JP2024503980A - グラフニューラルネットワークに基づく疾患診断予測システム - Google Patents

グラフニューラルネットワークに基づく疾患診断予測システム Download PDF

Info

Publication number
JP2024503980A
JP2024503980A JP2023536567A JP2023536567A JP2024503980A JP 2024503980 A JP2024503980 A JP 2024503980A JP 2023536567 A JP2023536567 A JP 2023536567A JP 2023536567 A JP2023536567 A JP 2023536567A JP 2024503980 A JP2024503980 A JP 2024503980A
Authority
JP
Japan
Prior art keywords
disease
symptom
patient
graph
symptoms
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
JP2023536567A
Other languages
English (en)
Other versions
JP7459386B2 (ja
Inventor
▲勁▼松 李
▲勝▼▲強▼ 池
宇清 王
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 JP2024503980A publication Critical patent/JP2024503980A/ja
Application granted granted Critical
Publication of JP7459386B2 publication Critical patent/JP7459386B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】本発明は、グラフニューラルネットワークに基づく疾患診断予測システムを提供する。【解決手段】当該システムは、知識マップ構築モジュールと、データ抽出及び予処理モジュールと、疾患診断モデル構築モジュールと、疾患診断モデル応用モジュールとを備える。本発明では、知識マップにおける専門家知識及び電子カルテデータを有効に統合して異種グラフネットワークを構築する。異種グラフネットワークにおいて、グラフ畳み込みニューラルネットワーク方法を用いて異種グラフネットワークの局所情報及びグローバル情報を学習する。疾患診断モデルは、知識及びデータの両方に対してエンドツーエンドのトレーニングを行うことができる。モデル最適化目標において、疾患予測タスクを最適化するに加えて、知識関係に対する教師情報も追加することにより、疾患予測タスクが知識を効果的に利用することが確保されるとともに、知識表現がデータノイズの影響を受けないことも確保される。予測疾患数が多くて一部の疾患に対応する患者数が限られる問題について、マルチラベルな階層分類を設計することにより、少ないサンプル種別の疾患の予測効果を向上させる。【選択図】図３

Description

本発明は、医療健康情報技術分野に属し、特にグラフニューラルネットワークに基づく疾患診断予測システムに関する。
医療保健分野には、良く整理された知識マップ、例えば、国際疾患分類、ＤｒｕｇＢａｎｋ、臨床ガイド及び共通知識等が非常に多く存在し、それらは、人間の認知に合致する階層情報、複雑な関連関係を有する。知識マップは、様々な関係を含む異種グラフネットワークである。どのように知識マップにおける専門家知識及び電子カルテデータの両方を利用し、知識とデータとを統合してモデル化を行うかは、疾患の診断予測への応用にとって、重要な役割を有する。
従来のグラフニューラルネットワークモデルに基づいて疾患予測を行う方法は、医学知識マップと電子カルテデータとを効果的に融合して異種グラフネットワークを構築する方法が欠いている。現在、主な方法は、以下の幾つかの種類を有する。（１）データに基づくグラフネットワークモデル化：電子カルテデータに基づいてグラフネットワークを構築し、グラフニューラルネットワークモデルを利用して疾患予測を行う。当該方法は、従来の医学知識ソースを十分に利用していない。(２)知識表現学習及び疾患予測の段階的なモデル化方法：医学知識マップを学習して知識のベクトル表現を取得してから、電子カルテデータに融合し、疾患予測を行う。段階的なトレーニング方法は、疾患予測に最も適する知識表現を取得することができない。(３)疾患予測タスクのエンドツーエンドモデル化方法のみに注目する：医学知識マップ及び電子カルテデータを融合し、異種グラフネットワークを構築し、グラフニューラルネットワークモデルを利用して疾患予測を行う。当該方法は、上記２種の方法に存在する不足を解決したが、モデルが疾患予測タスクのみを最適化するため、学習された知識がデータ中のノイズの影響を受ける恐れがある。
本発明は、従来技術の不足について、グラフニューラルネットワークに基づく疾患診断予測システムを提供する。
本発明の目的は、以下の解決手段によって達成される。
本発明は、グラフニューラルネットワークに基づく疾患診断予測システムを提供する。当該システムは、
（１）医学知識ソースに基づいて疾患―症状知識マップを構築する知識マップ構築モジュールと、
(２)電子カルテシステムから、患者疾患診断及び症状データを含む患者電子カルテデータであってトライグラム形式で格納された患者電子カルテデータを抽出するデータ抽出及び予処理モジュールと、
(３)疾患―症状知識マップ及び電子カルテデータに対してグラフニューラルネットワーク学習及び予測モデル化を行う疾患診断モデル構築モジュールと、
(４)疾患診断モデルを用いて、入力された新患者の症状について疾患診断予測を行う疾患診断モデル応用モジュールと、を備え、
前記グラフニューラルネットワーク学習及び予測モデル化は、異種グラフネットワークの構築と、疾患診断モデルの構築とを含み、
前記異種グラフネットワークは、疾患―症状知識マップから疾患―症状関係を抽出して構築された疾患―症状サブグラフと、トライグラム形式の患者疾患診断及び症状データを用いて構築された患者―症状サブグラフとを含み、
前記疾患診断モデルは、グラフエンコーダとグラフデコーダとの両方によって構成され、
前記グラフエンコーダは、グラフ畳み込みニューラルネットワークを基に実現され、疾患―症状共起行列を用いて得られた疾患、症状、患者のノード初期埋込表現、疾患―症状隣接行列及び患者―症状隣接行列を入力とし、異なるタイプのノードは、接続辺を介して情報を伝送し、ノード埋込表現更新操作によって疾患、症状、患者ノード埋込表現を取得し、グラフデコーダに入力し、
前記グラフデコーダは、ノード埋込表現を用いてマルチタスク学習を行い、前記マルチタスク学習は、以下の部分ａ)～ｃ)を含み、
ａ)患者疾患診断予測のマルチラベルな階層分類：疾患の階層構造を用いて疾患層階層関係を構築し、前記疾患層階層関係は、診断予測を行う必要のある疾患層と、医学知識から得られた疾患システム分類層とを含み、マルチラベルな階層分類器を構築し、マルチラベルな階層分類の損失関数を設計し、
ｂ)疾患対比学習：疾患ペアシステム種別判別器を構築し、疾患ペア中の２種の疾患の間の距離を算出し、疾患対比学習の損失関数を設計し、
ｃ)疾患―症状関係学習：疾患―症状関係学習器を構築し、疾患―症状ペア中の疾患と症状とが関連関係を有する確率を算出し、疾患―症状関係学習の損失関数を設計し、
前記マルチラベルな階層分類の損失関数と前記疾患対比学習の損失関数と前記疾患―症状関係学習の損失関数との和を求めて疾患診断モデルの損失関数を取得する。
更に、前記知識マップ構築モジュールにおいて、前記疾患―症状知識マップは、疾患と症状との２種のノードタイプ、及び、疾患―症状という１種の関係を含む。
更に、前記異種グラフネットワークは、疾患―症状知識マップ及び電子カルテデータを基に構築され、疾患と症状と患者との３種のノードタイプを含み、症状は、疾患と患者との間に接続される中間ノードであり、前記異種グラフネットワークには、疾患―症状知識マップのうち疾患、症状に関連する関係サブグラフと、電子カルテデータのうち患者、症状に関連する関係サブグラフとが統合されている。
更に、前記異種グラフネットワーク
Figure 2024503980000002
は、
Figure 2024503980000003
と示され、ノードセットは、
Figure 2024503980000004
と示され、Ｄ、Ｓ、Ｐは、それぞれ所定の疾患セット、症状セット及び患者セットであり、且つ
Figure 2024503980000005
と示され、
Figure 2024503980000006
は、疾患種類、症状種類及び患者数をそれぞれ表し、辺セットは、
Figure 2024503980000007
と示され、セットＲは、疾患―症状関係
Figure 2024503980000008
と患者―症状関係
Figure 2024503980000009
とを含み、前記疾患―症状関係は、疾患―症状隣接行列に格納され、前記患者―症状関係は、患者―症状隣接行列に格納されている。
更に、前記ノード初期埋込表現の生成は、
疾患―症状共起行列
Figure 2024503980000010
を構築する処理であって、行列
Figure 2024503980000011
の第
Figure 2024503980000012
行且つ第
Figure 2024503980000013
列が
Figure 2024503980000014
と記され、電子カルテデータおける疾患
Figure 2024503980000015
と診断された患者のうち症状
Figure 2024503980000016
を発症した患者の数を表す処理と、
Figure 2024503980000017
に対して行の正規化を行って
Figure 2024503980000018
を取得する処理であって、疾患
Figure 2024503980000019
の初期埋込表現が
Figure 2024503980000020
であり、
Figure 2024503980000021
の第
Figure 2024503980000022
行を示す処理と、
Figure 2024503980000023
に対して列の正規化を行って
Figure 2024503980000024
を取得する処理であって、症状
Figure 2024503980000025
の初期埋込表現が
Figure 2024503980000026
であり、
Figure 2024503980000027
の第
Figure 2024503980000028
列を示す処理と、
患者
Figure 2024503980000029
の初期埋込表現
Figure 2024503980000030
を
Figure 2024503980000031
 により求める処理とを含み、
Figure 2024503980000032
は、患者
Figure 2024503980000033
の症状数である。
更に、異なるタイプのノード初期埋込表現を１つの多層パーセプトロンにそれぞれ入力し、同じ次元の初期埋込表現を取得してから、グラフエンコーダに入力する。
更に、前記グラフエンコーダでは、疾患
Figure 2024503980000034
について、第
Figure 2024503980000035
層のノード埋込表現
Figure 2024503980000036
は、
Figure 2024503980000037
 にて求められ、
症状
Figure 2024503980000038
について、第
Figure 2024503980000039
層のノード埋込表現
Figure 2024503980000040
は、
Figure 2024503980000041
 にて求められ、
患者
Figure 2024503980000042
について、第
Figure 2024503980000043
層のノード埋込表現
Figure 2024503980000044
は、
Figure 2024503980000045
 にて求められ、
Figure 2024503980000046
は、活性化関数であり、
Figure 2024503980000047
は、それぞれ第
Figure 2024503980000048
層疾患診断モデルをトレーニングして得られた疾患―症状関連重み行列及び患者―症状関連重み行列であり、
Figure 2024503980000049
は、それぞれ疾患
Figure 2024503980000050
、症状
Figure 2024503980000051
、患者
Figure 2024503980000052
の、第
Figure 2024503980000053
層におけるノード埋込表現であり、
Figure 2024503980000054
は、疾患
Figure 2024503980000055
に隣接する症状ノードのセットを表し、
Figure 2024503980000056
は、症状
Figure 2024503980000057
に隣接する疾患ノードのセットを表し、
Figure 2024503980000058
は、症状
Figure 2024503980000059
に隣接する患者ノードのセットを表し、
Figure 2024503980000060
は、患者
Figure 2024503980000061
に隣接する症状ノードのセットを表す。
更に、前記グラフデコーダにおいて、前記患者疾患診断予測のマルチラベルな階層分類は、以下のことを含む。
疾患層階層関係を構築し、疾患層の疾患種類を
Figure 2024503980000062
と記し、疾患システム分類層を
Figure 2024503980000063
と記し、
Figure 2024503980000064
は、疾患システム分類数であり、
Figure 2024503980000065
個の二値分類器を含むマルチラベルな階層分類器を構築し、
Figure 2024503980000066
個の二値分類器を
Figure 2024503980000067
（ただし、
Figure 2024503980000068
）と記し、
Figure 2024503980000069
 を満たし、
患者
Figure 2024503980000070
のノード埋込表現を
Figure 2024503980000071
個の二値分類器にそれぞれ入力して
Figure 2024503980000072
個の予測確率を取得し、
Figure 2024503980000073
と記し、二値分類器
Figure 2024503980000074
に対応するラベルは、患者の疾患システム分類であり、二値分類器
Figure 2024503980000075
に対応するラベルは、患者の疾患診断であり、対応するモデルパラメータは、
Figure 2024503980000076
であり、
患者
Figure 2024503980000077
が疾患
Figure 2024503980000078
を発症する確率
Figure 2024503980000079
を
Figure 2024503980000080
 により求め、
Figure 2024503980000081
は、二値分類器
Figure 2024503980000082
で予測される、患者が
Figure 2024503980000083
を発症するか否かの確率であり、疾患
Figure 2024503980000084
のシステム分類を
Figure 2024503980000085
とし、
Figure 2024503980000086
は、二値分類器
Figure 2024503980000087
で予測される、患者に疾患システム分類
Figure 2024503980000088
が出現するか否かの確率であり、
マルチラベルな階層分類の損失関数
Figure 2024503980000089
は、
Figure 2024503980000090
Figure 2024503980000091
Figure 2024503980000092
Figure 2024503980000093
 にて求められ、
Figure 2024503980000094
は、患者
Figure 2024503980000095
が疾患
Figure 2024503980000096
を発症する実ラベルであり、
Figure 2024503980000097
は、患者
Figure 2024503980000098
の疾患診断に対応する疾患システム分類の実ラベルであり、
Figure 2024503980000099
は、Ｌ１ノルムを表し、
Figure 2024503980000100
は、疾患
Figure 2024503980000101
と疾患
Figure 2024503980000102
との間の類似度であり、
Figure 2024503980000103
 にて求められ、
Figure 2024503980000104
は、疾患
Figure 2024503980000105
及び疾患
Figure 2024503980000106
の実ラベル分布をそれぞれ表し、
Figure 2024503980000107
Figure 2024503980000108
 を満たし、
Figure 2024503980000109
と
Figure 2024503980000110
は、患者
Figure 2024503980000111
が疾患
Figure 2024503980000112
、疾患
Figure 2024503980000113
を発症する実ラベルをそれぞれ表す。
更に、前記グラフデコーダにおいて、前記疾患対比学習は、以下のことを含む。
疾患セットＤ中の疾患を２つずつ組み合わせ、疾患ペアセットＤＤを取得し、疾患ペア数が
Figure 2024503980000114
であり、ＤＤ中の何れか１つの疾患ペア
Figure 2024503980000115
に関し、疾患ペアラベルは、２種の疾患が同一のシステム分類に属する場合に、
Figure 2024503980000116
とし、２種の疾患が異なるシステム分類に属する場合に、
Figure 2024503980000117
とし、
疾患ペアシステム種別判別器
Figure 2024503980000118
を構築し、疾患ペア
Figure 2024503980000119
中の２種の疾患のノード埋込表現
Figure 2024503980000120
を
Figure 2024503980000121
に入力し、２種の疾患の間の距離
Figure 2024503980000122
を
Figure 2024503980000123
 により求め、
Figure 2024503980000124
は、Ｌ２ノルムを表し、
疾患対比学習の損失関数
Figure 2024503980000125
を
Figure 2024503980000126
 により求め、ｍは、異なる疾患システム種別埋込表現の間の距離の下限値である。
更に、前記グラフデコーダにおいて、前記疾患―症状関係学習は、下記のことを含む。
疾患セットＤ及び症状セットＳから疾患及び症状を１種ずつ選択し、疾患―症状ペアセットＤＳを取得し、疾患―症状ペア数が
Figure 2024503980000127
であり、ＤＳ中の何れか１つの疾患―症状ペア
Figure 2024503980000128
に関し、疾患―症状ペアラベルは、疾患―症状が疾患―症状知識マップにおいて関連関係を有する場合に、
Figure 2024503980000129
とし、疾患―症状が疾患―症状知識マップにおいて関連関係を有さない場合に、
Figure 2024503980000130
とし、
疾患―症状関係学習器
Figure 2024503980000131
を構築し、
Figure 2024503980000132
中の疾患及び症状のノード埋込表現
Figure 2024503980000133
を
Figure 2024503980000134
に入力し、
Figure 2024503980000135
中の疾患と症状とが関連関係を有する確率
Figure 2024503980000136
を
Figure 2024503980000137
 により求め、
Figure 2024503980000138
は、ｓｉｇｍｏｉｄ関数を表し、
疾患―症状関係学習の損失関数
Figure 2024503980000139
を
Figure 2024503980000140
 により求める。
本発明は、以下の有利な作用効果を有する。本発明では、知識マップにおける専門家知識及び電子カルテデータを有効に統合して異種グラフネットワークを構築する。異種グラフネットワークにおいて、グラフ畳み込みニューラルネットワーク方法を用いて異種グラフネットワークの局所情報及びグローバル情報を学習する。疾患診断モデルは、知識及びデータの両方に対してエンドツーエンドのトレーニングを行うことができる。モデル最適化目標において、疾患予測タスクを最適化するに加えて、知識関係に対する教師情報も追加することにより（疾患対比学習部分及び疾患―症状関係学習部分）、疾患予測タスクが知識を効果的に利用することが確保されるとともに、知識表現がデータノイズの影響を受けないことも確保される。予測疾患数が多くて一部の疾患に対応する患者数が限られる問題について、マルチラベルな階層分類を設計することにより、少ないサンプル種別の疾患の予測効果を向上させる。
本発明の実施例に関わるグラフニューラルネットワークに基づく疾患診断予測システムの構成図である。 本発明の実施例に関わる異種グラフネットワークの構成図である。 本発明の実施例に関わる疾患診断モデルの構成図である。 本発明の実施例に関わる疾患の階層構造の模式図である。
本発明の上記目的、特徴及びメリットがより明白且つ分かりやすくなるように、以下では、図面を参照しながら本発明の具体的な実施形態について詳細に説明する。
本発明が十分に理解されるように以下の説明において詳細が多く記述されているが、本発明は、更に、ここで記述された形態と異なる形態で実施され得る。当業者は、本発明の要旨に反しない場合に、類似する拡張を行うことができる。したがって、本発明は、以下に開示された具体的な実施例に限定されない。
本発明の実施例は、グラフニューラルネットワークに基づく疾患診断予測システムを提供する。図１に示すように、当該システムは、知識マップ構築モジュールと、データ抽出及び予処理モジュールと、疾患診断モデル構築モジュールと、疾患診断モデル応用モジュールとを備える。以下では、各モジュールの実施形態を詳細に説明する。
知識マップ構築モジュール：ＳＮＯＭＥＤ―ＣＴ、ＨＰＯ等の医学知識ソースに基づいて疾患―症状知識マップを構築し、前記疾患―症状知識マップは、疾患と症状との２種のノードタイプ、及び、疾患―症状という１種の関係を含む。
データ抽出及び予処理モジュール：電子カルテシステムから、患者疾患診断及び症状データを含む患者電子カルテデータであってトライグラム形式で格納された患者電子カルテデータを抽出する。
疾患診断モデル構築モジュール：疾患―症状知識マップ及び電子カルテデータに対してグラフニューラルネットワーク学習及び予測モデル化を行う。
疾患診断モデル応用モジュール：疾患診断モデルを用いて、入力された新患者の症状について疾患診断予測を行う。
疾患診断モデル構築モジュールの具体的な機能は、所定疾患セット
Figure 2024503980000141
、症状セット
Figure 2024503980000142
及び患者セット
Figure 2024503980000143
である。
Figure 2024503980000144
は、疾患種類、症状種類及び患者数をそれぞれ表す。疾患診断予測は、マルチラベル分類問題と見なされる。即ち、所定患者症状の場合に、疾患診断モデルは、患者の疾患診断を予測することができる。
疾患診断モデルの実現は、以下の（１）～（６）を含む。
（１）異種グラフネットワークの構築
疾患―症状知識マップ及び電子カルテデータを用いて、疾患、症状及び患者の３種のノードタイプを含む異種グラフネットワーク
Figure 2024503980000145
を構築する。症状は、疾患と患者との間に接続される中間ノードである。当該異種グラフネットワークは、疾患―症状知識マップのうち疾患、症状に関連する関係サブグラフと、電子カルテデータのうち患者、症状に関連する関係サブグラフとが統合されており、疾患―症状サブグラフ
Figure 2024503980000146
及び患者―症状サブグラフ
Figure 2024503980000147
を含む。
異種グラフネットワーク
Figure 2024503980000148
は、
Figure 2024503980000149
と示されてもよい。
その中、ノードセットは、
Figure 2024503980000150
と示され、辺セットは、
Figure 2024503980000151
と示され、セットＲは、疾患―症状関係
Figure 2024503980000152
及び患者―症状関係
Figure 2024503980000153
を含み、疾患―症状関係は、疾患―症状隣接行列に格納され、患者―症状関係は、患者―症状隣接行列に格納されている。
図２は、異種グラフネットワーク構造の例示であり、４人の患者
Figure 2024503980000154
、４種の疾患
Figure 2024503980000155
、４種の症状
Figure 2024503980000156
、及び患者―症状関係、疾患―症状関係を含む。
（２）サブグラフの構築
疾患―症状サブグラフ
Figure 2024503980000157
：疾患―症状知識マップから疾患―症状関係構築疾患―症状サブグラフを抽出する。
患者―症状サブグラフ
Figure 2024503980000158
：トライグラム形式の患者疾患診断及び症状データを用いて、患者―症状サブグラフを構築する。
（３）疾患診断モデル構造
図３は、疾患診断モデル構造の例示である。疾患―症状共起行列を用いて疾患、症状、患者のノード初期埋込表現を取得する。ノード初期埋込表現及び隣接行列を疾患診断モデルの入力とする。疾患診断モデルは、グラフエンコーダ及びグラフデコーダの２つの部分によって構成される。ノード初期埋込表現の生成、グラフエンコーダ及びグラフデコーダの具体的なステップは、（４）～（６）を参照可能である。
（４）ノード初期埋込表現の生成
まず、疾患―症状共起行列
Figure 2024503980000159
を構築し、行列
Figure 2024503980000160
の第
Figure 2024503980000161
行且つ第
Figure 2024503980000162
列を
Figure 2024503980000163
と記し、電子カルテデータにおいて疾患
Figure 2024503980000164
と診断された患者のうち、症状
Figure 2024503980000165
を発症した数を示す。次に、
Figure 2024503980000166
に対して行の正規化を行って
Figure 2024503980000167
を取得し、疾患
Figure 2024503980000168
の初期埋込表現が
Figure 2024503980000169
、即ち、
Figure 2024503980000170
の第
Figure 2024503980000171
行であり、
Figure 2024503980000172
に対して列の正規化を行って
Figure 2024503980000173
を取得し、症状
Figure 2024503980000174
の初期埋込表現が
Figure 2024503980000175
、即ち、
Figure 2024503980000176
の第
Figure 2024503980000177
列である。その後、患者
Figure 2024503980000178
の初期埋込表現
Figure 2024503980000179
を
Figure 2024503980000180
 により求め、
Figure 2024503980000181
は、患者
Figure 2024503980000182
の症状数である。
（５）グラフエンコーダ
まず、異なるタイプのノード初期埋込表現を１つの多層パーセプトロンにそれぞれ入力し、同じ次元の初期埋込表現を取得してから、グラフエンコーダに入力する。グラフエンコーダは、グラフ畳み込みニューラルネットワークに基づいて実現される。
グラフエンコーダにおいて、異なるタイプのノードは、図における接続辺を介して情報を伝送して他のタイプノードの情報を統合してもよい。疾患
Figure 2024503980000183
について、第
Figure 2024503980000184
層のノード埋込表現
Figure 2024503980000185
は、
Figure 2024503980000186
 にて求められ、
症状
Figure 2024503980000187
について、第
Figure 2024503980000188
層のノード埋込表現
Figure 2024503980000189
は、
Figure 2024503980000190
 にて求められ、
患者
Figure 2024503980000191
について、第
Figure 2024503980000192
層のノード埋込表現
Figure 2024503980000193
は、
Figure 2024503980000194
 にて求められ、
Figure 2024503980000195
は、活性化関数であり、
Figure 2024503980000196
は、それぞれ第
Figure 2024503980000197
層疾患診断モデルをトレーニングして得られた疾患―症状関連重み行列及び患者―症状関連重み行列であり、
Figure 2024503980000198
は、それぞれ疾患ノード
Figure 2024503980000199
、症状ノード
Figure 2024503980000200
、患者ノード
Figure 2024503980000201
の、第
Figure 2024503980000202
層におけるノード埋込表現であり、グラフエンコーダの総層数は、
Figure 2024503980000203
である。
Figure 2024503980000204
は、疾患ノード
Figure 2024503980000205
に隣接する症状ノードのセットを表し、
Figure 2024503980000206
は、症状ノード
Figure 2024503980000207
に隣接する疾患ノードのセットを表し、
Figure 2024503980000208
は、症状ノード
Figure 2024503980000209
に隣接する患者ノードのセットを表し、
Figure 2024503980000210
は、患者ノード
Figure 2024503980000211
に隣接する症状ノードのセットを表す。
Figure 2024503980000212
、
Figure 2024503980000213
は、疾患―症状隣接行列によって取得され、
Figure 2024503980000214
、
Figure 2024503980000215
は、患者―症状隣接行列によって取得される。上記ノード埋込表現更新操作を
Figure 2024503980000216
回繰り返して実行することにより、関連関係を十分に捉える疾患、症状、患者ノード埋込表現を取得することができる。
（６）グラフデコーダ
グラフエンコーダで取得されたノード埋込表現をグラフデコーダに入力する。グラフデコーダでは、ノード埋込表現を用いてマルチタスク学習を行う。
第１に、患者疾患診断予測のマルチラベルな階層分類を行う。
まず、図４に示すように、疾患の階層構造を用いて疾患層階層関係を構築する。
Figure 2024503980000217
層は、疾患セットＤ中の疾患、即ち、診断予測を行う必要のある疾患であり、疾患種類は、上述した通り、
Figure 2024503980000218
であり、
Figure 2024503980000219
層は、医学知識に基づいて疾患に対して行われたシステム分類であり、
Figure 2024503980000220
と記し、
Figure 2024503980000221
は、
Figure 2024503980000222
層の疾患システム分類数である。
次に、
Figure 2024503980000223
個の二値分類器を含むマルチラベルな階層分類器を構築し、
Figure 2024503980000224
個の二値分類器を
Figure 2024503980000225
、
Figure 2024503980000226
と記す。患者
Figure 2024503980000227
のノード埋込表現を
Figure 2024503980000228
個の二値分類器にそれぞれ入力し、
Figure 2024503980000229
個の予測確率を取得し、
Figure 2024503980000230
と記す。
Figure 2024503980000231
 を満たし、分類器
Figure 2024503980000232
に対応するラベルは、患者の疾患システム分類であり、分類器
Figure 2024503980000233
に対応するラベルは、患者の疾患診断であり、対応するモデルパラメータは、
Figure 2024503980000234
である。
その後、患者
Figure 2024503980000235
が疾患
Figure 2024503980000236
を発症する確率
Figure 2024503980000237
を、
Figure 2024503980000238
 により求め、
Figure 2024503980000239
は、二値分類器
Figure 2024503980000240
で予測される、患者が
Figure 2024503980000241
を発症するか否かの確率であり、疾患
Figure 2024503980000242
のシステム分類を
Figure 2024503980000243
とし、
Figure 2024503980000244
は、二値分類器
Figure 2024503980000245
で予測される、患者に疾患システム分類
Figure 2024503980000246
が出現するか否かの確率である。
最後に、マルチラベルな階層分類の損失関数
Figure 2024503980000247
は、
Figure 2024503980000248
Figure 2024503980000249
Figure 2024503980000250
Figure 2024503980000251
 にて求められ、
Figure 2024503980000252
は、患者
Figure 2024503980000253
が疾患
Figure 2024503980000254
を発症する実ラベルであり、
Figure 2024503980000255
は、患者
Figure 2024503980000256
の疾患診断に対応する疾患システム分類の実ラベルであり、
Figure 2024503980000257
は、Ｌ１ノルムを表し、
Figure 2024503980000258
は、疾患
Figure 2024503980000259
と疾患
Figure 2024503980000260
との間の類似度であり、
Figure 2024503980000261
 にて求められ、
Figure 2024503980000262
は、疾患
Figure 2024503980000263
及び疾患
Figure 2024503980000264
の実ラベル分布をそれぞれ表し、
Figure 2024503980000265
Figure 2024503980000266
 を満たし、
Figure 2024503980000267
と
Figure 2024503980000268
は、患者
Figure 2024503980000269
が疾患
Figure 2024503980000270
、疾患
Figure 2024503980000271
をそれぞれ発症する実ラベルをそれぞれ表す。
第２に、疾患対比学習を行う。
まず、疾患セットＤ中の疾患を２つずつ組み合わせ、疾患ペアセットＤＤを取得し、疾患ペア数が
Figure 2024503980000272
である。ＤＤ中の何れか１つの疾患ペア
Figure 2024503980000273
に関し、疾患ペアラベルは、２種の疾患が同一のシステム分類に属する場合に、
Figure 2024503980000274
とし、２種の疾患が異なるシステム分類に属する場合に、
Figure 2024503980000275
を満たす。
次に、疾患ペアシステム種別判別器
Figure 2024503980000276
を構築し、疾患ペア
Figure 2024503980000277
中の２種の疾患のノード埋込表現
Figure 2024503980000278
を
Figure 2024503980000279
に入力し、２種の疾患の間の距離
Figure 2024503980000280
を
Figure 2024503980000281
 により求め、
Figure 2024503980000282
は、Ｌ２ノルムを表す。
最後に、疾患対比学習の損失関数
Figure 2024503980000283
を
Figure 2024503980000284
 により求め、ｍは、異なる疾患システム種別埋込表現の間の距離の下限値である。
第３に、疾患―症状関係学習を行う。
まず、疾患セットＤ及び症状セットＳから疾患及び症状を１種ずつ選択し、疾患―症状ペアセットＤＳを取得し、疾患―症状ペア数が
Figure 2024503980000285
である。ＤＳ中の何れか１つの疾患―症状ペア
Figure 2024503980000286
に関し、疾患―症状ペアラベルは、疾患―症状が疾患―症状知識マップにおいて関連関係を有する場合に、
Figure 2024503980000287
とし、疾患―症状が疾患―症状知識マップにおいて関連関係を有さない場合に、
Figure 2024503980000288
を満たす。
次に、疾患―症状関係学習器
Figure 2024503980000289
を構築し、
Figure 2024503980000290
中の疾患及び症状のノード埋込表現
Figure 2024503980000291
を
Figure 2024503980000292
に入力し、
Figure 2024503980000293
中の疾患と症状とが関連関係を有する確率
Figure 2024503980000294
を
Figure 2024503980000295
 により求め、
Figure 2024503980000296
は、ｓｉｇｍｏｉｄ関数を表し、
疾患―症状関係学習の損失関数
Figure 2024503980000297
を
Figure 2024503980000298
 により求め、疾患診断モデルの損失関数
Figure 2024503980000299
は、
Figure 2024503980000300
 のように定義される。
上述したのは、本発明の好適な実施形態に過ぎない。本発明が好ましい実施例で上述されたが、これらの実施例は、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づ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含まれる。

Claims (9)

  1. グラフニューラルネットワークに基づく疾患診断予測システムであって、
    医学知識ソースに基づいて疾患―症状知識マップを構築する知識マップ構築モジュールと、
    電子カルテシステムから、患者疾患診断及び症状データを含む患者電子カルテデータであってトライグラム形式で格納された患者電子カルテデータを抽出するデータ抽出及び予処理モジュールと、
    疾患―症状知識マップ及び電子カルテデータに対してグラフニューラルネットワーク学習及び予測モデル化を行う疾患診断モデル構築モジュールと、
    疾患診断モデルを用いて、入力された新患者の症状について疾患診断予測を行う疾患診断モデル応用モジュールと、を備え、
    前記グラフニューラルネットワーク学習及び予測モデル化は、異種グラフネットワークの構築と、疾患診断モデルの構築とを含み、
    前記異種グラフネットワークは、疾患―症状知識マップから疾患―症状関係を抽出して構築された疾患―症状サブグラフと、トライグラム形式の患者疾患診断及び症状データを用いて構築された患者―症状サブグラフとを含み、
    前記疾患診断モデルは、グラフエンコーダとグラフデコーダとの両方によって構成され、
    前記グラフエンコーダは、グラフ畳み込みニューラルネットワークを基に実現され、疾患―症状共起行列を用いて得られた疾患、症状、患者のノード初期埋込表現、疾患―症状隣接行列及び患者―症状隣接行列を入力とし、異なるタイプのノードは、接続辺を介して情報を伝送し、ノード埋込表現更新操作によって疾患、症状、患者ノード埋込表現を取得し、グラフデコーダに入力し、
    前記グラフデコーダは、ノード埋込表現を用いてマルチタスク学習を行い、前記マルチタスク学習は、患者疾患診断予測のマルチラベルな階層分類という部分ａ)と、疾患対比学習という部分ｂ）と、疾患―症状関係学習という部分ｃ)とを含み、
    前記部分ａ)では、疾患の階層構造を用いて疾患層階層関係を構築し、前記疾患層階層関係は、診断予測を行う必要のある疾患層と、医学知識から得られた疾患システム分類層とを含み、疾患層の疾患種類を
    Figure 2024503980000301
    と記し、疾患システム分類層を
    Figure 2024503980000302
    と記し、
    Figure 2024503980000303
    は、疾患システム分類数であり、
    Figure 2024503980000304
    個の二値分類器を含むマルチラベルな階層分類器を構築し、
    Figure 2024503980000305
    個の二値分類器を
    Figure 2024503980000306
    （ただし、
    Figure 2024503980000307
    ）と記し、
    Figure 2024503980000308
     を満たし、
    患者
    Figure 2024503980000309
    のノード埋込表現を
    Figure 2024503980000310
    個の二値分類器にそれぞれ入力して
    Figure 2024503980000311
    個の予測確率を取得し、
    Figure 2024503980000312
    と記し、二値分類器
    Figure 2024503980000313
    に対応するラベルは、患者の疾患システム分類であり、二値分類器
    Figure 2024503980000314
    に対応するラベルは、患者の疾患診断であり、対応するモデルパラメータは、
    Figure 2024503980000315
    であり、
    患者
    Figure 2024503980000316
    が疾患
    Figure 2024503980000317
    を発症する確率
    Figure 2024503980000318
    を
    Figure 2024503980000319
     により求め、
    Figure 2024503980000320
    は、二値分類器
    Figure 2024503980000321
    で予測される、患者が
    Figure 2024503980000322
    を発症するか否かの確率であり、疾患
    Figure 2024503980000323
    のシステム分類を
    Figure 2024503980000324
    とし、
    Figure 2024503980000325
    は、二値分類器
    Figure 2024503980000326
    で予測される、患者に疾患システム分類
    Figure 2024503980000327
    が出現するか否かの確率であり、
    マルチラベルな階層分類の損失関数
    Figure 2024503980000328
    は、
    Figure 2024503980000329
    Figure 2024503980000330
    Figure 2024503980000331
    Figure 2024503980000332
     にて求められ、
    Figure 2024503980000333
    は、患者数を表し、
    Figure 2024503980000334
    は、患者
    Figure 2024503980000335
    が疾患
    Figure 2024503980000336
    を発症する実ラベルであり、
    Figure 2024503980000337
    は、患者
    Figure 2024503980000338
    の疾患診断に対応する疾患システム分類の実ラベルであり、
    Figure 2024503980000339
    は、Ｌ１ノルムを表し、
    Figure 2024503980000340
    は、疾患
    Figure 2024503980000341
    と疾患
    Figure 2024503980000342
    との間の類似度であり、
    Figure 2024503980000343
     にて求められ、
    Figure 2024503980000344
    は、疾患
    Figure 2024503980000345
    及び疾患
    Figure 2024503980000346
    の実ラベル分布をそれぞれ表し、
    Figure 2024503980000347
    Figure 2024503980000348
     を満たし、
    Figure 2024503980000349
    と
    Figure 2024503980000350
    は、患者
    Figure 2024503980000351
    が疾患
    Figure 2024503980000352
    、疾患
    Figure 2024503980000353
    をそれぞれ発症する実ラベルをそれぞれ表し、
    前記部分ｂ)では、疾患ペアシステム種別判別器を構築し、疾患ペア中の２種の疾患の間の距離を算出し、疾患対比学習の損失関数を設計し、
    部分ｃ)では、疾患―症状関係学習器を構築し、疾患―症状ペア中の疾患と症状とが関連関係を有する確率を算出し、疾患―症状関係学習の損失関数を設計し、
    前記マルチラベルな階層分類の損失関数と前記疾患対比学習の損失関数と前記疾患―症状関係学習の損失関数との和を求めて疾患診断モデルの損失関数を取得することを特徴とするグラフニューラルネットワークに基づく疾患診断予測システム。
  2. 前記知識マップ構築モジュールにおいて、前記疾患―症状知識マップは、疾患と症状との２種のノードタイプ、及び、疾患―症状という１種の関係を含むことを特徴とする請求項１に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
  3. 前記異種グラフネットワークは、疾患―症状知識マップ及び電子カルテデータを基に構築され、疾患と症状と患者との３種のノードタイプを含み、症状は、疾患と患者との間に接続される中間ノードであり、前記異種グラフネットワークには、疾患―症状知識マップのうち疾患、症状に関連する関係サブグラフと、電子カルテデータのうち患者、症状に関連する関係サブグラフとが統合されていることを特徴とする請求項１に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
  4. 前記異種グラフネットワーク
    Figure 2024503980000354
    は、
    Figure 2024503980000355
    と示され、ノードセットは、
    Figure 2024503980000356
    と示され、Ｄ、Ｓ、Ｐは、それぞれ所定の疾患セット、症状セット及び患者セットであり、且つ
    Figure 2024503980000357
    と示され、
    Figure 2024503980000358
    は、疾患種類、症状種類及び患者数をそれぞれ表し、辺セットは、
    Figure 2024503980000359
    と示され、セットＲは、疾患―症状関係を表す
    Figure 2024503980000360
    と患者―症状関係を表す
    Figure 2024503980000361
    とを含み、前記疾患―症状関係は、疾患―症状隣接行列に格納され、前記患者―症状関係は、患者―症状隣接行列に格納されていることを特徴とする請求項１に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
  5. 前記ノード初期埋込表現の生成は、
    疾患―症状共起行列
    Figure 2024503980000362
    を構築する処理であって、行列
    Figure 2024503980000363
    の第
    Figure 2024503980000364
    行且つ第
    Figure 2024503980000365
    列が
    Figure 2024503980000366
    と記され、電子カルテデータおける疾患
    Figure 2024503980000367
    と診断された患者のうち症状
    Figure 2024503980000368
    を発症した患者の数を表す処理と、
    Figure 2024503980000369
    に対して行の正規化を行って
    Figure 2024503980000370
    を取得する処理であって、疾患
    Figure 2024503980000371
    の初期埋込表現が
    Figure 2024503980000372
    であり、
    Figure 2024503980000373
    の第
    Figure 2024503980000374
    行を示す処理と、
    Figure 2024503980000375
    に対して列の正規化を行って
    Figure 2024503980000376
    を取得する処理であって、症状
    Figure 2024503980000377
    の初期埋込表現が
    Figure 2024503980000378
    であり、
    Figure 2024503980000379
    の第
    Figure 2024503980000380
    列を示す処理と、
    患者
    Figure 2024503980000381
    の初期埋込表現
    Figure 2024503980000382
    を
    Figure 2024503980000383
     により求める処理とを含み、
    Figure 2024503980000384
    は、患者
    Figure 2024503980000385
    の症状数であることを特徴とする請求項４に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
  6. 異なるタイプのノード初期埋込表現を１つの多層パーセプトロンにそれぞれ入力し、同じ次元の初期埋込表現を取得してから、グラフエンコーダに入力することを特徴とする請求項１に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
  7. 前記グラフエンコーダでは、疾患
    Figure 2024503980000386
    について、第
    Figure 2024503980000387
    層のノード埋込表現
    Figure 2024503980000388
    は、
    Figure 2024503980000389
     にて求められ、
    症状
    Figure 2024503980000390
    について、第
    Figure 2024503980000391
    層のノード埋込表現
    Figure 2024503980000392
    は、
    Figure 2024503980000393
     にて求められ、
    患者
    Figure 2024503980000394
    について、第
    Figure 2024503980000395
    層のノード埋込表現
    Figure 2024503980000396
    は、
    Figure 2024503980000397
     にて求められ、
    Figure 2024503980000398
    は、活性化関数であり、
    Figure 2024503980000399
    は、それぞれ第
    Figure 2024503980000400
    層疾患診断モデルをトレーニングして得られた疾患―症状関連重み行列及び患者―症状関連重み行列であり、
    Figure 2024503980000401
    は、それぞれ疾患
    Figure 2024503980000402
    、症状
    Figure 2024503980000403
    、患者
    Figure 2024503980000404
    の、第
    Figure 2024503980000405
    層におけるノード埋込表現であり、
    Figure 2024503980000406
    は、疾患
    Figure 2024503980000407
    に隣接する症状ノードのセットを表し、
    Figure 2024503980000408
    は、症状
    Figure 2024503980000409
    に隣接する疾患ノードのセットを表し、
    Figure 2024503980000410
    は、症状
    Figure 2024503980000411
    に隣接する患者ノードのセットを表し、
    Figure 2024503980000412
    は、患者
    Figure 2024503980000413
    に隣接する症状ノードのセットを表すことを特徴とする請求項５に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
  8. 前記グラフデコーダでは、前記疾患対比学習において、
    疾患セットＤ中の疾患を２つずつ組み合わせ、疾患ペアセットＤＤを取得し、疾患ペア数が
    Figure 2024503980000414
    であり、ＤＤ中の何れか１つの疾患ペア
    Figure 2024503980000415
    に関し、疾患ペアラベルは、２種の疾患が同一のシステム分類に属する場合に、
    Figure 2024503980000416
    とし、２種の疾患が異なるシステム分類に属する場合に、
    Figure 2024503980000417
    とし、
    疾患ペアシステム種別判別器
    Figure 2024503980000418
    を構築し、疾患ペア
    Figure 2024503980000419
    中の２種の疾患のノード埋込表現
    Figure 2024503980000420
    を
    Figure 2024503980000421
    に入力し、２種の疾患の間の距離
    Figure 2024503980000422
    を
    Figure 2024503980000423
     により求め、
    Figure 2024503980000424
    は、Ｌ２ノルムを表し、
    疾患対比学習の損失関数
    Figure 2024503980000425
    を
    Figure 2024503980000426
     により求め、ｍは、異なる疾患システム種別埋込表現の間の距離の下限値であることを特徴とする請求項７に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
  9. 前記グラフデコーダでは、前記疾患―症状関係学習において、
    疾患セットＤ及び症状セットＳから疾患及び症状を１種ずつ選択し、疾患―症状ペアセットＤＳを取得し、疾患―症状ペア数が
    Figure 2024503980000427
    であり、ＤＳ中の何れか１つの疾患―症状ペア
    Figure 2024503980000428
    に関し、疾患―症状ペアラベルは、疾患―症状が疾患―症状知識マップにおいて関連関係を有する場合に、
    Figure 2024503980000429
    とし、疾患―症状が疾患―症状知識マップにおいて関連関係を有さない場合に、
    Figure 2024503980000430
    とし、
    疾患―症状関係学習器
    Figure 2024503980000431
    を構築し、
    Figure 2024503980000432
    中の疾患及び症状のノード埋込表現
    Figure 2024503980000433
    を
    Figure 2024503980000434
    に入力し、
    Figure 2024503980000435
    中の疾患と症状とが関連関係を有する確率
    Figure 2024503980000436
    を
    Figure 2024503980000437
     により求め、
    Figure 2024503980000438
    は、ｓｉｇｍｏｉｄ関数を表し、
    疾患―症状関係学習の損失関数
    Figure 2024503980000439
    を
    Figure 2024503980000440
     により求めることを特徴とする請求項７に記載のグラフニューラルネットワークに基づく疾患診断予測システム。
JP2023536567A 2021-12-27 2022-09-05 グラフニューラルネットワークに基づく疾患診断予測システム Active JP7459386B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202111609275.1 2021-12-27
CN202111609275.1A CN113990495B (zh) 2021-12-27 2021-12-27 一种基于图神经网络的疾病诊断预测系统
PCT/CN2022/116970 WO2023124190A1 (zh) 2021-12-27 2022-09-05 一种基于图神经网络的疾病诊断预测系统

Publications (2)

Publication Number Publication Date
JP2024503980A true JP2024503980A (ja) 2024-01-30
JP7459386B2 JP7459386B2 (ja) 2024-04-01

Family

ID=79734519

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023536567A Active JP7459386B2 (ja) 2021-12-27 2022-09-05 グラフニューラルネットワークに基づく疾患診断予測システム

Country Status (3)

Country Link
JP (1) JP7459386B2 (ja)
CN (1) CN113990495B (ja)
WO (1) WO2023124190A1 (ja)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113990495B (zh) * 2021-12-27 2022-04-29 之江实验室 一种基于图神经网络的疾病诊断预测系统
CN114496283A (zh) * 2022-02-15 2022-05-13 山东大学 一种基于路径推理的疾病预测系统、存储介质及设备
CN114496234B (zh) * 2022-04-18 2022-07-19 浙江大学 一种基于认知图谱的全科患者个性化诊疗方案推荐系统
CN114898879B (zh) * 2022-05-10 2023-04-21 电子科技大学 一种基于图表示学习的慢病风险预测方法
CN114664452B (zh) * 2022-05-20 2022-09-23 之江实验室 一种基于因果校验数据生成的全科多疾病预测系统
CN115019923B (zh) * 2022-07-11 2023-04-28 中南大学 一种基于对比学习的电子病历数据预训练方法
CN115359870B (zh) * 2022-10-20 2023-03-24 之江实验室 一种基于层次图神经网络的疾病诊疗过程异常识别系统
CN115424724B (zh) * 2022-11-04 2023-01-24 之江实验室 一种多模态图森林的肺癌淋巴结转移辅助诊断系统
CN115862848B (zh) * 2023-02-15 2023-05-30 之江实验室 基于临床数据筛选和医学知识图谱的疾病预测系统和装置
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
CN116646072A (zh) * 2023-05-18 2023-08-25 肇庆医学高等专科学校 一种前列腺诊断神经网络模型的训练方法及装置
CN116562266B (zh) * 2023-07-10 2023-09-15 中国医学科学院北京协和医院 文本分析方法、计算机设备及计算机可读存储介质
CN116631641B (zh) * 2023-07-21 2023-12-22 之江实验室 一种集成自适应相似患者图的疾病预测装置
CN116936108B (zh) * 2023-09-19 2024-01-02 之江实验室 一种面向不平衡数据的疾病预测系统
CN117010494B (zh) * 2023-09-27 2024-01-05 之江实验室 一种基于因果表示学习的医学数据生成方法及系统
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
CN117235487B (zh) * 2023-10-12 2024-03-12 北京大学第三医院（北京大学第三临床医学院） 一种用于预测哮喘患者住院事件的特征提取方法和系统
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
CN117438023B (zh) * 2023-10-31 2024-04-26 灌云县南岗镇卫生院 基于大数据的医院信息管理方法及系统
CN118098561B (zh) * 2024-01-24 2024-09-03 江南大学附属医院 基于知识图谱的疾病辅助诊断方法及系统
CN117894422A (zh) * 2024-03-18 2024-04-16 攀枝花学院 一种基于icu重症监测的数据可视化方法及系统
CN118193797B (zh) * 2024-05-17 2024-07-26 之江实验室 一种业务执行的方法、装置、存储介质及电子设备
CN118230978B (zh) * 2024-05-27 2024-08-13 之江实验室 一种疾病风险预测方法、系统、电子设备、介质
CN118588297A (zh) * 2024-08-02 2024-09-03 福建奇鹭物联网科技股份公司 一种基于鞋码的预测方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7774143B2 (en) * 2002-04-25 2010-08-10 The United States Of America As Represented By The Secretary, Department Of Health And Human Services Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states
US20130268290A1 (en) * 2012-04-02 2013-10-10 David Jackson Systems and methods for disease knowledge modeling
PL407244A1 (pl) * 2014-02-18 2015-08-31 Instytut Biochemii I Biofizyki Polskiej Akademii Nauk Bioczujnik elektrochemiczny do wykrywania białka S100B
US20150356272A1 (en) * 2014-06-10 2015-12-10 Taipei Medical University Prescription analysis system and method for applying probabilistic model based on medical big data
US20190155993A1 (en) * 2017-11-20 2019-05-23 ThinkGenetic Inc. Method and System Supporting Disease Diagnosis
CN108154928A (zh) * 2017-12-27 2018-06-12 北京嘉和美康信息技术有限公司 一种疾病诊断方法及装置
CN108198620B (zh) * 2018-01-12 2022-03-22 洛阳飞来石软件开发有限公司 一种基于深度学习的皮肤疾病智能辅助诊断系统
CN109036553B (zh) * 2018-08-01 2022-03-29 北京理工大学 一种基于自动抽取医疗专家知识的疾病预测方法
US11636949B2 (en) * 2018-08-10 2023-04-25 Kahun Medical Ltd. Hybrid knowledge graph for healthcare applications
CN109784387A (zh) * 2018-12-29 2019-05-21 天津南大通用数据技术股份有限公司 基于神经网络和贝叶斯模型的多层次递进分类方法及系统
CN110277165B (zh) * 2019-06-27 2021-06-04 清华大学 基于图神经网络的辅助诊断方法、装置、设备及存储介质
CN111370127B (zh) * 2020-01-14 2022-06-10 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
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
CN111666477B (zh) 2020-06-19 2023-10-20 腾讯科技（深圳）有限公司 一种数据处理方法、装置、智能设备及介质
CN111834012A (zh) * 2020-07-14 2020-10-27 中国中医科学院中医药信息研究所 基于深度学习和注意力机制的中医证候诊断方法及装置
CN111914562B (zh) 2020-08-21 2022-10-14 腾讯科技（深圳）有限公司 电子信息分析方法、装置、设备及可读存储介质
CN112037912B (zh) * 2020-09-09 2023-07-11 平安科技（深圳）有限公司 基于医疗知识图谱的分诊模型训练方法、装置及设备
CN112263220A (zh) * 2020-10-23 2021-01-26 北京文通图像识别技术研究中心有限公司 一种内分泌疾病智能诊断系统
CN113674856B (zh) 2021-04-15 2023-12-12 腾讯科技（深圳）有限公司 基于人工智能的医学数据处理方法、装置、设备及介质
CN113656589B (zh) 2021-04-19 2023-07-04 腾讯科技（深圳）有限公司 对象属性确定方法、装置、计算机设备及存储介质
CN113409892B (zh) * 2021-05-13 2023-04-25 西安电子科技大学 基于图神经网络的miRNA-疾病关联关系预测方法
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
CN113643821B (zh) * 2021-10-13 2022-02-11 浙江大学 一种多中心知识图谱联合决策支持方法与系统
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

Also Published As

Publication number Publication date
CN113990495B (zh) 2022-04-29
JP7459386B2 (ja) 2024-04-01
WO2023124190A1 (zh) 2023-07-06
CN113990495A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
JP7459386B2 (ja) グラフニューラルネットワークに基づく疾患診断予測システム
CN111382272B (zh) 一种基于知识图谱的电子病历icd自动编码方法
Sullivan Understanding from machine learning models
Li et al. A survey of data-driven and knowledge-aware explainable ai
CN113241135B (zh) 一种基于多模态融合的疾病风险预测方法和系统
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
Zheng et al. The fusion of deep learning and fuzzy systems: A state-of-the-art survey
CN110459287B (zh) 来自医学文本报告的结构化报告数据
CN107516110A (zh) 一种基于集成卷积编码的医疗问答语义聚类方法
CN108447534A (zh) 一种基于nlp的电子病历数据质量管理方法
KR20190102399A (ko) 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법
Dooshima et al. A predictive model for the risk of mental illness in Nigeria using data mining
CN112100406B (zh) 数据处理方法、装置、设备以及介质
Castellani et al. Place and health as complex systems: A case study and empirical test
US20210406687A1 (en) Method for predicting attribute of target object based on machine learning and related device
CN116682553A (zh) 一种融合知识与患者表示的诊断推荐系统
CN116610816A (zh) 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统
CN113707339A (zh) 一种多源异质数据库间概念对齐与内容互译方法及系统
CN113673244A (zh) 医疗文本处理方法、装置、计算机设备和存储介质
Liu et al. Visualizing graph neural networks with corgie: Corresponding a graph to its embedding
CN115687642A (zh) 一种基于临床知识图谱表示学习的中医诊疗知识发现方法
CN115062162A (zh) 一种基于代谢病的事理知识图谱的构建方法及系统
CN112069825A (zh) 面向警情笔录数据的实体关系联合抽取方法
JP7365747B1 (ja) 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
CN115660871B (zh) 医学临床过程无监督建模方法、计算机设备、存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230615

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230705

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: 20240219

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240319

R150 Certificate of patent or registration of utility model

Ref document number: 7459386

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150