CN112466462B - 一种基于图深度学习的emr信息关联及演化方法 - Google Patents

一种基于图深度学习的emr信息关联及演化方法 Download PDF

Info

Publication number
CN112466462B
CN112466462B CN202011353177.1A CN202011353177A CN112466462B CN 112466462 B CN112466462 B CN 112466462B CN 202011353177 A CN202011353177 A CN 202011353177A CN 112466462 B CN112466462 B CN 112466462B
Authority
CN
China
Prior art keywords
emr
deep learning
map
data
image
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
Application number
CN202011353177.1A
Other languages
English (en)
Other versions
CN112466462A (zh
Inventor
王华珍
刘晓聪
何霆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaqiao University
Original Assignee
Huaqiao University
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 Huaqiao University filed Critical Huaqiao University
Priority to CN202011353177.1A priority Critical patent/CN112466462B/zh
Publication of CN112466462A publication Critical patent/CN112466462A/zh
Application granted granted Critical
Publication of CN112466462B publication Critical patent/CN112466462B/zh
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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • 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
    • G06N3/08—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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开一种基于图深度学习的EMR信息关联及演化方法，包括如下步骤：EMR数据预处理：获取EMR数据集，得到EMR的实体词典；EMR图构建：实体词典中的词转换为向量表示，并得到EMR图的向量矩阵以及EMR图的邻接矩阵，组合构成EMR图；EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集，从而进一步获得图深度学习模型F；EMR信息关联及演化：将任意一条EMR数据，喂入图深度学习模型F，构建EMR图的演化序列。本发明提出一种基于图深度学习的EMR信息关联及其演化方法，采用图深度学习方法对电子病历数据进行建模，利用网络关系图可视化技术展示电子病历结构信息的演化过程，实现知识发现和可解释深度学习。

Description

一种基于图深度学习的EMR信息关联及演化方法
技术领域
本发明涉及自然语言处理与深度学习领域，特别是指一种基于图深度学习的EMR信息关联及演化方法。
背景技术
临床文本蕴含着丰富的健康医疗信息，以电子病历(Electronic MedicalRecord,EMR)为代表的临床文本是医疗活动过程中产生的一种重要信息资源。电子病历分为门诊电子病历和住院电子病历，包含有社会人口学信息、主诉、现病史、检查记录、疾病诊断等。可见，电子病历是医疗知识高度密集的多源异构数据集合，包含了丰富的实体，如：症状、疾病、检查等，这些实体之间常常隐藏着某种医学关系。目前，电子病历的有效建模已成为学术界和工业界的一个重要课题。已有研究表明，利用电子病历数据进行机器学习可实现疾病诊断、药物推荐、治疗方案推荐、风险预测等智能化临床应用。但是电子病历大多以非结构化文本的形式存储，导致病历的应用效率低、阻碍医疗信息化程度，临床工作者也无法清晰地获取病人病情的结构化关联信息和医学知识。如何从海量的电子病历数据中发现临床知识是健康医疗领域面临的挑战,也是提高医学科研效率以及寻求临床诊断可靠证据的重要途径。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于图深度学习的EMR信息关联及其演化方法，采用图深度学习方法对电子病历数据进行建模，利用网络关系图可视化技术展示电子病历结构信息的演化过程，实现知识发现和可解释深度学习。
本发明采用如下技术方案：
一种基于图深度学习的EMR信息关联及演化方法，其特征在于，包括如下步骤：
EMR数据预处理：获取EMR数据集，对获取的EMR数据进行预处理，得到EMR的实体词典；
EMR图构建：利用word2vec方法将实体词典中的词转换为向量表示，得到对应EMR数据的EMR图的向量矩阵；选取实体词典的实体词作为EMR图的节点，实体词典中实体词的数量为EMR图节点个数最大值V_num，通过计算任意两个图节点的条件概率，获取EMR图的邻接矩阵并进行归一化，得到EMR图的邻接矩阵；所述EMR图的向量矩阵和EMR图的邻接矩阵构成EMR图；其中，针对EMR图中任意两个节点vi和vj,(i,j＝1,2,..,V_num,且i≠j)，vj到vi的边权值为P(vi|vj)，即vi在vj出现的条件下出现的概率，计算公式为：
Figure BDA0002801872960000021
EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集T＝{Gi,i＝1,2,…,n},其中Gi＝(Qi,Ai)为第i份电子病历数据，n为电子病历数据的数量，Qi＝{q_vecoteri,i＝1,2,…,V_num}为EMR图Gi的向量矩阵，V_num为EMR图节点个数最大值，Ai,i＝1,2,…,n为EMR图Gi的邻接矩阵；利用图神经网络transformer进行EMR图深度学习，将邻接矩阵Ai作为图神经网络transformer的第一个自注意力模块block1的初始化矩阵M1，即Ai＝M1；采用图数据集T作为图神经网络transformer模型的输入数据，将EMR的初步诊断作为图神经网络transformer模型的输出数据,对transformer模型进行训练，从而获得图深度学习模型F；
EMR信息关联及演化：将任意一条EMR图数据，将其喂入图深度学习模型F，通过模型F的第二个及其以上的自注意力模块blocki,(i＝2,…,m)中的注意力矩阵来构建一系列的EMR图G的邻接矩阵M2,…,Mm，其中，M2,…,Mm是由基于条件概率的邻接矩阵M1经过图深度学习得到的邻接矩阵的演化；汇集M1,M2,…,Mm构建EMR图的演化序列M＝{Mi,i＝1,2,…,m}。
具体地，所述获取EMR数据集，包括社会人口学信息、主诉等医疗文本、体格检查、实验室检查及其结果和疾病诊断。
具体地，所述对获取的EMR数据进行预处理，包括分词、实体抽取。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
利用EMR的图结构信息进行表示学习，可以挖掘到电子病历数据所包含的大量的医学知识的关联信息及其演化规律。一方面，图结构的电子病历数据可以产生有价值的信息和知识，为医生提供临床决策支持。另一方面，利用图数据的演化可视化技术可展示电子病历信息的关联变化过程，使深度学习具有可解释性，从而更好地服务于医学人工智能的实际应用。
附图说明
附图1是本发明基于图深度学习的EMR信息关联及其演化方法流程图；
附图2是中文儿科门诊电子病历数据示例图；
附图3是EMR图深度学习模型图；
附图4是EMR图结构信息输入的示意图；
附图5是EMR图结构信息演化的示意图；
附图6是EMR图结构信息输出的示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
图是一种自然且直观展示客体关联的表示方法，是我们生产生活中最为常见的一种信息载体和形式。基于图的表示学习研究旨在更好地分析复杂信息网络中的节点间的联系及其演化过程。EMR图的构建可以基于电子病历客观的数据存储的关联信息，或基于多层次多角度的统计信息。基于图表示的方法可以高效地学习到电子病历文本的潜在的结构信息，以及数据富含的语义关系。研究表明，利用电子病历文本数据的图结构信息可以获得高质量的向量表示，显著提高下游任务的性能。基于此，本发明提出了基于图深度学习的EMR信息关联及演化方法。
参见图1，本发明的基于图深度学习的EMR信息关联及演化方法，包括以下步骤：(1)EMR数据预处理；(2)EMR图构建；(3)EMR图深度学习模型构建；(4)EMR信息关联及演化。
具体为EMR数据预处理：获取EMR数据集，包括社会人口学信息、主诉等医疗文本、体格检查、实验室检查及其结果和疾病诊断；对获取的EMR数据进行预处理，包括分词、实体抽取，得到EMR的实体词典；
EMR图构建：利用word2vec方法将实体词典中的词转换为向量表示，得到对应EMR数据的EMR图的向量矩阵；选取实体词典的实体词作为EMR图的节点，实体词典中实体词的数量为EMR图节点个数最大值，通过计算任意两个图节点的条件概率，获取EMR图的邻接矩阵并进行归一化，得到EMR图的邻接矩阵；所述EMR图的向量矩阵和EMR图的邻接矩阵构成EMR图；其中，针对EMR图中任意两个节点vi和vj,(i,j＝1,2,..,V_num,且i≠j)，vj到vi的边权值为P(vi|vj)，即vi在vj出现的条件下出现的概率，计算公式为：
Figure BDA0002801872960000041
EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集T＝{Gi,i＝1,2,…,n},其中Gi＝(Qi,Ai)为第i份电子病历数据，n为电子病历数据的数量，Qi＝{q_vecoteri,i＝1,2,…,V_num}为EMR图Gi的向量矩阵，V_num为EMR图节点个数最大值Ai,i＝1,2,…,n为EMR图Gi的邻接矩阵；利用图神经网络transformer进行EMR图深度学习，将邻接矩阵Ai作为图神经网络transformer的第一个自注意力模块block1的初始化矩阵M1，即Ai＝M1；采用图数据集T作为图神经网络transformer模型的输入数据，将EMR的初步诊断作为图神经网络transformer模型的输出数据,对transformer模型进行训练，从而获得图深度学习模型F；
EMR信息关联及演化：将任意一条EMR图数据，将其喂入图深度学习模型F，通过模型F的第二个及其以上的自注意力模块blocki,(i＝2,…,m)中的注意力矩阵来构建一系列的EMR图G的邻接矩阵M2,…,Mm，其中，M2,…,Mm是由基于条件概率的邻接矩阵M1经过图深度学习得到的邻接矩阵的演化；汇集M1,M2,…,Mm构建EMR图的演化序列M＝{Mi,i＝1,2,…,m}。
以来自某三甲医院的电子病历为例，图2为一份真实的中文儿科门诊电子病历数据示例，该病历数据包括患者基本信息、主诉、现病史、既往史、家族史、体格检查、辅助检查结果和初步诊断，且其中存在着大量的医学专业术语。
本发明实施例的具体步骤如下：
步骤一：EMR数据预处理。
首先，需要对电子病历数据进行准确的分词，其质量影响文本挖掘的效果。在分词阶段，本发明结合自定义的医学词典采用结巴分词工具对电子病历文本进行分词。在实体抽取阶段，从分词后的结果中进一步抽取有意义的实体，最终将每份非结构化的电子病历数据转换为结构化的实体词列表。通过以上操作可获得所有电子病历数据的词典Dict，规模为12310。进一步利用word2vec方法为每一个实体词q∈Dict生成一个128维的词向量表达q_vector。
步骤二：EMR图构建。
选取每份电子病历数据的实体词q∈Dict作为EMR图G的节点v，且电子病历的节点个数最大值V_num为150。计算任意两个图节点vi和vj,(i,j＝1,2,..,150,且i≠j)的条件概率，获取EMR图G的邻接矩阵并进行归一化得到A150*150。最终完成EMR图的构建G＝(Q,A)，其中Q为节点的向量表示，A为节点的邻接矩阵。
步骤三：EMR图深度学习模型构建。
EMR图深度学习模型图参见图3。首先，将电子病历的图数据，即节点向量Q和邻接矩阵A作为图神经网络transformer模型的输入数据，并且邻接矩阵A作为图神经网络transformer模型自注意力模块block1的初始化矩阵M1。将电子病历的初步诊断作为图神经网络transformer模型的输出数据。本实例使用144,170条真实有效的电子病历图数据集T进行transformer模型的训练获得图深度学习模型F。
步骤四：EMR信息关联及演化。
将任意一条电子病历数据喂入已经训练好的EMR图深度学习模型F，提取模型F的第二个及其以上的自注意力模块blocki,(i＝2,…,m)的注意力矩阵来构建一系列的EMR图G的邻接矩阵M2,…,Mm，其中，M2,…,Mm是由基于条件概率的邻接矩阵M1经过图深度学习得到的邻接矩阵的演化。汇集M1,M2,…,Mm构建EMR图G的演化序列M＝{Mi,i＝1,2,…,m}。在本实例中，m＝3。图4、图5、图6展示了初步诊断为“普通感冒”的一条EMR数据基于图深度学习的结构化信息关联与演化，其中，图的边权值的展示阈值设置为0.054。
图4展示的是基于条件概率获得的该条电子病历的图数据，由条件概率计算得到的图数据是全连接的。图5展示的是该电子病历图数据在图深度学***软”等。图6是该电子病历图数据在图深度学习后最终的信息关联及演化结果，展示了这条电子病历的关键信息为：患者“性别”为“男”，具有“糖尿病”、“高热惊厥”病史，且通过“体格检查”、“口腔”、“包块”、“无啰音”、“正常”、“腹部”、“家族史”等判断出患者目前病情状态“一般”，但具有“无肿大-发热”等症状。
至此，基于图深度学习的EMR信息关联及其演化方法全部结束。不难发现，本发明通过对非结构化的电子病历数据进行自然语言处理，并基于电子病历数据客观的数据统计信息，构建EMR图数据。通过图深度学习方法实现知识发现和可解释深度学习，为医生提供临床决策支持，从而更好地服务于医学人工智能的实际应用。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (3)

1.一种基于图深度学习的EMR信息关联及演化方法，其特征在于，包括如下步骤：
EMR数据预处理：获取EMR数据集，对获取的EMR数据进行预处理，得到EMR的实体词典；
EMR图构建：利用word2vec方法将实体词典中的词转换为向量表示，得到对应EMR数据的EMR图的向量矩阵；选取实体词典的实体词作为EMR图的节点，实体词典中实体词的数量为EMR图节点个数最大值V_num，通过计算任意两个图节点的条件概率，获取EMR图的邻接矩阵并进行归一化，得到归一化后的EMR图的邻接矩阵；所述EMR图的向量矩阵和归一化后的EMR图的邻接矩阵构成EMR图；其中，针对EMR图中任意两个节点vi和vj,i,j＝1,2,..,V_num,且i≠j，vj到vi的边权值为P(vi|vj)，即vi在vj出现的条件下出现的概率，计算公式为：
Figure FDA0003941492580000011
EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集T＝{Gi,i＝1,2,…,n},其中Gi＝(Qi,Ai)为第i份电子病历数据，n为电子病历数据的数量，Qi＝{q_vecoteri,i＝1,2,…,V_num}为EMR图Gi的向量矩阵，Ai,i＝1,2,…,n为EMR图Gi的邻接矩阵；利用图神经网络transformer模型进行EMR图深度学习，将邻接矩阵Ai作为图神经网络transformer模型的第一个自注意力模块block1的初始化矩阵M1，即Ai＝M1；采用图数据集T作为图神经网络transformer模型的输入数据，将EMR的初步诊断作为图神经网络transformer模型的输出数据,对transformer模型进行训练，从而获得图深度学习模型F；
EMR信息关联及演化：将任意一条EMR图数据，将其喂入图深度学习模型F，通过模型F的第二个及其以上的自注意力模块blocki,中的注意力矩阵来构建一系列的EMR图Gi的邻接矩阵M2,…Mm，其中，M2,…Mm是由基于条件概率的邻接矩阵M1经过图深度学习得到的邻接矩阵的演化；汇集M1,M2,…Mm构建EMR图的演化序列M＝{Mi,i＝1,2,…,m}。
2.根据权利要求1所述的基于图深度学习的EMR信息关联及演化方法，其特征在于，所述获取EMR数据集，EMR数据集包括社会人口学信息、主诉医疗文本、体格检查、实验室检查及其结果和疾病诊断。
3.根据权利要求1所述的基于图深度学习的EMR信息关联及演化方法，其特征在于，所述对获取的EMR数据进行预处理，对获取的EMR数据进行预处理包括分词、实体抽取。
CN202011353177.1A 2020-11-26 2020-11-26 一种基于图深度学习的emr信息关联及演化方法 Active CN112466462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011353177.1A CN112466462B (zh) 2020-11-26 2020-11-26 一种基于图深度学习的emr信息关联及演化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011353177.1A CN112466462B (zh) 2020-11-26 2020-11-26 一种基于图深度学习的emr信息关联及演化方法

Publications (2)

Publication Number Publication Date
CN112466462A CN112466462A (zh) 2021-03-09
CN112466462B true CN112466462B (zh) 2023-03-07

Family

ID=74808674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011353177.1A Active CN112466462B (zh) 2020-11-26 2020-11-26 一种基于图深度学习的emr信息关联及演化方法

Country Status (1)

Country Link
CN (1) CN112466462B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313174A (zh) * 2021-06-01 2021-08-27 北京大数医达科技有限公司 信息显示方法和终端设备
CN113314206B (zh) * 2021-06-08 2024-04-26 北京大数医达科技有限公司 图像显示方法、装置和终端设备
CN114860952A (zh) * 2022-04-29 2022-08-05 华侨大学 一种基于数据统计和知识指导的图拓扑学习方法及***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106484674A (zh) * 2016-09-20 2017-03-08 北京工业大学 一种基于深度学习的中文电子病历概念抽取方法
EP3221811A1 (en) * 2014-11-20 2017-09-27 T&W Engineering A/S Method and system for establishing network connection to a wearable eeg monitoring module
CN109243616A (zh) * 2018-06-29 2019-01-18 东华大学 基于深度学习的乳腺电子病历联合关系抽取与结构化***
EP3511941A1 (en) * 2018-01-12 2019-07-17 Siemens Healthcare GmbH Method and system for evaluating medical examination results of a patient, computer program and electronically readable storage medium
EP3537448A1 (en) * 2018-03-06 2019-09-11 Digital Surgery Ltd Methods and systems for using multiple data structures to process surgical data
CN111316281A (zh) * 2017-07-26 2020-06-19 舒辅医疗 基于机器学习的自然语言情境中数值数据的语义分类
CN111737415A (zh) * 2020-06-12 2020-10-02 清华大学 实体关系抽取方法、实体关系学习模型的获取方法及设备
CN111914562A (zh) * 2020-08-21 2020-11-10 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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11488714B2 (en) * 2016-03-23 2022-11-01 HealthPals, Inc. Machine learning for collaborative medical data metrics
CN107193919A (zh) * 2017-05-15 2017-09-22 清华大学深圳研究生院 一种电子病历的检索方法及***
CN107863147B (zh) * 2017-10-24 2021-03-16 清华大学 基于深度卷积神经网络的医疗诊断的方法
WO2019132686A1 (ru) * 2017-12-29 2019-07-04 Общество С Ограниченной Ответственностью "Интеллоджик" Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта
JP7479805B2 (ja) * 2018-09-06 2024-05-09 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用情報処理方法、医用情報処理プログラムおよび医用情報処理システム
WO2020097401A1 (en) * 2018-11-08 2020-05-14 Netflix, Inc. Identifying image aesthetics using region composition graphs
US10485489B1 (en) * 2018-12-11 2019-11-26 Fifth Eye Inc. System and method for assessing and monitoring the hemodynamic condition of a patient
CN110298383B (zh) * 2019-05-28 2021-07-13 中国科学院计算技术研究所 基于多模态深度学习的病理分类方法及***
CN110457682B (zh) * 2019-07-11 2022-08-09 新华三大数据技术有限公司 电子病历词性标注方法、模型训练方法及相关装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3221811A1 (en) * 2014-11-20 2017-09-27 T&W Engineering A/S Method and system for establishing network connection to a wearable eeg monitoring module
CN106484674A (zh) * 2016-09-20 2017-03-08 北京工业大学 一种基于深度学习的中文电子病历概念抽取方法
CN111316281A (zh) * 2017-07-26 2020-06-19 舒辅医疗 基于机器学习的自然语言情境中数值数据的语义分类
EP3511941A1 (en) * 2018-01-12 2019-07-17 Siemens Healthcare GmbH Method and system for evaluating medical examination results of a patient, computer program and electronically readable storage medium
EP3537448A1 (en) * 2018-03-06 2019-09-11 Digital Surgery Ltd Methods and systems for using multiple data structures to process surgical data
CN109243616A (zh) * 2018-06-29 2019-01-18 东华大学 基于深度学习的乳腺电子病历联合关系抽取与结构化***
CN111737415A (zh) * 2020-06-12 2020-10-02 清华大学 实体关系抽取方法、实体关系学习模型的获取方法及设备
CN111914562A (zh) * 2020-08-21 2020-11-10 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"A Novel Knowledge Base Question Answering Model Based on Knowledge Representation and Recurrent Convolutional Neural Network";Changhao Liu;《IEEE》;20200826;全文 *
"Generation of Synthetic Electronic Medical Record Text";jia qi Guan etc;《IEEE》;20181206;全文 *

Also Published As

Publication number Publication date
CN112466462A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
Zheng et al. An automatic diagnosis of arrhythmias using a combination of CNN and LSTM technology
WO2023202508A1 (zh) 一种基于认知图谱的全科患者个性化诊疗方案推荐***
CN112466462B (zh) 一种基于图深度学习的emr信息关联及演化方法
CN109920501B (zh) 基于卷积神经网络和主动学习的电子病历分类方法及***
Shin et al. Classification of radiology reports using neural attention models
JP7464800B2 (ja) 小サンプル弱ラベル付け条件での医療イベント認識方法及びシステム
Mohanty et al. Using deep learning architectures for detection and classification of diabetic retinopathy
Papandrianos et al. An explainable classification method of SPECT myocardial perfusion images in nuclear cardiology using deep learning and grad-CAM
Hammad et al. Automated detection of myocardial infarction and heart conduction disorders based on feature selection and a deep learning model
Lei et al. An improved UNet++ model for congestive heart failure diagnosis using short-term RR intervals
Pendyala et al. Automated medical diagnosis from clinical data
Alalayah et al. Automatic and early detection of Parkinson’s disease by analyzing acoustic signals using classification algorithms based on recursive feature elimination method
CN117316466A (zh) 一种基于知识图谱与自然语言处理技术的临床决策方法、***及设备
Li et al. Classification of body constitution based on TCM philosophy and deep learning
CN112562808A (zh) 患者画像的生成方法、装置、电子设备及存储介质
Ju et al. 3D-CNN-SPP: A patient risk prediction system from electronic health records via 3D CNN and spatial pyramid pooling
WO2019132686A1 (ru) Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта
Shastry et al. Deep learning techniques for the effective prediction of Alzheimer’s disease: a comprehensive review
Huang et al. DSCNN-LSTMs: A lightweight and efficient model for epilepsy recognition
Leng et al. Bi-level artificial intelligence model for risk classification of acute respiratory diseases based on Chinese clinical data
Aguiar-Salazar et al. Rapid detection of cardiac pathologies by neural networks using ECG signals (1D) and sECG images (3D)
Hu et al. Psychological stress level detection based on heartbeat mode
Darwish et al. Enhancing cervical pre-cancerous classification using advanced vision transformer
CN113643825B (zh) 基于临床关键特征信息的医疗案例知识库构建方法和***
Shi et al. Optimized solutions of electrocardiogram lead and segment selection for cardiovascular disease diagnostics

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