JP7365747B1 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP7365747B1 JP7365747B1 JP2023095902A JP2023095902A JP7365747B1 JP 7365747 B1 JP7365747 B1 JP 7365747B1 JP 2023095902 A JP2023095902 A JP 2023095902A JP 2023095902 A JP2023095902 A JP 2023095902A JP 7365747 B1 JP7365747 B1 JP 7365747B1
- Authority
- JP
- Japan
- Prior art keywords
- node
- medical
- medical event
- patient
- consultation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
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
- 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
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Description
(2)データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築するデータ前処理モジュールと、
(3)診療イベント、受診、患者の3つの階層を含む診療過程階層ネットワークを構築するための診療過程階層ネットワーク構築サブモジュールと、
階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得するノード初期ベクトル表現取得サブモジュールと、
各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行うモデル構築及び訓練サブモジュールと、
を含む階層図ニューラルネットワーク構築モジュールと、
(4)階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別する診療過程異常スコア算出モジュールと、
(5)患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける診療過程異常識別適用モジュールと、
を含む、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。
診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがLであり、順に各診療イベントノードの前、後の各L個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにsoftmaxを用いて活性化処理した後に診療イベントノードの予測値を取得し、
診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する。
下限閾値及び上限閾値を定義し、かつ二種の診療イベント異常判断方式を定義し、診療イベント異常値が下限閾値よりも小さく、かつ当該診療イベントがこの回の受診に出現した場合、意外イベントであり、診療イベント異常値が上限閾値よりも大きく、かつ当該診療イベントがこの回の受診に出現しない場合、消失イベントである。
(1)診療過程階層ネットワーク構築サブモジュール
図2に示すように、診療イベント、受診、患者の3つの階層を含む診療過程階層ネットワークを構築する。診療イベント集合が
であり、受診集合が
であり、患者集合が
であり、ここで、NE、NV、NPがそれぞれ診療イベント数、受診数及び患者数を表す。診療イベント集合、受診集合及び患者集合は共にノード集合
を構成し、ノード個数がNN=NE+NV+NPである。
毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合
を構成する。各患者と当該患者の全ての受診を接続して受診患者エッジ集合
を構成する。診療イベント受診エッジ集合と受診患者エッジ集合とが共にエッジ集合
を構成する。ノード集合Nとエッジ集合Sとが共に診療過程階層ネットワークG=(N,S)を構成する。
(2)ノード初期ベクトル表現取得サブモジュール
電子カルテ内の毎回受診における診療イベントを時系列に応じて配列し、単語ポケットモデルCBOWを利用して訓練し、診療イベントノード初期ベクトル表現を取得する。診療イベントノード初期ベクトル表現を診療イベント長短期記憶自己エンコーダモデルに入力し、診療イベントノードの再構成損失を用いて訓練を行い、受診ノード初期ベクトル表現を取得する。受診ノード初期ベクトル表現を受診長短期記憶自己エンコーダモデルに入力し、受診ノードの再構成損失を用いて訓練を行い、患者ノード初期ベクトル表現を取得する。具体的に、
まず、全ての診療イベントノードをワンホットエンコードし、そして単語ポケットモデルCBOWを用いて診療イベントノードのワンホットエンコード結果を訓練する。図3に示すように、診療イベントノードEiのワンホットエンコード結果は長さがNEのベクトルであり、Oiと記する。受診を単位として、毎回受診における診療イベントノードを受診時系列に応じて1つの診療イベントシーケンスとして配列する。観察ウィンドウの長さがLであり、順に各診療イベントノードの前のL個の診療イベントノードと後のL個の診療イベントノードを入力ノードとし、診療イベントノードの前または後のL個未満の診療イベントノードの場合、欠いている診療イベントノードを0ベクトルで填充し、各入力ノードに何れも入力重みマトリックスWを乗算しかつ加算して隠し層ベクトルHを取得する。
は、診療イベントノードのワンホットエンコードOi及び入力重みマトリックスWによって取得され、算出式は下記の通りである。
として配列し、Tがこの回の受診における診療イベントの数であり、ここで、診療イベントノードEiの初期ベクトル表現が
である。図4に示すように、診療イベント長短期記憶自己エンコーダモデルを構築して、診療イベントシーケンスを入力して訓練する。診療イベント長短期記憶自己エンコーダモデルをエンコーダFEncoderとデコーダFDecoderの2つの部分に分け、潜在ベクトルCによって接続し、各部分が全て長短期記憶ユニットLSTMで構成される。エンコーダ及びデコーダにおいて長短期記憶ユニットの数が同じであり、ユニットの数を変更することにより、異なる長さの診療イベント入力シーケンス及び診療イベント出力シーケンスをサポートする。診療イベントシーケンスをエンコーダに入力した後、潜在ベクトルCを取得し、そして潜在ベクトルCをデコーダの入力とし、潜在ベクトルCをデコードし、再構成された診療イベントシーケンス
を徐々に出力し、診療イベントノードの再構成損失Lrec-LSTMを用いて診療イベント長短期記憶自己エンコーダモデルを訓練する。
がL2ノルムであり、
が診療イベントノードEi′の初期ベクトル表現である。訓練完成後、エンコーダ部分を用いて原診療イベントシーケンスをエンコードし、取得された潜在ベクトルCは長さが
と同じベクトルであり、当該ベクトルを当該診療イベントシーケンスによって代表される受診ノード初期ベクトル表現BVとする。受診ノード初期ベクトル表現BVを取得した後、受診ノード初期ベクトル表現の取得方法に従って、患者ノード初期ベクトル表現を取得する。患者を単位として時系列に応じて患者の受診を配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診ノードの再構成損失を用いて訓練を行う。訓練完成後、エンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現Bpを取得する。
これまでのところ、診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得する。
(3)モデル構築及びサブモジュール訓練
各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して訓練を行う。L2ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出する。交差エントロピを利用して図関係再構成損失を算出する。2つの部分の再構成損失を用いて階層図ニューラルネットワークモデルを訓練する。
第1のステップで、階層図ニューラルネットワークを図5に示すように構築する。階層図ニューラルネットワークにおけるノード初期ベクトル表現は、診療イベントノード初期ベクトル表現、受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現で構成され、ノード初期ベクトル表現
は、ベクトルをスプライシングする。診療イベント受診エッジ集合SEVに基づいて診療イベント受診隣接マトリックスAEVを構築する。受診患者エッジ集合SVPに基づいて受診患者隣接マトリックスAVPを構築する。エッジ集合Sに基づいて階層図ニューラルネットワークにおけるノード隣接マトリックスAを構築し、ノード隣接マトリックスAの情報は、診療イベント受診隣接マトリックスAEVと受診患者隣接マトリックスAVPにおける情報で構成される。階層図ニューラルネットワークは、M層のグラフアテンション層と再構成損失の2つの部分で構成される。
第2のステップで、階層図ニューラルネットワークを訓練する。ノード初期ベクトル表現Bとノード隣接マトリックスAを階層図ニューラルネットワークに入力し、グラフアテンションメカニズムを用いてノード初期ベクトル表現を更新する。ノードNiの初期ベクトル表現Biに対して、第m層のグラフアテンション層のノードベクトル表現が
である。ノードNi及びその隣り合うノードN(Ni)に対して、各層のグラフアテンション層は、隣り合うノード
とそれ自身の間の類似係数
を1つずつ算出し、
である。
がマッピング関数であり、ベクトルから実数へのマッピングを実現し、単層ニューラルネットワークによって実現できる。第m層のアテンション係数
の算出式が下記の通りであり、
が活性化関数である。
アテンション係数を用いて
を更新し、算出式は以下の通りであり、
が活性化関数であり、
がノードNjの第m層でのノードベクトル表現である。ノードNiがM層グラフアテンション訓練を経った後、ノードベクトル表現
を取得する。全てのノードに対してM層のグラフアテンション訓練を行い、総体ノードベクトル表現ZMを取得し、ZMをは更新後の診療イベントノードベクトル表現
、受診ノードベクトル表現
及び患者ノードベクトル表現
で構成され、
である。
訓練されたノードベクトル表現及び初期ベクトル表現の図ノード再構成損失をL2ノルムを利用して算出し、診療イベントノード再構成損失が
であり、受診ノード再構成損失が
であり、患者ノード再構成損失が
である。
交差エントロピを利用して図関係再構成損失を算出し、階層図ニューラルネットワークに基づいて取得されたノードベクトル表現は、階層図ニューラルネットワークを再構成し、再構成された隣接マトリックス
が下記の通りであり、
がsigmoid活性化関数である。図関係再構成損失Lrec-Aを算出し、
である。
第3のステップでは、図ノード再構成損失と図関係再構成損失に基づいて階層図ニューラルネットワークモデルの総体損失関数を構築する。総体損失関数Lが下記の通りであり、
階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別する。隣り合うノードの間の関係に基づいて異常値を算出し、かつ異常値に基づいてノードが異常であるか否かを判断する。
ある回の受診Vjに対して、診療イベント集合Eにおける各診療イベントと受診Vjの内積を算出し、活性化後に、当該診療イベントの出現確率を取得し、すなわち、当該診療イベントの異常値である。診療イベントノードEiの異常値
の算出式が下記の通りであり、
がsigmoid活性化関数である。
下限閾値θlow及び上限閾値θupを定義し、θlowとθupの値が実験に基づいて設定し、または経験に基づいてそれをθlow=0.01、θup=0.9に設定し、かつ二種の診療イベント異常判断方式を以下のように定義する。意外イベント:
、かつEiが受診Vjに出現した場合、当該診療イベントの発生率がとても低いが、イベントが発生した。消失イベント:
、かつEiが受診Vjに出現していない場合、当該診療イベントの発生率がとても高いが、イベントが発生していない。
再構成された診療イベントと受診との接続関係を再構成された隣接マトリックス
から抽出し、再構成診療イベント受診隣接マトリックス
を構築する。再構成された受診と患者の接続関係を抽出し、再構成受診患者隣接マトリックス
を構築する。受診ノードVjの異常値
の算出式が下記の通りであり、
の算出式が下記の通りであり、
がsigmoid活性化関数であり、
、
はEiとVjの接続関係がそれぞれ
に対応する値であり、
はVjとPkの接続関係がそれぞれ
に対応する値であり、
は受診Vjにおける診療イベントの数であり、
は患者Pkの受診数であり、
は、異なる損失項重要性を調整するハイパーパラメータである。受診ノードに対して、ノード異常値が設定された異常値閾値θvよりも大きい時、当該ノードが異常であると判断される。患者ノードに対して、ノード異常値が設定された異常値閾値θpよりも大きい時、当該ノードが異常であると判断される。θv及びθpがそれぞれ受診ノード及び患者ノードの異常値閾値であり、その値が実験に基づいて設定される。
患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、診療イベントノードをワンホットエンコードした後に訓練された単語ポケットモデルに入力し、診療イベントノード初期ベクトル表現を取得する。診療イベントノード初期ベクトル表現を訓練された診療イベント長短期記憶自己エンコーダモデルにおけるエンコーダに入力し、受診ノード初期ベクトル表現を取得する。同様に、受診ノード初期ベクトル表現を訓練された受診長短期記憶自己エンコーダモデルのエンコーダに入力し、患者ノード初期ベクトル表現を取得する。
各ノードを階層図ニューラルネットワークモデルに入力し、更新後の診療イベントベクトル表現、受診ベクトル表現及び患者ベクトル表現を取得する。更新後のベクトル表現と更新前のベクトル表現を用いて各階層のノード異常値を算出し、閾値と比較し、異常のノードを見つける。
Claims (6)
- 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であって、データ収集モジュール、データ前処理モジュール、階層図ニューラルネットワーク構築モジュール、診療過程異常スコア算出モジュール及び診療過程異常識別適用モジュールを含み、
前記データ収集モジュールは、患者の基本情報及び患者診療データを収集することに用いられ、
前記データ前処理モジュールは、前記データ収集モジュールで収集されたデータに対して前処理を行い、診療イベント集合、受診集合及び患者集合を構築することに用いられ、
前記階層図ニューラルネットワーク構築モジュールは、診療過程階層ネットワーク構築サブモジュール、ノード初期ベクトル表現取得サブモジュール及びモデル構築及び訓練サブモジュールを含み、
前記診療過程階層ネットワーク構築サブモジュールは、診療イベント、受診、患者の3つの階層を含む診療過程階層ネットワークを構築することに用いられ、具体的に、診療イベント集合、受診集合及び患者集合をノード集合として構成し、毎回の受診と今回の受診に発生した全ての診療イベントを接続して診療イベント受診エッジ集合を構成し、各患者と当該患者の全ての受診を接続して受診患者エッジ集合を構成し、診療イベント受診エッジ集合と受診患者エッジ集合とをエッジ集合として構成し、前記ノード集合と前記エッジ集合とが共に診療過程階層ネットワークを構成し、
前記ノード初期ベクトル表現取得サブモジュールは、階層化表現学習方法を採用して診療イベントノード、受診ノード及び患者ノードの初期ベクトル表現を取得することに用いられ、具体的に、電子カルテ内の毎回受診における診療イベントを時間に応じて配列し、単語ポケットモデルを利用して訓練を行い、診療イベントノード初期ベクトル表現を取得し、順に診療イベント長短期記憶自己エンコーダモデル及び受診長短期記憶自己エンコーダモデルを用いて受診ノード初期ベクトル表現及び患者ノード初期ベクトル表現を取得し、
前記モデル構築及び訓練サブモジュールは、各階層のノード初期ベクトル表現に基づいて階層図ニューラルネットワークモデルを構築し、グラフアテンションメカニズムを利用して複数の階層の総合訓練を行い、
前記診療過程異常スコア算出モジュールは、階層図ニューラルネットワーク訓練結果に基づいて異常値を階層的に算出し、診療過程異常を層ごとに識別することであって、具体的には、
ある回の受診について、診療イベント集合における各診療イベントとこの回の受診的内積を算出し、活性化した後に各診療イベントの出現確率を取得し、すなわち、診療イベント異常値であり、
下限閾値及び上限閾値を定義し、かつ二種の診療イベント異常判断方式を以下のように定義し、診療イベント異常値が下限閾値よりも小さく、かつ当該診療イベントがこの回の受診に出現した場合、意外イベントであり、診療イベント異常値が上限閾値よりも大きく、かつ当該診療イベントがこの回の受診に出現しない場合、消失イベントであり、
階層図ニューラルネットワークに基づいて再構成されたノード隣接マトリックスから、再構成された診療イベントと受診との接続関係を抽出し、再構成診療イベント受診隣接マトリックスを構築し、同時に再構成された受診と患者との接続関係を抽出し、再構成受診患者隣接マトリックスを構築し、原及び再構成診療イベント受診隣接マトリックス、原及び再構成受診患者隣接マトリックス、ノード初期ベクトル表現及び訓練されたノードベクトル表現に基づいて、受診ノード異常値及び患者ノード異常値を算出し、かつそれぞれの異常値閾値とそれぞれ比較し、異常ノードであるか否かを判断し、
前記診療過程異常識別適用モジュールは、患者構造化データを前処理した後に診療イベントノード、受診ノード及び患者ノードに分け、異なるノードの初期ベクトル表現を算出し、訓練されたノードベクトル表現を階層図ニューラルネットワークモデルを利用して取得し、かつノード初期ベクトル表現と組み合わせて各階層のノード異常値を算出し、異常ノードを見つける
ことを特徴とする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。 - 前記診療イベントノード初期ベクトル表現は、診療イベントノードをワンホットエンコードし、単語ポケットモデルを利用して診療イベントノードのワンホットエンコード結果を訓練することにより取得され、具体的に、
診療イベントノードのワンホットエンコードを取得し、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、観察ウィンドウの長さがLであり、順に各診療イベントノードの前、後の各L個の診療イベントノードを単語ポケットモデルの入力ノードとし、各入力ノードにいずれも入力重みマトリックスを乗算しかつ加算して隠し層ベクトルを取得し、隠し層ベクトルに出力重みマトリックスを乗算し、さらにsoftmaxを用いて活性化処理した後に診療イベントノードの予測値を取得し、
診療イベントノードの再構成損失を用いて訓練を行い、単語ポケットモデルの入力重みマトリックスを取得し、訓練終了後、診療イベントノードのワンホットエンコードと入力重みマトリックスを乗算して診療イベントノード初期ベクトル表現を取得する
ことを特徴とする請求項1に記載の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。 - 前記受診ノード初期ベクトル表現の取得は具体的に、受診を単位として時系列に応じて診療イベントノードを配列して診療イベントシーケンスを生成し、診療イベント長短期記憶自己エンコーダモデルを構築し、診療イベントシーケンスを入力し、診療イベントノードの再構成損失を用いて訓練を行い、訓練完成後、診療イベント長短期記憶自己エンコーダモデルのエンコーダを用いて診療イベントシーケンスを一定の長さのベクトルにエンコードし、受診ノード初期ベクトル表現を取得する
ことを特徴とする請求項1に記載の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。 - 前記患者ノード初期ベクトル表現の取得は具体的に、患者を単位として時系列に応じて受診ノードを配列して受診シーケンスを生成し、受診長短期記憶自己エンコーダモデルを構築し、受診シーケンスを入力し、受診ノードの再構成損失を用いて訓練を行い、訓練完成後、受診長短期記憶自己エンコーダモデルのエンコーダを用いて受診シーケンスを一定の長さのベクトルにエンコードし、患者ノード初期ベクトル表現を取得する
ことを特徴とする請求項1に記載の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。 - 前記モデル構築及び訓練サブモジュールにおいて、L2ノルムを利用して階層図ニューラルネットワークを経過した後のノードベクトル表現及び初期ベクトル表現の図ノード再構成損失を算出し、交差エントロピを利用して図関係再構成損失を算出し、図ノード再構成損失及び図関係再構成損失を利用して階層図ニューラルネットワークモデルを訓練する
ことを特徴とする請求項1に記載の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。 - 前記階層図ニューラルネットワークモデルの訓練過程において、ノード初期ベクトル表現及びノード隣接マトリックスを階層図ニューラルネットワークに入力し、前記階層図ニューラルネットワークが複数層のグラフアテンション層を有し、あるノードに対して、各層のグラフアテンション層は、その隣り合うノードと自体との間の類似係数を1つずつ算出し、類似係数により当該層のアテンション係数を算出し、当該層のアテンション係数を利用して当該ノードの当該層でのノードベクトル表現を更新し、当該ノードが全ての層グラフアテンション訓練を経った後、当該ノードに対応するノードベクトル表現を取得する
ことを特徴とする請求項5に記載の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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211287887.8 | 2022-10-20 | ||
CN202211287887.8A CN115359870B (zh) | 2022-10-20 | 2022-10-20 | 一种基于层次图神经网络的疾病诊疗过程异常识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7365747B1 true JP7365747B1 (ja) | 2023-10-20 |
JP2024061599A JP2024061599A (ja) | 2024-05-07 |
Family
ID=84008912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023095902A Active JP7365747B1 (ja) | 2022-10-20 | 2023-06-09 | 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 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7365747B1 (ja) |
CN (1) | CN115359870B (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116759041B (zh) * | 2023-08-22 | 2023-12-22 | 之江实验室 | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659033A (zh) | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
CN109659035A (zh) | 2018-12-13 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101977645B1 (ko) * | 2017-08-25 | 2019-06-12 | 주식회사 메디웨일 | 안구영상 분석방법 |
CN111754476A (zh) * | 2019-06-19 | 2020-10-09 | 北京昆仑医云科技有限公司 | 用于解剖树结构的疾病量化建模的方法及系统 |
CN110909867A (zh) * | 2019-11-26 | 2020-03-24 | 南通恒趣新材料有限公司 | 一种基于力导图的图神经网络可视分析方法 |
CN111370084B (zh) * | 2020-02-07 | 2023-10-03 | 山东师范大学 | 基于BiLSTM的电子健康记录表示学习方法及系统 |
CN111667917A (zh) * | 2020-06-10 | 2020-09-15 | 北京小白世纪网络科技有限公司 | 一种基于神经网络实现中医诊疗的方法、系统及设备 |
CN111738335A (zh) * | 2020-06-23 | 2020-10-02 | 鲁东大学 | 一种基于神经网络的时间序列数据异常检测方法 |
CN113516226A (zh) * | 2021-05-18 | 2021-10-19 | 长沙理工大学 | 一种基于图神经网络的混合模型多元时序异常检测方法 |
CN113517076A (zh) * | 2021-07-30 | 2021-10-19 | 齐鲁工业大学 | 基于图神经网络与迁移学习的疾病病例数预测方法及系统 |
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 |
CN114564573A (zh) * | 2022-03-14 | 2022-05-31 | 天津大学 | 基于异构图神经网络的学术合作关系预测方法 |
CN114881115A (zh) * | 2022-04-02 | 2022-08-09 | 中国科学院计算技术研究所 | 一种基于图神经网络的多变量时间序列异常检测方法及系统 |
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 |
CN114783603A (zh) * | 2022-04-18 | 2022-07-22 | 北京交通大学 | 基于多源图神经网络融合的患病风险预测方法及系统 |
CN115185736B (zh) * | 2022-09-09 | 2023-01-31 | 南京航空航天大学 | 基于图卷积神经网络的微服务调用链异常检测方法及装置 |
-
2022
- 2022-10-20 CN CN202211287887.8A patent/CN115359870B/zh active Active
-
2023
- 2023-06-09 JP JP2023095902A patent/JP7365747B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659035A (zh) | 2018-12-13 | 2019-04-19 | 平安医疗健康管理股份有限公司 | 基于机器学习的就诊数据异常识别方法、设备及存储介质 |
CN109659033A (zh) | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2024061599A (ja) | 2024-05-07 |
CN115359870A (zh) | 2022-11-18 |
CN115359870B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113241135B (zh) | 一种基于多模态融合的疾病风险预测方法和系统 | |
CN114496234B (zh) | 一种基于认知图谱的全科患者个性化诊疗方案推荐系统 | |
Bozkurt et al. | Using automatically extracted information from mammography reports for decision-support | |
WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
US20200303072A1 (en) | Method and system for supporting medical decision making | |
EP3306500A1 (en) | Method for analysing medical treatment data based on deep learning, and intelligent analyser thereof | |
CN107247881A (zh) | 一种多模态智能分析方法及系统 | |
CN113744873B (zh) | 一种基于任务分解策略的发热待查辅助鉴别诊断系统 | |
CN109065171B (zh) | 基于集成学习的川崎病风险评估模型的构建方法及系统 | |
CN109920547A (zh) | 一种基于电子病历数据挖掘的糖尿病预测模型构建方法 | |
Manzak et al. | Automated classification of Alzheimer’s disease using deep neural network (DNN) by random forest feature elimination | |
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 | |
CN116759041B (zh) | 一种考虑诊疗事件关系的医疗时序数据生成方法及装置 | |
CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
CN109360658A (zh) | 一种基于词向量模型的疾病模式挖掘方法及装置 | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
Chou et al. | Extracting drug utilization knowledge using self-organizing map and rough set theory | |
CN115116612A (zh) | 一种儿童患者病情智能风险评估系统及方法 | |
CN114242234A (zh) | 基于聚合神经网络的tavr术后并发症风险值预测方法 | |
CN113342973A (zh) | 一种基于疾病二分类器的辅助诊断模型的诊断方法 | |
JP7404581B1 (ja) | 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム | |
Naz et al. | Report Generation of Lungs Diseases from Chest X-Ray Using NLP | |
Chae et al. | Comparison of alternative knowledge model for the diagnosis of asthma | |
AU2021102832A4 (en) | System & method for automatic health prediction using fuzzy based machine learning | |
Priya et al. | A novel intelligent diagnosis and disease prediction algorithm in green cloud using machine learning approach |
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: 20230704 |
|
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: 20230920 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231008 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7365747 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |