JP2023547562A - 多中心医学診断知識グラフ表示学習方法及びシステム - Google Patents

多中心医学診断知識グラフ表示学習方法及びシステム Download PDF

Info

Publication number
JP2023547562A
JP2023547562A JP2023535611A JP2023535611A JP2023547562A JP 2023547562 A JP2023547562 A JP 2023547562A JP 2023535611 A JP2023535611 A JP 2023535611A JP 2023535611 A JP2023535611 A JP 2023535611A JP 2023547562 A JP2023547562 A JP 2023547562A
Authority
JP
Japan
Prior art keywords
medical
knowledge graph
server
codes
disease classification
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
JP2023535611A
Other languages
English (en)
Other versions
JP7433541B2 (ja
Inventor
▲勁▼松 李
▲勝▼▲強▼ 池
雨 田
天舒 周
Original Assignee
之江実験室
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 之江実験室 filed Critical 之江実験室
Publication of JP2023547562A publication Critical patent/JP2023547562A/ja
Application granted granted Critical
Publication of JP7433541B2 publication Critical patent/JP7433541B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • G06F16/322—Trees
    • 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
    • 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
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/008—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols involving homomorphic encryption

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】本発明は多中心医学診断知識グラフ表示学習方法及びシステムを提供する。【解決手段】本発明は、既存の医学診断本体に基づき、有向非巡回グラフの形式で医学診断概念の階層構造を表現し、グローバル医学診断知識グラフを構築することと、グローバル医学診断知識グラフを利用して、全ての疾患分類コードの共起マトリックスを構築し、各ペアのコードの共起情報を算出し、同時に出現するコードペアが多く、距離が近いほど、共起情報が大きくなることと、連合学習に基づき、各医療機構参加者のデータプライバシーと安全を保護する前提で、多中心データを利用し、共起情報を加算し、データ密度を高め、データの希薄性の問題を解決することと、大規模な知識グラフ及び原データを学習する過程において、知識源における人間の認知に適切する階層情報と複雑な関連関係を統合し、データ間の相関関係をマイニングし、意味情報を豊かにし、知識の高品質表現形態を学習し、知識の算出と推理を容易にすることと、を含む。【選択図】図１

Description

本発明は、医療情報技術分野に属し、特に多中心医学診断知識グラフ表示学習方法及びシステムに属する。
知識グラフは、構造化の形式で客観世界における概念、エンティティ及びそれらの関係を記述し、情報を人間の認知世界により近い形式で表現し、情報をより適切に整理、管理及び理解する能力を提供し、知識のマイニング、分析、知識間の相互関係の構築、描写及び表示に使用できる。表示学習は、研究対象の意味情報を密な低次元のエンティティベクトルとして表示することを目的とする。知識グラフ表示学習は、主に知識グラフにおけるエンティティ及び関係を表示学習し、大規模な知識グラフ及び原データの学習と訓練により、知識の低次元の密な空間での分布ベクトル表示を取得することができ、エンティティと関係の意味情報を表示し、知識の算出と推理を容易にする。
医学本体を利用して階層化臨床構造と医学概念との間の関係をエンコードし、大量のデータに対する需要を減少することができ、情報を失うことなく検索空間を効果的に減少する。幸いなことに、医療保健分野には多くの組織の良好な本体があり、例えば、国際疾患分類（ＩＣＤ）、臨床分類ソフトウェア（ＣＣＳ）または医学臨床用語システム化命名（ＳＮＯＭＥＤ）がある。医学本体において、互いに近いノード（すなわち、医学概念）は、類似する患者に関連する可能性が高く、これにより、我々はそれらの間で知識を伝達することができる。データ量がディープ学習モデルを訓練するのに不十分である場合、医学本体を使用することは有用である可能性がある。さらにデータ量が十分である場合、情報を損失しない前提で、モデルを簡略化する方法として、学習により本体構造に適合するより多くの解釈可能な表現が得られる。
医療知識グラフ構造情報に基づく知識表示学習モデルは、複雑な関係モデリングとデータの希薄性による意味表現能力低下などの問題を解決できない。既存の研究作業は、知識グラフ自体構造以外の大量のテキスト情報を利用し、知識グラフ構造情報を拡張してデータの希薄性による影響を低減する。従来方法は、データに固有の構造及び相関情報を無視している。また、プライバシー保護及びデータ安全の前提でデータ量を拡張し、知識表示学習に使用する方法が欠いている。
本発明は、従来技術の欠点に対して、多中心医学診断知識グラフ表示学習方法及びシステムを提出し、各医療機構参加者のデータプライバシーと安全を保護する前提で、多中心データを利用し、データ密度を高め、また、大規模な知識グラフ及び原データを学習する過程において、知識源における人間の認知に適合する階層情報と複雑な関連関係を統合し、データ間の相関関係をマイニングし、意味情報を豊かにし、これにより、データの希薄性による意味表現能力低下の問題を解決する。
本発明の目的は、以下の技術的解決手段により実現される。
本発明の一様態は、多中心医学診断知識グラフ表示学習方法を開示しており、当該方法は、連合学習と同型暗号化に基づき、多中心データを利用し、階層情報と複雑な関連関係を組み合わせて、構造情報の知識表示学習を実現し、具体的に、ステップ１～ステップ５を含み、
前記ステップ１では、第１のサーバがグローバル医学診断知識グラフを構築し、前記グローバル医学診断知識グラフが有向非巡回グラフの形式で医学診断概念の階層構造を表現し、リーフノードと祖先ノードの２つの部分で構成され、前記リーフノードが最も小さい疾患分類コードであり、その祖先ノードがリーフノード疾患分類コードに対応する上層疾患分類コードであり、
前記ステップ２では、第１のサーバが構築されたグローバル医学診断知識グラフを各医療機構参加者に配信し、
前記ステップ３では、各医療機構参加者の内部で疾患診断共起情報統計を行うステップであって、具体的には、
ある医療機構参加者電子カルテにおける全ての疾患分類コードの集合を
Figure 2023547562000002
として記し、総計で｜Ｃ｜種の疾患分類コードがあり、医療機構参加者の各患者のカルテを複数回診療とみなし、
Figure 2023547562000003
として記し、総計でＴ回診療し、毎回診療する疾患分類コードセットをＶｔとして記し、Ｖｔにおける各疾患分類コードの上層疾患分類コードをＶｔに加入し、強化疾患分類コードセットを取得してＶｔ’として記し、Ｖｔ’におけるコードの任意の２つを組み合わせてコードペアを構成し、コードペアの共起情報を算出することと、医学診断知識グラフにおける全ての疾患分類コードの集合を
Figure 2023547562000004
として記し、総計でＮ種の疾患分類コードがある（
Figure 2023547562000005
）ことと、当該医療機構参加者が医学診断知識グラフにおける全ての疾患分類コードに基づいて共起マトリックスＭを構築し、共起マトリックスＭの第ｉ行の第ｊ列の元素Ｍｉｊが２つのコード
Figure 2023547562000006
と
Figure 2023547562000007
の共起情報
Figure 2023547562000008
を表現し、ｐが当該医療機構参加者における患者総数を表現し、ｍｐ ｉｊが２つのコード
Figure 2023547562000009
と
Figure 2023547562000010
の患者ｐのある回で診療する強化疾患分類コードセットＶｔ’における共起情報を表すこととを含み、
前記ステップ４では、データ暗号化算出であって、第２のサーバが暗号化アルゴリズム、暗号化キー、復号化アルゴリズム及び復号化キーを生成し、かつ暗号化アルゴリズム及び暗号化キーを各医療機構参加者に配信することと、各医療機構参加者が暗号化アルゴリズム及び暗号化キーを用いてその共起マトリックスを暗号化して第１のサーバにアップロードすることと、第１のサーバが暗号文状態において、同じ２つのコードの共起情報を加算し、暗号文状態におけるグローバル共起マトリックスを取得して、第２のサーバに送信することと、第２のサーバが復号化アルゴリズム及び復号化キーによりグローバル共起マトリックスを取得し、第１のサーバに返信することと、を含み、
前記ステップ５では、知識表示学習であって、第１のサーバにおいて、各疾患分類コードを実数からなる１つの表現ベクトルとして表現し、以下の目標関数Ｊを作成し、
Figure 2023547562000011
 ここで、ＷｉとＷｊがそれぞれコード
Figure 2023547562000012
と
Figure 2023547562000013
の表現ベクトルであり、ｂｉとｂｊがそれぞれ２つの表現ベクトルのバイアス項であり、Ｘｉｊがグローバル共起マトリックスにおけるコード
Figure 2023547562000014
と
Figure 2023547562000015
の共起情報を表現し、ｆが重み関数であることと、
収束するまで目標関数を最適化し、２つの表現ベクトルＷｉとＷｊを取得することとを含む。
さらに、前記第１のサーバ及び第２のサーバがいずれも第３者のサーバであり、第３者のサーバが正直である必要があり、第３者のサーバの間は相互に通信することができ、各医療機構参加者の内部にそれぞれの電子カルテデータベースが配備され、電子カルテデータベースにおける原データが各医療機構参加者から離れることは、許可されず、各医療機構参加者の間は相互通信を直接的に行うことができず、第３者のサーバと通信しかできない。
さらに、グローバル医学診断知識グラフを構築する過程において、使用される医学診断本体がＩＣＤ、ＣＣＳ、ＳＮＯＭＥＤを含む。
さらに、構築された医学診断知識グラフが辞書形式で記憶され、辞書における各元素が１つの疾患の階層構造情報を記録する。
さらに、強化疾患分類コードセットＶｔ’の構築は具体的に、医学診断知識グラフにおいてリーフノードに対応する祖先ノードをルックアップし、共同祖先ノードに対応する上層疾患分類コードをＶｔに繰り返して加入する必要がある。
さらに、前記ステップ３において、あるコードペアにおける２つのコードｃｉ、ｃｊについて、コードペアの共起情報算出式が下記の通りであり、
Figure 2023547562000016
 ここで、
Figure 2023547562000017
がＶｔ’にｃｉの出現する回数であり、
Figure 2023547562000018
がＶｔ’にｃｊの出現する回数であり、ｄｉｊが２つのコードｃｉ、ｃｊ間の距離であり、
Figure 2023547562000019
がコードペアの共起情報である。
さらに、前記ステップ３において、ｍｐ ｉｊの算出は具体的に、２つのコード
Figure 2023547562000020
と
Figure 2023547562000021
が患者ｐのある回で診療する強化疾患分類コードセットＶｔ’に同時に出現した場合、当該患者のこの回のＶｔ’においてコードｃｉがコード
Figure 2023547562000022
に等しいことを見つけ、コードｃｊがコード
Figure 2023547562000023
に等しいことを見つけることができ、ｍｐ ｉｊが
Figure 2023547562000024
に等しく、そうでない場合、ｍｐ ｉｊが０に等しい。
さらに、前記ステップ４は具体的に、
Ｋ個の医療機構参加者のＫ個の共起マトリックスを
Figure 2023547562000025
として記し、任意の２つのコード
Figure 2023547562000026
と
Figure 2023547562000027
の共起情報を
Figure 2023547562000028
として記することと、
第２のサーバが加法同型暗号化アルゴリズムを利用して暗号化アルゴリズムＥＮＣ、復号化アルゴリズムＤＥＣ、暗号化キーＫＥＹＥ及び復号化キーＫＥＹＤを取得し、暗号化アルゴリズムＥＮＣ及び暗号化キーＫＥＹＥを各医療機構参加者に送信することと、
安全加法重合を実現する過程において、任意の２つのコードの共起情報に対して、各医療機構参加者がまず共起情報を暗号文として暗号化し、
Figure 2023547562000029
として記し、そして暗号文を第１のサーバに送信することと、
第１のサーバが直接に暗号文を操作することと、加法同型性によれば、暗号文の積を算出するだけでよく、２つのコード
Figure 2023547562000030
と
Figure 2023547562000031
の暗号化後の共起情報ＥｎｃＸｉｊ式が下記の通りであり、
Figure 2023547562000032
 医学診断知識グラフにおける任意の２つの疾患分類コードについて、いずれも暗号文状態における２つのコード共起情報を算出し、最終的に暗号文状態におけるグローバル共起マトリックスＥｎｃＸを取得することと、
第１のサーバがＥｎｃＸを第２のサーバに送信し、第２のサーバが復号化を取得してグローバル共起マトリックスＸ、すなわち、
Figure 2023547562000033
を取得して、第１のサーバに返信することと、を含む。
さらに、前記ステップ５において、ｆが以下のセグメント関数を採用し、
Figure 2023547562000034
 ここで、ＭＡＸとαがいずれもハイパーパラメータであり、実験結果に応じて最適な値を設定し、共起情報がＭＡＸを超えた後、ｆ（Ｘｉｊ）が１である一定のレベルを維持する。
本発明の別の様態は、多中心医学診断知識グラフ表示学習システムを開示しており、当該システムは、グローバル医学診断知識グラフ構築モジュール、医学診断知識グラフ配信モジュール、疾患診断共起情報統計モジュール、データ暗号化算出モジュール及び知識表示学習モジュールを含み、
前記グローバル医学診断知識グラフ構築モジュールは、第１のサーバ上でグローバル医学診断知識グラフを構築することに用いられ、前記グローバル医学診断知識グラフが有向非巡回グラフの形式で医学診断概念の階層構造を表現し、リーフノードと祖先ノードの２つの部分で構成され、前記リーフノードが最も小さい疾患分類コードであり、その祖先ノードがリーフノード疾患分類コードに対応する上層疾患分類コードであり、
前記医学診断知識グラフ配信モジュールは、第１のサーバで構築されたグローバル医学診断知識グラフを各医療機構参加者に配信し、
前記疾患診断共起情報統計モジュールは、各医療機構参加者に配備することと、ある医療機構参加者電子カルテにおける全ての疾患分類コードの集合を
Figure 2023547562000035
として記し、総計で｜Ｃ｜種の疾患分類コードがあり、医療機構参加者の各患者のカルテを複数回診療とみなし、
Figure 2023547562000036
として記し、総計でＴ回診療し、毎回診療する疾患分類コードセットをＶｔとして記し、Ｖｔにおける各疾患分類コードの上層疾患分類コードをＶｔに加入し、強化疾患分類コードセットを取得してＶｔ’として記することと、Ｖｔ’におけるコードの任意の２つを組み合わせてコードペアを構成し、コードペアの共起情報を算出することと、医学診断知識グラフにおける全ての疾患分類コードの集合を
Figure 2023547562000037
として記し、総計でＮ種の疾患分類コードがある（
Figure 2023547562000038
）ことと、当該医療機構参加者が医学診断知識グラフにおける全ての疾患分類コードに基づいて共起マトリックスＭを構築し、共起マトリックスＭの第ｉ行の第ｊ列の元素Ｍｉｊが２つのコード
Figure 2023547562000039
と
Figure 2023547562000040
の共起情報
Figure 2023547562000041
を表現し、Ｐが当該医療機構参加者における患者総数を表現し、ｍｐ ｉｊが２つのコード
Figure 2023547562000042
と
Figure 2023547562000043
の患者Ｐのある回で診療する強化疾患分類コードセットＶｔ’における共起情報を表すこととに使用され、
前記データ暗号化算出モジュールは、第２のサーバが暗号化アルゴリズム、暗号化キー、復号化アルゴリズム及び復号化キーを生成し、かつ暗号化アルゴリズム及び暗号化キーを各医療機構参加者に配信することと、各医療機構参加者が暗号化アルゴリズム及び暗号化キーを用いてその共起マトリックスを暗号化して第１のサーバにアップロードすることと、第１のサーバが暗号文状態において、同じ２つのコードの共起情報を加算し、暗号文状態におけるグローバル共起マトリックスを取得して、第２のサーバに送信することと、第２のサーバが復号化アルゴリズム及び復号化キーによりグローバル共起マトリックスを取得し、第１のサーバに返信することとに使用され、
前記知識表示学習モジュールは、第１のサーバに配備され、各疾患分類コードを実数からなる１つの表現ベクトルとして表現し、以下の目標関数Ｊを作成し、
Figure 2023547562000044
 ここで、ＷｉとＷｊがそれぞれコード
Figure 2023547562000045
と
Figure 2023547562000046
の表現ベクトルであり、ｂｉとｂｊがそれぞれ２つの表現ベクトルのバイアス項であり、Ｘｉｊがグローバル共起マトリックスにおけるコード
Figure 2023547562000047
と
Figure 2023547562000048
の共起情報を表現し、ｆが重み関数であることと、
収束するまで目標関数を最適化し、２つの表現ベクトルＷｉとＷｊを取得することとにに使用される。
本発明の有益な効果としては、
１．既存の医学診断本体（ＩＣＤ、ＣＣＳ、ＳＮＯＭＥＤ等）に基づき、有向非巡回グラフの形式で医学診断概念の階層構造を表現し、グローバル医学診断知識グラフを構築する。グローバル医学診断知識グラフを利用して、全ての疾患分類コードの共起マトリックスを構築し、各ペアのコードの共起情報を算出し、同時に出現するコードペアが多く、距離が近いほど、共起情報が大きくなる。
２．連合学習に基づき、各医療機構参加者のデータプライバシーと安全を保護する前提で、多中心データを利用し、共起情報を加算し、データ密度を高め、データ希薄性の問題を解決する。
３．大規模な知識グラフ及び原データを学習する過程において、知識源における人間の認知に適切する階層情報と複雑な関連関係を統合し、データ間の相関関係をマイニングし、意味情報を豊かにし、知識の高品質表現形態を学習し、知識の算出と推理を容易にする。
本発明の実施例による多中心医学診断知識グラフ表示学習方法のネットワークアーキテクチャ概略図である。 本発明の実施例による多中心医学診断知識グラフ表示学習方法の実現フローチャートである。 本発明の実施例による医学診断知識グラフ構造示例である。
本発明の上記目的、特徴及び利点をより分かりやすくするために、以下、図面を参照して本発明の実施形態を詳細に説明する。
本発明を十分に理解するために、以下の説明では、多くの具体的な詳細が記載されているが、本発明は、ここで説明するものとは異なる他の方式で実施することもでき、当業者は、本発明の意味合いに違反することなく、同様の拡張を行うことができるため、本発明は、以下に開示される具体的な実施例に限定されない。
本発明は、多中心医学診断知識グラフ表示学習方法を提供し、当該方法は、連合学習と同型暗号化に基づき、多中心データを利用し、階層情報と複雑な関連関係を組み合わせて、構造情報の知識表示学習を実現する。当該方法は、図１に示すネットワークアーキテクチャに基づくものであり、２つの第３者のサーバ（第１のサーバと第２のサーバ）と複数の医療機構参加者を含み、第３者のサーバが正直である必要があり、第３者のサーバの間は相互通信することができる。各医療機構参加者の内部にそれぞれの電子カルテデータベースが配備され、電子カルテデータベースにおける原データが各医療機構参加者から離れることは、許可されない。各医療機構参加者の間は相互通信を直接的に行うことができず、第３者のサーバと通信しかできない。
図２に示すように、本実施例による多中心医学診断知識グラフ表示学習方法のステップは、下記の通りである。
１．グローバル医学診断知識グラフ構築
第１のサーバがグローバル医学診断知識グラフの構築を担当する。グローバル医学診断知識グラフは、有向非巡回グラフの形式で医学診断概念の階層構造を表現する。グローバル医学診断知識グラフリーフノードと祖先ノードの２つの部分で構成され、ここでリーフノードが最も小さい疾患分類コードであり、その祖先ノードがリーフノード疾患分類コードに対応する上層疾患分類コードである。
本実施例においてＩＣＤ１０を医学診断本体として使用し、グローバル医学診断知識グラフを構築する。ここで、医学診断本体は、さらにＣＣＳ、ＳＮＯＭＥＤなどの医学分野で常用される知識源を選択してもよい。ウイルス性咽頭炎を例とし、ウイルス性咽頭炎Ｊ０２．８０１がリーフノードであり、ＩＣＤ１０における疾患階層情報に基づき、図３に示すように、その祖先ノードである呼吸器疾患Ｊ００－Ｊ９９、急性上気道感染Ｊ００－Ｊ０６、急性咽頭炎Ｊ０２を構築する。
構築された医学診断知識グラフが辞書形式で記憶され、辞書における各元素が１つの疾患の階層構造情報を記録する。ウイルス性咽頭炎を例とし、階層構造情報を｛Ｊ０２．８０１：［Ｊ０２．８０１，ｒｏｏｔ，Ｊ００－Ｊ９９，Ｊ００－Ｊ０６，Ｊ０２］｝として記憶し、ｒｏｏｔがルートノードを代表する。
２．医学診断知識グラフ配信
第１のサーバが構築されたグローバル医学診断知識グラフを各医療機構参加者に配信する。知識グラフは公開されて取得されるため、暗号化されていなくてもよい。
３．各医療機構参加者の内部で疾患診断共起情報統計を行う
各医療機構参加者電子カルテにおける全ての疾患分類コードの集合を
Figure 2023547562000049
として記し、総計で｜Ｃ｜種の疾患分類コードがある。当該医療機構参加者の各患者のカルテを複数回診療とみなし、
Figure 2023547562000050
として記し、総計でＴ回診療し、毎回診療する疾患分類コードセットをＶｔとして記する。
医療機構参加者は、１回の診療Ｖｔを単位とし、Ｖｔに各疾患分類コードの上層疾患分類コードを加入することにより、強化疾患分類コードセットを取得してＶｔ’として記し、すなわち、医学診断知識グラフにおいてリーフノードに対応する祖先ノードをルックアップし、共同祖先ノードに対応する上層疾患分類コードを繰り返して加入する必要がある。
各疾患分類コード及びその上層疾患分類コードのＶｔ’における出現回数を算出する。Ｖｔ’におけるコードの任意の２つを組み合わせてコードペアを構成し、コードペアにおける２つのコードの出現回数を乗算することにより、当該コードペアの共起情報を算出する。同時に、コードペアにおける２つのコード間の距離を算出し、すなわち、２つのノードを接続する最短経路に含まれるエッジの数を算出し、距離の逆数を重みとする。
あるコードペアにおける２つのコードｃｉ、ｃｊに対して、コードペアの共起情報は、下記の通りであり、
Figure 2023547562000051
 ここで、
Figure 2023547562000052
がＶｔ’にｃｉの出現する回数であり、
Figure 2023547562000053
がＶｔ’にｃｊの出現する回数であり、ｄｉｊが２つのコードｃｉ、ｃｊ間の距離であり、
Figure 2023547562000054
がコードペアの共起情報である。
医学診断知識グラフにおける全ての疾患分類コードの集合を
Figure 2023547562000055
として記し、総計でＮ種の疾患分類コードがある（
Figure 2023547562000056
）。当該医療機構参加者が医学診断知識グラフにおける全ての疾患分類コードに基づいて共起マトリックスＭを構築し、表１に示す通りである。Ｍｉｊが２つのコード
Figure 2023547562000057
と
Figure 2023547562000058
の共起情報
Figure 2023547562000059
を表現し、Ｐが当該医療機構参加者中患者の総数を表現し、ｍｐ ｉｊが２つのコード
Figure 2023547562000060
と
Figure 2023547562000061
の患者ｐのある回で診療する強化疾患分類コードセットＶｔ’における共起情報を表現し、２つのコード
Figure 2023547562000062
と
Figure 2023547562000063
が患者ｐのある回で診療する強化疾患分類コードセットＶｔ’に同時に出現した場合、当該患者のこの回のＶｔ’においてコードｃｉがコード
Figure 2023547562000064
に等しいことを見つけ、コードｃｊがコード
Figure 2023547562000065
に等しいことを見つけることができ、ｍｐ ｉｊが
Figure 2023547562000066
に等しく、そうでない場合、０として記する。共起マトリックスＭが対称し、ＭｉｊとＭｊｉとが等しく、対角線が同じ疾患分類コードの共起情報であり、０として記する。
表１共起マトリックス構造示例
Figure 2023547562000067
図３の医学診断知識グラフを例とし、仮に患者のある回で診療する疾患診断がウイルス性咽頭炎及び急性喉頭炎であるとすると、Ｖｔ＝［Ｊ０２．８０１，Ｊ０４．０００］であり、上層疾患分類コードを加入することにより、Ｖｔ’＝［Ｊ０２．８０１，Ｊ０２，Ｊ００－Ｊ０６，Ｊ００－Ｊ９９，ｒｏｏｔ，Ｊ０４．０００，Ｊ０４，Ｊ００－Ｊ０６，Ｊ００－Ｊ９９，ｒｏｏｔ］として強化し、コードＪ０２．８０１の出現回数が１、Ｊ００－Ｊ０６の出現回数が２、両者間の距離が２、共起情報の値が１である。
４．データ暗号化算出
第２のサーバが暗号化アルゴリズム、暗号化キー、復号化アルゴリズム及び復号化キーを生成し、かつ暗号化アルゴリズム及び暗号化キーを各医療機構参加者に配信する。各医療機構参加者が暗号化アルゴリズム及び暗号化キーを用いてその共起マトリックスを暗号化して第１のサーバにアップロードする。第１のサーバが暗号文状態において、同じ２つのコードの共起情報を加算し、暗号文状態におけるグローバル共起マトリックスを取得して、第２のサーバに送信する。第２のサーバが復号化アルゴリズム及び復号化キーによりグローバル共起マトリックスを取得し、第１のサーバに返信する。プロセス全体でデータリークのリスクはない。具体的な実現流れは下記の通りである。
Ｋ個の医療機構参加者のＫ個の共起マトリックスを
Figure 2023547562000068
として記し、任意の２つのコード
Figure 2023547562000069
と
Figure 2023547562000070
の共起情報を
Figure 2023547562000071
として記する。
第２のサーバが加法同型暗号化アルゴリズムを利用して暗号化アルゴリズムＥＮＣ、復号化アルゴリズムＤＥＣ、暗号化キーＫＥＹＥ及び復号化キーＫＥＹＤを取得し、暗号化アルゴリズムＥＮＣ及び暗号化キーＫＥＹＥを各医療機構参加者に送信する。
次に、安全加法重合を実現する過程において、任意の２つのコードの共起情報に対して、各医療機構参加者がまず共起情報を暗号文として暗号化し、
Figure 2023547562000072
として記し、そして暗号文を第１のサーバに送信する。
第１のサーバは復号化操作を実行しないが、暗号文を直接操作する。加法同型性によれば、暗号文の積を算出するだけでよく、２つのコード
Figure 2023547562000073
と
Figure 2023547562000074
暗号化後の共起情報ＥｎｃＸｉｊ式が下記の通りであり、
Figure 2023547562000075
 。
医学診断知識グラフにおける任意の２つの疾患分類コードについて、何れも上記ステップに従って、暗号文状態における２つのコード共起情報を算出し、最終的に暗号文状態におけるグローバル共起マトリックスＥｎｃＸを取得する。第１のサーバがＥｎｃＸを第２のサーバに送信し、第２のサーバが復号化してグローバル共起マトリックスＸ、すなわち、
Figure 2023547562000076
を取得し、第１のサーバに返信する。
５．知識表示学習
第１のサーバにおいて、ＧｌｏＶｅアルゴリズム原理によれば、各疾患分類コードを実数からなる１つの表現ベクトルとして表現し、当該表現ベクトルとグローバル共起マトリックスの間の関係は以下の通り表現し、
Figure 2023547562000077
 ここで、ＷｉとＷｊがそれぞれ最終的に求める必要がある疾患分類コード
Figure 2023547562000078
と
Figure 2023547562000079
の表現ベクトルであり、１２８次元の、値が－０．１～０．１間のランダムベクトルにランダムに初期化される。上付き文字Ｔが転置操作を表現する。ｂｉとｂｊがそれぞれ２つの表現ベクトルのバイアス項であり、初期値が０である。Ｘｉｊがグローバル共起マトリックスＸにおけるコード
Figure 2023547562000080
と
Figure 2023547562000081
の共起情報を表現する。
上記式に基づき、目標関数Ｊを作成し、
Figure 2023547562000082
 ここで、ｆが重み関数である。共起の多いコードペアがより高い重みを得るために、ｆが非減少関数であり、同時に、この重みが大きすぎてはならず、一定のレベルに達した後に増加してはならない。２つのコード
Figure 2023547562000083
と
Figure 2023547562000084
が一緒に出現しない場合、すなわち、Ｘｉｊ＝０の場合、それらは目標関数の算出に参加せず、すなわち、
Figure 2023547562000085
である。以上の要求に基づき、ｆが以下のセグメント関数を採用し、
Figure 2023547562000086
 すなわち、共起情報がしきい値ＭＡＸを超えた後、その重みが１である一定のレベルを維持する。ハイパーパラメータＭＡＸ及びαが実験結果に応じて最適な値を設定し、それぞれ１００及び０．７５に設定してもよい。
目標関数最適化過程がＡｄａＤｅｌｔａ勾配降下アルゴリズムを採用し、グローバル共起マトリックスＸにおける元素をランダムサンプリングし、学習率を０．０５として設定し、収束するまで５０回反復し、２つの表現ベクトルＷｉとＷｊを取得する。
知識グラフ表示学習によって得られた表現ベクトルは、疾患間の類似性を算出するために使用できるだけでなく、それを患者カルテと組み合わせて、ディープ学習モデルに統合して予測タスクを完成することもできる。例えば、患者の履歴診療記録に基づき、次回の診療に出現する可能性がある疾患を予測する。電子カルテにおいて、各患者のカルテ記録を複数回診療とみなすことができ、毎回診療には一連の疾患分類コード、すなわち、Ｃ’のサブセットが含まれる。患者のある回で診療する疾患分類コードセットがバイナリベクトル
Figure 2023547562000087
として表現してもよく、ここで、ｉ番目の元素は当該患者のこの回の診療にコード
Figure 2023547562000088
が出現しているか否かを代表し、出現している場合、１であり、そうでない場合、０である。ディープ学習モデル訓練において、患者の毎回診療するバイナリベクトルｘｔと表現ベクトルとを乗算して非線形変換を行い、ＲＮＮ予測モデルの入力として、次回の診療する疾患分類コードを予測取得して、出現する可能性がある疾患を予測することができる。
本発明の実施例は、多中心医学診断知識グラフ表示学習システムをさらに提供し、当該システムは、
第１のサーバ上でグローバル医学診断知識グラフを構築するためのものであって、前記グローバル医学診断知識グラフが有向非巡回グラフの形式で医学診断概念の階層構造を表現し、リーフノードと祖先ノードの２つの部分で構成され、前記リーフノードが最も小さい疾患分類コードであり、その祖先ノードがリーフノード疾患分類コードに対応する上層疾患分類コードであるグローバル医学診断知識グラフ構築モジュールと、
第１のサーバで構築されたグローバル医学診断知識グラフを各医療機構参加者に配信するための医学診断知識グラフ配信モジュールと、
各医療機構参加者に配備することと、ある医療機構参加者電子カルテにおける全ての疾患分類コードの集合を
Figure 2023547562000089
として記し、総計で｜Ｃ｜種の疾患分類コードがあり、医療機構参加者の各患者のカルテを複数回診療とみなし、
Figure 2023547562000090
として記し、総計でＴ回診療し、毎回診療する疾患分類コードセットをＶｔとして記し、Ｖｔにおける各疾患分類コードの上層疾患分類コードをＶｔに加入し、強化疾患分類コードセットを取得してＶｔ’として記することと、Ｖｔ’におけるコードの任意の２つを組み合わせてコードペアを構成し、コードペアの共起情報を算出することと、医学診断知識グラフにおける全ての疾患分類コードの集合を
Figure 2023547562000091
として記し、総計でＮ種の疾患分類コードがある（
Figure 2023547562000092
）ことと、当該医療機構参加者が医学診断知識グラフにおける全ての疾患分類コードに基づいて共起マトリックスＭを構築し、共起マトリックスＭの第ｉ行の第ｊ列の元素Ｍｉｊが２つのコード
Figure 2023547562000093
と
Figure 2023547562000094
の共起情報
Figure 2023547562000095
を表現し、Ｐが当該医療機構参加者における患者総数を表現し、ｍｐ ｉｊが２つのコード
Figure 2023547562000096
と
Figure 2023547562000097
の患者Ｐのある回で診療する強化疾患分類コードセットＶｔ’における共起情報を表現することとに使用される疾患診断共起情報統計モジュールと、
第２のサーバが暗号化アルゴリズム、暗号化キー、復号化アルゴリズム及び復号化キーを生成し、かつ暗号化アルゴリズム及び暗号化キーを各医療機構参加者に配信することと、各医療機構参加者が暗号化アルゴリズム及び暗号化キーを用いてその共起マトリックスを暗号化して第１のサーバにアップロードすることと、第１のサーバが暗号文状態において、同じ２つのコードの共起情報を加算し、暗号文状態におけるグローバル共起マトリックスを取得して、第２のサーバに送信することと、第２のサーバが復号化アルゴリズム及び復号化キーによりグローバル共起マトリックスを取得し、第１のサーバに返信することとに使用されるデータ暗号化算出モジュールと、
第１のサーバに配備され、各疾患分類コードを実数からなる１つの表現ベクトルとして表現し、以下の目標関数Ｊを作成し、
Figure 2023547562000098
 ここで、ＷｉとＷｊがそれぞれコード
Figure 2023547562000099
と
Figure 2023547562000100
の表現ベクトルであり、ｂｉとｂｊがそれぞれ２つの表現ベクトルのバイアス項であり、Ｘｉｊがグローバル共起マトリックスにおけるコード
Figure 2023547562000101
と
Figure 2023547562000102
の共起情報を表現し、ｆが重み関数であることと、
収束するまで目標関数を最適化し、２つの表現ベクトルＷｉとＷｊを取得することとに使用される知識表示学習モジュールと、
を備える。
以上は、本発明の好ましい実施形熊だけであり、本発明は好ましい実施例で以上のように開示されているが、本発明を限定するものではない。当業者であれば、本発明の技術的解決手段の範囲から逸脱することなく、上記開示された方法及び技術内容を利用して本発明の技術的解決手段に対して多くの可能な変動及び修飾を行い、又は同等変化の等価実施例に修正することができる。したがって、本発明の技術的解決手段の内容から逸脱せず、本発明の技術的思想に基ついて以上の実施例に対して行われたいかなる簡単な修正、同等変化及び修飾は、いずれも依然として本発明の技術的解決手段の保護範囲内に属する。

Claims (10)

  1. 多中心医学診断知識グラフ表示学習方法であって、ステップ１～ステップ５を含み、
    前記ステップ１では、第１のサーバがグローバル医学診断知識グラフを構築し、前記グローバル医学診断知識グラフが有向非巡回グラフの形式で医学診断概念の階層構造を表現し、リーフノードと祖先ノードの２つの部分で構成され、前記リーフノードが最も小さい疾患分類コードであり、その祖先ノードがリーフノード疾患分類コードに対応する上層疾患分類コードであり、
    前記ステップ２では、第１のサーバが構築されたグローバル医学診断知識グラフを各医療機構参加者に配信し、
    前記ステップ３では、各医療機構参加者の内部で疾患診断共起情報統計を行い、具体的には、
    ある医療機構参加者電子カルテにおける全ての疾患分類コードの集合を
    Figure 2023547562000103
    として記し、総計で｜Ｃ｜種の疾患分類コードがあり、医療機構参加者の各患者のカルテを複数回診療とみなし、
    Figure 2023547562000104
    として記し、総計でＴ回診療し、毎回診療する疾患分類コードセットをＶｔとして記し、Ｖｔにおける各疾患分類コードの上層疾患分類コードをＶｔに加入し、強化疾患分類コードセットを取得してＶｔ’として記し、Ｖｔ’におけるコードの任意の２つを組み合わせてコードペアを構成し、コードペアの共起情報を算出することと、
    医学診断知識グラフにおける全ての疾患分類コードの集合を
    Figure 2023547562000105
    として記し、総計でＮ種の疾患分類コードがある（
    Figure 2023547562000106
    ）ことと、当該医療機構参加者が医学診断知識グラフにおける全ての疾患分類コードに基づいて共起マトリックスＭを構築し、共起マトリックスＭの第ｉ行の第ｊ列の元素Ｍｉｊが２つのコード
    Figure 2023547562000107
    と
    Figure 2023547562000108
    の共起情報
    Figure 2023547562000109
    を表現し、ｐが当該医療機構参加者における患者総数を表現し、ｍｐ ｉｊが２つのコード
    Figure 2023547562000110
    と
    Figure 2023547562000111
    の患者ｐのある回で診療する強化疾患分類コードセットＶｔ’における共起情報を表すこととを含み、
    前記ステップ４では、データ暗号化算出であって、第２のサーバが暗号化アルゴリズム、暗号化キー、復号化アルゴリズム及び復号化キーを生成し、かつ暗号化アルゴリズム及び暗号化キーを各医療機構参加者に配信することと、各医療機構参加者が暗号化アルゴリズム及び暗号化キーを用いてその共起マトリックスを暗号化して第１のサーバにアップロードすることと、第１のサーバが暗号文状態において、同じ２つのコードの共起情報を加算し、暗号文状態におけるグローバル共起マトリックスを取得して、第２のサーバに送信することと、第２のサーバが復号化アルゴリズム及び復号化キーによりグローバル共起マトリックスを取得し、第１のサーバに返信することとを含み、
    前記ステップ５では、知識表示学習であって、第１のサーバにおいて、各疾患分類コードを実数からなる１つの表現ベクトルとして表現し、以下の目標関数Ｊを作成し、
    Figure 2023547562000112
     ここで、ＷｉとＷｊがそれぞれコード
    Figure 2023547562000113
    と
    Figure 2023547562000114
    の表現ベクトルであり、ｂｉとｂｊがそれぞれ２つの表現ベクトルのバイアス項であり、Ｘｉｊがグローバル共起マトリックスにおけるコード
    Figure 2023547562000115
    と
    Figure 2023547562000116
    の共起情報を表現し、ｆが重み関数であることと、
    収束するまで目標関数を最適化し、２つの表現ベクトルＷｉとＷｊを取得することとを含む
    ことを特徴とする多中心医学診断知識グラフ表示学習方法。
  2. 前記第１のサーバ及び第２のサーバがいずれも第３者のサーバであり、第３者のサーバが正直である必要があり、第３者のサーバの間は相互に通信することができ、各医療機構参加者の内部にそれぞれの電子カルテデータベースが配備され、電子カルテデータベースにおける原データが各医療機構参加者から離れることは、許可されず、各医療機構参加者の間は相互通信を直接的に行うことができず、第３者のサーバと通信しかできない
    ことを特徴とする請求項１に記載の多中心医学診断知識グラフ表示学習方法。
  3. グローバル医学診断知識グラフを構築する過程において、使用される医学診断本体がＩＣＤ、ＣＣＳ、ＳＮＯＭＥＤを含む
    ことを特徴とする請求項１に記載の多中心医学診断知識グラフ表示学習方法。
  4. 構築された医学診断知識グラフが辞書形式で記憶され、辞書における各元素が１つの疾患の階層構造情報を記録する
    ことを特徴とする請求項１に記載の多中心医学診断知識グラフ表示学習方法。
  5. 強化疾患分類コードセットＶｔ’の構築は具体的に、医学診断知識グラフにおいてリーフノードに対応する祖先ノードをルックアップし、共同祖先ノードに対応する上層疾患分類コードをＶｔに繰り返して加入する必要がある
    ことを特徴とする請求項１に記載の多中心医学診断知識グラフ表示学習方法。
  6. 前記ステップ３において、あるコードペアにおける２つのコードｃｉ、ｃｊについて、コードペアの共起情報算出式が下記の通りであり、
    Figure 2023547562000117
     ここで、
    Figure 2023547562000118
    がＶｔ’にｃｉの出現する回数であり、
    Figure 2023547562000119
    がＶｔ’にｃｊの出現する回数であり、ｄｉｊが２つのコードｃｉ、ｃｊ間の距離であり、
    Figure 2023547562000120
    がコードペアの共起情報である
    ことを特徴とする請求項１に記載の多中心医学診断知識グラフ表示学習方法。
  7. 前記ステップ３において、ｍｐ ｉｊの算出は具体的に、２つのコード
    Figure 2023547562000121
    と
    Figure 2023547562000122
    が患者ｐのある回で診療する強化疾患分類コードセットＶｔ’に同時に出現した場合、当該患者のこの回のＶｔ’においてコードｃｉがコード
    Figure 2023547562000123
    に等しいことを見つけ、コードｃｊがコード
    Figure 2023547562000124
    に等しいことを見つけることができ、ｍｐ ｉｊが
    Figure 2023547562000125
    に等しく、そうでない場合、ｍｐ ｉｊが０に等しい
    ことを特徴とする請求項６に記載の多中心医学診断知識グラフ表示学習方法。
  8. 前記ステップ４は具体的に、
    Ｋ個の医療機構参加者のＫ個の共起マトリックスを
    Figure 2023547562000126
    として記し、任意の２つのコード
    Figure 2023547562000127
    と
    Figure 2023547562000128
    の共起情報を
    Figure 2023547562000129
    として記することと、
    第２のサーバが加法同型暗号化アルゴリズムを利用して暗号化アルゴリズムＥＮＣ、復号化アルゴリズムＤＥＣ、暗号化キーＫＥＹＥ及び復号化キーＫＥＹＤを取得し、暗号化アルゴリズムＥＮＣ及び暗号化キーＫＥＹＥを各医療機構参加者に送信することと、
    安全加法重合を実現する過程において、任意の２つのコードの共起情報に対して、各医療機構参加者がまず共起情報を暗号文として暗号化し、
    Figure 2023547562000130
    として記し、そして暗号文を第１のサーバに送信することと、
    第１のサーバが直接に暗号文を操作することと、加法同型性によれば、暗号文の積を算出するだけでよく、２つのコード
    Figure 2023547562000131
    と
    Figure 2023547562000132
    の暗号化後の共起情報ＥｎｃＸｉｊ式が下記の通りであり、
    Figure 2023547562000133
     医学診断知識グラフにおける任意の２つの疾患分類コードについて、いずれも暗号文状態における２つのコード共起情報を算出し、最終的に暗号文状態におけるグローバル共起マトリックスＥｎｃＸを取得することと、
    第１のサーバがＥｎｃＸを第２のサーバに送信し、第２のサーバが復号化を取得してグローバル共起マトリックスＸ、すなわち、
    Figure 2023547562000134
    を取得して、第１のサーバに返信することと、を含む
    ことを特徴とする請求項１に記載の多中心医学診断知識グラフ表示学習方法。
  9. 前記ステップ５において、ｆが以下のセグメント関数を採用し、
    Figure 2023547562000135
     ここで、ＭＡＸとαがいずれもハイパーパラメータであり、実験結果に応じて最適な値を設定し、共起情報がＭＡＸを超えた後、ｆ（Ｘｉｊ）が１である一定のレベルを維持する
    ことを特徴とする請求項１に記載の多中心医学診断知識グラフ表示学習方法。
  10. 多中心医学診断知識グラフ表示学習システムであって、グローバル医学診断知識グラフ構築モジュール、医学診断知識グラフ配信モジュール、疾患診断共起情報統計モジュール、データ暗号化算出モジュール及び知識表示学習モジュールを含み、
    前記グローバル医学診断知識グラフ構築モジュールは、第１のサーバ上でグローバル医学診断知識グラフを構築することに用いられ、前記グローバル医学診断知識グラフが有向非巡回グラフの形式で医学診断概念の階層構造を表現し、リーフノードと祖先ノードの２つの部分で構成され、前記リーフノードが最も小さい疾患分類コードであり、その祖先ノードがリーフノード疾患分類コードに対応する上層疾患分類コードであり、
    前記医学診断知識グラフ配信モジュールは、第１のサーバで構築されたグローバル医学診断知識グラフを各医療機構参加者に配信し、
    前記疾患診断共起情報統計モジュールは、各医療機構参加者に配備することと、ある医療機構参加者電子カルテにおける全ての疾患分類コードの集合を
    Figure 2023547562000136
    として記し、総計で｜Ｃ｜種の疾患分類コードがあり、医療機構参加者の各患者のカルテを複数回診療とみなし、
    Figure 2023547562000137
    として記し、総計でＴ回診療し、毎回診療する疾患分類コードセットをＶｔとして記し、Ｖｔにおける各疾患分類コードの上層疾患分類コードをＶｔに加入し、強化疾患分類コードセットを取得してＶｔ’として記することと、Ｖｔ’におけるコードの任意の２つを組み合わせてコードペアを構成し、コードペアの共起情報を算出することと、医学診断知識グラフにおける全ての疾患分類コードの集合を
    Figure 2023547562000138
    として記し、総計でＮ種の疾患分類コードがある（
    Figure 2023547562000139
    ）ことと、当該医療機構参加者が医学診断知識グラフにおける全ての疾患分類コードに基づいて共起マトリックスＭを構築し、共起マトリックスＭの第ｉ行の第ｊ列の元素Ｍｉｊが２つのコード
    Figure 2023547562000140
    と
    Figure 2023547562000141
    の共起情報
    Figure 2023547562000142
    を表現し、Ｐが当該医療機構参加者における患者総数を表現し、ｍｐ ｉｊが２つのコード
    Figure 2023547562000143
    と
    Figure 2023547562000144
    の患者Ｐのある回で診療する強化疾患分類コードセットＶｔ’における共起情報を表すこととに使用され、
    前記データ暗号化算出モジュールは、第２のサーバが暗号化アルゴリズム、暗号化キー、復号化アルゴリズム及び復号化キーを生成し、かつ暗号化アルゴリズム及び暗号化キーを各医療機構参加者に配信することと、各医療機構参加者が暗号化アルゴリズム及び暗号化キーを用いてその共起マトリックスを暗号化して第１のサーバにアップロードすることと、第１のサーバが暗号文状態において、同じ２つのコードの共起情報を加算し、暗号文状態におけるグローバル共起マトリックスを取得して、第２のサーバに送信することと、第２のサーバが復号化アルゴリズム及び復号化キーによりグローバル共起マトリックスを取得し、第１のサーバに返信することとに使用され、
    前記知識表示学習モジュールは、第１のサーバに配備され、各疾患分類コードを実数からなる１つの表現ベクトルとして表現し、以下の目標関数Ｊを作成し、
    Figure 2023547562000145
     ここで、ＷｉとＷｊがそれぞれコード
    Figure 2023547562000146
    と
    Figure 2023547562000147
    の表現ベクトルであり、ｂｉとｂｊがそれぞれ２つの表現ベクトルのバイアス項であり、Ｘｉｊがグローバル共起マトリックスにおけるコード
    Figure 2023547562000148
    と
    Figure 2023547562000149
    の共起情報を表現し、ｆが重み関数であることと、
    収束するまで目標関数を最適化し、２つの表現ベクトルＷｉとＷｊを取得することとにに使用される
    ことを特徴とする多中心医学診断知識グラフ表示学習システム。
JP2023535611A 2021-08-27 2022-08-25 多中心医学診断知識グラフ表示学習方法及びシステム Active JP7433541B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202110995013.7A CN113434626B (zh) 2021-08-27 2021-08-27 一种多中心医学诊断知识图谱表示学习方法及系统
CN202110995013.7 2021-08-27
PCT/CN2022/114879 WO2023025255A1 (zh) 2021-08-27 2022-08-25 一种多中心医学诊断知识图谱表示学习方法及系统

Publications (2)

Publication Number Publication Date
JP2023547562A true JP2023547562A (ja) 2023-11-10
JP7433541B2 JP7433541B2 (ja) 2024-02-19

Family

ID=77798239

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023535611A Active JP7433541B2 (ja) 2021-08-27 2022-08-25 多中心医学診断知識グラフ表示学習方法及びシステム

Country Status (3)

Country Link
JP (1) JP7433541B2 (ja)
CN (1) CN113434626B (ja)
WO (1) WO2023025255A1 (ja)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113434626B (zh) * 2021-08-27 2021-12-07 之江实验室 一种多中心医学诊断知识图谱表示学习方法及系统
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
CN116364299B (zh) * 2023-03-30 2024-02-13 之江实验室 一种基于异构信息网络的疾病诊疗路径聚类方法及系统
CN116072298B (zh) * 2023-04-06 2023-08-15 之江实验室 一种基于层级标记分布学习的疾病预测系统
CN116564535B (zh) * 2023-05-11 2024-02-20 之江实验室 基于隐私保护下局部图信息交换的中心疾病预测方法和装置
CN116757275B (zh) * 2023-06-07 2024-06-11 京信数据科技有限公司 一种知识图谱的联邦学习装置及方法
CN116403728B (zh) * 2023-06-09 2023-08-29 吉林大学第一医院 医疗就诊数据的数据处理装置和相关设备
CN116502129B (zh) * 2023-06-21 2023-09-22 之江实验室 一种知识与数据协同驱动的不平衡临床数据分类系统
CN116525125B (zh) * 2023-07-04 2023-09-19 之江实验室 一种虚拟电子病历的生成方法及装置
CN116821375B (zh) * 2023-08-29 2023-12-22 之江实验室 一种跨机构医学知识图谱表示学习方法及系统
CN116825264B (zh) * 2023-08-30 2023-11-21 青岛市妇女儿童医院（青岛市妇幼保健院、青岛市残疾儿童医疗康复中心、青岛市新生儿疾病筛查中心） 基于互联网的妇产科信息处理方法及系统
CN117409911B (zh) * 2023-10-13 2024-05-07 四川大学 一种基于多视图对比学习的电子病历表示学习方法
CN117116432B (zh) * 2023-10-23 2023-12-15 博奥生物集团有限公司 一种疾病特征的处理装置和设备
CN117711578B (zh) * 2024-02-06 2024-04-30 重庆医科大学绍兴柯桥医学检验技术研究中心 一种医学影像数据分析管理系统
CN117811722B (zh) * 2024-03-01 2024-05-24 山东云海国创云计算装备产业创新中心有限公司 全局参数模型构建方法、秘钥生成方法、装置及服务器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008083928A (ja) * 2006-09-27 2008-04-10 Gifu Univ 医療情報抽出装置、及び医療情報抽出プログラム
JP2014228907A (ja) * 2013-05-20 2014-12-08 株式会社日立製作所 情報構造化システム
WO2016157314A1 (ja) * 2015-03-27 2016-10-06 株式会社日立製作所 計算機システム、及び、情報処理方法
CN106951684A (zh) * 2017-02-28 2017-07-14 北京大学 一种医学疾病诊断记录中实体消歧的方法
CN107610770A (zh) * 2016-07-11 2018-01-19 百度（美国）有限责任公司 用于自动化诊断的问题生成系统和方法
CN111739595A (zh) * 2020-07-24 2020-10-02 湖南创星科技股份有限公司 一种医疗大数据共享分析方法及装置

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060136259A1 (en) * 2004-12-17 2006-06-22 General Electric Company Multi-dimensional analysis of medical data
CN106886543B (zh) * 2015-12-16 2020-01-17 清华大学 结合实体描述的知识图谱表示学习方法和系统
US20170277841A1 (en) * 2016-03-23 2017-09-28 HealthPals, Inc. Self-learning clinical intelligence system based on biological information and medical data metrics
CN106874695B (zh) * 2017-03-22 2019-10-25 北京大数医达科技有限公司 医疗知识图谱的构建方法和装置
CN107145744B (zh) * 2017-05-08 2018-03-02 合肥工业大学 医学知识图谱的构建方法、装置及辅助诊断方法
CN108197290B (zh) * 2018-01-19 2021-08-03 桂林电子科技大学 一种融合实体和关系描述的知识图谱表示学习方法
CN108614885B (zh) * 2018-05-03 2019-04-30 杭州认识科技有限公司 基于医学信息的知识图谱分析方法及装置
CN109284396A (zh) * 2018-09-27 2019-01-29 北京大学深圳研究生院 医学知识图谱构建方法、装置、服务器及存储介质
CN110347798B (zh) * 2019-07-12 2021-06-01 之江实验室 一种基于自然语言生成技术的知识图谱辅助理解系统
CN111180061B (zh) * 2019-12-09 2023-05-02 广东工业大学 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统
CN111191020B (zh) * 2019-12-27 2023-09-22 江苏省人民医院（南京医科大学第一附属医院） 基于机器学习和知识图谱的处方推荐方法和系统
CN111292848B (zh) * 2019-12-31 2023-05-16 同方知网数字出版技术股份有限公司 一种基于贝叶斯估计的医疗知识图谱辅助推理方法
CN111382272B (zh) * 2020-03-09 2022-11-01 西南交通大学 一种基于知识图谱的电子病历icd自动编码方法
CN111858955B (zh) * 2020-07-01 2023-08-18 石家庄铁路职业技术学院 基于加密联邦学习的知识图谱表示学习增强方法和装置
CN112364376A (zh) * 2020-11-11 2021-02-12 贵州大学 一种属性代理重加密医疗数据共享方法
CN112765312B (zh) * 2020-12-31 2022-05-10 湖南大学 一种基于图神经网络嵌入匹配的知识图谱问答方法和系统
CN113434626B (zh) * 2021-08-27 2021-12-07 之江实验室 一种多中心医学诊断知识图谱表示学习方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008083928A (ja) * 2006-09-27 2008-04-10 Gifu Univ 医療情報抽出装置、及び医療情報抽出プログラム
JP2014228907A (ja) * 2013-05-20 2014-12-08 株式会社日立製作所 情報構造化システム
WO2016157314A1 (ja) * 2015-03-27 2016-10-06 株式会社日立製作所 計算機システム、及び、情報処理方法
CN107610770A (zh) * 2016-07-11 2018-01-19 百度（美国）有限责任公司 用于自动化诊断的问题生成系统和方法
CN106951684A (zh) * 2017-02-28 2017-07-14 北京大学 一种医学疾病诊断记录中实体消歧的方法
CN111739595A (zh) * 2020-07-24 2020-10-02 湖南创星科技股份有限公司 一种医疗大数据共享分析方法及装置

Also Published As

Publication number Publication date
WO2023025255A1 (zh) 2023-03-02
CN113434626B (zh) 2021-12-07
JP7433541B2 (ja) 2024-02-19
CN113434626A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
JP7433541B2 (ja) 多中心医学診断知識グラフ表示学習方法及びシステム
Wen et al. A survey on federated learning: challenges and applications
Li et al. A review of applications in federated learning
Marsan et al. Stochastic evolutionary differential games toward a systems theory of behavioral social dynamics
Iyawa et al. Digital health innovation ecosystems: From systematic literature review to conceptual framework
CN113205863B (zh) 基于蒸馏的半监督联邦学习的个性化模型的训练方法
Chen et al. Metafed: Federated learning among federations with cyclic knowledge distillation for personalized healthcare
Alzubi et al. Optimal multiple key‐based homomorphic encryption with deep neural networks to secure medical data transmission and diagnosis
Mandala et al. Privacy preservation of data using crow search with adaptive awareness probability
CN111477337B (zh) 基于个体自适应传播网络的传染病预警方法、系统及介质
Alabdulkarim et al. A Privacy-Preserving Algorithm for Clinical Decision-Support Systems Using Random Forest.
CN112289448A (zh) 一种基于联合学习的健康风险预测方法和装置
Chu et al. Privacy-preserving self-taught federated learning for heterogeneous data
Anande et al. Generative adversarial networks for network traffic feature generation
Cao et al. Cross-silo heterogeneous model federated multitask learning
Sun et al. Internet of things-assisted advanced dynamic information processing system for physical education system
Jamshidi et al. Adjustable privacy using autoencoder-based learning structure
Wang et al. [Retracted] Application of Improved Machine Learning and Fuzzy Algorithm in Educational Information Technology
Rathinaeaswari et al. A New Efficient and Privacy-Preserving Hybrid Classification model for Patient-Centric Clinical Decision Support System
Wang et al. Federated Knowledge Graph Completion via Latent Embedding Sharing and Tensor Factorization
Zhou et al. A distributed and privacy-preserving random forest evaluation scheme with fine grained access control
Awoseyi et al. Hybridization of decision tree algorithm using sequencing predictive model for COVID-19
Zhang et al. Research on Key Technologies of Personalized Intervention for Chronic Diseases Based on Case‐Based Reasoning
Dagli et al. A proposed solution to build a breast cancer detection model on confidential patient data using federated learning
Wang et al. GAN-based dual active learning for nosocomial infection detection

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230609

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230705

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240118

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240202

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240206

R150 Certificate of patent or registration of utility model

Ref document number: 7433541

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150