CN106874695A - 医疗知识图谱的构建方法和装置 - Google Patents
医疗知识图谱的构建方法和装置 Download PDFInfo
- Publication number
- CN106874695A CN106874695A CN201710174487.9A CN201710174487A CN106874695A CN 106874695 A CN106874695 A CN 106874695A CN 201710174487 A CN201710174487 A CN 201710174487A CN 106874695 A CN106874695 A CN 106874695A
- Authority
- CN
- China
- Prior art keywords
- medical
- association
- keyword
- sample data
- strength
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000011282 treatment Methods 0.000 claims description 36
- 238000011161 development Methods 0.000 abstract description 5
- 208000024891 symptom Diseases 0.000 description 24
- 206010011224 Cough Diseases 0.000 description 20
- 201000010099 disease Diseases 0.000 description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 17
- 208000007530 Essential hypertension Diseases 0.000 description 12
- 206010035664 Pneumonia Diseases 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 10
- 239000003814 drug Substances 0.000 description 10
- 229940079593 drug Drugs 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 210000000265 leukocyte Anatomy 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 206010019233 Headaches Diseases 0.000 description 5
- 231100000869 headache Toxicity 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000036528 appetite Effects 0.000 description 4
- 235000019789 appetite Nutrition 0.000 description 4
- 238000004820 blood count Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000007882 Gastritis Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 206010038464 renal hypertension Diseases 0.000 description 2
- 241000721047 Danaus plexippus Species 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 229940110515 cough out Drugs 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种医疗知识图谱的构建方法和装置。其中,该方法包括:获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系;根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度;基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。采用本发明的技术方案,通过样本数据以及从样本数据中获取到的各医疗关键词以及各医疗关键词之间的关联关系,先计算出各医疗关键词之间的关联强度,然后根据各医疗关键词以及关联强度构建医疗知识图谱,不仅能直观反映出各医疗关键词之间的关联,而且能够确定各医疗关键词之间的关联强弱,有利于梳理样本数据中的医疗知识,总结经验,推动医学的发展。
Description
技术领域
本发明实施例涉及计算机应用技术领域,尤其涉及一种医疗知识图谱的构建方法和装置。
背景技术
病历是医务人员对患者疾病的发生、发展、转归,进行检查、诊断、治疗等医学活动过程所作的文字记录。病历既是临床实践工作的总结,又是探索疾病规律及处理医学纠纷的法律依据,是国家的宝贵财富。
在临床医学中,有效整理病历,从中挖掘医生临床经验,对医学进步具有重大意义。在实际诊疗中,由于医务人员本身存在知识储备和临床经验等方面的差异性,往往不同的医务人员针对同一种疾病或者症状的诊断方式以及用药习惯等也不尽相同,而出现有的收效显著有的却见效甚微。而通过组织业内医务人员的进行治疗经验交流,不仅需要大量的人力物力,且不具有实时性和普遍共享性。
因此,如何有效地从病历中整理出医学知识,实现医学知识共享显得尤为重要。
发明内容
本发明提供了一种医疗知识图谱的构建方法和装置,以有效地从样本数据中整理出医学知识,实现医学知识共享。
第一方面,本发明实施例提供了一种医疗知识图谱的构建方法,该方法包括:
获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系;
根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度;
基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
第二方面,本发明实施例还提供了一种医疗知识图谱的构建装置,该装置包括:
医疗关键词获取模块,用于获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系;
关联强度计算模块,用于根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度;
医疗知识图谱构建模块,用于基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
本发明实施例的技术方案,通过样本数据以及从样本数据中获取到的各医疗关键词以及各医疗关键词之间的关联关系,先计算出各医疗关键词之间的关联强度,然后根据各医疗关键词以及关联强度构建医疗知识图谱,通过图谱的形式将样本数据中的医疗知识进行汇集,不仅能直观反映出各医疗关键词之间的关联,而且能够确定各医疗关键词之间的关联强弱,有利于梳理样本数据中的医疗知识,总结样本数据中的医学经验,进而推动医学的发展。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案,下面对描述实施例中所需要用到的附图做一简单介绍。显然,所介绍的附图只是本发明所要描述的一部分实施例的附图,而不是全部的附图,对于本领域普通技术人员,在不付出创造性劳动的前提下,还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种医疗知识图谱的构建方法的流程图;
图2为本发明实施例二所提供的一种医疗知识图谱的构建方法的流程图;
图3为本发明实施例三所提供的一种医疗知识图谱的构建方法的流程图;
图4为本发明实施例四所提供的一种医疗知识图谱的构建方法的流程图;
图5为本发明实施例三所提供的一种医疗知识图谱的构建装置的结构图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一所提供的一种医疗知识图谱的构建方法的流程图。如图1所示,本实施例的方法可以由医疗知识图谱的构建装置来执行,该装置可通过硬件和/或软件的方式实现,并一般可独立的配置在服务器中或者由终端和服务器配合实现本实施例的方法。
本实施例的方法具体包括:
S110、获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系。
示例性地,样本数据可以是医学文献、医学实验报告以及病历等包含医学知识的资源。医疗关键词可以是用于描述医学知识的医学标准术语或者各医学标准术语的同义词、近义词、缩写等。具体地,各医疗关键词至少包括以下四种类型:症状(Symptom)、化验指标和检查标志物(Lab)、诊断(Diagnosis)、治疗(Therapy)等。其中,治疗主要包括药品和手术等。
进一步地,各医疗关键词之间的关联关系具体可包括,症状与其它症状之间的关联关系、症状与诊断之间的关联关系、症状与检查之间的关联关系、症状与治疗之间的关联关系、诊断与其它诊断(并发症)之间的关联关系、诊断与症状之间的关联关系、诊断与检查之间的关联关系、诊断与治疗之间的关联关系、检查与其它检查之间的关联关系、检查与症状之间的关联关系、检查与诊断之间的关联关系、治疗与其它治疗(如多种药品之间产生的相辅或冲突的作用)之间的关联关系、治疗与症状之间的关联关系以及治疗与诊断之间的关联关系等。
可选地,可以请医学专业人士预先人工整理出或者借助人工智能技术整理出各医疗关键词,以及各医疗关键词的各种属性等医学知识,先录入数据库中,然后建立搜索索引,并且把相关知识条目连缀起来,生成医学知识库。即,医学知识库中存储有各医疗关键词以及各医疗关键词之间的关联关系的数据库,将各种医疗关键词及其关联关系,组成网状结构,方便存储和调用。为了便于查询,医学知识库还可以增加智能文字处理与检索功能。其中,医学知识一般有两个来源,医学文献和某一领域专家的临床经验。
医学知识库可以理解为一个由点(Vertex)和边(Edge)组成的初级的医疗知识图谱,其中,点用来描述医疗知识图谱中的各医疗关键词,譬如各种症状、各种器官和组织等;边用来描述各医疗关键词之间的关系,譬如“位于”、“包含”以及“数量”等等。点和边都是预先定义的有限集合。其中,各医疗关键词之间的拓扑关系可以理解为医疗知识图谱的边,用于描述各医疗关键词之间的关联关系。例如,各个器官之间的位置关系以及各种症状的数量关系等。
为了便于对各医疗关键词进行整理,可以将原生态病历转换成结构化病历以后,获取用各标准化医学术语对应的各医疗关键词以及各医疗关键词之间的关联关系。
S120、根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度。
在本实施例中,根据样本数据以及关联关系,计算出各医疗关键词之间的关联强度,具体可以包括:
根据关联关系确定出各医疗关键词的共现样本数据的数量;分别统计出各医疗关键词所在的样本数据,作为各医疗关键词的关联样本数据;基于各医疗关键词的关联样本数据的数量、共现样本数据的数量以及样本数据的总数,计算出各医疗关键词之间的关联强度。
或者,基于各医疗关键词的属性以及从属关系构建至少一个树形结构,其中,树形结构中的各节点为同一属性且具有从属关系的各医疗关键词;根据样本数据、关联关系以及树形结构,计算出各医疗关键词之间的关联强度。
进一步地,具体可根据样本数据以及关联关系,计算出树形结构中的最后一层叶节点与各医疗关键词之间的关联强度;根据最后一层叶节点与各医疗关键词之间的关联强度,计算出树形结构中各个节点与各医疗关键词之间的关联强度。
为了进一步精准描述各医疗关键词之间的关联关系,根据样本数据以及关联关系计算出各医疗关键词之间的关联强度具体还可包括:根据关联关系,确定出各医疗关键词之间的关联方向,其中,关联方向包括正向关联和逆向关联;根据样本数据以及关联方向,分别计算出各医疗关键词之间的正向关联强度和逆向关联强度。
各医疗关键词之间的关联强度,可以用条件概率表述。譬如,可以用P(di|sj)表示出现第j种症状sj时,罹患第i种疾病di的条件概率。反之,P(si|dj)表达的是,罹患第j种疾病dj时,呈现第i种症状si的条件概率。当然,除了症状与疾病之间的条件概率以外,还有各种疾病d与各种药品g之间的关联强度统计,P(gi|dj)和P(di|gj),以及各种药品之间的关联强度统计,P(gi|gj)和P(gj|gi)等。有些药品是经常搭配在一起使用,又称君臣相辅,有些是两两互斥,不能在一起使用。
严格计算各医疗关键词之间的关联强度,即边的权重,也就是点与点之间的条件概率,十分困难。在本发明实施例中,可采用近似计算方法。
如果有若干份样本数据,它们都包含了某一个医疗关键词,譬如某一个症状。这些包含该医疗关键词的样本数据的数量,称为该医疗关键词出现的频度。同时包含某两个医疗关键词的样本数据,譬如某个症状和某个疾病,称为这两个医疗关键词的共现样本数据,TF用来表示各医疗关键词之间的共现样本数据的数量,共现样本数据的数量越多,边的权重越大。各医疗关键词之间的关联强度具体可以采用各医疗关键词之间的共现样本数据的数量在样本数据的总数量中所占的比例表示。
或者,还可以各个医疗关键词的权重确定各医疗关键词之间的关联强度。其中,可根据包含该医疗关键词的样本数据的数量计算出各医疗关键词的权重,例如具体可以是,将样本数据的总数量与包含该医疗关键词的样本数据的数量的比值的对数值作为该医疗关键词的权重。包含该医疗关键词的样本数据的数量越多,该医疗关键词的权重越小。譬如头痛这个症状,在很多样本数据中出现,与很多疾病有关联,说明头痛这个症状,对于诊断的显著性不强。
另外,假设,第一医疗关键词与第二医疗关键词之间存在关联关系,即由第一医疗关键词出发,有一条边连接第二医疗关键词,将该边称为第二医疗关键词的入链。某一个医疗关键词的入链数量越多,说明有很多其它医疗关键词会导致该点的出现,那么该医疗关键词的权重越小。譬如发烧会导致头痛,白细胞计数增高也会导致头痛,说明头痛这个症状,对于诊断的显著性不强。
S130、基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
示例性地,以各医疗关键词为医疗知识图谱的各个点,以各医疗关键词之间的关联关系作为医疗知识图谱的各个边,进而根据各个医疗关键词的关联强度分别为医疗知识图谱的各个边进行加权,构建出医疗知识图谱。
本实施例的技术方案,通过样本数据以及从样本数据中获取到的各医疗关键词以及各医疗关键词之间的关联关系,先计算出各医疗关键词之间的关联强度,然后根据各医疗关键词以及关联强度构建医疗知识图谱,通过图谱的形式将样本数据中的医疗知识进行汇集,不仅能直观反映出各医疗关键词之间的关联,而且能够确定各医疗关键词之间的关联强弱,有利于梳理样本数据中的医疗知识,总结样本数据中的医学经验,进而推动医学的发展。
实施例二
图2为本发明实施例二所提供的一种医疗知识图谱的构建方法的流程图,如图2所示,本实施例在上述实施例的基础上,可选是所述根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度,包括:根据所述关联关系确定出各所述医疗关键词的共现样本数据的数量;分别统计出各医疗关键词所在的样本数据,作为各所述医疗关键词的关联样本数据;基于各所述医疗关键词的所述关联样本数据的数量、所述共现样本数据的数量以及样本数据的总数,计算出各所述医疗关键词之间的关联强度。
具体地,本实施例的方法包括:
S210、获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系。
S220、根据所述关联关系确定出各所述医疗关键词的共现样本数据的数量。
其中,共现样本数据可以理解为,若两个或两个以上的目标医疗关键词共同出现在同一份样本数据中,则将该样本数据称为这两个或两个以上的目标医疗关键词的共现样本数据。假设在同一份样本数据中,既出现了症状词“食欲不振”,也出现了疾病词“胃炎”,与化验指标“白细胞计数超标”,与药品“三九胃泰”,则可以说该样本数据为“食欲不振”与“胃炎”的共现样本数据,也可以说,“食欲不振”与“白细胞计数超标”的共现样本数据,还可以说该样本数据为“食欲不振”与“三九胃泰”的共现样本数据。
可以理解的是,每一份样本数据中都可能会出现多个医疗关键词,若各医疗关键词之间存在关联关系,则可以确定出存在关联关系的各医疗关键词的共现样本数据的数量,可以高效地、有针对性地获取各医疗关键词的共现样本数据的数量。
S230、分别统计出各医疗关键词所在的样本数据,作为各所述医疗关键词的关联样本数据。
与共现样本数据不同,关联样本数据为各医疗关键词所在的样本数据,即包含该医疗关键词的样本数据,与其他医疗关键词无关。具体地,可以基于全部的样本数据进行统计,也可以在统计出该医疗关键词与其他某个医疗关键词的共现样本数据后,在其余的样本数据中继续查询获取包含该医疗关键词的其他样本数据。
S240、基于各所述医疗关键词的所述关联样本数据的数量、所述共现样本数据的数量以及样本数据的总数,计算出各所述医疗关键词之间的关联强度。
具体地,可以根据各医疗关键词的词频TF和逆向文件频率IDF,分别计算出各所述医疗关键词之间的关联强度。示例性地,关联强度可以采用词频TF和逆向文件频率IDF的乘积来表示。其中,词频可以根据第一医疗关键词和第二医疗关键词的共现样本数据的数量与样本数据的总数比值来表示。逆向文件频率IDF可以由各医疗关键词的关联样本数据在样本数据总数所占的比例的倒数取对数得到。
为了更准确地表述各医疗关键词之间的关联关系及关联强弱,可以将各医疗关键词之间的关联方向分为正向关联和逆向关联。其中,正向关联和逆向关联的具体区分方式可以根据需求进行设定。此时需要分别计算出各医疗关键词之间的正向关联强度和逆向关联强度。
S250、基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
需要说明的是,本实施例中S220与S230的执行顺序不分先后,执行顺序可以互换,而且,可以串行执行也可以并行执行。
本实施例的技术方案,通过统计出的各所述医疗关键词的关联样本数据的数量、共现样本数据的数量以及样本数据的总数,计算出各医疗关键词之间的关联强度,不仅实现方式简单,而且能够高效率、高质量地梳理出样本数据中的医疗知识,为医学更好地发展提供依据。
实施例三
图3为本发明实施例三所提供的一种医疗知识图谱的构建方法的流程图,如图3所示,本实施例在上述实施例的基础上,可选是所述根据各所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度,包括:基于各所述医疗关键词的属性以及从属关系构建至少一个树形结构,其中,所述树形结构中的各节点为同一属性且具有从属关系的各所述医疗关键词;根据所述样本数据、所述关联关系以及所述树形结构,计算出各所述医疗关键词之间的关联强度。
具体地,本实施例的方法包括:
S310、获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系。
S320、基于各所述医疗关键词的属性以及从属关系构建至少一个树形结构。
其中,所述树形结构中的各节点为同一属性且具有从属关系的各所述医疗关键词。譬如,“高血压”是一种类型疾病的总称,可以被细分原发性高血压和诱发性高血压,而原发性高血压又包括原发性高血压1型、原发性高血压2型、原发性高血压3型;诱发性高血压有包括肾性高血压等等。此时,可以以高血压作为根节点,原发性高血压和诱发性高血压作为中间节点,原发性高血压1型、原发性高血压2型、原发性高血压3型分别作为原发性高血压的三个子节点,肾性高血压作为诱发性高血压的子节点,构建一个树形结构。
具体地,可根据各医疗关键词的类型确定医疗关键词的属性。比如同一种类型的医疗关键词可以确定为同一属性。由于各医疗关键词的类型可能有多种,且同一类型中的各医疗关键词之间的关系各异,因此,可以根据同一属性且具有从属关系的各医疗关键词建立一个、两个或者多个树形结构。其中,各医疗关键词中是否存在从属关系可以结合现有的医学知识判断,可以采用人工或者人工智能技术从样本数据中整理出来。
可以理解的是,至少一个树形结构可以是一个树形结构,也可以是两个树形结构还可以是多个树形结构。树形结构的具体数量可以根据实际操作中的需求确定,在此并不做限定。
S330、根据所述样本数据、所述关联关系以及所述树形结构,计算出各所述医疗关键词之间的关联强度。
具体地,根据所述样本数据、所述关联关系以及所述树形结构,计算出各所述医疗关键词之间的关联强度,包括:根据所述样本数据以及所述关联关系,计算出所述树形结构中的最后一层叶节点与各所述医疗关键词之间的关联强度;根据所述最后一层叶节点与各所述医疗关键词之间的关联强度,计算出所述树形结构中各个节点与各所述医疗关键词之间的关联强度。具体地,树形结构中的上层叶节点与各医疗关键词之间的关联强度可以通过该上层叶节点的各个子节点与各医疗关键词之间的关联强度求和得到。类似地,根节点与各医疗关键词之间的关联强度可以通过根节点的各个下层子节点与各医疗关键词之间的关联强度求和得到。
在本实施例中,计算出各医疗关键词之间的关联强度也可以是分别计算出各医疗关键词之间的正向关联强度和逆向关联强度。具体地,可以根据各医疗关键词的词频TF和逆向文件频率IDF,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
S340、基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
本实施例的技术方案,通过各医疗关键词的属性以及从属关系构建的树形结构,计算各医疗关键词之间的关联强度,不仅使得各医疗关键词之间的关联关系更加清晰化,而且能够避免对同一类型疾病的重复计算,有效减少计算量,提高效率,更加快速地实现医疗知识图谱的构建。
实施例四
图4为本发明实施例四所提供的一种医疗知识图谱的构建方法的流程图,如图4所示,本实施例在上述实施例的基础上,可选是所述根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度,包括:
根据所述关联关系,确定出各所述医疗关键词之间的关联方向,其中,所述关联方向包括正向关联和逆向关联;
根据所述样本数据以及所述关联方向,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
具体地,本实施例的方法包括:
S410、获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系。
S420、根据所述关联关系,确定出各所述医疗关键词之间的关联方向,其中,所述关联方向包括正向关联和逆向关联。
具体地,我们可以将存在关联关系的各医疗关键词中的任意一个设置为起点,则与之直接关联的其他医疗关键词可以作为终点,即,可以将医疗知识图谱中同一条边上的两个点分别设置为起点和终点既,可以将其中任意一个作为起点,换言之,医疗知识图谱中同一条边上的两个点既可以看作是起点,也可以看作是终点,这两个点之间存在相对关系而并非绝对关系。
譬如,从症状“咳嗽”到疾病“肺炎”,从症状到疾病的有向边,对于症状而言,是正向关联,对于疾病而言,是逆向关联。其中,从咳嗽到肺炎的有向边,用于诊断;从肺炎到咳嗽的有向边,用于医生向患者提问。同样是连接“咳嗽”到“肺炎”的边,从“咳嗽”到“肺炎”的有向边的权重,不等于从“肺炎”到“咳嗽”的有向边的权重。换一种说法,从某个点(譬如,“咳嗽”)的角度看,出边(“咳嗽”→“肺炎”)是正向关联,入边是逆向关联(“咳嗽”←“肺炎”)。当然,也可以从“肺炎”的角度看,来定义正向关联还是逆向关联,具体地方法与从“咳嗽”的角度看类似,在此不再赘述。
S430、根据所述样本数据以及所述关联方向,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
具体地,可先根据各医疗关键词之间的关联关系,确定出各医疗关键词的共现样本数据的数量;然后,分别统计出各医疗关键词所在的样本数据,作为各所述医疗关键词的关联样本数据;最后,基于各医疗关键词的关联样本数据的数量、共现样本数据的数量以及样本数据的总数,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。具体地,可以根据各医疗关键词的词频TF和逆向文件频率IDF,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
具体地,可以通过如下公式计算各医疗关键词之间的正向关联强度:正向关联强度=TF(起点,终点)*IDF(起点);其中,TF(起点,终点)=起点和终点的共现样本数据的数量/样本数据总数N。
如果起点和终点同时出现在同一份样本数据中,则将该样本数据作为该起点和该终点的共现样本数据。譬如,在一份样本数据中,同时出现了“咳嗽”和“肺炎”,那么这一份样本数据就是一份“咳嗽”和“肺炎”的共现样本数据。即便在这份样本数据中,咳嗽出现了4次,肺炎出现了2次,仍然只计为一份共现样本数据。由共现样本数据的含义可知,无论正向关联还是逆向关联,两个点之间的TF的值永远相等。
具体地,IDF可以根据如下公式进行计算:IDF(起点)=1/log(N/n(起点)),其中,N是样本数据总数,n(起点)是包含“起点”的样本数据的数量。
需要说明的是,n(起点)包含“起点”的样本数据的数量,即关联样本数据而并非包含的“起点”的数量。譬如,一个症状词“咳嗽”,它出现在3份样本数据中,其中在第一份样本数据中,咳嗽出现2次;在第二份样本数据中,咳嗽出现12次;在第三份样本数据中,咳嗽出现5次。不管在一份样本数据中,咳嗽出现几次,只计为一次。所以,在这个例子里,起点“咳嗽”的关联样本数据的数量n(咳嗽)为3。
类似地,可以通过如下公式计算各医疗关键词之间的逆向关联强度:逆向关联强度=TF(终点,起点)*IDF(终点)。具体方法步骤可参见上述正向关联强度的计算方法,在此不再赘述。
S440、基于各所述医疗关键词以及所述正向关联强度和逆向关联强度,构建医疗知识图谱。
示例性地,以各医疗关键词为医疗知识图谱的各个点,以各医疗关键词之间的关联关系作为医疗知识图谱的各个边,进而,根据正向关联强度和逆向关联强度分别为医疗知识图谱的各个边进行正向加权和逆向加权,从而构建出医疗知识图谱。
本实施例的技术方案,通过确定出各医疗关键词之间的关联方向为正向关联还是逆向关联,并分别计算出各医疗关键词之间的正向关联强度和逆向关联强度,充分考虑到各医疗关键词之间的相互影响程度,能够更加准确地反映出各医疗关键词之间的关联强弱,有效结合了医学知识的特殊性,满足了医学知识严谨性和智能化等个性化要求。
需要说明的是,本发明实施例中各实施例中的技术方案,可以单独使用也可以任意组合使用,不仅限于实施例列举的技术方案。例如可以将实施例二、实施例三以及实例四中的任意两个或者全部方案组合使用。
作为适用于本发明的医疗图谱的构建方法的一优选实例,具体可以包括:
将从样本数据中获取到的各医疗关键词作为医疗知识图谱的各个点,将各个医疗关键词之间存在的关联关系作为医疗知识图谱的各个边,采用计算出的边的权重来表示各个医疗关键词之间存在的关联关系的关联强弱。
本发明采用近似计算方法计算边的权重,具体可以是,获取存在关联关系的各医疗关键词,然后,确定出各医疗关键词之间的关联方向,例如,可以将各个边的两个端点中的任意一个设为起点,另一个作为终点,将起点到终点的方向记为正向,反之,将终点到起点的方向记为逆向,即出边的方向永远为正向(起点→终点),入边的方向永远为逆向(终点→起点),然后确定出存在关联关系的各所述医疗关键词之间的关联方向为正向关联还是逆向关联,并分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
其中,正向关联强度=TF(起点,终点)*IDF(起点),进一步地,TF(起点,终点)=起点和终点的共现样本数据的数量/样本数据的总数N;IDF(起点)=1/log(N/n(起点)),式中N为样本数据的总数,n(起点)是包含“起点”的样本数据的数量。类似地,逆向关联强度=TF(终点,起点)*IDF(终点)。无论正向关联还是逆向关联,两个点之间的TF值永远相等。
另外,还可以给知识图谱添加树形结构。在树形结构中,只需要计算出最后一级子节点与其他各医疗关键词的关联强度,则可以通过最后一级子节点与其他各医疗关键词的关联强度计算出各个节点与其他各医疗关键词的关联强度,其中,上层叶节点的TF*IDF=各个子节点的总和,即:上层叶节点的TF*IDF=SUM(TF_{i}*IDF_{i})。
最后,根据各个点、各个边以及各个边的权重,构建出医疗知识图谱。
可以理解的是,随着医学检验、医学影像、临床诊断以及康复治疗等医学技术的不断发展,医学知识也会不断的充实,为了充分发挥医学知识库的作用,可以不断地基于增加的样本数据,更新医疗知识图谱。
实施例五
图5为本发明实施例五所提供的一种医疗知识图谱的构建装置的结构图。该装置可通过硬件和/或软件的方式实现,并一般可独立的配置在服务器中或者由终端和服务器配合实现本实施例的方法。如图5所示,本实施例的医疗知识图谱的构建装置包括:医疗关键词获取模块510、关联强度计算模块520和医疗知识图谱构建模块530。
其中,医疗关键词获取模块510,用于获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系;关联强度计算模块520,用于根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度;医疗知识图谱构建模块530,用于基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
本实施例的技术方案,通过样本数据以及从样本数据中获取到的各医疗关键词以及各医疗关键词之间的关联关系,先计算出各医疗关键词之间的关联强度,然后根据各医疗关键词以及关联强度构建医疗知识图谱,通过图谱的形式将样本数据中的医疗知识进行汇集,不仅能直观反映出各医疗关键词之间的关联,而且能够确定各医疗关键词之间的关联强弱,有利于梳理样本数据中的医疗知识,总结样本数据中的医学经验,进而推动医学的发展。
在上述技术方案的基础上,所述关联强度计算模块可包括:树形结构构建单元和关联强度计算单元。
其中,树形结构构建单元,用于基于各所述医疗关键词的属性以及从属关系构建至少一个树形结构,其中,所述树形结构中的各节点为同一属性且具有从属关系的各所述医疗关键词;关联强度计算单元,用于根据所述样本数据、所述关联关系以及所述树形结构,计算出各所述医疗关键词之间的关联强度。
在上述各技术方案的基础上,所述关联强度计算单元可用于:
根据所述样本数据以及所述关联关系,计算出所述树形结构中的最后一层叶节点与各所述医疗关键词之间的关联强度;
根据所述最后一层叶节点与各所述医疗关键词之间的关联强度,计算出所述树形结构中各个节点与各所述医疗关键词之间的关联强度。
在上述各技术方案的基础上,所述关联强度计算模块可用于:
根据所述关联关系,确定出各所述医疗关键词之间的关联方向,其中,所述关联方向包括正向关联和逆向关联;
根据所述样本数据以及所述关联方向,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
在上述各技术方案的基础上,所述关联强度计算模块具体还可用于:
根据所述关联关系确定出各所述医疗关键词的共现样本数据的数量;
分别统计出各医疗关键词所在的样本数据,作为各所述医疗关键词的关联样本数据;
基于各所述医疗关键词的所述关联样本数据的数量、所述共现样本数据的数量以及样本数据的总数,计算出各所述医疗关键词之间的关联强度。
上述装置可执行本发明任意实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种医疗知识图谱的构建方法,其特征在于,包括:
获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系;
根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度;
基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度,包括:
基于各所述医疗关键词的属性以及从属关系构建至少一个树形结构,其中,所述树形结构中的各节点为同一属性且具有从属关系的各所述医疗关键词;
根据所述样本数据、所述关联关系以及所述树形结构,计算出各所述医疗关键词之间的关联强度。
3.根据权利要求2所述的方法,其特征在于,所述根据所述样本数据、所述关联关系以及所述树形结构,计算出各所述医疗关键词之间的关联强度,包括:
根据所述样本数据以及所述关联关系,计算出所述树形结构中的最后一层叶节点与各所述医疗关键词之间的关联强度;
根据所述最后一层叶节点与各所述医疗关键词之间的关联强度,计算出所述树形结构中各个节点与各所述医疗关键词之间的关联强度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度,包括:
根据所述关联关系,确定出各所述医疗关键词之间的关联方向,其中,所述关联方向包括正向关联和逆向关联;
根据所述样本数据以及所述关联方向,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
5.根据权利要求1所述的方法,其特征在于,所述根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度,包括:
根据所述关联关系确定出各所述医疗关键词的共现样本数据的数量;
分别统计出各医疗关键词所在的样本数据,作为各所述医疗关键词的关联样本数据;
基于各所述医疗关键词的所述关联样本数据的数量、所述共现样本数据的数量以及样本数据的总数,计算出各所述医疗关键词之间的关联强度。
6.一种医疗知识图谱的构建装置,其特征在于,包括:
医疗关键词获取模块,用于获取样本数据中的各医疗关键词以及各所述医疗关键词之间的关联关系;
关联强度计算模块,用于根据所述样本数据以及所述关联关系,计算出各所述医疗关键词之间的关联强度;
医疗知识图谱构建模块,用于基于各所述医疗关键词以及所述关联强度,构建医疗知识图谱。
7.根据权利要求6所述的装置,其特征在于,所述关联强度计算模块包括:
树形结构构建单元,用于基于各所述医疗关键词的属性以及从属关系构建至少一个树形结构,其中,所述树形结构中的各节点为同一属性且具有从属关系的各所述医疗关键词;
关联强度计算单元,用于根据所述样本数据、所述关联关系以及所述树形结构,计算出各所述医疗关键词之间的关联强度。
8.根据权利要求7所述的装置,其特征在于,所述关联强度计算单元用于:
根据所述样本数据以及所述关联关系,计算出所述树形结构中的最后一层叶节点与各所述医疗关键词之间的关联强度;
根据所述最后一层叶节点与各所述医疗关键词之间的关联强度,计算出所述树形结构中各个节点与各所述医疗关键词之间的关联强度。
9.根据权利要求6所述的装置,其特征在于,所述关联强度计算模块用于:
根据所述关联关系,确定出各所述医疗关键词之间的关联方向,其中,所述关联方向包括正向关联和逆向关联;
根据所述样本数据以及所述关联方向,分别计算出各所述医疗关键词之间的正向关联强度和逆向关联强度。
10.根据权利要求6所述的装置,其特征在于,所述关联强度计算模块具体用于:
根据所述关联关系确定出各所述医疗关键词的共现样本数据的数量;
分别统计出各医疗关键词所在的样本数据,作为各所述医疗关键词的关联样本数据;
基于各所述医疗关键词的所述关联样本数据的数量、所述共现样本数据的数量以及样本数据的总数,计算出各所述医疗关键词之间的关联强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710174487.9A CN106874695B (zh) | 2017-03-22 | 2017-03-22 | 医疗知识图谱的构建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710174487.9A CN106874695B (zh) | 2017-03-22 | 2017-03-22 | 医疗知识图谱的构建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874695A true CN106874695A (zh) | 2017-06-20 |
CN106874695B CN106874695B (zh) | 2019-10-25 |
Family
ID=59172701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710174487.9A Expired - Fee Related CN106874695B (zh) | 2017-03-22 | 2017-03-22 | 医疗知识图谱的构建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874695B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107357924A (zh) * | 2017-07-25 | 2017-11-17 | 为朔医学数据科技(北京)有限公司 | 一种精准医学知识图谱构建方法和装置 |
CN107562854A (zh) * | 2017-08-28 | 2018-01-09 | 云南大学 | 一种定量分析党建数据的建模方法 |
CN107887036A (zh) * | 2017-11-09 | 2018-04-06 | 北京纽伦智能科技有限公司 | 临床决策辅助***的构建方法、装置及临床决策辅助*** |
CN108182973A (zh) * | 2017-12-29 | 2018-06-19 | 湖南大学 | 一种基于知识图谱推理的智能诊断技术 |
CN108563773A (zh) * | 2018-04-20 | 2018-09-21 | 武汉工程大学 | 基于知识图谱的法律条文精准搜索排序方法 |
CN108565019A (zh) * | 2018-04-13 | 2018-09-21 | 合肥工业大学 | 多学科适用的临床检查组合推荐方法及装置 |
CN108763333A (zh) * | 2018-05-11 | 2018-11-06 | 北京航空航天大学 | 一种基于社会媒体的事件图谱构建方法 |
CN108986871A (zh) * | 2018-08-27 | 2018-12-11 | 东北大学 | 一种智慧医疗知识图谱的构建方法 |
CN109065173A (zh) * | 2018-07-10 | 2018-12-21 | 北京科技大学 | 知识路径的获取方法 |
WO2019000920A1 (zh) * | 2017-06-28 | 2019-01-03 | 京东方科技集团股份有限公司 | 一种推理规则自动发现方法及***、数据库及检索方法 |
CN109272378A (zh) * | 2018-08-23 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险群组的发现方法和装置 |
CN109446342A (zh) * | 2018-10-30 | 2019-03-08 | 沈阳师范大学 | 一种基于赫希曼指数的中小学教育知识图谱分析方法及*** |
CN109670054A (zh) * | 2018-12-26 | 2019-04-23 | 医渡云(北京)技术有限公司 | 知识图谱构建方法、装置、存储介质及电子设备 |
CN109739992A (zh) * | 2018-11-26 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种获取关联信息的方法及终端 |
CN110019826A (zh) * | 2017-07-27 | 2019-07-16 | 北大医疗信息技术有限公司 | 医疗知识图谱的构建方法、构建装置、设备和存储介质 |
CN110136793A (zh) * | 2019-05-23 | 2019-08-16 | 平顶山学院 | 一种社区健康医疗服务管理*** |
CN111180024A (zh) * | 2019-12-13 | 2020-05-19 | 平安医疗健康管理股份有限公司 | 基于词频逆文档频率的数据处理方法、装置和计算机设备 |
CN111831833A (zh) * | 2020-07-27 | 2020-10-27 | 人民卫生电子音像出版社有限公司 | 知识图谱的构建方法及装置 |
CN111861185A (zh) * | 2020-07-14 | 2020-10-30 | 中国人民解放军军事科学院战争研究院 | 一种基于任务树的任务智能推荐方法及装置 |
CN113434626A (zh) * | 2021-08-27 | 2021-09-24 | 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*** |
CN114842982A (zh) * | 2022-07-06 | 2022-08-02 | 广东省科技基础条件平台中心 | 一种面向医疗信息***的知识表达方法、装置及*** |
CN116313118A (zh) * | 2022-06-07 | 2023-06-23 | 拉萨卓友峰科技有限公司 | 应用于医疗数据处理的知识图谱构建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106232A (zh) * | 2011-10-11 | 2013-05-15 | 铭传大学 | 制作知识地图的方法 |
CN103744846A (zh) * | 2013-08-13 | 2014-04-23 | 北京航空航天大学 | 一种多维度动态局部知识地图及其构建方法 |
US20140337306A1 (en) * | 2012-01-05 | 2014-11-13 | Ruggero Gramatica | Information network with linked information nodes |
CN105447104A (zh) * | 2015-11-12 | 2016-03-30 | 中国建设银行股份有限公司 | 一种知识地图生成方法及装置 |
CN105488160A (zh) * | 2015-11-30 | 2016-04-13 | 北大方正集团有限公司 | 一种图片挂接方法及装置、知识图谱的制作方法 |
US20160132648A1 (en) * | 2014-11-06 | 2016-05-12 | ezDI, LLC | Data Processing System and Method for Computer-Assisted Coding of Natural Language Medical Text |
-
2017
- 2017-03-22 CN CN201710174487.9A patent/CN106874695B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106232A (zh) * | 2011-10-11 | 2013-05-15 | 铭传大学 | 制作知识地图的方法 |
US20140337306A1 (en) * | 2012-01-05 | 2014-11-13 | Ruggero Gramatica | Information network with linked information nodes |
CN103744846A (zh) * | 2013-08-13 | 2014-04-23 | 北京航空航天大学 | 一种多维度动态局部知识地图及其构建方法 |
US20160132648A1 (en) * | 2014-11-06 | 2016-05-12 | ezDI, LLC | Data Processing System and Method for Computer-Assisted Coding of Natural Language Medical Text |
CN105447104A (zh) * | 2015-11-12 | 2016-03-30 | 中国建设银行股份有限公司 | 一种知识地图生成方法及装置 |
CN105488160A (zh) * | 2015-11-30 | 2016-04-13 | 北大方正集团有限公司 | 一种图片挂接方法及装置、知识图谱的制作方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019000920A1 (zh) * | 2017-06-28 | 2019-01-03 | 京东方科技集团股份有限公司 | 一种推理规则自动发现方法及***、数据库及检索方法 |
US11216475B2 (en) | 2017-06-28 | 2022-01-04 | Boe Technology Group Co., Ltd. | Method and system for automatically discovering inference rule, database and retrieval method |
CN109147953A (zh) * | 2017-06-28 | 2019-01-04 | 京东方科技集团股份有限公司 | 一种推理规则自动发现方法及*** |
CN107357924A (zh) * | 2017-07-25 | 2017-11-17 | 为朔医学数据科技(北京)有限公司 | 一种精准医学知识图谱构建方法和装置 |
CN107357924B (zh) * | 2017-07-25 | 2020-04-24 | 为朔医学数据科技(北京)有限公司 | 一种精准医学知识图谱构建方法和装置 |
CN110019826B (zh) * | 2017-07-27 | 2023-02-28 | 北大医疗信息技术有限公司 | 医疗知识图谱的构建方法、构建装置、设备和存储介质 |
CN110019826A (zh) * | 2017-07-27 | 2019-07-16 | 北大医疗信息技术有限公司 | 医疗知识图谱的构建方法、构建装置、设备和存储介质 |
CN107562854B (zh) * | 2017-08-28 | 2020-09-22 | 云南大学 | 一种定量分析党建数据的建模方法 |
CN107562854A (zh) * | 2017-08-28 | 2018-01-09 | 云南大学 | 一种定量分析党建数据的建模方法 |
CN107887036A (zh) * | 2017-11-09 | 2018-04-06 | 北京纽伦智能科技有限公司 | 临床决策辅助***的构建方法、装置及临床决策辅助*** |
CN108182973A (zh) * | 2017-12-29 | 2018-06-19 | 湖南大学 | 一种基于知识图谱推理的智能诊断技术 |
CN108565019A (zh) * | 2018-04-13 | 2018-09-21 | 合肥工业大学 | 多学科适用的临床检查组合推荐方法及装置 |
CN108563773B (zh) * | 2018-04-20 | 2021-03-30 | 武汉工程大学 | 基于知识图谱的法律条文精准搜索排序方法 |
CN108563773A (zh) * | 2018-04-20 | 2018-09-21 | 武汉工程大学 | 基于知识图谱的法律条文精准搜索排序方法 |
CN108763333A (zh) * | 2018-05-11 | 2018-11-06 | 北京航空航天大学 | 一种基于社会媒体的事件图谱构建方法 |
CN108763333B (zh) * | 2018-05-11 | 2022-05-17 | 北京航空航天大学 | 一种基于社会媒体的事件图谱构建方法 |
CN109065173A (zh) * | 2018-07-10 | 2018-12-21 | 北京科技大学 | 知识路径的获取方法 |
CN109065173B (zh) * | 2018-07-10 | 2022-04-19 | 北京科技大学 | 知识路径的获取方法 |
CN109272378A (zh) * | 2018-08-23 | 2019-01-25 | 阿里巴巴集团控股有限公司 | 一种风险群组的发现方法和装置 |
CN108986871A (zh) * | 2018-08-27 | 2018-12-11 | 东北大学 | 一种智慧医疗知识图谱的构建方法 |
CN109446342A (zh) * | 2018-10-30 | 2019-03-08 | 沈阳师范大学 | 一种基于赫希曼指数的中小学教育知识图谱分析方法及*** |
CN109739992A (zh) * | 2018-11-26 | 2019-05-10 | 厦门市美亚柏科信息股份有限公司 | 一种获取关联信息的方法及终端 |
WO2020107929A1 (zh) * | 2018-11-26 | 2020-06-04 | 厦门市美亚柏科信息股份有限公司 | 一种获取关联信息的方法及终端 |
CN109670054A (zh) * | 2018-12-26 | 2019-04-23 | 医渡云(北京)技术有限公司 | 知识图谱构建方法、装置、存储介质及电子设备 |
CN110136793A (zh) * | 2019-05-23 | 2019-08-16 | 平顶山学院 | 一种社区健康医疗服务管理*** |
CN111180024A (zh) * | 2019-12-13 | 2020-05-19 | 平安医疗健康管理股份有限公司 | 基于词频逆文档频率的数据处理方法、装置和计算机设备 |
CN111861185A (zh) * | 2020-07-14 | 2020-10-30 | 中国人民解放军军事科学院战争研究院 | 一种基于任务树的任务智能推荐方法及装置 |
CN111831833A (zh) * | 2020-07-27 | 2020-10-27 | 人民卫生电子音像出版社有限公司 | 知识图谱的构建方法及装置 |
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*** |
CN113434626A (zh) * | 2021-08-27 | 2021-09-24 | 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*** |
CN116313118A (zh) * | 2022-06-07 | 2023-06-23 | 拉萨卓友峰科技有限公司 | 应用于医疗数据处理的知识图谱构建方法 |
CN116313118B (zh) * | 2022-06-07 | 2023-11-14 | 拉萨卓友峰科技有限公司 | 应用于医疗数据处理的知识图谱构建方法 |
CN114842982A (zh) * | 2022-07-06 | 2022-08-02 | 广东省科技基础条件平台中心 | 一种面向医疗信息***的知识表达方法、装置及*** |
CN114842982B (zh) * | 2022-07-06 | 2022-09-23 | 广东省科技基础条件平台中心 | 一种面向医疗信息***的知识表达方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN106874695B (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874695B (zh) | 医疗知识图谱的构建方法和装置 | |
CN111370127B (zh) | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持*** | |
Karacı | VGGCOV19-NET: automatic detection of COVID-19 cases from X-ray images using modified VGG19 CNN architecture and YOLO algorithm | |
Zhang et al. | A hybrid similarity measure method for patent portfolio analysis | |
Chen | A novel VIKOR method with an application to multiple criteria decision analysis for hospital-based post-acute care within a highly complex uncertain environment | |
Hamdi et al. | TaxoMap alignment and refinement modules: Results for OAEI 2010 | |
Craven et al. | Efficient argumentation for medical decision-making | |
CN113779996B (zh) | 基于BiLSTM模型的标准实体文本确定方法、装置及存储介质 | |
CN107133454A (zh) | 用于对医疗数据集进行搜索和统计的方法、***和计算机可读存储介质 | |
Momena et al. | Prediagnosis of disease based on symptoms by generalized dual hesitant hexagonal fuzzy multi-criteria decision-making techniques | |
CN107491992A (zh) | 一种基于云计算的智能服务推荐算法 | |
Hurley et al. | Ontology engineering to model clinical pathways: Towards the computerization and execution of clinical pathways | |
Oğuz et al. | Determination of Covid-19 possible cases by using deep learning techniques | |
Chakravorti et al. | Detection and classification of COVID 19 using convolutional neural network from chest X-ray images | |
Li et al. | Patient similarity via medical attributed heterogeneous graph convolutional network | |
CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
Gao et al. | An equine disease diagnosis expert system based on improved reasoning of evidence credibility | |
Miñarro-Giménez et al. | Building SNOMED CT post-coordinated expressions from annotation groups | |
Li et al. | A knowledge-based system for disaster emergency relief | |
Tang et al. | An inference model of medical insurance fraud detection: Based on ontology and SWRL | |
JP2021056978A (ja) | 特許情報調査システム | |
Chen et al. | Study on the methodology of developing evidence-based clinical practice guidelines of chinese medicine | |
Zhu et al. | Research on data mining of college students’ physical health for physical education reform | |
Patil et al. | Predicting burn patient survivability using decision tree in weka environment | |
Permanasari et al. | A web-based decision support system of patient time prediction using iterative dichotomiser 3 algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191025 |