CN117112807A - 基于力学模型的知识图谱关联信息焦点可视化方法及系统 - Google Patents
基于力学模型的知识图谱关联信息焦点可视化方法及系统 Download PDFInfo
- Publication number
- CN117112807A CN117112807A CN202311374365.6A CN202311374365A CN117112807A CN 117112807 A CN117112807 A CN 117112807A CN 202311374365 A CN202311374365 A CN 202311374365A CN 117112807 A CN117112807 A CN 117112807A
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- knowledge graph
- patient
- concerned
- 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
Links
- 238000007794 visualization technique Methods 0.000 title claims abstract description 22
- 238000012800 visualization Methods 0.000 claims abstract description 60
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 108020001568 subdomains Proteins 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 3
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 abstract 1
- 238000004220 aggregation Methods 0.000 abstract 1
- 238000000034 method Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 10
- 239000003814 drug Substances 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- IUBSYMUCCVWXPE-UHFFFAOYSA-N metoprolol Chemical compound COCCC1=CC=C(OCC(O)CNC(C)C)C=C1 IUBSYMUCCVWXPE-UHFFFAOYSA-N 0.000 description 2
- 229960002237 metoprolol Drugs 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 1
- 229960003105 metformin Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06F16/34—Browsing; Visualisation therefor
-
- 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
-
- 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
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G16H50/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- 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力学模型的知识图谱关联信息焦点可视化方法及系统，本发明在构建领域本体模型的基础上构建患者个体医疗知识图谱，并在可视化布局中将节点与边分别抽象为具有力学特性的球体与圆形截面细杆，通过计算实体间的相关度、节点的重要性、边的信息增益等，得到节点对应的球体半径、边对应的细杆长度与截面积。在本发明构建的图谱中，通过节点聚集程度反映强相关度知识之间的联系，通过用户交互操作产生的图谱动态变化使用力学模型进行图谱自适应再布局，经过再布局后，与用户关心的节点关联度越大的节点将集中显示在关心节点周围，从而实现关联信息的焦点可视化，帮助用户更快地发现知识之间不同层次的关联关系，提高知识传播效果。
Description
技术领域
本发明属于知识图谱可视化技术领域，尤其涉及一种基于力学模型的知识图谱关联信息焦点可视化方法及系统。
背景技术
知识可视化是指使用视觉表征手段表示知识，目的是减少知识传递过程中存在的信息熵，提升知识的易读性与完整性，从而减轻接收方的理解负担，最终提升知识的获取效率。关联信息焦点可视化是指将相关的信息根据一定的方法进行整理和组织，并以图形化的方式呈现，有助于提高信息传递的效率和准确性，使用户更容易发现关键信息。
知识图谱是一种存储与组织知识的知识可视化方式，将实体与实体间的关系用节点与边的形式进行可视化，能够帮助接受者理解知识的拓扑结构。但现有的知识图谱构建及其可视化过程均以知识本身的逻辑结构为核心，以图形化的形式呈现知识之间的关系。但是，当知识的规模庞大，结构复杂度较高时，缺少高效、合理的可视化方法来引导用户快速定位和获取所需的知识，可能导致用户的学习和理解过程受阻，增加获取知识的难度。此外，现有的知识图谱动态交互方法在结果的解释度上存在一定的不足，使得用户不易于理解知识间的动态关系，不仅影响了用户的学习效率，还可能降低用户对知识图谱的信任度。
公开号为CN111966821A的专利中提出了一种基于力学原理的知识图谱可视化方法，该方法中将知识图谱三元组转为关系图表达了知识图谱中包含的信息，但未能针对领域知识的相关性进行知识图谱可视化，也未能针对用户操作进行知识图谱的自适应再布局。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于力学模型的知识图谱关联信息焦点可视化方法及系统。
本发明的目的是通过以下技术方案实现的：
第一方面，本发明提供一种基于力学模型的知识图谱关联信息焦点可视化方法，包括：
构建领域本体模型，从患者历史诊疗记录中抽取实体映射到领域本体模型，得到患者个体医疗知识图谱；
将患者个体医疗知识图谱抽象为以患者为根节点的树形拓扑结构，在可视化布局中将实体对应的节点与实体连接对应的边抽象为具有力学特性的球体与圆形截面细杆，通过计算实体间的相关度、节点的重要性和边的信息增益，计算得到节点对应的球体半径，以及边对应的细杆长度与截面积；
使用可视化工具在三维空间内显示患者个体医疗知识图谱；
将图谱可视化空间划分为若干子领域区域，通过监控用户对节点的点击和拖拽操作，推断用户的关心节点及关心子领域，基于力学模型进行图谱的自适应再布局；
计算新布局下节点的显示关联度，通过对不同关联类别节点的不同展示，为用户提供关联信息的焦点可视化。
进一步地，边对应的细杆长度计算具体为：使用点互信息算法计算节点对应的实体对在知识体系中的相关度，连接节点对的边的长度与实体对的相关度成反比，为边对应的细杆分配不同长度。
进一步地，边对应的截面积计算具体为：计算节点对中节点的信息增益，计算连接节点对的边的信息增益，通过边的信息增益为边对应的细杆分配不同截面积。
进一步地，节点对应的球体半径计算具体为：使用加权介数中心性算法计算节点在图谱中的重要性，节点对应的球体质量与节点在图谱中的重要性成正比，为节点对应的球体分配不同质量，从而计算得到球体半径。
进一步地，患者个体医疗知识图谱可视化所使用的数据集包括：
节点集：提取患者个体医疗知识图谱中所有实体作为节点集，每个节点存储如下属性信息：节点索引、节点标签、节点对应球体质量、节点半径和节点类型；
边集：提取患者个体医疗知识图谱中所有三元组作为边集，每条边存储如下属性信息：连接的起点、连接的终点、边类型、边长度和边对应细杆截面积。
进一步地，当监控到用户的点击操作时，将用户点击的节点标记为关心节点，放大关心节点对应的球体质量，更新节点和边之间的力学作用并调整知识图谱的可视化布局。
进一步地，当监控到用户的拖拽操作时，将用户拖拽的节点标记为关心节点，放大关心节点对应的球体质量，将拖拽方向的子领域标记为关心子领域，放大关心子领域分类下的节点对应的球体质量，更新节点和边之间的力学作用并调整知识图谱的可视化布局。
进一步地，当监控到用户的拖拽操作时，采用以下步骤对知识图谱进行动态更新：
将用户拖拽的节点标记为关心节点，记录关心节点拖拽的起始位置和终止位置，确定拖拽方向，标记关心子领域；
依据力学定律计算得到关心节点在拖拽时间内受到的拖拽力，拖拽力通过关心节点传导到相邻的连接边；关心节点移动对边产生的拖拽力将导致边的旋转，边的旋转方向与拖拽力方向一致，根据力学模型计算边的旋转角度，结合关心节点的终止位置和边的长度，确定边的最终位置，以及边的另一端节点的位置。
进一步地，在图谱的自适应再布局形成稳定状态时，以关心节点为中心，将其他节点根据显示关联度即其他节点与关心节点间的距离分为不同的关联类别，通过对不同关联类别节点的不同展示，提供关联信息的焦点可视化。
第二方面，本发明提供一种基于力学模型的知识图谱关联信息焦点可视化系统，包括：
患者个体医疗知识图谱构建模块：构建领域本体模型，从患者历史诊疗记录中抽取实体映射到领域本体模型，得到患者个体医疗知识图谱；
图谱元素物理属性设置模块：将患者个体医疗知识图谱抽象为以患者为根节点的树形拓扑结构，在可视化布局中将实体对应的节点与实体连接对应的边抽象为具有力学特性的球体与圆形截面细杆，通过计算实体间的相关度、节点的重要性和边的信息增益，计算得到节点对应的球体半径，以及边对应的细杆长度与截面积，完成图谱元素物理属性设置；
患者个体医疗知识图谱可视化模块：使用可视化工具在三维空间内显示患者个体医疗知识图谱；
图谱关联信息焦点可视化模块：将图谱可视化空间划分为若干子领域区域，通过监控用户对节点的点击和拖拽操作，推断用户的关心节点及关心子领域，基于力学模型进行图谱的自适应再布局；计算新布局下节点的显示关联度，通过对不同关联类别节点的不同展示，为用户提供关联信息的焦点可视化。
第三方面，本发明提供一种基于力学模型的知识图谱关联信息焦点可视化设备，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，所述处理器执行所述可执行代码时，实现如第一方面所述的基于力学模型的知识图谱关联信息焦点可视化方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现如第一方面所述的基于力学模型的知识图谱关联信息焦点可视化方法。
本发明的有益效果是：本发明在可视化布局中将实体对应的节点与实体连接对应的边抽象为具有力学特性的球体与圆形截面细杆，通过用节点对应球体的质量来反应知识的重要性，并使用边的截面积和长度来表示关系的重要性和知识之间的相关度，使得患者个体医疗知识图谱可视化结果更具解释力，能够帮助用户更好地理解知识与知识之间的关系和层级结构，从而更好地利用知识；另一方面，本发明基于力学模型可视化患者个体医疗知识图谱，并针对用户操作进行基于力学模型的动态自适应调整，对不同关联类别节点进行不同的展示，帮助用户更快地发现知识之间不同层次的关联关系，提高知识传播效果。
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为一示例性实施例提供的基于力学模型的知识图谱关联信息焦点可视化方法流程图；
图2为一示例性实施例提供的对图谱节点进行拖拽后的连接边受力示意图；
图3为一示例性实施例提供的图谱关联知识焦点可视化示意图；
图4为一示例性实施例提供的基于力学模型的知识图谱关联信息焦点可视化系统结构图；
图5为一示例性实施例提供的基于力学模型的知识图谱关联信息焦点可视化设备结构图。
具体实施方式
为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本发明提供一种基于力学模型的知识图谱关联信息焦点可视化方法，如图1所示，该方法包括以下步骤：
（1）构建领域本体模型，从患者历史诊疗记录中抽取实体映射到领域本体模型，得到患者个体医疗知识图谱；
（2）将患者个体医疗知识图谱抽象为以患者为根节点的树形拓扑结构，在可视化布局中将实体对应的节点与实体连接对应的边抽象为具有力学特性的球体与圆形截面细杆，通过计算实体间的相关度、节点的重要性、节点的信息增益和边的信息增益，计算得到节点对应的球体半径，以及边对应的细杆长度与截面积，完成图谱元素物理属性设置；
（3）使用可视化工具在三维空间内显示患者个体医疗知识图谱；
（4）将图谱可视化空间划分为若干子领域区域，通过监控用户对节点的点击和拖拽操作，推断用户的关心节点及关心子领域，基于力学模型进行图谱的自适应再布局；
（5）计算新布局下节点的显示关联度，通过对不同关联类别节点的不同展示，为用户提供关联信息的焦点可视化。
下面详细阐述本发明的具体实现流程。
一、患者个体医疗知识图谱构建：本发明首先构建领域本体模型，并进一步对患者个体诊疗记录进行实体抽取和识别，映射到领域本体模型实现知识图谱的实例化，具体包含以下步骤：
1. 领域本体模型构建：以单一科室为例，领域本体模型构建的知识来源为科室相关疾病的临床指南、诊断标准、治疗标准等，以医学系统命名法——临床术语（Systematized Nomenclature of Medicine -- Clinical Terms，SNOMED CT）为依据进行分词，抽象得到疾病、症状、药品、手术、检查项目、检验项目、个人信息等实体，进一步使用神经网络对抽取得到的实体进行关系识别，这里的关系包含但不限于发生部位、值、包含关系等，经过知识推理完成领域本体模型的构建，领域本体模型包含类、各类属性、实例等资源。
2. 在患者授权下获取患者历史诊疗记录，包含患者在多个医疗机构产生的门诊、住院记录，具体包含未结构化的、以自然语言记录的主诉、现病史、个人史、既往史、家族史等文本，半结构化的诊断记录，以及结构化的检查检验、用药、手术等数据。
3. 从获取的患者历史诊疗记录中抽取实体，包含但不限于疾病、症状、药品、手术、检查项目、检验项目、个人信息等。
4. 将抽取得到的实体映射到预先构建的领域本体模型，得到患者个体医疗知识图谱。
二、图谱元素物理属性设置：本发明将患者个体医疗知识图谱抽象为以患者为根节点的树形拓扑结构G，将实体e抽象为节点n，实体间的关系抽象为边ed，节点的表现形式为密度相同的球体，边的表现形式为圆形截面的细杆，所有细杆的密度相同；通过计算实体间的相关度、节点的重要性、节点的信息增益、边的信息增益等，计算得到节点n对应的球体半径R，以及边ed对应的细杆长度L与截面积S，作为可视化图谱中节点与边的力学模型基础。本发明中使用到的语料库由同一科室的患者诊疗文本记录构成。
1. 边的长度L计算：本发明构建的患者个体医疗知识图谱中，连接节点对的边的长度/>与对应实体对/>的相关度成反比，具体地，本发明使用点互信息算法计算实体对/>在知识体系中的相关度，进而计算连接边的边长/>，具体计算公式如下：
；
其中为实体/>在语料库中同时出现的概率，/>和/>为实体在语料库中各自独立出现的概率，/>为第一可调比例系数，在具体实施中依据画布尺寸进行调整。
2. 节点的质量M和半径R计算：本发明构建的患者个体医疗知识图谱中，节点n的质量与节点n在图谱中的重要性成正比，具体地，本发明使用加权介数中心性算法计算节点n在图谱中的重要性，进而计算节点对应的球体质量/>和对应的球体半径/>，具体计算方法为：
（1）除节点n外，遍历图谱中所有的节点对，基于上一步计算得到的图谱中所有边的长度，计算节点i到节点j的每个路径的总长度，即路径经过的所有边的长度总和，记录节点i到节点j的最短路径条数/>；
（2）在最短路径条数中，计算其中经过节点n的条数/>；
（3）节点n对应的球体质量和球体半径/>的计算公式如下：
；
其中为第二可调比例系数，在具体实施中依据画布尺寸与边的平均长度进行调整，使得边的平均长度为平均球体半径的3至5倍；ρ为球体密度，简化为1。
3. 边的截面积S计算：本发明将患者个体医疗知识图谱抽象为树形拓扑结构，根节点为患者，通过计算节点对的连接边的信息增益，计算对应细杆的截面积，具体计算方法为：
（1）计算节点的信息增益/>，节点n的信息增益/>的计算公式如下：
；
其中j为图谱中除了节点n以外的其他节点，为节点j在图谱中的出现概率，为图谱中不存在节点n时，节点j在图谱中的出现概率；
（2）通过计算边的信息增益，计算连接节点对/>的边的截面积，计算公式如下：
；
其中为图谱中除了节点/>以外的其他节点，/>为节点/>在图谱中的出现概率，/>为图谱中不存在节点/>时，节点/>在图谱中的出现概率，/>为第三可调比例系数，在具体实施中依据画布尺寸进行调整。
三、基于力学模型的患者个体医疗知识图谱可视化：经过图谱元素物理属性设置后，若节点在图谱中具有更强的重要性，则节点对应的球体将具有更大的质量，在运动加速度一定时该节点将对相邻的边提供更大的拉力或推力；同时，若两个节点对应的实体相关度强且连接节点的边在图谱中具有更大的信息增益，则该边将具有较大的截面积与较短的长度，从而具有更小的弹性，当边的一端受到拉力或推力时，通过边传导到另一端的力更小，即另一边的节点更不容易被拉动或推动。
本发明中，知识图谱可视化使用可视化工具在三维空间内显示患者个体医疗知识图谱。可视化所使用的数据集由Json来结构化存储，包括：
1. 节点集：提取患者个体医疗知识图谱中所有实体作为节点集，其中每一个节点存储如下属性信息：id存储节点索引；name存储节点标签；weight存储节点对应球体质量，体现为节点在图谱中的重要性；radius存储节点的半径；type存储节点的类型。
2. 边集：提取患者个体医疗知识图谱中所有三元组作为边集，其中每一条边存储如下属性信息：source为连接的起点；target为连接的终点；type存储边的类型；length存储边的长度，体现为边连接的实体对的相关度；area存储边对应细杆截面积，体现为边在图谱中的信息增益。
四、基于力学模型的关联信息焦点可视化：除上述知识图谱元素可视化外，本发明所述知识图谱将可视化空间划分为四个象限，分别对应“疾病与临床表现”、“药品”、“手术操作”、“检验检查”这四个子领域，图谱中所有节点均能够被分类到四个子领域中。通过监控用户对图谱节点的点击、拖拽等交互操作，推断用户对特定的节点与对应的子领域知识更感兴趣，从而基于力学模型进行图谱的自适应再布局，动态调整图谱内元素的显示，使用户能够观察到知识图谱的变化过程。
1. 针对不同的用户操作，将采用不同的图谱动态更新方法：
（1）点击：当用户点击某一节点n时，说明用户对该节点更感兴趣，标记该节点为关心节点，放大该节点对应的球体质量，例如将节点的质量放大为1.5倍，进而更新节点和边之间的力学作用并调整知识图谱的可视化布局。
（2）拖拽：当用户向某一方向拖拽某一节点n时，说明用户对该节点以及对应方向的子领域知识更感兴趣，标记该节点为关心节点，放大该节点对应的球体质量，例如将节点的质量放大为1.5倍，同时将对应方向的子领域标记为关心子领域，关心子领域分类下的节点的质量放大为1.2倍，进而更新节点和边之间的力学作用并调整知识图谱的可视化布局，具体地，采用以下步骤对知识图谱进行动态更新：
a. 确定拖拽节点的坐标与拖拽方向：记录节点n拖拽的起始位置和终止位置/>，确定拖拽方向，标记关心子领域。
b. 计算连接边的受力：以拖拽节点的坐标变化和拖拽时间为基础，计算节点的运动加速度，采用力学模型对相连的边和其他节点进行受力分析；已知拖拽节点n的起始位置和终止位置/>，依据力学定律可计算得到节点n在操作时间t内受到的外力F，计算公式如下：
；
其中M为节点n的初始质量。
图2为一个简单的患者个体医疗知识图谱对节点进行拖拽后的连接边受力的示例，其中“患者”节点具有“糖尿病”和“二甲双胍”这两个相邻节点，分别通过“诊断”和“用药”关系连接。以“患者”节点移动带动区域内其他节点和边移动为例，图2中虚线圆与虚线边代表移动前的局部图谱情况，实线圆与实线边代表移动后的局部图谱情况；当用户对“患者”节点进行一次拖拽时，“患者”节点受到的合外力为F，该力将通过“患者”节点传导到相邻的连接边，即“诊断”边与“用药”边将受到大小相同、方向相同的力F。
c. 计算拖拽节点的连接边与另一端节点的位置：根据力学模型，节点移动对边产生的拖拽力F将导致边的旋转。
边的旋转方向与拖拽力方向一致，力F产生的力矩，其中/>为关心节点，/>为另一端节点，/>分别为节点/>的初始质量，/>为连接边的长度，/>为力的延长线与连接边的夹角角度，由于边的旋转角度为力矩除以转动惯量，同时转动惯量/>，其中m为连接边的质量，从而边的旋转角度/>的计算公式如下：
；
其中为细杆密度，简化为1。
已知边的一端位置为关心节点n的终止位置，由上式可计算得到边的旋转角度，同时已知边的长度，可以确定边的最终位置。同时，连接边另一端的位置即为另一端节点的位置。
2. 关联信息焦点可视化：图谱动态更新完成后，知识图谱再次形成稳定状态。在该状态下，以关心节点n为中心，将其他节点根据显示关联度分为不同的关联类别，通过对不同关联类别节点的不同展示，提供关联信息的焦点可视化。
在一个实施例中，将关联类别分为强关联、弱关联、无关联三类，对于强关联节点，进行第一优先级展示，对于弱关联节点，进行第二优先级展示，对于无关联节点，进行隐藏。具体地，可以使用不同的颜色标记区分不同的优先级，第一优先级展示方式为使用彩色标记对应节点；第二优先级展示方式为使用灰色标记对应节点。
除关心节点外，其他节点的显示关联度使用其他节点与关心节点n间的距离表示。在该实施例中，与关心节点n的距离在范围内的节点记为强关联节点，与关心节点n的距离在/>范围内的节点记为弱关联节点，其他节点记为无关联节点，其中为关心节点n的半径。
图3为一个简单的图谱关联知识焦点可视化示例，其中“患者”节点具有“糖尿病”、“过敏”、“美托洛尔”、“咳嗽”、“胸痛”等相邻节点，分别通过“既往史”、“个人史”、“用药”、“症状”关系连接。以“患者”节点移动带动区域内其他节点和边移动为例，图中虚线圆与虚线边代表移动前的局部图谱情况，实线圆与实线边代表移动后的局部图谱情况，当用户将“患者”节点向“药品”区域拖拽时，说明用户对“药品”这一子领域更感兴趣。经过基于力学模型的图谱动态更新与显示关联度计算，“美托洛尔”与“过敏”节点与关心节点强关联，在图谱中使用第一优先级展示，使用彩色标记对应节点；“咳嗽”、“胸痛”、“糖尿病”节点与关心节点弱关联，在图谱中使用第二优先级展示，使用灰色标记对应节点；其他节点与关心节点相关性小于设定阈值则视为无关联，在图谱中过滤展示。
综上，本发明提供一种新的以知识接受者为核心的交互模式，利用力学模型关联图谱可视化与用户操作，为用户聚焦以关注知识节点为中心的其他相关联信息，本发明方法不仅关注知识的层级结构，清晰地展示领域知识体系与知识间的关联关系，还关注知识的动态变化以及不同知识间的影响，通过提供一种更高效、直观、易于理解的知识图谱可视化工具，帮助用户更好地理解所需知识并发现知识之间的隐含关系，降低获取知识的难度，提高有关知识向用户的传播效果，具有较高的实用性和应用价值。
另一方面，本发明还提供了一种基于力学模型的知识图谱关联信息焦点可视化系统，如图4所示，该系统包括：
患者个体医疗知识图谱构建模块：构建领域本体模型，从患者历史诊疗记录中抽取实体映射到领域本体模型，得到患者个体医疗知识图谱；
图谱元素物理属性设置模块：将患者个体医疗知识图谱抽象为以患者为根节点的树形拓扑结构，在可视化布局中将实体对应的节点与实体连接对应的边抽象为具有力学特性的球体与圆形截面细杆，通过计算实体间的相关度、节点的重要性和边的信息增益，计算得到节点对应的球体半径，以及边对应的细杆长度与截面积，完成图谱元素物理属性设置；
患者个体医疗知识图谱可视化模块：使用可视化工具在三维空间内显示患者个体医疗知识图谱；
图谱关联信息焦点可视化模块：将图谱可视化空间划分为若干子领域区域，通过监控用户对节点的点击和拖拽操作，推断用户的关心节点及关心子领域，基于力学模型进行图谱的自适应再布局；计算新布局下节点的显示关联度，通过对不同关联类别节点的不同展示，为用户提供关联信息的焦点可视化。
与前述一种基于力学模型的知识图谱关联信息焦点可视化方法的实施例相对应，本发明还提供了一种基于力学模型的知识图谱关联信息焦点可视化设备的实施例。
参见图5，本发明实施例提供的一种基于力学模型的知识图谱关联信息焦点可视化设备，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，所述处理器执行所述可执行代码时，用于实现上述实施例中的一种基于力学模型的知识图谱关联信息焦点可视化方法。
本发明提供的一种基于力学模型的知识图谱关联信息焦点可视化设备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。设备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设备，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5所示，为本发明提供的一种基于力学模型的知识图谱关联信息焦点可视化设备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5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中设备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。
上述设备中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于设备实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的设备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一种基于力学模型的知识图谱关联信息焦点可视化方法。
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。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (10)
1.一种基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，包括：
构建领域本体模型，从患者历史诊疗记录中抽取实体映射到领域本体模型，得到患者个体医疗知识图谱；
将患者个体医疗知识图谱抽象为以患者为根节点的树形拓扑结构，在可视化布局中将实体对应的节点与实体连接对应的边抽象为具有力学特性的球体与圆形截面细杆，通过计算实体间的相关度、节点的重要性和边的信息增益，计算得到节点对应的球体半径，以及边对应的细杆长度与截面积；
使用可视化工具在三维空间内显示患者个体医疗知识图谱；
将图谱可视化空间划分为若干子领域区域，通过监控用户对节点的点击和拖拽操作，推断用户的关心节点及关心子领域，基于力学模型进行图谱的自适应再布局；
计算新布局下节点的显示关联度，通过对不同关联类别节点的不同展示，为用户提供关联信息的焦点可视化。
2.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，边对应的细杆长度计算具体为：使用点互信息算法计算节点对应的实体对在知识体系中的相关度，连接节点对的边的长度与实体对的相关度成反比，为边对应的细杆分配不同长度。
3.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，边对应的截面积计算具体为：计算节点对中节点的信息增益，计算连接节点对的边的信息增益，通过边的信息增益为边对应的细杆分配不同截面积。
4.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，节点对应的球体半径计算具体为：使用加权介数中心性算法计算节点在图谱中的重要性，节点对应的球体质量与节点在图谱中的重要性成正比，为节点对应的球体分配不同质量，从而计算得到球体半径。
5.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，患者个体医疗知识图谱可视化所使用的数据集包括：
节点集：提取患者个体医疗知识图谱中所有实体作为节点集，每个节点存储如下属性信息：节点索引、节点标签、节点对应球体质量、节点半径和节点类型；
边集：提取患者个体医疗知识图谱中所有三元组作为边集，每条边存储如下属性信息：连接的起点、连接的终点、边类型、边长度和边对应细杆截面积。
6.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，当监控到用户的点击操作时，将用户点击的节点标记为关心节点，放大关心节点对应的球体质量，更新节点和边之间的力学作用并调整知识图谱的可视化布局。
7.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，当监控到用户的拖拽操作时，将用户拖拽的节点标记为关心节点，放大关心节点对应的球体质量，将拖拽方向的子领域标记为关心子领域，放大关心子领域分类下的节点对应的球体质量，更新节点和边之间的力学作用并调整知识图谱的可视化布局。
8.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，当监控到用户的拖拽操作时，采用以下步骤对知识图谱进行动态更新：
将用户拖拽的节点标记为关心节点，记录关心节点拖拽的起始位置和终止位置，确定拖拽方向，标记关心子领域；
依据力学定律计算得到关心节点在拖拽时间内受到的拖拽力，拖拽力通过关心节点传导到相邻的连接边；关心节点移动对边产生的拖拽力将导致边的旋转，边的旋转方向与拖拽力方向一致，根据力学模型计算边的旋转角度，结合关心节点的终止位置和边的长度，确定边的最终位置，以及边的另一端节点的位置。
9.根据权利要求1所述的基于力学模型的知识图谱关联信息焦点可视化方法，其特征在于，在图谱的自适应再布局形成稳定状态时，以关心节点为中心，将其他节点根据显示关联度即其他节点与关心节点间的距离分为不同的关联类别，通过对不同关联类别节点的不同展示，提供关联信息的焦点可视化。
10.一种基于力学模型的知识图谱关联信息焦点可视化系统，其特征在于，包括：
患者个体医疗知识图谱构建模块：构建领域本体模型，从患者历史诊疗记录中抽取实体映射到领域本体模型，得到患者个体医疗知识图谱；
图谱元素物理属性设置模块：将患者个体医疗知识图谱抽象为以患者为根节点的树形拓扑结构，在可视化布局中将实体对应的节点与实体连接对应的边抽象为具有力学特性的球体与圆形截面细杆，通过计算实体间的相关度、节点的重要性和边的信息增益，计算得到节点对应的球体半径，以及边对应的细杆长度与截面积，完成图谱元素物理属性设置；
患者个体医疗知识图谱可视化模块：使用可视化工具在三维空间内显示患者个体医疗知识图谱；
图谱关联信息焦点可视化模块：将图谱可视化空间划分为若干子领域区域，通过监控用户对节点的点击和拖拽操作，推断用户的关心节点及关心子领域，基于力学模型进行图谱的自适应再布局；计算新布局下节点的显示关联度，通过对不同关联类别节点的不同展示，为用户提供关联信息的焦点可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311374365.6A CN117112807B (zh) | 2023-10-23 | 2023-10-23 | 基于力学模型的知识图谱关联信息焦点可视化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311374365.6A CN117112807B (zh) | 2023-10-23 | 2023-10-23 | 基于力学模型的知识图谱关联信息焦点可视化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117112807A true CN117112807A (zh) | 2023-11-24 |
| CN117112807B CN117112807B (zh) | 2024-01-30 |
Family
ID=88805950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311374365.6A Active CN117112807B (zh) | 2023-10-23 | 2023-10-23 | 基于力学模型的知识图谱关联信息焦点可视化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117112807B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050108217A1 (en) * | 2003-08-29 | 2005-05-19 | Horst Werner | Methods and systems for providing a visualization graph |
| JP2013242622A (ja) * | 2012-05-17 | 2013-12-05 | Nippon Telegr & Teleph Corp <Ntt> | グラフデータ視覚化装置及び方法及びプログラム |
| JP6268322B1 (ja) * | 2017-07-14 | 2018-01-24 | Ｎｄｉソリューションズ株式会社 | 学習データ精度可視化システム、学習データ精度可視化方法、及びプログラム |
| US20180225380A1 (en) * | 2017-02-08 | 2018-08-09 | International Business Machines Corporation | Visualization and augmentation of human knowledge construction during material consumption |
| CN109815327A (zh) * | 2018-12-07 | 2019-05-28 | 南京中新赛克科技有限责任公司 | 一种基于svg的大数据知识图谱可视化解决方案 |
| CN111125347A (zh) * | 2019-12-27 | 2020-05-08 | 山东省计算中心（国家超级计算济南中心） | 一种基于unity3d的知识图谱3D可视化方法 |
| CN111339316A (zh) * | 2020-02-27 | 2020-06-26 | 河海大学 | 一种知识图谱可视化编辑与持久化实现方法及系统架构 |
| US20200226133A1 (en) * | 2016-10-18 | 2020-07-16 | Hithink Financial Services Inc. | Knowledge map building system and method |
| CN111966821A (zh) * | 2020-08-26 | 2020-11-20 | 南京柯基数据科技有限公司 | 一种基于力学原理的知识图谱可视化方法 |
| WO2020263180A1 (en) * | 2019-06-24 | 2020-12-30 | Singapore University Of Technology And Design | A computational and visualization aid for brainstorming and crowdsourcing of ideas |
| US20210042589A1 (en) * | 2019-05-21 | 2021-02-11 | Sisense Ltd. | System and method for content-based data visualization using a universal knowledge graph |
| CN113254670A (zh) * | 2021-06-16 | 2021-08-13 | 中国科学院自动化研究所 | 基于力导向的知识图谱可视化方法 |
| US20210350248A1 (en) * | 2020-05-05 | 2021-11-11 | International Business Machines Corporation | Visualizing Cybersecurity Incidents Using Knowledge Graph Data |
| CN115271975A (zh) * | 2022-06-16 | 2022-11-01 | 阿里云计算有限公司 | 医保业务的信息处理方法 |
| CN115762813A (zh) * | 2023-01-09 | 2023-03-07 | 之江实验室 | 一种基于患者个体知识图谱的医患交互方法及系统 |
| CN116108922A (zh) * | 2023-02-20 | 2023-05-12 | 北京飞象星球科技有限公司 | 学科知识图谱的可视化方法及装置 |
| CN116682553A (zh) * | 2023-08-02 | 2023-09-01 | 浙江大学 | 一种融合知识与患者表示的诊断推荐系统 |
| CN116881476A (zh) * | 2023-08-01 | 2023-10-13 | 空间视创(重庆)科技股份有限公司 | 一种知识图谱构建方法、平台及计算机存储介质 |
-
2023
- 2023-10-23 CN CN202311374365.6A patent/CN117112807B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050108217A1 (en) * | 2003-08-29 | 2005-05-19 | Horst Werner | Methods and systems for providing a visualization graph |
| JP2013242622A (ja) * | 2012-05-17 | 2013-12-05 | Nippon Telegr & Teleph Corp <Ntt> | グラフデータ視覚化装置及び方法及びプログラム |
| US20200226133A1 (en) * | 2016-10-18 | 2020-07-16 | Hithink Financial Services Inc. | Knowledge map building system and method |
| US20180225380A1 (en) * | 2017-02-08 | 2018-08-09 | International Business Machines Corporation | Visualization and augmentation of human knowledge construction during material consumption |
| JP6268322B1 (ja) * | 2017-07-14 | 2018-01-24 | Ｎｄｉソリューションズ株式会社 | 学習データ精度可視化システム、学習データ精度可視化方法、及びプログラム |
| CN109815327A (zh) * | 2018-12-07 | 2019-05-28 | 南京中新赛克科技有限责任公司 | 一种基于svg的大数据知识图谱可视化解决方案 |
| US20210042589A1 (en) * | 2019-05-21 | 2021-02-11 | Sisense Ltd. | System and method for content-based data visualization using a universal knowledge graph |
| WO2020263180A1 (en) * | 2019-06-24 | 2020-12-30 | Singapore University Of Technology And Design | A computational and visualization aid for brainstorming and crowdsourcing of ideas |
| CN111125347A (zh) * | 2019-12-27 | 2020-05-08 | 山东省计算中心（国家超级计算济南中心） | 一种基于unity3d的知识图谱3D可视化方法 |
| CN111339316A (zh) * | 2020-02-27 | 2020-06-26 | 河海大学 | 一种知识图谱可视化编辑与持久化实现方法及系统架构 |
| US20210350248A1 (en) * | 2020-05-05 | 2021-11-11 | International Business Machines Corporation | Visualizing Cybersecurity Incidents Using Knowledge Graph Data |
| CN111966821A (zh) * | 2020-08-26 | 2020-11-20 | 南京柯基数据科技有限公司 | 一种基于力学原理的知识图谱可视化方法 |
| CN113254670A (zh) * | 2021-06-16 | 2021-08-13 | 中国科学院自动化研究所 | 基于力导向的知识图谱可视化方法 |
| CN115271975A (zh) * | 2022-06-16 | 2022-11-01 | 阿里云计算有限公司 | 医保业务的信息处理方法 |
| CN115762813A (zh) * | 2023-01-09 | 2023-03-07 | 之江实验室 | 一种基于患者个体知识图谱的医患交互方法及系统 |
| CN116108922A (zh) * | 2023-02-20 | 2023-05-12 | 北京飞象星球科技有限公司 | 学科知识图谱的可视化方法及装置 |
| CN116881476A (zh) * | 2023-08-01 | 2023-10-13 | 空间视创(重庆)科技股份有限公司 | 一种知识图谱构建方法、平台及计算机存储介质 |
| CN116682553A (zh) * | 2023-08-02 | 2023-09-01 | 浙江大学 | 一种融合知识与患者表示的诊断推荐系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孙凯;刘玉华;张成海;王长波;: "基于网络数据的企业知识图谱可视化", 东华大学学报(自然科学版), no. 04, pages 473 - 477 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117112807B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11176188B2 (en) | Visualization framework based on document representation learning | |
| Antoniadi et al. | Current challenges and future opportunities for XAI in machine learning-based clinical decision support systems: a systematic review | |
| Zhang et al. | Applications of explainable artificial intelligence in diagnosis and surgery | |
| Vinitha et al. | Disease prediction using machine learning over big data | |
| JP7224757B2 (ja) | 診断支援装置、情報処理方法、診断支援システム及びプログラム | |
| CN111739657B (zh) | 基于知识图谱的流行病感染者预测方法及系统 | |
| JP7357614B2 (ja) | 機械支援対話システム、ならびに病状問診装置およびその方法 | |
| KR20190070430A (ko) | 빅데이터 분석 기반 질병 진단명 추정 방법 및 추정 장치 | |
| Castellani et al. | Place and health as complex systems: A case study and empirical test | |
| Liang et al. | Multiviz: Towards visualizing and understanding multimodal models | |
| Sengupta | Intelligent platforms for disease assessment: novel approaches in functional echocardiography | |
| Afthanorhan et al. | A comparative study between GSCA-SEM and PLS-SEM | |
| Alshahrni et al. | An intelligent deep convolutional network based COVID-19 detection from chest X-rays | |
| Olescki et al. | A two step workflow for pulmonary embolism detection using deep learning and feature extraction | |
| CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
| Ashraf et al. | Early infectious diseases identification based on complex probabilistic hesitant fuzzy N-soft information | |
| Kavuran et al. | COVID-19 and human development: An approach for classification of HDI with deep CNN | |
| CN117112807B (zh) | 基于力学模型的知识图谱关联信息焦点可视化方法及系统 | |
| Jain et al. | Diagnosing covid-19 and pneumonia from chest ct-scan and x-ray images using deep learning technique | |
| CN116383413A (zh) | 基于医疗数据提取的知识图谱更新方法和系统 | |
| CN114201613B (zh) | 试题生成方法、试题生成装置、电子设备以及存储介质 | |
| Boudin et al. | Improving medical information retrieval with pico element detection | |
| US11676733B2 (en) | Learning and applying contextual similarities between entities | |
| WO2021122345A1 (en) | Aortic stenosis classification | |
| Tang et al. | The Two-Stage Ensemble Learning Model Based on Aggregated Facial Features in Screening for Fetal Genetic Diseases |
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 |