CN113674856A - 基于人工智能的医学数据处理方法、装置、设备及介质 - Google Patents
基于人工智能的医学数据处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113674856A CN113674856A CN202110407914.XA CN202110407914A CN113674856A CN 113674856 A CN113674856 A CN 113674856A CN 202110407914 A CN202110407914 A CN 202110407914A CN 113674856 A CN113674856 A CN 113674856A
- Authority
- CN
- China
- Prior art keywords
- medical
- graph
- causal
- network
- additional information
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 230000001364 causal effect Effects 0.000 claims abstract description 134
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 201000010099 disease Diseases 0.000 claims description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 241000282414 Homo sapiens Species 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000035622 drinking Effects 0.000 description 4
- 235000015243 ice cream Nutrition 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229940050561 matrix product Drugs 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种基于人工智能的医学数据处理方法、装置、设备及介质，属于人工智能技术领域。所述方法包括：获取目标用户的医学观测数据和附加信息网络；基于所述医学观测数据构建初始因果图的初步邻接矩阵；以及，在所述附加信息网络的约束下，对所述医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量；所述附加信息网络用于提取因果关系中潜在的干扰因子；根据所述包含干扰因子的因果特征向量和所述初步邻接矩阵，对所述目标用户的医学状态进行分类。本申请基于因果图进行医学状态分类，能够显著提升分类准确性。
Description
技术领域
本申请涉及人工智能技术领域，特别涉及一种基于人工智能的医学数据处理方法、装置、设备及介质。
背景技术
在人工智能(Artificial Intelligence，AI)时代，AI的应用范围已经遍及各个领域，比如医学领域便是其中一种。针对医学领域，在AI的赋能下，医学的技术性得到了前所未有的提高，这使得医学领域近乎每天都发生革命性的变化。
比如，随着医学水平的先进，自动化的智能诊断往往能帮助医生对病人进行更全面的疾病预测，并且能够防止医生基于经验偏见造成的误诊。另外，智能诊断也可以有效缓解医生压力，同时还能够防止不合理的医患纠纷。简而言之，自动化的智能诊断具有巨大的潜在应用价值。
然而，如何使自动化的智能诊断达到接近医生诊断的标准一直是业界一大难题，因为进行疾病预测不同于其他的预测任务，疾病之间可能包含一些潜在关系，这些潜在关系通常很复杂，甚至还有很多在医学界都难以被确认。因此，为了达到辅助医生进行疾病预测的目的，如何进行医学数据处理，以实现精准的疾病预测，便成为了目前亟需解决的问题。
发明内容
本申请实施例提供了一种基于人工智能的医学数据处理方法、装置、设备及介质，能够基于因果关系实现精准的医学状态预测。所述技术方案如下：
一方面，提供了一种基于人工智能的医学数据处理方法，所述方法包括：
获取目标用户的医学观测数据和附加信息网络；
基于所述医学观测数据构建初始因果图的初步邻接矩阵；以及，在所述附加信息网络的约束下，对所述医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量；所述附加信息网络用于提取因果关系中潜在的干扰因子；
根据所述包含干扰因子的因果特征向量和所述初步邻接矩阵，对所述目标用户的医学状态进行分类。
另一方面，提供了一种基于人工智能的医学数据处理装置，所述装置包括：
获取模块，被配置为获取目标用户的医学观测数据和附加信息网络；
第一处理模块，被配置为基于所述医学观测数据构建初始因果图的初步邻接矩阵；以及，在所述附加信息网络的约束下，对所述医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量；所述附加信息网络用于提取因果关系中潜在的干扰因子；
第二处理模块，被配置为根据所述包含干扰因子的因果特征向量和所述初步邻接矩阵，对所述目标用户的医学状态进行分类。
在一些实施例中，所述初始因果图为图网络形式；所述第二处理模块，包括：
处理单元，被配置为将所述包含干扰因子的因果特征向量和所述初步邻接矩阵输入第一图神经网络，通过所述第一图神经网络进行因果图优化以及学习图网络中节点之间的因果关系；
预测单元，被配置为根据优化后的因果图，对所述目标用户的医学状态进行分类；
其中，所述第一图神经网络以所述包含干扰因子的因果特征向量替代图网络中的节点特征；且，通过图网络的消息传递模式流通所述节点之间的因果关系。
在一些实施例中，所述第二处理模块，被配置为：
将所述医学观测数据和所述附加信息网络输入第二图神经网络，通过所述第二图神经网络进行因果关系提取，得到所述包含干扰因子的因果特征向量；
其中，所述因果特征向量为所述干扰因子的向量化表示；所述干扰因子的向量化表示的获取方式包括：
获取所述医学观测数据中包含的医学实体的向量化表示；
根据所述医学实体的向量化表示和正则化的初步邻接矩阵，获取所述干扰因子的向量表示；其中，所述正则化的初步邻接矩阵是根据所述初始因果图的度矩阵以及加上自连接后的所述初步邻接矩阵得到的。
在一些实施例中，所述预测单元，被配置为：
获取所述初始因果图中任意两个节点之间的加权余弦相似度；
基于获取到的加权余弦相似度，对所述初始因果图进行图稀疏化处理并构建最终邻接矩阵；
获取所述医学观测数据中包含的医学实体的向量化表示；
通过预测网络中的第一层图卷积结构，将所述医学实体的向量化表示和加上自连接后的所述最终邻接矩阵映射为中间特征；
通过所述预测网络的第二层图卷积结构，将所述中间特征和正则化的最终邻接矩阵映射为所述目标用户的医学状态预测结果；
其中，所述正则化的最终邻接矩阵是根据所述稀疏因果图的度矩阵以及加上自连接后的所述最终邻接矩阵得到的。
在一些实施例中，所述预测单元，被配置为：
对所述医学观测数据进行分词处理，得到分词结果；
识别所述分词结果中包含的医学实体；对所述分词结果中包含的医学实体进行向量化处理，得到所述医学实体的向量化表示。
另一方面，提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行以实现上述的基于人工智能的医学数据处理方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现上述的基于人工智能的医学数据处理方法。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述的基于人工智能的医学数据处理方法。
本申请在进行因果关系提取时，结合附加信息网络，能够完全自动地从医学观测数据中提取到有效且完整的因果关系，无需人工执行任何操作，而且还能够排除干扰因子对因果关系的影响，使得提取出的因果关系的正确性大幅度提高；进而基于因果图进行医学状态分类时，能够显著提升分类准确性。比如，能够实现精准的疾病预测，为了进而达到辅助医生进行临床决策的目的。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于人工智能的医疗数据处理方法涉及的实施环境的示意图；
图2是本申请实施例提供的一种基于人工智能的医疗数据处理方法的整体架构示意图；
图3是本申请实施例提供的一种基于人工智能的医疗数据处理方法流程图；
图4是本申请实施例提供的一种因果关系示意图；
图5是本申请实施例提供的一种因果图优化及下游预测示意图；
图6是本申请实施例提供的一种基于人工智能的医疗数据处理装置的结构示意图；
图7是本申请实施例提供的一种计算机设备的结构示意图；
图8是本申请实施例提供的另一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请中术语“第一”、“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。还应理解，尽管以下描述使用术语第一、第二等来描述各种元素，但这些元素不应受术语的限制。
这些术语只是用于将一个元素与另一个元素区别开。例如，在不脱离各种示例的范围的情况下，第一元素能够被称为第二元素，并且类似地，第二元素也能够被称为第一元素。第一元素和第二元素都可以是元素，并且在某些情况下，可以是单独且不同的元素。
其中，至少一个是指一个或一个以上，例如，至少一个元素可以是一个元素、两个元素、三个元素等任意大于等于一的整数个元素。而至少两个是指两个或者两个以上，例如，至少两个元素可以是两个元素、三个元素等任意大于等于二的整数个元素。
下面对本申请实施例可能涉及到的一些关键术语或缩略语进行介绍。
因果图(Causal Graph，CG)：又叫做因果贝叶斯信念网络(Causal BayesianNetwork，CBN)，是用来对数据生成过程进行编码的概率图模型。其中，因果图可以用于对推断过程进行建模。因果图作为一种推断工具，可以用来从非实验数据中估计某些因素的影响。
干扰因子(Confounder)：某些因素和暴露因素(exposure)及事件(outcome)同时有关联，对暴露因素和事件的真实关系造成影响。并且，此因素不应起中介作用(即不是中介者)。
其中，干扰因子也称混杂因素或混杂因子。干扰因子常常与原因和结果均有相关性，像是抽烟习惯常伴随着饮酒习惯发生。如此一来，干扰因子便可能掩盖了原因和结果之间真正的相关性，或是误推导出并非事实的相关。举例来说，研究人员曾经认为饮酒会导致较高的肺癌罹患风险，但是，他们同时也发现有吸烟习惯的人也具有较高饮酒比例；因此，吸烟才是肺癌真正的危险因子，而看起来与肺癌好像有关联性的饮酒习惯，其实是干扰因子。
电子健康记录(Electronic Health Records，EHR)：是指包含个人健康相关数据(不限于疾病治疗)的电子格式记录，由包括医生和其他医疗保健专业人员在内的不同医疗保健提供者，出于医疗相关目的进行数据存储和检索。
图神经网络(Graph Neural Networks，GNN)：是卷积神经网络的拓展，可以在非规则排列的拓扑图结构上进行卷积，从而完成提取特征和分类等任务。
协变量：是一个独立变量，不为实验者所操纵，但仍影响实验结果。
相关性：在观察某个研究对象时，如果发现，它的变化总是与另一个对象的变化同步，那即称这两者是相关的。换言之，相关性的含义是，如果变量A的变化总是伴随变量B的变化，则说明变量A和变量B是相关的。换一种表达方式，相关性是统计学上的一个概念，是指某个因素的变化会导致另外一个因素的变化，但是这个因素的变化是不是另外一个因素变化的原因，不能被确定。
因果关系：是指某个因素的存在一定会导致某个特定结果的产生。
观测数据，又称原始数据，是指在自然的未被控制的条件下观测到的数据。
其中，大型医学数据存储库(例如EHR数据)具有巨大的利用价值，并且可以作为有效的知识信息来源。但对此类数据存储库进行有效分析通常需要彻底了解数据中的依赖性。例如，如果忽略患者年龄，则可能错误地得出白内障与高血压之间的因果关系。此类干扰因子通常由因果图来标识，其中，因果关系将变量联系起来。
可选地，相关技术基于对医学文献的文本分析来构建因果图。然而，通过这种方式构建的因果图的精度较低，只包含一些简单的关联关系，没有考虑干扰因子的影响。
另外，相关技术还有一些利用观测数据来构建因果图的统计方法，但是该种凡是不适用于处理存在大量协变量的数据，而EHR数据就是这种情况。因此，以往的方法即使构建了因果图，还另外需要医学领域专家手动来识别混淆变量，昂贵且耗时。
另外，以往的方法构建的因果图大多仅是简单地将因果图看作是一个由疾病节点和症状节点组成的二分图，即仅仅考虑疾病和症状之间存在的一对一简单因果关系，而忽略了症状与症状之间的关系，或者疾病与疾病之间的关系，这样的因果图在信息和关系挖掘上是不完整的。
另外，相关技术还利用贝叶斯网络来构建因果图，但是贝叶斯网络构建的因果图不利用于做进一步的下游任务，比如疾病预测和智能诊断等等。另外，利用贝叶斯网络构建的因果图中症状之间是相互独立的；而且构建因果图的过程也比较繁琐复杂。
综上所述，相关技术提供的方法均只能从句子结构、语义层面上提取关系，而完全没有涉及到逻辑上的因果推理和因果关系挖掘，所以提取出的关系也仅限于关联关系和相关性，并且没有排除干扰因子对因果关系的影响，从而可能提取出错误的因果关系，或者，过于强化或削弱某两者之间的因果关系。另外，相关技术处理观测数据使用的概率模型，在学习因果图中节点之间的边时，仍有很多局限性。这种学习策略迁移性差、应用性不强，即图网络在一次计算之后，它的结构就固定下来，无法依据后续补充的病例进行修改以及完善。另外，相关技术基于统计的方法大多还依赖于医学文献中预定义的一些节点，这样可能会错过一些潜在的因果关系，并且在实际医疗环境中落地的实施性不大。另外，相关技术基于深度学习的方法不能很好地利用因果推断创建因果图，创建出的因果图在因果逻辑上可解释性不高。
基于此，本申请实施例提供了一种基于人工智能的医学数据处理方法，旨在解决上述中所描述的部分或全部技术问题。可选地，本申请实施例提出了使用电子健康记录创建因果图来进行疾病预测。可选地，该方法从EHR数据中提取症状、疾病以及其他一些元素之间的因果信息，然后构建因果图；后续再利用图神经网络对构建的因果图进行学习，并且在图神经网络中传递优化因果信息，最后利用输出的最优因果图进行疾病预测，达到辅助医生进行诊断的目的。需要说明的是，本申请实施例首次从EHR数据中提取出因果图并将其应用于下游预测任务。
其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
下面对本申请实施例提供的基于人工智能的医学数据处理方法涉及的实施环境进行介绍。
可选地，参见图1，本申请实施提供的方法可以基于由终端101单独执行、或者终端101和服务器102之间通过进行数据交互来执行，本申请在此不做限制。其中，服务器102可以是独立的物理服务器102，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云计算服务的云服务器。终端101可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。终端101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
可选地，若本申请实施提供的方法由终端101和服务器102联合执行，则终端101可以先将用户的医学数据发送给服务器102，由服务器102对接收到的医学数据进行医学分析，得到医学分析结果后再将医学分析结果返回至终端101，最终由终端101将医学分析结果展示给用户。
下面对本申请实施例提供的基于人工智能的医学数据处理方案进行详细地介绍说明。
可选地，参见图2，以医学观测数据为EHR数据为例，在EHR数据的基础上，本申请实施例还会结合附加信息网络来构建因果图，实现从用户的真实电子健康记录中提取出有效且完整的因果信息。需要说明的是，该因果信息不仅包含浅层的关联关系，还包括一些无法从语义层面上直接提取的因果关系，甚至还包括某些元素之间的非直接关系；并且，利用该附加信息网络能够排除干扰因子对因果关系的影响。
可选地，在得到初步因果图(图网络形式)后，本申请实施例会基于初步因果图中包含的信息，利用图神经网络来充分发掘EHR数据中包含的信息，实现使用因果特征向量替代图网络中的节点特征，节点之间互相传递因果特征向量并且对其进行优化(实现优化因果图)，从而得到优化的因果图，进而利用优化的因果图执行下游预测任务，比如进行疾病预测。本申请实施例通过结合因果推断和深度学习方法，能够提高疾病预测的可解释性以及疾病预测的准确度。
如图2所示，整个学习框架大致分为两部分，第一部分利用EHR数据和附加信息网络进行包含干扰因子的因果特征向量提取，示例性地，通过图神经网络(此处称为第二图神经网络)对包含干扰因子的因果特征向量进行提取。第二部分将包含干扰因子的因果特征向量和初始因果图的邻接矩阵(此处称为初步邻接矩阵)输入到图神经网络(此处称为第一图神经网络)中进行因果图优化和节点之间因果关系的进一步学习，并且通过图网络的消息传递(message passing)模式，流通节点之间的因果关系，从而学习更好的因果特征向量。
下面结合图2对本申请实施例提供的医学数据处理方法的流程进行介绍。
图3是本申请实施例提供的一种基于人工智能的医学数据处理方法流程图。参见图3，本申请实施例提供的方法流程包括：
因果关系提取
301、获取目标用户的医学观测数据和附加信息网络。
其中，目标用户为待进行疾病预测的任意一个患者，本申请在此不做限制。
针对因果关系提取部分，本申请实施例不仅仅要提取出元素之间的表层因果关系，还要考虑到干扰因子对因果关系的影响。
比如，调查数据表明冰淇淋销量高的同时，人们也更容易被晒伤，仅从数据上貌似能得出冰淇淋销量会导致人们被晒伤，但从逻辑层面上来思考这并不成立，提取出的其实是并不存在的因果关系。而导致提取出不存在的因果关系的原因是忽略了干扰因子的影响。在这个场景下，干扰因子是天气炎热程度，天气炎热会导致人们买更多冰淇淋，同时人们也更容易被晒伤，所以这两者在数据上会显示出伪相关关系。
相应地，在医学领域，也有很多干扰因子的存在。比如，社会地位更高的患者会有更有大几率使用效果更好更昂贵的药物，那么相应的治疗效果也会更好。如果不考虑患者的社会地位，那么可能会过分强调某种药物和治疗效果的因果关系。
考虑到以上问题，在因果关系提取部分，本申请实施例会额外获取一个附加信息网络作为辅助信息，来帮助提取因果关系中潜在的干扰因子。需要说明的是，这基于一个前提，即医学观测数据和附加信息网络是干扰因子的代理变量。其中，代理变量是指当想要观察的某个变量的数据不容易量化或得到时，可以选取另一个变量，这个变量能够代替想要观察的某个变量。示例性地，如果想衡量某高校录取学生的学术水平，由于这是一个无法准确量化的变量，那么可以考虑寻求一个代理变量，比如该高校录取学生的高考成绩。
另外，在因果关系提取部分，本申请实施例会同时使用医学观测数据和额外信息网络作为输入。可选地，获取目标用户的医学观测数据和附加信息网络，包括但不限于：将目标用户的EHR数据作为医学观测数据；将病患社交网络作为附加信息网络；或，将医学上的药物-疾病网络作为附加信息网络。即，附加信息网络可以是患者之间的社交网络，或，医学上的药物-疾病网络，本申请在此不做限制。
302、基于医学观测数据构建初始因果图的初始邻接矩阵；以及，在附加信息网络的约束下，对医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量；该附加信息网络用于提取因果关系中潜在的干扰因子。
可选地，在因果关系提取部分，可以先对医学观测数据进行分词处理，得到分词结果；之后，识别分词结果中包含的医学实体；再对分词结果中包含的医学实体进行向量化处理并构建初始因果图的邻接矩阵，进而得到医学实体的向量化表示和一个初步的邻接矩阵，其中，此处的邻接矩阵称为初步邻接矩阵。
比如，可以先利用结构化引擎对目标用户的EHR数据进行分词处理；在分词之后，识别出每条EHR数据中包含的医学实体集合，其中，该集合是整个因果图包含的医学实体集合中的一个子集。在获取到所有医学实体集合之后，将这些医学实体集合中包含的医学实体向量化，得到每个医学实体的向量化表示。
可选地，给定一个邻接矩阵A、症状s、原始观测特征(医学实体的向量化表示)x、干扰因子h和疾病y，因果关系图可以表示为图4。如图4所示，干扰因子h与邻接矩阵A和原始观测特征x相关，且会影响症状以及疾病。
可选地，在附加信息网络的约束下，对医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量，包括但不限于：将目标用户的医学观测数据和附加信息网络输入第二图神经网络，通过第二图神经网络进行因果关系提取，得到包含干扰因子的因果特征向量。
在本申请实施例中，上述因果特征向量为干扰因子的向量化表示；换一种表达方式，在下一步中，本申请实施例利用干扰因子的向量化表示进行因果图优化和下游预测。可选地，在学习干扰因子的向量化表示时，参考下述方式实现：
3021、定义干扰因子学习函数g；其中，该干扰因子学习函数g负责将原始观测特征和邻接矩阵映射到d维实数空间；其中，原始观测特征指代在医学观测数据(EHR数据)中提取到的医学实体的向量化表示。即，g：X×A→Rd，其中，X指代原始观测特征，A为邻接矩阵，Rd表示d维实数空间。
3022、利用干扰因子学习函数g，根据医学观测数据中包含的医学实体的向量化表示、正则化的初步邻接矩阵和第二图神经网络中待学习的权重矩阵，获取干扰因子的第一向量表示。此处以A指代初步因果图的初步邻接矩阵为例，即，干扰因子的向量化表示
其中，该干扰因子学习函数g是在第二图神经网络中训练的；
此处指代正则化的初步邻接矩阵，是根据初始因果图的度矩阵D以及加上自连接后的初步邻接矩阵
得到的，即
此处指代加上自连接后的初步邻接矩阵。另外，
指代矩阵乘积的第i行，i为正整数；U指代需要学习的权重矩阵。可选地，σ指代ReLU激活函数。
因果图优化及下游预测
303、根据包含干扰因子的因果特征向量和初步邻接矩阵，对目标用户的医学状态进行分类。
在本申请实施例中，医学状态指代目标用户的病情状态。
如图5所示，本步骤将在步骤302中到的包含干扰因子的因果特征向量和初步邻接矩阵输入第一图神经网络，通过第一图神经网络进行因果图优化以及学习图网络中节点之间的因果关系，这样既可以学习到因果图的结构，又可以优化网络参数从而使学习到的因果关系更加深层。
其中，第一图神经网络以包含干扰因子的因果特征向量替代图网络中的节点特征；且，通过图网络的消息传递模式流通节点之间的因果关系。在下游预测时，根据优化后的因果图，对目标用户的医学状态进行分类。
另外，本申请实施例还会获取初始因果图中任意两个节点之间的加权余弦相似度；基于获取到的加权余弦相似度，通过ε-neighborhood方式对初始因果图进行图稀疏化处理并据此构建最终邻接矩阵。此处同样以A指代最终邻接矩阵。
可选地，本申请定义如下计算图网络中任意两个节点之间相似性的方法函数：sij＝cos(w⊙vi，w⊙vj)；其中，⊙代表哈达玛(Hadamard)积；w指代待学习的权重；sij指代节点i和节点j之间的相似度，vi和vj指代节点i和节点j的节点特征。
另外，本申请实施例还会通过ε-neighborhood方式去除初始因果图中小于ε的节点，实现图稀疏化。需要说明的是，在应用欧几里得距离的情况下，向量u的ε邻域是位于距离向量u的ε距离之内所有向量的集合。相应地，在应用加权余弦相似性度量的情况下，向量u的ε邻域是所有向量的集合，这样它们与向量u的加权余弦相似性至少应等于ε。
如图5所示，针对下游预测，本申请实施例通过预测网络中的第一层图卷积结构，将医学实体的向量化表示X和加上自连接后的最终邻接矩阵A映射为中间特征Z；即，在第一层将干扰因子的向量化表示映射为中间特征Z；其中，中间特征Z的表达式为
其中，MP指代映射函数，
此处指代加上自连接后的最终邻接矩阵；之后通过预测网络的第二层图卷积结构，将中间特征Z和正则化的最终邻接矩阵
映射为目标用户的医学状态预测结果；即，
其中，
指代预测结果，σ此处指代输出函数，比如ReLU激活函数，本申请在此不做限制。另外，
其中，l为损失函数，y为真实结果。其中，正则化的最终邻接矩阵是根据稀疏因果图的度矩阵以及加上自连接后的最终邻接矩阵得到的；W1和W2指代待学习的权重矩阵。
本申请实施例提供的方法至少具有如下有益效果：
本申请实施例可以从医学观测数据中自动地学习有效且完整的因果图无需人工手动标注。另外，额外结合附加信息网络，本申请实施例还解决了干扰因子对因果图造成的影响的问题，即排除了干扰因子对因果关系的不利影响，从而使提取的因果关系更加详细，而不仅限于症状与疾病之间的关联关系，且准确性更高；另外，该方法首次将因果推断领域和深度学习领域相结合，并应用在医疗数据特别是非结构化的EHR数据上，由于将因果推断与图神经网络相结合，因此能够提高使用因果图进行疾病预测的准确性和可解释性，在未来可以实现在现实中辅助医生进行诊断治疗的目的。
需要说明的是，在学习因果特征向量的时候，还可以采用别的控制干扰因子影响的方法，比如学习如何利用数据本身embedding去纠正网络中的干扰因子；另外在提取更细节的因果关系时，可以考虑参考因果等级理论，加入一些反事实(counterfactual)措施；在使用图网络进行图的时候，可以使用更加复杂的网络结构或是联合学习的方法，本申请在此不做限制。
图6是本申请实施例提供的一种基于人工智能的医学数据处理装置的结构示意图。参见图6，该装置包括：
获取模块601，被配置为获取目标用户的医学观测数据和附加信息网络；
第一处理模块602，被配置为基于所述医学观测数据构建初始因果图的初步邻接矩阵；以及，在所述附加信息网络的约束下，对所述医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量；所述附加信息网络用于提取因果关系中潜在的干扰因子；
第二处理模块603，被配置为根据所述包含干扰因子的因果特征向量和所述初步邻接矩阵，对所述目标用户的医学状态进行分类。
本申请在进行因果关系提取时，结合附加信息网络，能够完全自动地从医学观测数据中提取到有效且完整的因果关系，无需人工执行任何操作，而且还能够排除干扰因子对因果关系的影响，使得提取出的因果关系的正确性大幅度提高；进而基于因果图进行医学状态分类时，能够显著提升分类准确性。比如，能够实现精准的疾病预测，为了进而达到辅助医生进行临床决策的目的。
在一些实施例中，所述获取模块，被配置为：
将所述目标用户的电子健康记录EHR数据作为所述医学观测数据；
将病患社交网络作为所述附加信息网络；或，将医学上的药物-疾病网络作为所述附加信息网络。
在一些实施例中，所述初始因果图为图网络形式；第二处理模块，包括：
处理单元，被配置为将所述包含干扰因子的因果特征向量和所述初步邻接矩阵输入第一图神经网络，通过所述第一图神经网络进行因果图优化以及学习图网络中节点之间的因果关系；
预测单元，被配置为根据优化后的因果图，对所述目标用户的医学状态进行分类；
其中，所述第一图神经网络以所述包含干扰因子的因果特征向量替代图网络中的节点特征；且，通过图网络的消息传递模式流通所述节点之间的因果关系。
在一些实施例中，所述第二处理模块，被配置为：
将所述医学观测数据和所述附加信息网络输入第二图神经网络，通过所述第二图神经网络进行因果关系提取，得到所述包含干扰因子的因果特征向量；
其中，所述因果特征向量为所述干扰因子的向量化表示；所述干扰因子的向量化表示的获取方式包括：
获取所述医学观测数据中包含的医学实体的向量化表示；
根据所述医学实体的向量化表示和正则化的初步邻接矩阵，获取所述干扰因子的向量表示；其中，所述正则化的初步邻接矩阵是根据所述初始因果图的度矩阵以及加上自连接后的所述初步邻接矩阵得到的。
在一些实施例中，所述预测单元，被配置为：
获取所述初始因果图中任意两个节点之间的加权余弦相似度；
基于获取到的加权余弦相似度，对所述初始因果图进行图稀疏化处理并构建最终邻接矩阵；
获取所述医学观测数据中包含的医学实体的向量化表示；
通过预测网络中的第一层图卷积结构，将所述医学实体的向量化表示和加上自连接后的所述最终邻接矩阵映射为中间特征；
通过所述预测网络的第二层图卷积结构，将所述中间特征和正则化的最终邻接矩阵映射为所述目标用户的医学状态预测结果；
其中，所述正则化的最终邻接矩阵是根据所述稀疏因果图的度矩阵以及加上自连接后的所述最终邻接矩阵得到的。
在一些实施例中，所述预测单元，被配置为：
对所述医学观测数据进行分词处理，得到分词结果；
识别所述分词结果中包含的医学实体；对所述分词结果中包含的医学实体进行向量化处理，得到所述医学实体的向量化表示。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
需要说明的是：上述实施例提供的基于人工智能的医学数据处理装置在处理医学数据时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于人工智能的医学数据处理装置与基于人工智能的医学数据处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图7示出了本申请一个示例性实施例提供的计算机设备700的结构框图。通常，计算机设备700包括有：处理器701和存储器702。
处理器701可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器701可以集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器701还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器702中的非暂态的计算机可读存储介质用于存储至少一个程序代码，该至少一个程序代码用于被处理器701所执行以实现本申请中方法实施例提供的基于人工智能的医学数据处理方法。
在一些实施例中，计算机设备700还可选包括有：***设备接口703和至少一个***设备。处理器701、存储器702和***设备接口703之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口703相连。具体地，***设备包括：射频电路704、显示屏705、摄像头组件706、音频电路707、定位组件708和电源709中的至少一种。
***设备接口703可被用于将I/O(Input/Output，输入/输出)相关的至少一个***设备连接到处理器701和存储器702。在一些实施例中，处理器701、存储器702和***设备接口703被集成在同一芯片或电路板上；在一些其他实施例中，处理器701、存储器702和***设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路704用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路704包括：天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路704还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏705用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时，显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时，显示屏705还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏705可以为一个，设置在计算机设备700的前面板；在另一些实施例中，显示屏705可以为至少两个，分别设置在计算机设备700的不同表面或呈折叠设计；在另一些实施例中，显示屏705可以是柔性显示屏，设置在计算机设备700的弯曲表面上或折叠面上。甚至，显示屏705还可以设置成非矩形的不规则图形，也即异形屏。显示屏705可以采用LCD(Liquid Crystal Display，液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件706用于采集图像或视频。可选地，摄像头组件706包括前置摄像头和后置摄像头。通常，前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality，虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。
音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器701进行处理，或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在计算机设备700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路707还可以包括耳机插孔。
定位组件708用于定位计算机设备700的当前地理位置，以实现导航或LBS(Location Based Service，基于位置的服务)。定位组件708可以是基于美国的GPS(GlobalPositioning System，全球定位***)、中国的北斗***或俄罗斯的伽利略***的定位组件。
电源709用于为计算机设备700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中，计算机设备700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于：加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。
加速度传感器711可以检测以计算机设备700建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号，控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器712可以检测计算机设备700的机体方向及转动角度，陀螺仪传感器712可以与加速度传感器711协同采集用户对计算机设备700的3D动作。处理器701根据陀螺仪传感器712采集的数据，可以实现如下功能：动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器713可以设置在计算机设备700的侧边框和/或显示屏705的下层。当压力传感器713设置在计算机设备700的侧边框时，可以检测用户对计算机设备700的握持信号，由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在显示屏705的下层时，由处理器701根据用户对显示屏705的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器714用于采集用户的指纹，由处理器701根据指纹传感器714采集到的指纹识别用户的身份，或者，由指纹传感器714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器701授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器714可以被设置在计算机设备700的正面、背面或侧面。当计算机设备700上设置有物理按键或厂商Logo时，指纹传感器714可以与物理按键或厂商Logo集成在一起。
光学传感器715用于采集环境光强度。在一个实施例中，处理器701可以根据光学传感器715采集的环境光强度，控制显示屏705的显示亮度。具体地，当环境光强度较高时，调高显示屏705的显示亮度；当环境光强度较低时，调低显示屏705的显示亮度。在另一个实施例中，处理器701还可以根据光学传感器715采集的环境光强度，动态调整摄像头组件706的拍摄参数。
接近传感器716，也称距离传感器，通常设置在计算机设备700的前面板。接近传感器716用于采集用户与计算机设备700的正面之间的距离。在一个实施例中，当接近传感器716检测到用户与计算机设备700的正面之间的距离逐渐变小时，由处理器701控制显示屏705从亮屏状态切换为息屏状态；当接近传感器716检测到用户与计算机设备700的正面之间的距离逐渐变大时，由处理器701控制显示屏705从息屏状态切换为亮屏状态。
本领域技术人员可以理解，图7中示出的结构并不构成对计算机设备700的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
图8是本申请实施例提供的一种计算机设备800的结构示意图。该计算机800可以是服务器。该计算机设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central Processing Units，CPU)801和一个或一个以上的存储器802，其中，所述存储器802中存储有至少一条程序代码，所述至少一条程序代码由所述处理器801加载并执行以实现上述各个方法实施例提供的基于人工智能的医学数据处理方法。当然，该计算机设备800还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备800还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括程序代码的存储器，上述程序代码可由计算机设备中的处理器执行以完成上述实施例中的基于人工智能的医学数据处理方法。例如，所述计算机可读存储介质可以是只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、光盘只读存储器(CompactDisc Read-Only Memory，CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述基于人工智能的医学数据处理方法。
在一些实施例中，本申请实施例涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链***。
其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Block Chain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的医学数据处理方法，其特征在于，所述方法包括：
获取目标用户的医学观测数据和附加信息网络；
基于所述医学观测数据构建初始因果图的初步邻接矩阵；以及，在所述附加信息网络的约束下，对所述医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量；所述附加信息网络用于提取因果关系中潜在的干扰因子；
根据所述包含干扰因子的因果特征向量和所述初步邻接矩阵，对所述目标用户的医学状态进行分类。
2.根据权利要求1所述的方法，其特征在于，所述获取目标用户的医学观测数据和附加信息网络，包括：
将所述目标用户的电子健康记录EHR数据作为所述医学观测数据；
将病患社交网络作为所述附加信息网络；或，将医学上的药物-疾病网络作为所述附加信息网络。
3.根据权利要求1所述的方法，其特征在于，所述初始因果图为图网络形式；所述根据所述包含干扰因子的因果特征向量和所述初步邻接矩阵，对所述目标用户的医学状态进行分类，包括：
将所述包含干扰因子的因果特征向量和所述初步邻接矩阵输入第一图神经网络，通过所述第一图神经网络进行因果图优化以及学习图网络中节点之间的因果关系；根据优化后的因果图，对所述目标用户的医学状态进行分类；
其中，所述第一图神经网络以所述包含干扰因子的因果特征向量替代图网络中的节点特征；且，通过图网络的消息传递模式流通所述节点之间的因果关系。
4.根据权利要求1所述的方法，其特征在于，所述在所述附加信息网络的约束下，对所述医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量，包括：
将所述医学观测数据和所述附加信息网络输入第二图神经网络，通过所述第二图神经网络进行因果关系提取，得到所述包含干扰因子的因果特征向量；
其中，所述因果特征向量为所述干扰因子的向量化表示；所述干扰因子的向量化表示的获取方式包括：
获取所述医学观测数据中包含的医学实体的向量化表示；
根据所述医学实体的向量化表示和正则化的初步邻接矩阵，获取所述干扰因子的向量表示；其中，所述正则化的初步邻接矩阵是根据所述初始因果图的度矩阵以及加上自连接后的所述初步邻接矩阵得到的。
5.根据权利要求3所述的方法，其特征在于，所述根据优化后的因果图，对所述目标用户的医学状态进行分类，包括：
获取所述初始因果图中任意两个节点之间的加权余弦相似度；
基于获取到的加权余弦相似度，对所述初始因果图进行图稀疏化处理并构建最终邻接矩阵；
获取所述医学观测数据中包含的医学实体的向量化表示；
通过预测网络中的第一层图卷积结构，将所述医学实体的向量化表示和加上自连接后的所述最终邻接矩阵映射为中间特征；
通过所述预测网络的第二层图卷积结构，将所述中间特征和正则化的最终邻接矩阵映射为所述目标用户的医学状态预测结果；
其中，所述正则化的最终邻接矩阵是根据所述稀疏因果图的度矩阵以及加上自连接后的所述最终邻接矩阵得到的。
6.根据权利要求4或5所述的方法，其特征在于，所述获取所述医学观测数据中包含的医学实体的向量化表示，包括：
对所述医学观测数据进行分词处理，得到分词结果；
识别所述分词结果中包含的医学实体；对所述分词结果中包含的医学实体进行向量化处理，得到所述医学实体的向量化表示。
7.一种基于人工智能的医学数据处理装置，其特征在于，所述装置包括：
获取模块，被配置为获取目标用户的医学观测数据和附加信息网络；
第一处理模块，被配置为基于所述医学观测数据构建初始因果图的初步邻接矩阵；以及，在所述附加信息网络的约束下，对所述医学观测数据进行因果关系提取，得到包含干扰因子的因果特征向量；所述附加信息网络用于提取因果关系中潜在的干扰因子；
第二处理模块，被配置为根据所述包含干扰因子的因果特征向量和所述初步邻接矩阵，对所述目标用户的医学状态进行分类。
8.根据权利要求7所述的装置，其特征在于，所述获取模块，被配置为：
将所述目标用户的电子健康记录EHR数据作为所述医学观测数据；
将病患社交网络作为所述附加信息网络；或，将医学上的药物-疾病网络作为所述附加信息网络。
9.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行以实现如权利要求1至6中任一项权利要求所述的基于人工智能的医学数据处理方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现如权利要求1至6中任一项权利要求所述的基于人工智能的医学数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407914.XA CN113674856B (zh) | 2021-04-15 | 2021-04-15 | 基于人工智能的医学数据处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110407914.XA CN113674856B (zh) | 2021-04-15 | 2021-04-15 | 基于人工智能的医学数据处理方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113674856A true CN113674856A (zh) | 2021-11-19 |
| CN113674856B CN113674856B (zh) | 2023-12-12 |
Family
ID=78538066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110407914.XA Active CN113674856B (zh) | 2021-04-15 | 2021-04-15 | 基于人工智能的医学数据处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113674856B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002247A (zh) * | 2021-11-23 | 2022-02-01 | 苏州青云瑞晶生物科技有限公司 | 对电子束敏感晶体的三维电子衍射数据采集方法及*** |
| JP7459386B2 (ja) | 2021-12-27 | 2024-04-01 | 之江実験室 | グラフニューラルネットワークに基づく疾患診断予測システム |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016036958A1 (en) * | 2014-09-05 | 2016-03-10 | Icahn School Of Medicine At Mount Sinai | Systems and methods for causal inference in network structures using belief propagation |
| 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 |
| US20190228865A1 (en) * | 2018-01-24 | 2019-07-25 | International Business Machines Corporation | Evaluating Drug-Adverse Event Causality Based on an Integration of Heterogeneous Drug Safety Causality Models |
| CN110136836A (zh) * | 2019-03-27 | 2019-08-16 | 周凡 | 一种基于体检报告聚类分析的疾病预测方法 |
| JP2020035103A (ja) * | 2018-08-28 | 2020-03-05 | 富士通株式会社 | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 |
| US20200105418A1 (en) * | 2018-09-27 | 2020-04-02 | International Business Machines Corporation | Predicting non-communicable disease with infectious risk factors using artificial intelligence |
| EP3654248A1 (en) * | 2018-11-19 | 2020-05-20 | Siemens Aktiengesellschaft | Verification of classification decisions in convolutional neural networks |
| US10692602B1 (en) * | 2017-09-18 | 2020-06-23 | Deeptradiology, Inc. | Structuring free text medical reports with forced taxonomies |
| CN111681726A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 电子病历数据的处理方法、装置、设备和介质 |
| CN111860686A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 用于故障诊断的因果关系邻接矩阵特征提取方法 |
| CN112037912A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
| US20200402666A1 (en) * | 2019-06-19 | 2020-12-24 | Beijing Keya Medical Technology Co., Ltd. | Method and system for disease quantification modeling of anatomical tree structure |
| US20210104330A1 (en) * | 2019-10-02 | 2021-04-08 | Kenneth Neumann | Systems and methods for generating a genotypic causal model of a disease state |
-
2021
- 2021-04-15 CN CN202110407914.XA patent/CN113674856B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016036958A1 (en) * | 2014-09-05 | 2016-03-10 | Icahn School Of Medicine At Mount Sinai | Systems and methods for causal inference in network structures using belief propagation |
| US10692602B1 (en) * | 2017-09-18 | 2020-06-23 | Deeptradiology, Inc. | Structuring free text medical reports with forced taxonomies |
| US20190228865A1 (en) * | 2018-01-24 | 2019-07-25 | International Business Machines Corporation | Evaluating Drug-Adverse Event Causality Based on an Integration of Heterogeneous Drug Safety Causality Models |
| 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 |
| JP2020035103A (ja) * | 2018-08-28 | 2020-03-05 | 富士通株式会社 | 学習プログラム、画像分類プログラム、学習方法、画像分類方法、学習装置および画像分類装置 |
| US20200105418A1 (en) * | 2018-09-27 | 2020-04-02 | International Business Machines Corporation | Predicting non-communicable disease with infectious risk factors using artificial intelligence |
| EP3654248A1 (en) * | 2018-11-19 | 2020-05-20 | Siemens Aktiengesellschaft | Verification of classification decisions in convolutional neural networks |
| CN110136836A (zh) * | 2019-03-27 | 2019-08-16 | 周凡 | 一种基于体检报告聚类分析的疾病预测方法 |
| US20200402666A1 (en) * | 2019-06-19 | 2020-12-24 | Beijing Keya Medical Technology Co., Ltd. | Method and system for disease quantification modeling of anatomical tree structure |
| US20210104330A1 (en) * | 2019-10-02 | 2021-04-08 | Kenneth Neumann | Systems and methods for generating a genotypic causal model of a disease state |
| CN111681726A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 电子病历数据的处理方法、装置、设备和介质 |
| CN111860686A (zh) * | 2020-07-31 | 2020-10-30 | 北京航空航天大学 | 用于故障诊断的因果关系邻接矩阵特征提取方法 |
| CN112037912A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技（深圳）有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| HANE HTUT MAUNG: "The causal explanatory functions of medical diagnoses", 《THEORETICAL MEDICINE AND BIOETHICS》, vol. 38, no. 1, pages 41 - 59, XP036185125, DOI: 10.1007/s11017-016-9377-5 * |
| 焦洋 等: "基于动态不确定因果图人工智能诊断模型对以关节痛为主诉风湿性疾病的诊断价值", 《中华临床免疫和***反应杂志》, vol. 13, no. 04, pages 283 - 287 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114002247A (zh) * | 2021-11-23 | 2022-02-01 | 苏州青云瑞晶生物科技有限公司 | 对电子束敏感晶体的三维电子衍射数据采集方法及*** |
| CN114002247B (zh) * | 2021-11-23 | 2024-05-07 | 苏州青云瑞晶生物科技有限公司 | 对电子束敏感晶体的三维电子衍射数据采集方法及*** |
| JP7459386B2 (ja) | 2021-12-27 | 2024-04-01 | 之江実験室 | グラフニューラルネットワークに基づく疾患診断予測システム |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113674856B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111298445B (zh) | 目标账号检测方法、装置、电子设备及存储介质 | |
| CN110569909B (zh) | 基于区块链的故障预警方法、装置、设备及存储介质 | |
| CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
| CN111325258A (zh) | 特征信息获取方法、装置、设备及存储介质 | |
| CN111091166A (zh) | 图像处理模型训练方法、图像处理方法、设备及存储介质 | |
| CN112749728A (zh) | 学生模型训练方法、装置、计算机设备及存储介质 | |
| CN113257383B (zh) | 匹配信息确定方法、显示方法、装置、设备及存储介质 | |
| CN112884770B (zh) | 图像分割处理方法、装置及计算机设备 | |
| CN111598160B (zh) | 图像分类模型的训练方法、装置、计算机设备及存储介质 | |
| WO2022193973A1 (zh) | 图像处理方法、装置、电子设备、计算机可读存储介质及计算机程序产品 | |
| CN112669928A (zh) | 结构化信息构建方法、装置、计算机设备及存储介质 | |
| CN112990053B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111930964B (zh) | 内容处理方法、装置、设备及存储介质 | |
| CN111243668A (zh) | 分子结合位点检测方法、装置、电子设备及存储介质 | |
| CN112989767A (zh) | 医学词语标注方法、医学词语映射方法、装置及设备 | |
| CN113674856B (zh) | 基于人工智能的医学数据处理方法、装置、设备及介质 | |
| CN113569042A (zh) | 文本信息分类方法、装置、计算机设备及存储介质 | |
| CN112035671A (zh) | 状态检测方法、装置、计算机设备及存储介质 | |
| CN113257412B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
| CN113570645A (zh) | 图像配准方法、装置、计算机设备及介质 | |
| CN111914180A (zh) | 基于图结构的用户特征确定方法、装置、设备及介质 | |
| CN111598896A (zh) | 图像检测方法、装置、设备及存储介质 | |
| CN112037305B (zh) | 对图像中的树状组织进行重建的方法、设备及存储介质 | |
| CN113569052A (zh) | 知识图谱的表示学习方法及装置 | |
| CN113743186B (zh) | 医学图像的处理方法、装置、设备及存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40055322 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |