疗器械推荐深度学习模型是一个结合了卷积网络和稀疏约束的高效模型，它可以有效地处理医疗器械的推荐问题。
S5、将新病人的个人信息和病情信息输入匹配模型中，实现医疗器械的个性化推荐。
需要解释说明的是，在医疗器械推荐深度学习模型中，新病人的个人信息和病情信息是重要的输入数据。这些信息可以帮助模型更准确地理解病人的需求，并据此进行个性化的医疗器械推荐。个人信息：这包括病人的年龄、性别、体重、身高等基本信息，以及病史、过敏史等医疗信息。这些信息可以帮助模型了解病人的基本情况和健康状况，从而进行更准确的推荐。病情信息：这包括病人的病症、病程、病理类型等信息。这些信息可以帮助模型了解病人的病情严重程度和病情特点，从而推荐最适合的医疗器械。这些信息被输入到模型中后，模型会通过卷积层提取这些信息的特征，然后通过稀疏约束保证模型的稀疏性，最后通过非线性映射和优化参数来生成最终的推荐结果。
S6、当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型。
优选地，所述当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型包括以下步骤：
S61、收集新增的医疗数据，并对新增的医疗数据进行处理；
S62、将预处理后的新增医疗数据输入匹配模型中进行重新训练；
S63、将新的病人特征向量输入到训练好的模型中，得到匹配的医疗器械推荐；
S64、根据医疗器械推荐的结果，利用自然语言生成技术生成解释文本；
S65、设定更新日期，到达设定日期时，重复执行S61-S64的步骤，以确保匹配模型始终保持最新的医疗数据。
优选地，所述根据医疗器械推荐的结果，利用自然语言生成技术生成解释文本包括以下步骤：
S641、将医疗器械推荐的结果转化为自然语言生处理的格式，定义多个文本模板；
S642、将医疗器械推荐的结果填充到多个文本中，生成初步的解释文本；
S643、对生成的解释文本进行优化，所述优化至少包括检查语法错误、修正拼写错误及优化语句流畅度，并输出优化后的解释文本。
需要解释说明的是，这个过程可以实现医疗器械的个性化推荐，并生成易于理解的推荐解释，同时通过定期更新保持模型的准确性和时效性。
根据本发明的另一个实施例，如图2所示，还提供了一种基于人工智能的医疗器械推荐系统，该系统包括：数据收集模块1、知识图谱构建模块2、数据融合模块3、深度学习模型构建模块4、个性化推荐模块5及模型更新和解释生成模块6；
所述数据收集模块1通过所述知识图谱构建模块2与所述数据融合模块3连接，所述数据融合模块3通过所述深度学习模型构建模块4与所述个性化推荐模块5，所述个性化推荐模块5与所述模型更新和解释生成模块6连接；
所述数据收集模块1，用于收集目标医院、目标地区的结构化医疗数据和非结构化医疗数据；
所述知识图谱构建模块2，用于使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系；
所述数据融合模块3，用于将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱；
所述深度学习模型构建模块4，用于构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型；
所述个性化推荐模块5，用于将新病人的个人信息和病情信息输入匹配模型中，实现医疗器械的个性化推荐；
所述模型更新和解释生成模块6，用于当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型。
综上所述，借助于本发明的上述技术方案，本发明通过知识图谱在信息检索方面具有巨大优势，因为它们提供了一个直观的图形接口，医生可以更容易地找到和理解复杂的医疗信息，通过将疾病、症状、治疗等概念实体及其关系可视化，医生可以更好地理解疾病和症状之间的连接，以及可能的治疗方案，从而作出更好的临床决策，医疗知识图谱可以帮助研究人员发现疾病、症状和治疗之间的新的关系，推动医疗研究的进步；本发明结构化数据和非结构化数据的融合可以提供更全面的医疗信息，包括疾病、症状、检查和治疗等各方面的信息，通过构建病人个体的医疗数据子图，可以提供个性化的医疗服务，例如个性化的诊断和治疗建议，通过融合结构化和非结构化数据，可以提供更丰富、更准确的医疗信息，帮助医生做出更准确的诊断和治疗决策；通过自然语言处理技术解析非结构化医疗文本，可以自动提取出重要的医疗信息，减少医生的工作负担，提高医疗服务的效率；本发明通过提取病人的基本信息、病史信息、遗传信息、生活习惯信息等特征数据，可以为每个病人提供个性化的医疗器械推荐；通过提取医疗器械的类型、功能、适用病症、使用限制等特征数据，可以精准匹配病人的需求和医疗器械的特性，引入差分隐私技术，可以在保护病人隐私的同时，利用病人的特征数据进行医疗器械推荐，利用高光谱图像数据处理法对特征数据进行扩维，可以提取出更多的特征信息，提高医疗器械推荐的准确性，引入稀疏表示算法，可以有效地处理高维度的特征数据，提高模型的计算效率，通过设置损失函数与训练参数，利用验证集对模型进行评估和参数调整，可以优化模型的性能，提高医疗器械推荐的准确性和效率。
虽然本发明已以较佳实施例揭示如上，然所述实施例仅为了便于说明而举例而已，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下可作若干的更动与润饰，本发明所主张的保护范围应以权利要求书所述为准。

Claims (9)

1.一种基于人工智能的医疗器械推荐方法，其特征在于，该医疗器械推荐方法包括以下步骤：
S1、收集目标医院、目标地区的结构化医疗数据和非结构化医疗数据；
S2、使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系；
S3、将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱；
S4、构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型；
S5、将新病人的个人信息和病情信息输入匹配模型中，实现医疗器械的个性化推荐；
S6、当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型；
所述构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型包括以下步骤：
S41、从医疗数据知识图谱中提取病人的基本信息、病史信息、遗传信息、生活习惯信息作为病人信息的特征数据时；
S42、从医疗数据知识图谱中提取医疗器械的类型、功能、适用病症、使用限制作为医疗器械信息的特征数据；
S43、引入差分隐私技术，并基于病人信息的特征数据和医疗器械信息的特征数据，构建医疗器械推荐深度学习模型；
S44、对利用高光谱图像数据处理法对所述特征数据进行扩维；
S45、引入稀疏表示算法，对扩维后的特征数据构建卷积层的稀疏表示；
S46、使用稀疏表示训练医疗器械推荐深度学习模型，将特征数据的数据集分为训练集、验证集和测试集，使用训练集对模型进行初步训练；
S47、在医疗器械推荐深度学习模型训练过程中，设置损失函数与训练参数；
S48、利用验证集对医疗器械推荐深度学习模型进行评估，根据评估结果，调整模型的参数，得到匹配模型。
2.根据权利要求1所述的一种基于人工智能的医疗器械推荐方法，其特征在于，所述使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系包括以下步骤：
S21、定义医学本体，所述医学本体至少包含疾病、症状、检查和治疗的医学概念实体及医学概念实体之间的关系；
S22、从医疗文本中抽取疾病和症状的医学概念词，获得疾病和症状的概念实体；
S23、根据医学本体，对抽取的疾病和症状概念实体进行标注；
S24、根据医学文本中标注的描述，提取疾病和症状概念实体之间的症状关系；
S25、将疾病和症状概念实体之间的症状关系连接在医学本体中，构建医疗知识图谱。
3.根据权利要求2所述的一种基于人工智能的医疗器械推荐方法，其特征在于，所述将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱包括以下步骤：
S31、解析结构化医疗数据，获取至少包含疾病、症状、检查、治疗的结构化医疗概念；
S32、使用自然语言处理技术解析非结构化医疗文本，提取至少包含疾病、症状的非结构化医疗概念；
S33、在医疗知识图谱中，将提取出的结构化医疗概念与非结构化医疗概念同义实体进行融合；
S34、连接同一病人的结构化医疗概念和非结构化医疗概念之间的关系，形成病人个体的医疗数据子图；
S35、重复执行S33-S34的步骤，将不同病人的医疗数据子图融合到医疗知识图谱中，构建医疗数据知识图谱。
4.根据权利要求1所述的一种基于人工智能的医疗器械推荐方法，其特征在于，所述引入差分隐私技术，并基于病人信息的特征数据和医疗器械信息的特征数据，构建医疗器械推荐深度学习模型包括以下步骤：
S431、选择差分隐私参数，确定噪声的量级；
S432、选择的差分隐私机制生成随机噪声，将生成的噪声添加到病人的特征数据中，存储带有噪声的特征数据；
S434、将带有噪声的病人信息特征数据与医疗器械信息的特征数据合并；
S435、设定深度学习模型的架构，使用带有噪声的合并数据集进行模型的训练；
S436、对训练数据进行常规的安全性检查，限制模型训练过程中的数据访问权限，并定期评估模型的隐私泄露风险。
5.根据权利要求4所述的一种基于人工智能的医疗器械推荐方法，其特征在于，所述对利用高光谱图像数据处理法对所述特征数据进行扩维包括以下步骤：
S441、加载医疗器械的高光谱图像，转换数据维度并归一化；
S442、对医疗器械的高光谱数据进行增强，并进行数据集划分；
S443、医疗器械的高光谱数据进行特征扩维；
S444、使用训练数据对医疗器械推荐深度学习模型进行训练，并进行医疗器械推荐深度学习模型的验证；
S445、优化医疗器械推荐深度学习模型的参数，评估医疗器械推荐深度学习模型的性能并将结果进行可视化展示。
6.根据权利要求5所述的一种基于人工智能的医疗器械推荐方法，其特征在于，所述引入稀疏表示算法，对扩维后的特征数据构建卷积层的稀疏表示包括以下步骤：
S451、对医疗器械推荐深度学习模型的每个卷积层，使用极端学习稀疏表示算法对其输出进行稀疏表示，并获得稀疏矩阵；
S452、逐层构建稀疏约束矩阵，并调整参数；
S453、对于稀疏约束矩阵中的每一层的输入矩阵，通过卷积运算与非线性映射计算出该层的输出，最优化参数，并减少输出与稀疏矩阵的差异；
其中，所述最优化参数的计算公式为：
式中，H(l)为第l层网络的输出矩阵；
T(l)为第l层网络的系数矩阵；
θ(l)为第l层网络的最优化参数；
为L2范数的平方。
7.根据权利要求1所述的一种基于人工智能的医疗器械推荐方法，其特征在于，所述当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型包括以下步骤：
S61、收集新增的医疗数据，并对新增的医疗数据进行处理；
S62、将预处理后的新增医疗数据输入匹配模型中进行重新训练；
S63、将新的病人特征向量输入到训练好的模型中，得到匹配的医疗器械推荐；
S64、根据医疗器械推荐的结果，利用自然语言生成技术生成解释文本；
S65、设定更新日期，到达设定日期时，重复执行S61-S64的步骤，以确保匹配模型始终保持最新的医疗数据。
8.根据权利要求7所述的一种基于人工智能的医疗器械推荐方法，其特征在于，所述根据医疗器械推荐的结果，利用自然语言生成技术生成解释文本包括以下步骤：
S641、将医疗器械推荐的结果转化为自然语言生处理的格式，定义多个文本模板；
S642、将医疗器械推荐的结果填充到多个文本中，生成初步的解释文本；
S643、对生成的解释文本进行优化，所述优化至少包括检查语法错误、修正拼写错误及优化语句流畅度，并输出优化后的解释文本。
9.一种基于人工智能的医疗器械推荐系统，用于实现权利要求1-8中任一项所述的基于人工智能的医疗器械推荐方法，其特征在于，该系统包括：数据收集模块、知识图谱构建模块、数据融合模块、深度学习模型构建模块、个性化推荐模块及模型更新和解释生成模块；
所述数据收集模块通过所述知识图谱构建模块与所述数据融合模块连接，所述数据融合模块通过所述深度学习模型构建模块与所述个性化推荐模块，所述个性化推荐模块与所述模型更新和解释生成模块连接；
所述数据收集模块，用于收集目标医院、目标地区的结构化医疗数据和非结构化医疗数据；
所述知识图谱构建模块，用于使用医学本体构建医疗知识图谱，并建立疾病与症状中医学概念实体之间的关系；
所述数据融合模块，用于将所述结构化医疗数据和所述非结构化医疗数据与所述医疗知识图谱相融合，得到医疗数据知识图谱；
所述深度学习模型构建模块，用于构建医疗器械推荐深度学习模型，从医疗数据知识图谱中提取病人特征信息和医疗器械信息作为特征数据，并以特征数据作为输入，经过模型训练、验证后得到病人特征信息与医疗器械信息匹配程度的匹配模型；
所述个性化推荐模块，用于将新病人的个人信息和病情信息输入匹配模型中，实现医疗器械的个性化推荐；
所述模型更新和解释生成模块，用于当新增医疗数据出现时，生成推荐的解释文本，并定期使用新增医疗数据重新训练匹配模型。
CN202311160619.4A 2023-09-11 2023-09-11 一种基于人工智能的医疗器械推荐方法及系统 Active CN116894125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311160619.4A CN116894125B (zh) 2023-09-11 2023-09-11 一种基于人工智能的医疗器械推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311160619.4A CN116894125B (zh) 2023-09-11 2023-09-11 一种基于人工智能的医疗器械推荐方法及系统

Publications (2)

Publication Number Publication Date
CN116894125A CN116894125A (zh) 2023-10-17
CN116894125B true CN116894125B (zh) 2023-11-21

Family

ID=88313789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311160619.4A Active CN116894125B (zh) 2023-09-11 2023-09-11 一种基于人工智能的医疗器械推荐方法及系统

Country Status (1)

Country Link
CN (1) CN116894125B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110459290A (zh) * 2019-08-20 2019-11-15 曹庆恒 一种智能推荐医疗器械的方法、系统和设备
CN115757982A (zh) * 2021-09-03 2023-03-07 苏州蓝点医疗科技有限公司 一种基于人工智能的医疗器械推荐方法及系统
CN116523598A (zh) * 2023-05-04 2023-08-01 重庆医药数据信息科技有限公司 一种医疗器械推荐方法、系统、存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110459290A (zh) * 2019-08-20 2019-11-15 曹庆恒 一种智能推荐医疗器械的方法、系统和设备
CN115757982A (zh) * 2021-09-03 2023-03-07 苏州蓝点医疗科技有限公司 一种基于人工智能的医疗器械推荐方法及系统
CN116523598A (zh) * 2023-05-04 2023-08-01 重庆医药数据信息科技有限公司 一种医疗器械推荐方法、系统、存储介质

Also Published As

Publication number Publication date
CN116894125A (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
WO2023202508A1 (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
Wu et al. Comparison of chest radiograph interpretations by artificial intelligence algorithm vs radiology residents
US20200303072A1 (en) Method and system for supporting medical decision making
WO2022116430A1 (zh) 基于大数据挖掘的模型部署方法、装置、设备及存储介质
CN111666477B (zh) 一种数据处理方法、装置、智能设备及介质
CN113015977A (zh) 使用自然语言处理的对疾病和病症的基于深度学习的诊断和转诊
KR20240008838A (ko) 인공 지능-보조 이미지 분석을 위한 시스템 및 방법
Wang et al. Online disease diagnosis with inductive heterogeneous graph convolutional networks
US10936962B1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
CN116013534A (zh) 一种基于医学指南和数据的临床辅助决策方法及系统
Kaswan et al. AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data
Gudivada et al. A literature review on machine learning based medical information retrieval systems
CN109360658A (zh) 一种基于词向量模型的疾病模式挖掘方法及装置
RU2720363C2 (ru) Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта
CN117672450A (zh) 一种基于知识图谱的个性化药物推荐方法与系统
Shen et al. A novel DL-based algorithm integrating medical knowledge graph and doctor modeling for Q&A pair matching in OHP
Ting et al. Web information retrieval for health professionals
Albagli-Kim et al. Knowledge graph-based framework for decision making process with limited interaction
US12087442B2 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
Wei et al. The delineation of largely deformed brain midline using regression‐based line detection network
Jia et al. DKDR: An approach of knowledge graph and deep reinforcement learning for disease diagnosis
CN116721730B (zh) 一种基于数字疗法的患者全程管理系统
Liu et al. Recent advances in representation learning for electronic health records: A systematic review
Song et al. Research of medical aided diagnosis system based on temporal knowledge graph
Alvarez et al. Application of the spreading activation technique for recommending concepts of well-known ontologies in medical systems

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