KR102456535B1 - 의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램 - Google Patents

의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램 Download PDF

Info

Publication number
KR102456535B1
KR102456535B1 KR1020200160945A KR20200160945A KR102456535B1 KR 102456535 B1 KR102456535 B1 KR 102456535B1 KR 1020200160945 A KR1020200160945 A KR 1020200160945A KR 20200160945 A KR20200160945 A KR 20200160945A KR 102456535 B1 KR102456535 B1 KR 102456535B1
Authority
KR
South Korea
Prior art keywords
evidence
candidate
medical
relevance
target
Prior art date
Application number
KR1020200160945A
Other languages
English (en)
Other versions
KR20210148813A (ko
Inventor
쩌우 팡
야빙 쓰
예 지앙
춘구앙 차이
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
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 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20210148813A publication Critical patent/KR20210148813A/ko
Application granted granted Critical
Publication of KR102456535B1 publication Critical patent/KR102456535B1/ko

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/0427—
    • 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
    • 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
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • 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
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

본 출원은 의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램을 개시하였으며, 컴퓨터 기술 분야에 관한 것이며, 특히 인공지능 분야에 관한 것이다. 본 출원은 지식 그래프 분야에 운용될 수 있다. 구체적인 실현 방안은: 검증할 의료 사실과 후보 증거를 획득하는 것, 검증할 의료 사실은 목표 실체, 목표 속성 및 목표 속성값을 포함함; 목표 실체, 목표 속성값과 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하는 것; 목표 속성과 판정 속성이 동일한 경우, 목표 실체, 목표 속성값과 후보 증거를 관련도 판정 모델에 입력하여, 후보 증거의 관련도를 획득하는 것; 및 후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 검증할 의료 사실이 정확하다고 검증하는 것, 을 포함한다. 본 출원은 인건비를 줄이는데 도움이 된다.

Description

의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램{MEDICAL FACT VERIFICATION METHOD AND APPARATUS, ELECTRONIC DEVICE, AND STORAGE MEDIUM AND PROGRAM}
본 발명은 컴퓨터 기술분야에 관한 것으로서, 특히 인공지능 분야에 관한 것이다. 본 출원은 지식 그래프 분야에 운용될 수 있다.
현재 의료 사실의 검증 방식은 주로 인공으로 조사하고 표기하는 방식을 통하여 검증을 진행하고 있으며, 해당 방식은 표기 인원이 의료 전문 지식을 구비할것을 요구하며, 인건비가 높고, 대규모의 의료 데이터를 처리하기에는 어렵다. 다른 하나의 방식은 인공으로 사전에 텍스트 템플릿 또는 품사 템플릿을 설정하고 의료 문서중에 나타난 사실을 추출하여, 추출된 사실과 검증할 사실을 비교하여 검증을 완료하는 것이다. 하지만, 인공으로 정의한 규칙은 일반화성이 비교적 차하기에, 마찬가지로 인건비를 소비하며, 대규모의 의료 전문 데이터를 처리하기 어렵다.
중국 공개 특허 CN109299285A
종래 기술중의 적어도 하나의 기술문제를 해결하기 위하여, 본 출원의 실시예는 의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램을 제공한다.
첫번째 측면에 있어서, 본 출원의 실시예는 의료 사실 검증 방법을 제공하며, 해당 방법은,
검증할 의료 사실과 후보 증거를 획득하는 것, 여기서, 검증할 의료 사실은 목표 실체, 목표 속성 및 목표 속성값을 포함함;
목표 실체, 목표 속성값과 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하는 것;
목표 속성과 판정 속성이 동일한 경우, 목표 실체, 목표 속성값과 후보 증거를 관련도 판정 모델에 입력하여, 후보 증거의 관련도를 획득하는 것; 및
후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 검증할 의료 사실이 정확하다고 검증하는 것, 을 포함한다.
두번째 측면에 있어서, 본 출원의 실시예는 의료 사실 검증 장치를 제공하며, 해당 장치는,
검증할 의료 사실과 후보 증거를 획득하기 위한 제1획득 모듈, 검증할 의료 사실은 목표 실체, 목표 속성 및 목표 속성값을 포함함;
목표 실체, 목표 속성값과 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하기 위한 제1 판정 모듈;
목표 속성과 판정 속성이 동일한 경우, 목표 실체, 목표 속성값과 후보 증거를 관련도 판정 모델에 입력하여, 후보 증거의 관련도를 획득하기 위한 제2 판정 모듈; 및
후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 검증할 의료 사실이 정확하다고 검증하기 위한 제1 검증 모듈, 을 포함한다.
세번째 측면에 있어서, 본 출원의 실시예는 적어도 하나의 프로세서 및 적어도 하나의 프로세서와 통신 연결된 메모리를 포함하는 전자 기기를 제공하며, 여기서,
메모리는 적어도 하나의 프로세서에 의해 실행될 수 있는 명령을 저장하며, 명령은 적어도 하나의 프로세서에 의해 실행됨으로써, 적어도 하나의 프로세서가 첫번째 측면 중의 어느 한 항에 기재된 방법을 실행하도록 한다.
네번째 측면에 있어서, 본 출원의 실시예는 컴퓨터 명령을 저장하는 비 일시적 컴퓨터 판독 가능한 저장 매체를 제공하며, 컴퓨터 명령은 컴퓨터로 하여금 첫번째 측면의 어느 항에 기재된 방법을 실행하기 위한 것이다.
이상에 기재된 본 출원의 한 실시예는 다음과 같은 장점과 유익한 효과를 구비한다. 즉: 속성 판정 모델과 관련도 판정 모델을 통하여, 속성과 관련도 판정을 차례로 완료하고, 후보 증거에 기재된 속성이 목표 속성을 만족하고 관련도가 조건을 만족하는 경우, 의료 사실이 정확하다고 검증하는 기술수단을 채용함으로써, 현재의 인공 검증이 초래하는 비용이 높은 기술문제를 극복하고, 인건비를 절감하고, 대규모의 데이터 처리에 더욱 적용될 수 있다.
상기 가능한 방식이 구비하는 기타 효과는 이하에서 구체적인 실시예와 결합하여 설명하기로 한다.
도면은 본 기술 방안을 더욱 잘 이해할 수 있기 위한 것이지, 본 출원에 대한 한정이 아니다.
도 1은 본 출원의 실시예에 따른 의료 사실 검증 방법의 흐름도1이다.
도 2는 본 출원의 실시예에 따른 의료 사실 검증 방법의 흐름도2이다.
도 3은 본 출원의 실시예에 따른 속성 판단 모델의 모식도이다.
도 4는 본 출원의 실시예에 따른 관련도 판정 모델의 모식도이다.
도 5는 본 출원의 실시예에 따른 의료 사실 검증 장치의 구조도1이다.
도 6은 본 출원의 실시예에 따른 의료 사실 검증 장치의 구조도2이다.
도 7은 본 출원의 실시예에 따른 의료 사실 검증 장치의 구조도3이다.
도 8은 본 출원의 실시예에 따른 의료 사실 검증 장치의 구조도4이다.
도 9는 본 출원의 실시예에 따른 의료 사실 검증 장치의 구조도5이다.
도 10은 본 출원의 실시예의 의료 사실 검증 방법을 실현하기 위한 전자 기기의 블록도이다.
이하에서는 도면과 결합하여 본 출원의 시범적인 실시예를 설명하고자 한다. 그 중에는 이해에 도움이 되도록 본 출원의 실시예의 각종 상세한 내용을 포함하였으며, 이런 내용은 단지 시범적인 것으로 간주되어야 할 것이다. 그러므로, 해당 분야 기술자들은 본 출원의 범위와 정신을 벗어나지 않은 한, 여기에서 기재된 실시예에 대해 각종 변형 및 수정을 할 수 있다는 것을 인식하여야 한다. 마찬가지로, 간단하고 명확하게 하기 위하여, 이하의 기재에서는 공지적인 기능 및 구조에 관한 기재를 생략하고자 한다.
본 출원의 실시예는 의료 사실 검증 방법을 제공하며, 전자 기기에 운용될 수 있으며, 전자 기기는 데이터 처리 기능을 구비할 수 있다. 예를 들어, 수치 계산, 로직 계산 및 데이터 저장 등 기능을 구비할 수 있다. 도 1을 참조하면, 도 1은 의료 사실 검증 방법의 흐름도이며, 해당 방법은,
단계(S101), 검증할 의료 사실과 후보 증거를 획득하고, 검증할 의료 사실은 목표 실체, 목표 속성 및 목표 속성값을 포함하는 것;
단계(S102), 목표 실체, 목표 속성 값과 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하는 것;
단계(S103), 목표 속성과 판정 속성이 동일한 경우, 목표 실체, 목표 속성값과 후보 증거를 관련도 판정 모델에 입력하여, 후보 증거의 관련도를 획득하는 것; 및
단계(S104), 후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 검증할 의료 사실이 정확하다고 검증하는 것, 을 포함한다.
본 출원의 실시예에 있어서, 매 하나의 의료 사실은 SPO 트리플의 형식으로 표시할 수 있으며, S는 실체를 표시하고, P는 속성을 표시하며, O는 속성값을 표시한다. 의료 사실<홍역, 증상, 피부 반점상 구진>을 예로 들면, 실체 S는 홍역이고, 속성 P는 증상이며, 속성값 O는 피부 반점상 구진이다.
이에 따라서, 상기 단계(S101)-(S103)의 처리는 이번에 검증할 의료 사실에 대하여 처리를 진행할 수 있으며, 부동한 시기에 부동한 검증할 의료 사실에 대해 처리를 진행할 수 있다. 본 출원에서는 매 차례의 검증할 의료 사실 중의 실체, 속성, 속성값을 대응하게 목표 실체, 목표 속성 및 목표 속성값이라고 칭한다.
선택적으로, 의료 사실 중의 속성은 임상 특징, 병인 병리, 치료 방안, 추천용 약, 병합증 및 약품 작용 중의 적어도 하나를 포함할 수 있다.
선택적으로, 후보 증거는 의료 사실이 정확한지 여부를 검증하는 후보 증거이며, 후보 증거는 검증할 의료 사실에 근거하여 지정된 의료 데이터 베이스로부터 검색하여 획득할 수 있다. 지정된 의료 데이터 베이스에는 각종의 권위있는 의료 자료들이 저장되어 있으며, 책, 잡지 및 논문 등을 포함할 수 있다.
본 실시예는 의료 지식 그래프를 구축하는데 활용될 수 있다. 의료 지식 그래프를 구축하는 과정에서, 기계 추출의 방식을 통해 의료 사실, 예를 들어 <홍역, 증상, 피부 반점상 구진>을 추출하고, 후보 증거는 검증할 의료 사실에 근거하여 지정된 의료 문서 데이터 베이스에서 검색하여 획득할 수 있다. 단계(S101)-(S104)에서 제공된 검증 방법을 통하여 해당 의료 사실에 대한 검증을 진행하고, 검증이 정확하면, 정식으로 해당 의료 사실을 의료 지식 그래프에 추가할 것을 확정하고, 동시에 후보 증거의 관련도를 이용하여 대응되는 지원 증거를 결정할 수 있으며, 의료 그래프 데이터의 정확성을 향상시키는데 유익하다.
상기 실시예에서, 검증할 의료 사실과 후보 증거에 대하여, 우선, 속성 판정 모델을 통하여 후보 증거에 기재된 목표 실체와 목표 실체 속성값이 대응되는 속성을 판정하여, 판정 속성을 획득하며; 해당 판정 속성이 목표 속성을 만족하면, 다시 관련도 판정 모델을 통하여 후보 증거에 대해 목표 실체와 목표 속성값에 관한 관련도에 대해 판정을 진행하며; 후보 증거의 관련도가 조건을 만족하는 경우, 의료 사실이 정확하다고 검증한다.
본 출원의 실시예는 속성 판정 모델과 관련도 판정 모델을 통하여, 속성과 관련도 판정 이중 판정을 완료하고, 후보 증거에 기재된 속성이 목표 속성을 만족하고 관련도가 조건을 만족하는 경우, 의료 사실이 정확하다고 검증함으로써, 의료 사실과 후보 증거의 관련 판단을 강화하고, 검증 결과의 엄밀성을 향상시키고, 의료 전문 데이터 처리의 요구를 더욱 만족시킬수 있으며; 또한 인공으로 표기하거나 인공으로 정의한 규칙에 의존할 필요가 없고, 인건비를 절감하고, 대규모의 데이터 처리에 더욱 잘 적용될 수 있다.
일 실시방식에 있어서, 도 2를 참조하면, 단계(S101) 이전에 단계(S100)을 더 포함할 수 있다. 즉: 단계(S100), 검증할 의료 사실에 기반하여, 사전에 수립한 의료 문서 데이터 베이스에서 검색을 진행하여, 검증할 의료 사실에 대응되는 복수의 후보 증거를 획득한다.
일 실시방식에 있어서, 도 2를 참조하면, 해당 방법은 단계(S102) 이후에 단계(S201)을 더 포함할 수 있다. 즉: 단계(S201), 목표 속성과 판정 속성이 부동한 경우, 후보 증거가 검증할 의료 사실이 정확하다는 것을 검증할 수 없음을 확정한다. 예를 들어, 검증할 의료 사실이 <홍역, 증상, 피부 반점상 구진>인 것에 대하여, 단계(S102)에서는 특정 후보 증거에 기반하여 획득한 판정 속성이 "치료 방안"이고, 목표 속성인 "증상"과 부동하기에, 이때는 해당 후보 증거가 검증할 의료 사실이 정확하다는 것을 검증할 수 없음을 확정한다.
해당 실시예에서, 속성 판정 모델을 통하여 속성이 만족되지 않는다고 판정하였을 때, 그바로 후보 증거가 검증할 의료 사실이 정확하다는 것을 검증할 수 없음을 판정하고, 현재의 해당 후보 증거의 검증을 정지함으로써, 계산 효율을 효과적으로 높이고, 특히 대규모의 의료 전문 데이터를 처리할 때, 검증 효율을 현저히 향상시킬 수 있다.
일 실시방식에 있어서, 도 3을 참조하면, 도 3은 단계(S102)에서 채용한 속성 판정 모델의 모식도이며, 속성 판정 모델은 제1 자연어 처리 모델 및 제1 분류기를 포함하며;
단계(S102)에서의 목표 실체, 목표 속성값 및 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하는 것은,
목표 실체, 목표 속성값 및 후보 증거를 제1 자연어 처리 모델에 입력하여, 목표 실체, 목표 속성값 및 후보 증거의 제1 특징 벡터를 획득하는 것; 및
제1 특징 벡터를 제1 분류기에 입력하여, 판정 속성을 획득하는 것, 을 포함한다.
상기 실시 방식에 있어서, 속성 판정 모델은 자연어 처리 모델과 분류기의 구조를 채용하고, 먼저 실체와 속성값 및 후보 증거에 대해 특징 추출을 진행하고, 다음 특징에 기반하여 분류하여 그가 속하는 속성을 판정함으로써, 구조가 간단하고 속성 판정을 실현할 수 있다.
상기 실시 방식에서 제공한 속성 판정 모델의 구조는 하나의 선택가능한 방식으로서, 기타 실시 방식에서, 해당 분야 기술자들이 기타 모델의 구조를 통하여 목표 실체, 목표 속성값 및 후보 증거에 기반한 속성 판정을 실현하는 실시 방식도 본 출원의 실시예의 보호 범위에 속한다.
선택적으로, 제1 자연어 처리 모델은 ERNIE(enhanced representation from knowledge integration)을 채용할 수 있다. 기타 가능한 방식에 있어서, 제1 자연어 처리 모델은 BERT모델을 선택하여 사용할 수도 있다.
선택적으로, 제1 분류기는 Softmax분류기를 채용할 수 있다. 기타 분류기를 선택하여 사용하여도, 자연어 처리 모델에 기반하여 분석할 특징 벡터를 처리하여 분류하는 것을 통하여 대응된 속성을 확정하는 실시 방식을 실현할 수 있으며, 이도 본 출원의 실시예의 보호 범위에 속한다.
선택적으로, 도 3을 참조하면, 단계(S102)에서는 "SO[SEP]PARA"의 형식을 채용하여 목표 실체S, 목표 속성값O 및 후보 증거PARA 를 속성 판정 모델에 입력하며, [SEP]는 구분자이다. 이외, 도 3의 "P CLS"는 속성 P출력을 표시하고, "CLS"는 출력을 표시한다. 검증할 의료 사실<홍역, 증상, 피부 반점상 구진>, 후보 증거< XXXXX >을 예로 들면, "홍역 피부 반점상 구진[SEP]XXXXX"을 속성 판정 모델에 입력하면, 속성 판정 모델은 출력에 기반하여 속성이 "증상"이라고 판정한다.
일 실시 방식에 있어서, 단계(S102)에서 채용한 속성 판정 모델의 수립방식은,
제1 자연어 처리 모델과 제1 분류기를 채용하여 속성 판정 모델을 구축하는 것, 여기서, 제1 자연어 처리 모델은 의료 코퍼스에 기반하여 사전에 트레이닝하여 획득한 자연어 처리 모델임; 및
복수의 제1 샘플 데이터를 채용하여 구축한 속성 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제1 샘플 데이터는 정확한 의료 사실과 지원 증거를 포함함,을 포함한다.
상기 실시예에 있어서, 의료 코퍼스를 통해 사전에 트레이닝한 제1 자연어 처리 모델을 채용하며, 속성 판단 모델의 트레이닝은 미조정만 채용하면 되기에, 즉 소량의 샘플 데이터를 채용하여 트레이닝하기에, 샘플 데이터의 수량에 대한 요구를 대폭적으로 줄일수 있고, 따라서 인공으로 샘플 데이터에 표기하는 비용을 줄일수 있다.
일 실시 방식에 있어서, 도 4를 참조하면, 도 4는 단계(S103)에서 채용한 속성 판정 모델의 모식도이며, 관련도 판정 모델은 제2 자연어 처리 모델, 두개의 제2 분류기, FC 레이어 (fully connected layers) 및 제3 분류기를 포함하며;
이에 대응하여, 단계(S103)에서의 목표 속성과 판정 속성이 동일한 경우, 목표 실체, 목표 속성값과 후보 증거를 관련도 판정 모델에 입력하여, 후보 증거의 관련도를 획득하는 것은,
목표 실체, 목표 속성값과 후보 증거를 제2 자연어 처리 모델에 입력하여, 목표 실체와 후보 증거의 제1 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제1 레이어 특징 벡터를 획득하는 것;
목표 실체와 후보 증거의 제1 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제1 레이어 특징 벡터를 두 개의 제2 분류기에 각각 입력하여, 목표 실체와 후보 증거의 제2 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제2 레이어 특징 벡터를 획득하는 것; 및
목표 실체와 후보 증거의 제2 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제2 레이어 특징 벡터를 FC 레이어를 통하여 처리한 후 제3 분류기에 입력하여, 후보 증거의 관련도를 획득하는 것, 을 포함한다.
상기 실시 방식에 있어서, 자연어 처리 모델과 분류기를 채용한 기초 상에, 자연어 처리 모델이 출력하는 데이터를 실체와 후보 증거의 특징 벡터 및 속성값과 후보 증거의 특징 벡터로 분할하고, 다음 두개의 분류기를 통하여 단독으로 각각 처리한 후, 후보 증거의 실체와 속성값 사이의 관련을 효과적으로 강화시키고, 관련도의 정확성을 향상시킬수 있다.
FC 레이어의 출력 레이어의 신경원은 입력 레이어의 매개 신경원들과 모두 연결되어 있다. 그러므로, 상기 실시 방식에서는 FC 레이어를 채용하여, 목표 실체와 후보 증거의 제2 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제2 레이어 특징 벡터를 하나의 열 항목 벡터로 처리할 수 있으며, 추후의 제3 분류기의 처리에 이롭다.
선택적으로, 제2 자연어 처리 모델은 ERNIE모델을 채용할 수 있다. 기타 선택가능한 방식에 있어서, 제1 자연어 처리 모델은 BERT모델을 선택하여 사용할 수 있다.
선택적으로, 두 개의 제2 분류기와 제3 분류기는 모두 Softmax분류기를 채용할 수 있다.
선택적으로, 도 4를 참조하면, 단계(S103)에서는 "S[SEP]O[SEP]PARA"의 형식을 채용하여 목표 실체S, 목표 속성값O 및 후보 증거PARA을 관련도 판정 모델에 입력한다. 검증할 의료 사실<홍역, 증상, 피부 반점상 구진>, 후보 증거< XXXXX >을 예로 들면, "홍역[SEP]피부 반점상 구진[SEP]XXXXX"을 관련도 판정 모델에 입력한다.
이외, 도 4에서, "X CLS"는 X출력을 표시하고, X는 후보 증거의 관련도이다.
일 실시 방식에 있어서, 단계(S103)에서 채용한 관련도 판정 모델의 수립방식은,
제2 자연어 처리 모델, 두개의 제2 분류기, FC 레이어 및 제3 분류기를 채용하여 관련도 판정 모델을 구축하는 것, 여기서, 제2 자연어 처리 모델은 의료 코퍼스에 기반하여 사전에 트레이닝하여 획득한 자연어 처리 모델임; 및
복수의 제2 샘플 데이터를 채용하여 구축한 관련도 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제2 샘플 데이터는 의료 사실, 지원 증거 및 의료 사실과 지원 증거의 관련도를 포함함, 을 포함한다.
상기 실시예에 있어서, 의료 코퍼스를 통하여 사전 트레이닝을 진행한 제2 자연어 처리 모델을 채용하며, 관련도 판정 모델의 트레이닝은 미조정만 진행하면 되기에, 즉 소량의 샘플 데이터를 채용하여 트레이닝하기에, 샘플 데이터의 수량에 대한 요구를 대폭적으로 줄일수 있고, 따라서 인공으로 샘플 데이터에 표기하는 비용을 줄일 수 있다.
선택적으로, 제2 샘플 데이터는 기존의 의료 지식 데이터 베이스에서 이미 알려진 SPO트리플과 증거 검색 모듈에서 반환한 결과에 근거하여 획득할 수 있다.
선택적으로, 제2 샘플 데이터중에서, 의료 사실과 지원 증거의 관련도는 인공으로 표기하는 것을 통하여 획득할 수 있다.
상기 실시예에 있어서, 의료 코퍼스를 통하여 사전 트레이닝을 진행한 제2 자연어 처리 모델을 채용하며, 관련도 판정 모델의 트레이닝은 미조정만 진행하면 되기에, 즉 소량의 샘플 데이터를 채용하여 트레이닝하기에, 샘플 데이터의 수량에 대한 요구를 대폭적으로 줄일수 있고, 따라서 인공으로 샘플 데이터에 표기하는 비용을 줄일수 있다.
일 예시에 있어서, 단계(S103)의 관련도 판정 모델이 출력한 후보 증거의 관련도는 하나의 수치일수 있다. 예를 들어 [0, 1]구간의 임의의 수 일수 있다. 후보 증거의 관련도가 클수록, 후보 증거의 관련도는 높고, 후보 증거가 해당 의료 사실의 정확함을 더욱 지지할 수 있는 것을 설명하며, 다른 측면으로부터 해당 의료 사실이 정확하다는 확률이 더욱 높다는 것을 설명한다.
기타 항업에 비하여, 의료 항업은 전체 데이터의 정확도에 대해 더욱 엄밀하고 엄격할 것을 요구하고 있다. 그러므로, 상기 실시예에서 제공한 속성 판정 모델과 관련도 판정 모델은 그 모델 구조가 비교적 교묘하여, 검증 결과의 정확도를 향상시키는데 도움이 되고, 의료 항업에서의 데이터에 대한 엄밀한 요구를 더욱 잘 만족시킬수 있다. 또한, 본 출원의 실시예의 모델은 기초 특징을 통하여, 적합한 딥러닝 모델 구조를 설계하고 대규모의 표기 데이터상에서 트레이닝하여, 인공으로 정의한 고급 특징들에 의존할 필요가 없고, 비교적 높은 정확도와 회수율을 취득할 수 있으며, 인건비를 줄일수 있다.
일 실시 방식에 있어서, 단계(S104)는,
복수의 후보 증거들 중에 적어도 하나의 후보 증거의 관련도가 사전에 설정된 역치보다 클 경우, 검증할 의료 사실이 정확하다고 검증하고, 적어도 하나의 후보 증거들 중에서 관련도가 가장 높은 후보 증거를 의료 사실의 정확함을 검증하는 지원 증거로 하는 것을 포함한다.
이미 속성 판정 모델의 검증을 거쳤기 때문에, 관련도가 사전에 설정된 역치보다 크기만 하면 의료 사실이 정확하다고 검증할 수 있으며, 판정이 간단하고 정확도가 높다. 동시에, 관련도가 가장 높은 후보 증거를 지원 증거로 선택하고, 의료 사실이 정확하다고 검증하는 근거로 제공한다.
상기 단계(S104)에 대해 설명이 필요한 것은, 만약 복수의 후보 증거들 중에 단 하나의 후보 증거의 관련도가 역치보다 클 경우, 곧바로 해당 관련도가 사전설정보다 큰 후보 증거를 관련도가 가장 높은 후보 증거로 한다는 점이다. 이외, 만약 의료 사실이 하나의 후보 증거에만 대응되면, 후보 증거의 관련도가 사전에 설정된 역치보다 클 경우, 검증할 의료 사실이 정확하다는 것을 검증하고, 관련도가 가장 높은 후보 증거를 의료 사실의 정확함을 검증하는 지원 증거로 한다.
기타 실시 방식에 있어서, 단계(S104)에서의 사전 설정 조건은 기타 조건으로도 설정할 수 있다. 예를 들어, 사전에 설정된 수량을 초과하는 후보 증거의 관련도가 사전에 설정된 역치보다 크고, 사전에 설정된 수량의 값은 1보다 크다고 설정할 수 있으며; 또 예를 들어, 복수의 후보 증거 중 관련도가 사전에 설정된 역치보다 큰 후보 증거가 차지하는 비율이 사전에 설정된 비율 값보다 크다고 설정할 수 있다.
기타 실시 방식에 있어서, 단계(S104)에서 관련도가 앞자리를 차지하는 복수의 후보 증거를 지원 증거로 선택하고, 복수의 지원 증거를 관련도에 따라 순서배열하여 표시하는 것으로 대체할 수도 있다.
일 실시 방식에 있어서, 본 실시예의 방법은 적어도 하나의 후보 증거의 관련도가 사전에 설정된 역치보다 큰 경우가 존재하지 않는다면, 의료 사실이 정확하지 않다고 검증하는 것을 더 포함한다. 여기서, 적어도 하나의 후보 증거의 관련도가 사전에 설정된 역치보다 큰 경우가 존재하지 않는다는 것은 모든 후보 증거의 관련도가 모두 사전에 설정된 역치보다 작은 경우 및 후보 증거가 모두 대응되는 관련도가 존재하지 않을 경우(즉, 단계 (S102)에서 획득한 판정 속성이 모두 목표 속성과 부동한 경우)를 포함한다.
이하, 하나의 예로 상기 단계(S101)~(S104)를 상세히 설명하기로 한다. 즉:
단계(S101)에서, 검증할 의료 사실 및 후보 증거를 획득하며, 여기서,
검증할 의료 사실은 <홍역, 증상, 피부 반점상 구진>이며,
목표 실체: "홍역",
목표 속성: "증상",
목표 속성값: "피부 반점상 구진",
후보 증거는 "홍역(measles)은 홍역 병독(measles virus)이 일으킨 병독감염성 전염병으로서, 중국법상에서 규정한 B 급 전염병에 속하며, 주요 임상 증상으로는 발열, 기침, 콧물 등 카타르 증상과 안구 결막염 등이 있으며, 특징적인 표현은 구강 홍역 점막 반점 (코플릭 반점; Koplik spots)과 피부 반점이다."
단계(S102)에 있어서, 목표 실체 "홍역", 목표 속성값 "피부 반점상 구진" 및 상기 후보 증거를 속성 판정 모델에 입력하여, "홍역"과 "피부 반점상 구진"에 대응되는 판정 속성 "증상"을 획득하며;
구체적으로, 도 3을 참조하면, 속성 판정 모델은 제1 자연어 처리 모델과 제1 분류기를 포함한다. 먼저 제1 자연어 처리 모델을 통하여 "홍역", "피부 반점상 구진" 및 후보 증거의 제1 특징 벡터를 추출하고, 다음에 제1 분류기를 통하여 제1 특징 벡터에 기반하여 판정 속성 "증상"을 확정한다.
단계(S103)에 있어서, 목표 속성 "증상"과 판정 속성 "증상"이 동일하기에, 계속하여 목표 실체 "홍역"과 목표 속성값 "피부 반점상 구진"을 관련도 판정 모델에 입력하여, 상기 후보 증거의 목표 실체 "홍역"과 목표 속성값 "피부 반점상 구진"에 관한 관련도를 획득하며, 상기 후보 증거의 관련도가 0.8인 것을 획득하였다고 가정하고;
구체적으로, 도 4를 참조하면, 관련도 판정 모델은 제2 자연어 처리 모델, 두개의 제2 분류기, FC 레이어 및 제3 분류기를 포함한다. 첫번째로, 제2 자연어 처리 모델을 통하여 "홍역"과 후보 증거의 제1 레이어 특징 벡터 및 "피부 반점상 구진"과 후보 증거의 제1 레이어 특징 벡터를 획득하고; 두번째로, 두 개의 분류기를 통하여 "홍역"과 후보 증거의 제1 레이어 특징 벡터 및 "피부 반점상 구진"과 후보 증거의 제1 레이어 특징 벡터 각각에 기반하여, 대응되는 "홍역"과 후보 증거의 제2 레이어 특징 벡터 및 "피부 반점상 구진"과 후보 증거의 제2 레이어 특징 벡터를 획득하고; 세번째로, "홍역"과 후보 증거의 제2 레이어 특징 벡터 및 "피부 반점상 구진"과 후보 증거의 제2 레이어 특징 벡터를 FC 레이어를 통하여 제3 분류기에 입력하여, 제3 분류기에서 출력하는 후보 증거의 관련도를 획득한다.
단계(S104)에 있어서, 사전에 설정된 조건이 관련도가 0.7보다 큰 것이라고 가정하면, 0.8>0.7이기 때문에, 후보 증거의 관련도 0.8은 사전에 설정된 조건을 만족하며, 검증할 의료 사실 <홍역, 증상, 피부 반점상 구진>이 정확하다고 검증하고, 상기 후보 증거를 <홍역, 증상, 피부 반점상 구진>이 정확하다는 것을 검증하는 지원 증거로 할 수 있다.
이상에서 제공한 것은 하나의 후보 증거의 검증 과정의 예시이며, 복수의 후보 증거가 존재하는 경우에 대하여, 예를 들어 후보 증거 A, 후보 증거 B, 후보 증거 C가 존재하면, 마찬가지로, 단계(S101)~(S104)를 통하여, 후보 증거 A, 후보 증거 B, 후보 증거 C의 관련도를 각각 구하여, 관련도가 차례로 0.3, 0.75, 0.8이라는 것을 획득하고, 관련도가 0.7 보다 큰 후보 증거가 존재하기 때문에, 해당 의료 사실이 성립된다는 것을 검증할 수 있으며, 동시에, 관련도가 가장 높은 후보 증거C를 지원 증거로 선택할 수 있다.
이하는 출력된 의료 사실 검증 결과의 한 예시로서, 구체적으로:
"S": 홍역,
"P": "증상",
"O": "피부 반점상 구진",
"label": "1",
"evidence": "제5절 홍역
홍역(measles)은 홍역 병독(measles virus)이 일으킨 병독감염성 전염병으로서, 중국법상에서 규정한 B 급 전염병에 속하며, 주요 임상 증상으로는 발열, 기침, 콧물 등 카타르 증상과 안구 결막염 등이 있으며, 특징적인 표현은 구강 홍역 점막 반점 (코플릭 반점; Koplik spots)과 피부 반점이다."
여기서, label은 의료사실의 검증 결과를 표시하며, label=1는 검증 정확을 표시하며, label =0은 검증 착오를 표시하고; evidence는 의료 사실의 정확함을 검증하는 지원 증거이다. 그러므로, 상기 예시에 있어서, 검증할 의료 사실 SPO<홍역, 증상, 피부 반점상 구진>에 대하여, 검증 결과가 정확하며, 《전염병학》제8판으로 부터 상기 evidence부분을 선택하여, 해당 의료 사실의 정확함을 검증하는 지원 증거로 한다.
본 출원의 실시예에서 실현하는 방법은 사전에 트레이닝된 언어 모델에 기반한 의료 사실 검증 방법으로서, 의료 데이터에서의 사실 검증의 효율 문제를 효과적으로 향상시킬수 있다. 본 출원의 실시예에서 제공하는 방법은 이하의 적어도 하나의 장점을 구비한다. 즉:
1. 일반성이 강하여, 대량이고 광범한 의료 사실 검증 문제를 처리할 수 있다.
2. 인건비가 적으며, 이는 주로 다음과 같은 두가지 면에서 알아볼수 있다. 첫번째로, 새로운 사실 유형, 새로운 문서 집합, 새로운 표현 방식에 대하여, 인공으로 추출 규칙을 다시 정의할 필요가 없으며, 모델 자체의 일반화성에 의존하여 정확한 결과를 얻을수 있다; 두번째로, 사전 트레이닝과 미조정을 결합하는 방식을 통하여 모델을 수립하여, 표기된 샘플에 대한 수량 요구를 낮춤으로써, 인공으로 샘플에 대해 표기하는 비용을 절감할 수 있다.
3. 일반화한 사실 검증 방법에 비하여, 본 출원의 실시예는 의료 사실 검증에 적용할 수 있으며, 데이터에 대한 요구가 엄밀하고, 의료 데이터 상에서 일정한 효과 상승을 갖다줄 수 있다.
이에 대응하여, 본 출원의 실시예는 의료 사실 검증 장치를 더 제공하며, 해당 장치가 포함하는 각 모듈은 전자 기기의 하드웨어 내에 탑재하거나 설치되어 있다. 예를 들어, 컴퓨터의 메모리가 해당 장치의 각 모듈을 탑재할 수 있어, 컴퓨터의 CPU(central processing unit)가 메모리중의 각 모듈을 작동할 수 있도록 할 수 있다.
도 5를 참조하면, 도 5는 해당 의료 사실 검증 장치(500)의 모식도이며, 장치(500)은,
검증한 의료 사실과 후보 증거를 획득하기 위한 제1 획득 모듈(501), 여기서, 검증한 의료 사실은 목표 실체, 목표 속성 및 목표 속성값을 포함함;
목표 실체, 목표 속성값 및 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하기 위한 제1 판정 모듈(502);
목표 속성과 판정 속성이 동일한 경우, 목표 실체, 목표 속성값 및 후보 증거를 관련도 판정 모델에 입력하여, 후보 증거의 관련도를 획득하기 위한 제2 판정 모듈(503); 및
후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 검증할 의료 사실이 정확하다고 검증하기 위한 제1 검증 모듈(504), 을 포함한다.
일 실시 방식에 있어서, 도 6을 참조하면, 의료 사실 검증 장치(600)은 목표 속성과 판정 속성이 부동한 경우, 후보 증거가 검증할 의료 사실이 정확하다는 것을 검증할 수 없다고 확정하기 위한 제2 검증 모듈(601)을 더 포함한다.
일 실시 방식에 있어서, 그 중, 속성 판정 모델은 제1 자연어 처리 모델 및 제1 분류기를 포함하며;
도 7을 참조하면, 제1 판정 모듈(502)은,
목표 실체, 목표 속성값 및 후보 증거를 제1 자연어 처리 모델에 입력하여, 목표 실체, 목표 속성값 및 후보 증거의 제1 특징 벡터를 획득하기 위한 특징 서브 모듈(701); 및
제1 특징 벡터를 제1 분류기에 입력하여, 판정 속성을 획득하기 위한 속성 판정 서브 모듈(702)을 포함한다.
일 실시 방식에 있어서, 그 중, 속성 판정 모델의 수립 방식은,
제1 자연어 처리 모델과 제1 분류기를 채용하여 속성 판정 모델을 구축하는 것, 여기서, 제1 자연어 처리 모델은 의료 코퍼스에 기반하여 사전 트레이닝하여 획득한 자연어 처리 모델임; 및
복수의 제1 샘플 데이터를 채용하여 구축한 속성 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제1 샘플 데이터는 정확한 의료 사실과 지원 증거를 포함함, 을 포함한다.
일 실시 방식에 있어서, 그 중, 관련도 판정 모델은 제2 자연어 처리 모델, 두개의 제2 분류기, FC 레이어 및 제3 분류기를 포함하며;
도 8을 참조하면, 제2 판정 모듈(503)은,
목표 실체, 목표 속성값 및 후보 증거를 제2 자연어 처리 모델에 입력하여, 목표 실체와 후보 증거의 제1 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제1 레이어 특징 벡터를 획득하기 위한 제1 레이어 특징 서브 모듈(801);
목표 실체와 후보 증거의 제1 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제1 레이어 특징 벡터를 두개의 제2 분류기에 각각 입력하여, 목표 실체와 후보 증거의 제2 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제2 레이어 특징 벡터를 획득하기 위한 제2 레이어 특징 서브 모듈(802); 및
목표 실체와 후보 증거의 제2 레이어 특징 벡터 및 목표 속성값과 후보 증거의 제2 레이어 특징 벡터를 FC 레이어를 통하여 처리한 후 제3 분류기에 입력하여, 후보 증거의 관련도를 획득하기 위한 관련도 판정 서브 모듈(803), 을 포함한다.
일 실시 방식에 있어서, 그 중, 관련도 판정 모델의 수립 방식은,
제2 자연어 처리 모델, 두개의 제2 분류기, FC 레이어 및 제3 분류기를 채용하여, 관련도 판정 모델을 구축하는 것, 여기서, 제2 자연어 처리 모델은 의료 코퍼스에 기반하여 사전 트레이닝을 진행하여 획득한 자연어 처리 모델임; 및
복수의 제2 샘플 데이터를 채용하여 구축한 관련도 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제2 샘플 데이터는 의료 사실, 지원 증거 및 의료 사실과 지원 증거의 관련도를 포함함, 을 포함한다.
일 실시 방식에 있어서, 그 중, 도 9를 참조하면, 제1 검증 모듈(504)는,
복수의 후보 증거 중에 적어도 하나의 후보 증거의 관련도가 사전에 설정된 역치보다 크면, 의료 사실이 정확하다고 검증하기 위한 검증 서브 모듈(901); 및
적어도 하나의 후보 증거중에서 관련도가 가장 높은 후보 증거를 의료 사실의 정확함을 검증하는 지원 증거로 하기 위한 증거 서브 모듈(902)을 포함한다.
본 출원의 실시예의 각 장치중의 각 모듈의 기능은 상기 방법에서의 대응되는 기재를 참조할 수 있기에, 여기서 반복하여 기재하는 것을 생략한다.
본 출원의 실시예에 따르면, 본 출원은 전자 기기와 판독가능한 저장 매체를 더 제공한다.
도 10에 나타낸 바와 같이, 본 출원의 실시예에 따른 의료 사실 검증 방법의 전자 기기의 블록도이다. 전자 기기는 여러가지 형식의 디지털 컴퓨터를 의미하며, 예를 들면, 랩톱 컴퓨터, 디스크톱 컴퓨터, 워크벤치, 개인 정보 단말기, 서버, 블레이드 서버, 대형 컴퓨터, 및 기타 적합한 컴퓨터가 있을 수 있다. 전자 기기는 또한 여러가지 형식의 모바일 장치를 의미할 수 있으며, 예를 들면, 개인 정보 단말기, 휴대 전화, 스마트폰, 웨어러블 디바이스 및 기타 유사한 컴퓨팅 장치가 있을수 있다. 본문에서 기재한 부재, 그들간의 연결 및 관계, 그리고 그들의 기능은 단지 예시적인 것이며, 본문에서 기재한 및/또는 요구한 본 출원의 실현을 한정하는 것이 아니다.
도 10에서 나타낸 바와 같이, 해당 전자 기기는 하나 또는 복수 개의 프로세서(1001), 메모리(1002) 및 각 부재를 연결하기 위한 인터페이스를 포함하며, 고속 인터페이스와 저속 인터페이스를 포함한다. 각 부재는 부동한 버스를 이용하여 상호 연결되었으며, 공용 메인보드에 설치되거나 또는 수요에 따라 기타 형식으로 설치될 수 있다. 프로세서는 전자 기기내에서 실행되는 명령들에 대해 처리할 수 있으며, 메모리에 저장된 또는 메모리에서 외부 입력/출력 장치(예를 들어, 인터페이스에 결합된 디스플레이 장치)상에 그래픽 사용자 인터페이스(Graphical User Interface, GUI)를 표시한 그래픽 정보의 명령들을 포함한다. 기타 실시방식에 있어서, 필요한 경우, 복수의 프로세서 및/또는 복수의 버스를 복수의 메모리와 함께 사용할 수 있다. 상술한 바와 같이, 복수의 전자 기기를 연결하여, 각 기기가 일부 필요한 조작(예를 들어, 서버 어레이, 블레이드 서버 세트 또는 멀티 프로세서 시스템)을 제공할 수 있다. 도 10에서는 하나의 프로세서(1001)인 경우를 예로 나타낸다.
메모리(1002)는 본 출원이 제공한 비 일시적 컴퓨터 판독가능한 저장 매체에 상당하다. 여기서, 상기 메모리는 적어도 하나의 프로세서가 실행할 수 있는 명령을 저장하며, 적어도 하나의 프로세서가 본 출원이 제공한 의료 사실 검증 방법을 실행하도록 한다. 본 출원의 비 일시적 컴퓨터 판독가능한 저장 매체는 컴퓨터 명령들을 저장하며, 해당 컴퓨터 명령은 컴퓨터가 본 출원이 제공한 의료 사실 검증 방법을 실행하도록 하기 위한 것이다.
메모리(1002)는 비 일시적 컴퓨터 판독가능한 저장 매체로서, 비 일시적 소프트웨어 프로그램, 비 일시적 컴퓨터 실행 가능한 프로그램 및 모듈들을 저장하기 위한 것이며, 본 출원의 실시예 중의 의료 사실 검증 방법에 대응되는 프로그램 명령/모듈(예를 들어, 도 5에서 나타낸 제1 획득 모듈(501), 제1 판정 모듈(502), 제2 판정 모듈(503) 및 제1 검증 모듈(504))들이 있다. 프로세서(1001)는 메모리(1002)에 저장된 비 일시적 소프트웨어 프로그램, 명령 및 모듈을 운행하는 것을 통하여, 서버의 각종 기능 응용 및 데이터 처리를 실행하며, 다시 말하면 상기 방법 실시예 중의 의료 사실 검증 방법을 실현할 수 있다.
메모리(1002)는 프로그램 저장 구역 및 데이터 저장 구역을 포함하며, 그 중, 프로그램 저장 구역은 오에이스, 적어도 하나의 기능이 필요로 하는 응용 프로그램을 저장할 수 있으며, 데이터 저장 구역은 의료 사실 검증 방법의 전자 기기의 사용에 기반하여 생성된 데이터 등을 저장할 수 있다. 그리고, 메모리(1002)는 고속 랜덤 액세스 메모리를 포함할 수 있으며, 또한 비 일시적 메모리를 포함할 수 있다. 예를 들어, 적어도 하나의 디스크 저장 기기, 플래시 메모리 기기, 또는 기타 비 일시적 솔리드 메모리 기기가 있다. 일부 실시예에 있어서, 메모리(1002)는 프로세서(1001)과 원격으로 설치된 메모리를 선택적으로 포함할 수 있으며, 이런 원격 메모리는 네트워크를 통하여 의료 사실 검증 방법의 전자 기기와 연결될수 있다. 상기 네트워크의 실예로서, 인터넷, 인트라넷, LAN, 모바일 통신망 및 그들의 조합을 포함하지만, 이에 한정되는 것은 아니다.
해당 전자 기기는 입력 장치(1003) 및 출력 장치(1004)를 더 포함할 수 있다. 프로세서(1001), 메모리(1002), 입력 장치(1003) 및 출력 장치(1004)는 버스를 통하여 연결되거나 기타 방식으로 연결될 수 있으며, 도 10에서는 버스를 통해 연결된 예이다.
입력 장치(1003)은 입력된 숫자 혹은 문자 정보를 수신할 수 있고, 의료 사실 검증 방법의 전자 기기의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 생성 할 수 있다. 예를 들어, 터치 스크린, 작은 키보드, 마우스, 트랙 패드, 터치 패널, 조정 로드, 하나 혹은 복수의 마우스 버튼, 트랙 볼, 조이스틱 등 입력 장치일수 있다. 출력 장치(1004)는 디스플레이 장치, 보조 조명 장치(예를 들어, LED) 및 촉각 피드백 장치(예를 들어, 진동 모터) 등을 포함할 수 있다. 해당 디스플레이 장치는 액정 디스플레이(Liquid Crystal Display，LCD), 발광 다이오드(Light Emitting Diode，LED) 디스플레이 및 플라즈마 디스플레이를 포함할 수 있으며, 이에 한정되는 것은 아니다. 일부 실시예에 있어서, 디스플레이 장치는 터치 스크린일수 있다.
여기에 기재된 시스템 및 기술의 각종 실시방식은 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 집적 회로(Application Specific Integrated Circuits，ASIC), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 그들의 조합에서 구현될 수 있다. 이런 각종 실시방식은 하나 또는 복수의 컴퓨터 프로그램 중에서 실시하는 것을 포함할 수 있으며, 해당 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그래머블 프로세서를 포함한 프로그래머블 시스템에서 실행 및/또는 해석할 수 있으며, 해당 프로그래머블 프로세서는 전용 또는 일반 프로그래머블 프로세서일수 있으며, 저장 시스템, 적어도 하나의 입력장치 및 적어도 하나의 출력장치로부터 데이터와 명령을 수신할 수 있고, 또한 데이터와 명령을 해당 저장 시스템, 해당 적어도 하나의 입력장치 및 해당 적어도 하나의 출력장치에 전송할 수 있다.
이런 컴퓨팅 프로그램(프로그램, 소프트웨어, 소프트웨어 응용 또는 코드라고도 함)은 프로그래머블 프로세서의 기계명령들을 포함하며, 고급 과정 및/또는 객체 지향 프로그래밍 언어 및/또는 어셈블리/기계 언어를 이용하여 이런 컴퓨팅 프로그램을 실시할 수 있다. 본문에서 사용한 바와 같이, 용어 "기계 판독가능한 매체" 및 "컴퓨터 판독가능한 매체"는 기계 명령 및/또는 데이터를 프로그래머블 프로세서에 제공하는 모든 컴퓨터 프로그램 제품, 디바이스 및/또는 장치(예를 들어, 자기 디스크, 시디롬, 메모리, 프로그래머블 로직 장치(programmable logic device，PLD))일 수 있으며, 기계 판독가능한 시그널로서의 기계명령을 수신하는 기계 판독가능한 매체를 포함할 수 있다. 용어 "기계 판독가능한 시그널"은 기계명령 및/또는 데이터를 프로그래머블 프로세서에 제공하는 모든 시그널을 의미한다.
사용자와의 인터랙션을 제공하기 위하여, 컴퓨터에서 여기에 기재된 시스템 및 기술을 실시할 수 있으며, 해당 컴퓨터는 사용자에게 정보를 디스플레이하는 디스플레이 장치(예를 들어, CRT(Cathe Ray Tube, 음극선관) 또는 LCD(액정 디스플레이)모니터), 그리고 키보드와 포인팅 장치(예를 들어, 마우스 또는 트랙 볼)를 포함할 수 있으며, 사용자는 해당 키보드와 해당 포인팅 장치를 통하여 입력을 컴퓨터에 제공해줄 수 있다. 기타 종류의 장치는 사용자와의 인터랙션을 제공하는데 사용될수 있으며, 예를 들어, 사용자에게 제공된 피드백은 모든 형식의 감각 피드백(예를 들어, 시각 피드백, 청각 피드백 또는 촉각 피드백)일 수 있으며; 모든 형식(소리 입력, 음성 입력 또는 촉각 입력을 포함)을 통하여 사용자로부터의 입력을 수신할 수 있다.
여기에 기재된 시스템과 기술은 백그라운드 위젯을 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버로서), 또는 중간 위젯을 포함하는 컴퓨팅 시스템(예를 들어, 애플리케이션 서버), 또는 프론트 위젯을 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 사용자 인터페이스 혹은 네트워크 브라우저를 갖고 있는 사용자 컴퓨터, 사용자는 해당 그래픽 사용자 인터페이스 또는 해당 네트워크 브라우저를 통하여 여기에 기재된 시스템 및 기술의 실시방식과 인터랙션을 진행할 수 있다), 또는 이런 백그라운드 위젯, 중간 위젯, 프론트 위젯의 모든 조합을 포함하는 컴퓨팅 시스템에서 실시될 수 있다. 모든 형식 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통하여, 시스템의 부재를 상호 연결할 수 있다. 통신 네트워크의 예시로서는, LAN(Local Area Network), WAN(Wide Area Networ) 및 인터넷을 포함할 수 있다.
컴퓨터 시스템은 클라이언트 단말 및 서버를 포함할 수 있다. 클라이언트 단말 및 서버는 일반적으로 서로 원격으로 설치되어 있으며, 통상적으로는 통신 네트워크를 통하여 인터랙션을 진행한다. 대응되는 컴퓨터에서 운행됨과 동시에 클라이언트 단말-서버관계를 갖고있는 컴퓨터 프로그램을 통하여 클라이언트 단말과 서버사이의 관계를 발생한다.
본 출원의 실시예의 기술 방안에 따르면, 속성 판정 모델과 관련도 판정 모델을 통하여, 차례로 속성과 관련도 판정을 완료함으로써, 후보 증거에 기재된 속성이 목표 속성을 만족하고 관련도가 조건을 만족하는 경우, 의료 사실이 정확하다고 검증하는 기술 수단을 채용하여, 현재의 인공 검증이 초래하는 비용이 높은 기술문제를 극복하고, 인건비를 절감하고, 대규모의 데이터 처리에 더욱 적용될수 있다.
이해하여야 할 것은, 이상에 기재된 각종 형식의 프로세스를 이용하여, 단계를 다시 순서배열, 증가 또는 삭제할 수 있다는 것이다. 예를 들어, 본 출원에 기재된 각 단계는 병행하여 실행될 수도 있고, 순서대로 실행될 수도 있고, 다른 부동한 순서대로 실행될 수도 있으며, 본 출원에 개시된 기술방안이 기대하는 결과만 실현할 수 있다면, 본문에서는 여기서 한정하지 않는다.
이상의 구체적인 실시방식은, 본 출원의 보호범위에 대한 한정이 아니다. 해당 분야 기술자들이 명백해야 할것은, 설계 요구와 기타 요소에 기반하여, 각종 수정, 조합, 서브 조합 및 교체를 진행할 수 있다는 점이다. 본 출원의 정신 및 원칙내에서 진행된 모든 수정, 균등 교체와 개량 등은 모두 본 출원의 보호 범위 내에 포함되어야 할 것이다.

Claims (17)

  1. 의료 사실 검증 장치에 기반한 의료 사실 검증 방법에 있어서,
    검증할 의료 사실과 후보 증거를 획득하는 것, 여기서, 상기 검증할 의료 사실은 목표 실체, 목표 속성 및 목표 속성값을 포함함;
    상기 목표 실체, 상기 목표 속성값과 상기 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하는 것;
    상기 목표 속성과 상기 판정 속성이 동일한 경우, 상기 목표 실체, 상기 목표 속성값과 상기 후보 증거를 관련도 판정 모델에 입력하여, 상기 후보 증거의 관련도를 획득하는 것; 및
    상기 후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 상기 검증할 의료 사실이 정확하다고 검증하는 것, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 방법.
  2. 제1항에 있어서,
    상기 목표 속성과 상기 판정 속성이 부동한 경우, 상기 후보 증거가 상기 검증할 의료 사실의 정확함을 검증할 수 없다고 확정하는 것을 더 포함하는 것,
    을 특징으로 하는 의료 사실 검증 방법.
  3. 제1항에 있어서,
    상기 속성 판정 모델은 제1 자연어 처리 모델과 제1 분류기를 포함하며;
    상기 목표 실체, 상기 목표 속성값과 상기 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하는 것은,
    상기 목표 실체, 상기 목표 속성값 및 상기 후보 증거를 상기 제1 자연어 처리 모델에 입력하여, 상기 목표 실체, 상기 목표 속성값 및 상기 후보 증거의 제1 특징 벡터를 획득하는 것; 및
    상기 제1 특징 벡터를 상기 제1 분류기에 입력하여, 상기 판정 속성을 획득하는 것을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 방법.
  4. 제3항에 있어서,
    상기 속성 판정 모델의 수립 방식은,
    상기 제1 자연어 처리 모델과 상기 제1 분류기를 채용하여 상기 속성 판정 모델을 구축하는 것, 여기서, 상기 제1 자연어 처리 모델은 의료 코퍼스에 기반하여 사전에 트레이닝하여 획득한 자연어 처리 모델임; 및
    복수의 제1 샘플 데이터를 채용하여 상기 구축한 속성 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제1 샘플 데이터는 정확한 의료 사실과 지원 증거를 포함함,을 포함하는 것
    을 특징으로 하는 의료 사실 검증 방법.
  5. 제1항에 있어서,
    상기 관련도 판정 모델은 제2 자연어 처리 모델, 두 개의 제2 분류기, FC 레이어 및 제3 분류기를 포함하며;
    상기 목표 실체, 상기 목표 속성값과 상기 후보 증거를 관련도 판정 모델에 입력하여, 상기 후보 증거의 관련도를 획득하는 것은,
    상기 목표 실체, 상기 목표 속성값과 상기 후보 증거를 상기 제2 자연어 처리 모델에 입력하여, 상기 목표 실체와 상기 후보 증거의 제1 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제1 레이어 특징 벡터를 획득하는 것;
    상기 목표 실체와 상기 후보 증거의 제1 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제1 레이어 특징 벡터를 상기 두개의 제2 분류기에 각각 입력하여, 상기 목표 실체와 상기 후보 증거의 제2 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제2 레이어 특징 벡터를 획득하는 것; 및
    상기 목표 실체와 상기 후보 증거의 제2 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제2 레이어 특징 벡터를 상기 FC 레이어를 통하여 처리한 후 상기 제3 분류기에 입력하여, 상기 후보 증거의 관련도를 획득하는 것, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 방법.
  6. 제5항에 있어서,
    상기 관련도 판정 모델의 수립 방식은,
    상기 제2 자연어 처리 모델, 상기 두개의 제2 분류기, 상기 FC 레이어 및 상기 제3 분류기를 채용하여 상기 관련도 판정 모델을 구축하는 것, 여기서, 상기 제2 자연어 처리 모델은 의료 코퍼스에 기반하여 사전에 트레이닝하여 획득한 자연어 처리 모델임; 및
    복수의 제2 샘플 데이터를 채용하여 상기 구축한 관련도 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제2 샘플 데이터는 의료 사실, 지원 증거 및 상기 의료 사실과 상기 지원 증거의 관련도를 포함함, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 방법.
  7. 제1항에 있어서,
    상기 후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 상기 검증할 의료 사실이 정확하다고 검증하는 것은,
    복수의 후보 증거들 중에 적어도 하나의 상기 후보 증거의 관련도가 사전에 설정된 역치보다 클 경우, 상기 검증할 의료 사실이 정확하다고 검증하고, 상기 적어도 하나의 상기 후보 증거들 중에서 상기 관련도가 가장 높은 후보 증거를 상기 의료 사실의 정확함을 검증하는 지원 증거로 하는 것을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 방법.
  8. 의료 사실 검증 장치에 있어서,
    검증할 의료 사실과 후보 증거를 획득하기 위한 제1 획득 모듈, 여기서, 상기 검증할 의료 사실은 목표 실체, 목표 속성 및 목표 속성값을 포함함;
    상기 목표 실체, 상기 목표 속성값 및 상기 후보 증거를 속성 판정 모델에 입력하여, 판정 속성을 획득하기 위한 제1 판정 모듈;
    상기 목표 속성과 상기 판정 속성이 동일한 경우, 상기 목표 실체, 상기 목표 속성값 및 상기 후보 증거를 관련도 판정 모델에 입력하여, 상기 후보 증거의 관련도를 획득하기 위한 제2 판정 모듈; 및
    상기 후보 증거의 관련도가 사전에 설정된 조건을 만족하는 경우, 상기 검증할 의료 사실이 정확하다고 검증하기 위한 제1 검증 모듈, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 장치.
  9. 제8항에 있어서,
    상기 목표 속성과 상기 판정 속성이 부동한 경우, 상기 후보 증거가 상기 검증할 의료 사실이 정확함을 검증할 수 없다고 확정하기 위한 제2 검증 모듈을 더 포함하는 것,
    을 특징으로 하는 의료 사실 검증 장치.
  10. 제8항에 있어서,
    상기 속성 판정 모델은 제1 자연어 처리 모델 및 제1 분류기를 포함하며;
    상기 제1 판정 모듈은,
    상기 목표 실체, 상기 목표 속성값 및 상기 후보 증거를 상기 제1 자연어 처리 모델에 입력하여, 상기 목표 실체, 상기 목표 속성값 및 상기 후보 증거의 제1 특징 벡터를 획득하기 위한 특징 서브 모듈; 및
    상기 제1 특징 벡터를 상기 제1 분류기에 입력하여, 상기 판정 속성을 획득하기 위한 속성 판정 서브 모듈을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 장치.
  11. 제10항에 있어서,
    상기 속성 판정 모델의 수립 방식은,
    상기 제1 자연어 처리 모델과 상기 제1 분류기를 채용하여 상기 속성 판정 모델을 구축하는 것, 여기서, 상기 제1 자연어 처리 모델은 의료 코퍼스에 기반하여 사전 트레이닝하여 획득한 자연어 처리 모델임; 및
    복수의 제1 샘플 데이터를 채용하여 상기 구축한 속성 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제1 샘플 데이터는 정확한 의료 사실과 지원 증거를 포함함, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 장치.
  12. 제8항에 있어서,
    상기 관련도 판정 모델은 제2 자연어 처리 모델, 두개의 제2 분류기, FC 레이어 및 제3 분류기를 포함하며;
    상기 제2 판정 모듈은,
    상기 목표 실체, 상기 목표 속성값 및 상기 후보 증거를 상기 제2 자연어 처리 모델에 입력하여, 상기 목표 실체와 상기 후보 증거의 제1 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제1 레이어 특징 벡터를 획득하기 위한 제1 레이어 특징 서브 모듈;
    상기 목표 실체와 상기 후보 증거의 제1 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제1 레이어 특징 벡터를 상기 두개의 제2 분류기에 각각 입력하여, 상기 목표 실체와 상기 후보 증거의 제2 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제2 레이어 특징 벡터를 획득하기 위한 제2 레이어 특징 서브 모듈; 및
    상기 목표 실체와 상기 후보 증거의 제2 레이어 특징 벡터 및 상기 목표 속성값과 상기 후보 증거의 제2 레이어 특징 벡터를 상기 FC 레이어를 통하여 처리한 후 상기 제3 분류기에 입력하여, 상기 후보 증거의 관련도를 획득하기 위한 관련도 판정 서브 모듈, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 장치.
  13. 제12항에 있어서,
    상기 관련도 판정 모델의 수립 방식은,
    상기 제2 자연어 처리 모델, 상기 두개의 제2 분류기, 상기 FC 레이어 및 상기 제3 분류기를 채용하여, 상기 관련도 판정 모델을 구축하는 것, 여기서, 상기 제2 자연어 처리 모델은 의료 코퍼스에 기반하여 사전 트레이닝을 진행하여 획득한 자연어 처리 모델임; 및
    복수의 제2 샘플 데이터를 채용하여 상기 구축한 관련도 판정 모델에 대해 트레이닝을 진행하는 것, 여기서, 매개의 제2 샘플 데이터는 의료 사실, 지원 증거 및 상기 의료 사실과 상기 지원 증거의 관련도를 포함함, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 장치.
  14. 제8항에 있어서,
    상기 제1 검증 모듈은,
    복수의 후보 증거 중에 적어도 하나의 후보 증거의 관련도가 사전에 설정된 역치보다 크면, 상기 의료 사실이 정확하다고 검증하기 위한 검증 서브 모듈; 및
    상기 적어도 하나의 후보 증거중에서 관련도가 가장 높은 후보 증거를 상기 의료 사실의 정확함을 검증하는 지원 증거로 하기 위한 증거 서브 모듈, 을 포함하는 것,
    을 특징으로 하는 의료 사실 검증 장치.
  15. 적어도 하나의 프로세서, 및 상기 적어도 하나의 프로세서와 통신 연결된 메모리를 포함하는 전자 기기에 있어서,
    상기 메모리는 상기 적어도 하나의 프로세서에 의해 실행되는 명령들을 저장하며, 상기 명령들은 상기 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서가 청구항 1-7 중의 어느 한 항의 방법을 실행하도록 하는 것,
    을 특징으로 하는 전자 기기.
  16. 컴퓨터 명령들을 저장하는 비 일시적 컴퓨터 판독가능한 저장 매체에 있어서,
    상기 컴퓨터 명령들은 상기 컴퓨터로 하여금 청구항 1-7 중의 어느 한 방법을 실행하도록 하기 위한 것을 특징으로 하는 저장 매체.
  17. 컴퓨터에서 프로세서에 의해 실행될 경우, 청구항 1-7 중의 어느 한 항에 기재된 의료 사실 검증 방법을 실현하는 것을 특징으로 하는, 컴퓨터로 판독 가능한 저장 매체에 저장된 프로그램.
KR1020200160945A 2020-05-29 2020-11-26 의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램 KR102456535B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010473438.7A CN111640511B (zh) 2020-05-29 2020-05-29 医疗事实验证的方法、装置、电子设备及存储介质
CN202010473438.7 2020-05-29

Publications (2)

Publication Number Publication Date
KR20210148813A KR20210148813A (ko) 2021-12-08
KR102456535B1 true KR102456535B1 (ko) 2022-10-19

Family

ID=72329517

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160945A KR102456535B1 (ko) 2020-05-29 2020-11-26 의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램

Country Status (5)

Country Link
US (1) US20210374576A1 (ko)
EP (1) EP3916738B1 (ko)
JP (1) JP7097423B2 (ko)
KR (1) KR102456535B1 (ko)
CN (1) CN111640511B (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111473433B (zh) 2020-04-14 2021-12-28 北京小米移动软件有限公司 一种新风空调系统及风口调节方法
CN112216359B (zh) * 2020-09-29 2024-03-26 百度国际科技（深圳）有限公司 医疗数据校验方法、装置及电子设备
CN112509690B (zh) * 2020-11-30 2023-08-04 北京百度网讯科技有限公司 用于控制质量的方法、装置、设备和存储介质
CN113220841B (zh) * 2021-05-17 2023-11-17 北京百度网讯科技有限公司 确定鉴别信息的方法、装置、电子设备和存储介质
CN116383239B (zh) * 2023-06-06 2023-08-15 中国人民解放军国防科技大学 一种基于混合证据的事实验证方法、系统及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080004505A1 (en) 2006-07-03 2008-01-03 Andrew Kapit System and method for medical coding of vascular interventional radiology procedures
US20180075012A1 (en) 2016-09-09 2018-03-15 International Business Machines Corporation Mining New Negation Triggers Dynamically Based on Structured and Unstructured Knowledge
US20190026638A1 (en) 2017-07-24 2019-01-24 Boe Technology Group Co., Ltd. Knowledge verification method, knowledge verification device and storage medium

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092605B (zh) * 2016-02-18 2019-12-31 北大方正集团有限公司 一种实体链接方法及装置
EP3306501A1 (en) * 2016-10-06 2018-04-11 Fujitsu Limited A computer apparatus and method to identify healthcare resources used by a patient of a medical institution
CN106777966B (zh) * 2016-12-13 2020-02-07 天津迈沃医药技术股份有限公司 基于医疗信息平台的数据互动训练方法及系统
US20190006027A1 (en) 2017-06-30 2019-01-03 Accenture Global Solutions Limited Automatic identification and extraction of medical conditions and evidences from electronic health records
US11024424B2 (en) * 2017-10-27 2021-06-01 Nuance Communications, Inc. Computer assisted coding systems and methods
CN108304933A (zh) * 2018-01-29 2018-07-20 北京师范大学 一种知识库的补全方法及补全装置
CN109299285A (zh) 2018-09-11 2019-02-01 中国医学科学院医学信息研究所 一种药物基因组学知识图谱构建方法及系统
CN109273098B (zh) * 2018-10-23 2024-05-14 平安科技（深圳）有限公司 一种基于智能决策的药品疗效预测方法和装置
CN109783651B (zh) * 2019-01-29 2022-03-04 北京百度网讯科技有限公司 提取实体相关信息的方法、装置、电子设备和存储介质
CN110334211A (zh) * 2019-06-14 2019-10-15 电子科技大学 一种基于深度学习的中医诊疗知识图谱自动构建方法
CN110379520A (zh) * 2019-06-18 2019-10-25 北京百度网讯科技有限公司 医疗知识图谱的挖掘方法及装置、计算机设备及可读介质
CN110390003A (zh) * 2019-06-19 2019-10-29 北京百度网讯科技有限公司 基于医疗的问答处理方法及系统、计算机设备及可读介质
CN110263083B (zh) * 2019-06-20 2022-04-05 北京百度网讯科技有限公司 知识图谱的处理方法、装置、设备和介质
CN110427486B (zh) * 2019-07-25 2022-03-01 北京百度网讯科技有限公司 身体病况文本的分类方法、装置及设备
CN110675954A (zh) * 2019-10-11 2020-01-10 北京百度网讯科技有限公司 信息处理方法及装置、电子设备、存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080004505A1 (en) 2006-07-03 2008-01-03 Andrew Kapit System and method for medical coding of vascular interventional radiology procedures
US20180075012A1 (en) 2016-09-09 2018-03-15 International Business Machines Corporation Mining New Negation Triggers Dynamically Based on Structured and Unstructured Knowledge
US20190026638A1 (en) 2017-07-24 2019-01-24 Boe Technology Group Co., Ltd. Knowledge verification method, knowledge verification device and storage medium

Also Published As

Publication number Publication date
CN111640511A (zh) 2020-09-08
EP3916738B1 (en) 2024-01-31
US20210374576A1 (en) 2021-12-02
JP2021190071A (ja) 2021-12-13
JP7097423B2 (ja) 2022-07-07
KR20210148813A (ko) 2021-12-08
CN111640511B (zh) 2023-08-04
EP3916738A1 (en) 2021-12-01

Similar Documents

Publication Publication Date Title
KR102456535B1 (ko) 의료 사실 검증 방법, 장치, 전자 기기, 저장 매체 및 프로그램
KR102448129B1 (ko) 엔티티 연결 방법, 장치, 기기 및 저장 매체
US11681875B2 (en) Method for image text recognition, apparatus, device and storage medium
US20210407642A1 (en) Drug recommendation method and device, electronic apparatus, and storage medium
US11847164B2 (en) Method, electronic device and storage medium for generating information
US20210201198A1 (en) Method, electronic device, and storage medium for generating node representations in heterogeneous graph
CN111079442B (zh) 文档的向量化表示方法、装置和计算机设备
EP3851977A1 (en) Method, apparatus, electronic device, and storage medium for extracting spo triples
US20210390260A1 (en) Method, apparatus, device and storage medium for matching semantics
US11537792B2 (en) Pre-training method for sentiment analysis model, and electronic device
EP3822842A2 (en) Method and apparatus for generating semantic representation model, electronic device, and storage medium
KR102636493B1 (ko) 의료 데이터 검증 방법, 장치 및 전자 기기
KR20210040862A (ko) 문서 타이틀 트리의 구축 방법, 장치, 전자기기, 저장매체 및 컴퓨터 프로그램
US11907671B2 (en) Role labeling method, electronic device and storage medium
US11216615B2 (en) Method, device and storage medium for predicting punctuation in text
CN111326251B (zh) 一种问诊问题输出方法、装置以及电子设备
JP7142121B2 (ja) 文字認識の方法、装置、電子設備、コンピュータ可読記憶媒体、及びプログラム
US11321370B2 (en) Method for generating question answering robot and computer device
WO2020000764A1 (zh) 一种面向印地语的多语言混合输入方法及装置
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
US20220027575A1 (en) Method of predicting emotional style of dialogue, electronic device, and storage medium
CN113641830B (zh) 模型预训练方法、装置、电子设备和存储介质
CN111414750B (zh) 一种词条的同义判别方法、装置、设备和存储介质
CN113553411B (zh) 查询语句的生成方法、装置、电子设备和存储介质
US20210312308A1 (en) Method for determining answer of question, computing device and storage medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right