CN113990495B - 一种基于图神经网络的疾病诊断预测*** - Google Patents
一种基于图神经网络的疾病诊断预测*** Download PDFInfo
- Publication number
- CN113990495B CN113990495B CN202111609275.1A CN202111609275A CN113990495B CN 113990495 B CN113990495 B CN 113990495B CN 202111609275 A CN202111609275 A CN 202111609275A CN 113990495 B CN113990495 B CN 113990495B
- Authority
- CN
- China
- Prior art keywords
- disease
- symptom
- patient
- graph
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G06F18/24—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于图神经网络的疾病诊断预测***,该***包括知识图谱构建模块、数据提取与预处理模块、疾病诊断模型构建模块和疾病诊断模型应用模块。本发明有效整合知识图谱中的专家知识和电子病历数据,构建异构图网络。在异构图网络上,利用图卷积神经网络方法,学习异构图网络的局部信息和全局信息。疾病诊断模型可以对知识和数据同时进行端到端的训练。在模型优化目标中,除了优化疾病预测任务,同时加入对知识关系的监督信息,从而保证疾病预测任务可以有效利用知识,也保证知识表示不受数据噪声的影响。针对预测疾病数量多,部分疾病对应患者数量有限的问题,设计多标签层次分类,用于提高少样本类别疾病的预测效果。
Description
技术领域
本发明属于医疗健康信息技术领域,尤其涉及一种基于图神经网络的疾病诊断预测***。
背景技术
在医疗保健领域有许多组织良好的知识图谱,如国际疾病分类、DrugBank、临床指南与共识等,具有符合人类认知的层级信息、复杂关联关系。知识图谱是一种包含多种关系的异构图网络。如何同时利用知识图谱中的专家知识和电子病历数据,整合知识与数据进行建模,用于疾病诊断预测,具有重要作用。
现有基于图神经网络模型进行疾病预测的方法,缺少有效融合医学知识图谱与电子病历数据构建异构图网络的方法。目前主要的方法有以下几种:(1)基于数据的图网络建模:基于电子病历数据构建图网络,利用图神经网络模型进行疾病预测;该方法没有充分利用现有的医学知识源。(2)知识表示学习和疾病预测的分阶段建模方法:对医学知识图谱进行表示学习,得到知识的向量表示,再融入到电子病历数据中,进行疾病预测;分阶段的训练方法不能获得最适合疾病预测的知识表示。(3)只关注疾病预测任务的端到端建模方法:融合医学知识图谱和电子病历数据,构建异构图网络,利用图神经网络模型进行疾病预测;该方法虽然解决了上述两种方法中存在的不足,但是,由于模型只优化疾病预测任务,可能导致学习到的知识表示受到数据中噪声的影响。
发明内容
本发明针对现有技术的不足,提出一种基于图神经网络的疾病诊断预测***。
本发明的目的是通过以下技术方案实现的:一种基于图神经网络的疾病诊断预测***,该***包括:
(1)知识图谱构建模块:基于医学知识源构建疾病-症状知识图谱;
(2)数据提取与预处理模块:从电子病历***中抽取患者电子病历数据,包括患者疾病诊断和症状数据,用三元组形式保存;
(3)疾病诊断模型构建模块:对疾病-症状知识图谱和电子病历数据进行图神经网络学习和预测建模,包括:
构建异构图网络,所述异构图网络包括从疾病-症状知识图谱中提取疾病-症状关系构建的疾病-症状子图,以及利用三元组形式的患者疾病诊断和症状数据构建的患者-症状子图;
构建疾病诊断模型,所述疾病诊断模型由图编码器和图解码器两部分组成;
所述图编码器基于图卷积神经网络实现,输入为利用疾病-症状共现矩阵得到的疾病、症状、患者的节点初始嵌入表示,以及疾病-症状邻接矩阵和患者-症状邻接矩阵,不同类型的节点通过连接边传递信息,通过节点嵌入表示更新操作得到疾病、症状、患者节点嵌入表示,输入图解码器;
所述图解码器利用节点嵌入表示进行多任务学习,包括三个部分:
a)患者疾病诊断预测的多标签层次分类:利用疾病的层级结构构建疾病层级关系,包括需要进行诊断预测的疾病层和根据医学知识得到的疾病***分类层;构建多标签层次分类器,设计多标签层次分类的损失函数;
b)疾病对比学习:构建疾病对***类别判别器,计算疾病对中两种疾病之间的距离,设计疾病对比学习的损失函数;
c)疾病-症状关系学习:构建疾病-症状关系学习器,计算疾病-症状对中疾病与症状存在关联关系的概率,设计疾病-症状关系学习的损失函数;
将所述多标签层次分类的损失函数、所述疾病对比学习的损失函数和所述疾病-症状关系学习的损失函数加和得到疾病诊断模型的损失函数;
(4)疾病诊断模型应用模块:利用疾病诊断模型,对新患者的输入症状进行疾病诊断预测。
进一步地,所述知识图谱构建模块中,所述疾病-症状知识图谱包括疾病、症状两种节点类型和疾病-症状一种关系。
进一步地,所述异构图网络基于疾病-症状知识图谱和电子病历数据构建,包含疾病、症状及患者三种节点类型,其中症状是疾病与患者之间连接的中间节点,所述异构图网络集成了疾病-症状知识图谱中与疾病、症状相关的关系子图和电子病历数据中与患者、症状相关的关系子图。
其中,节点集,D、S、P分别为给定的疾病集、症状集和患
者集,,,,、、分别表示疾病种类、症状种类和患者数量;边集,
集合R包括疾病-症状关系和患者-症状关系,所述疾病-症状关系存储在疾病-症状
邻接矩阵中,所述患者-症状关系存储在患者-症状邻接矩阵中。
进一步地,所述节点初始嵌入表示的生成包括:
进一步地,将不同类型的节点初始嵌入表示分别输入一个多层感知器,得到相同维度的初始嵌入表示,再输入图编码器中。
其中,是激活函数,、分别是第层疾病诊断模型训练得到的疾病-症状
关联权重矩阵和患者-症状关联权重矩阵;分别是疾病、症状、患者
在第层的节点嵌入表示;表示疾病相邻症状节点的集合,表示症状相邻疾病节点的集合,表示症状相邻患者节点的集合,表示患者相
邻症状节点的集合。
进一步地,所述图解码器中,所述患者疾病诊断预测的多标签层次分类包括:
构建包含个二分类器的多标签层次分类器,个二分类器记为,,;将患者的节点嵌入表示分别输入个二分类
器,得到个预测概率,记为,其中,二分类器对应的标签为患者的疾病***分类;二分类器对应的标签为患者的疾病诊断,对应的模型
参数为;
进一步地,所述图解码器中,所述疾病对比学习包括:
其中,m为不同疾病***类别嵌入表示之间距离的下界。
进一步地,所述图解码器中,所述疾病-症状关系学习包括:
从疾病集D和症状集S中分别选取一种疾病和一种症状,得到疾病-症状对集合DS,
疾病-症状对数量为;对DS中的任意一个疾病-症状对,如果疾病-症状在疾病-症
状知识图谱中存在关联关系,则疾病-症状对标签,如果不存在关联关系,则;
本发明的有益效果是:本发明有效整合知识图谱中的专家知识和电子病历数据,构建异构图网络。在异构图网络上,利用图卷积神经网络方法,学习异构图网络的局部信息和全局信息。疾病诊断模型可以对知识和数据同时进行端到端的训练。在模型优化目标中,除了优化疾病预测任务,同时加入对知识关系的监督信息(疾病对比学习部分和疾病-症状关系学习部分),从而保证疾病预测任务可以有效利用知识,也保证知识表示不受数据噪声的影响。针对预测疾病数量多,部分疾病对应患者数量有限的问题,设计多标签层次分类,用于提高少样本类别疾病的预测效果。
附图说明
图1为本发明实施例提供的基于图神经网络的疾病诊断预测***结构图;
图2为本发明实施例提供的异构图网络结构图;
图3为本发明实施例提供的疾病诊断模型结构图;
图4为本发明实施例提供的疾病的层级结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明实施例提供一种基于图神经网络的疾病诊断预测***,如图1所示,该***包括知识图谱构建模块、数据提取与预处理模块、疾病诊断模型构建模块和疾病诊断模型应用模块,下面详细阐述每个模块的实现过程。
知识图谱构建模块:基于SNOMED-CT、HPO等医学知识源构建疾病-症状知识图谱,所述疾病-症状知识图谱包括疾病、症状两种节点类型和疾病-症状一种关系。
数据提取与预处理模块:从电子病历***中抽取患者的电子病历数据,包括患者疾病诊断和症状数据,用三元组形式保存。
疾病诊断模型构建模块:对疾病-症状知识图谱和电子病历数据进行图神经网络学习和预测建模。
疾病诊断模型应用模块:利用疾病诊断模型,对新患者的输入症状进行疾病诊断预测。
疾病诊断模型构建模块的具体功能为:给定疾病集、症
状集和患者集,其中, 、 、 分别
表示疾病种类、症状种类和患者数量。将疾病诊断预测看作是多标签分类问题,即在给定患
者症状的情况下,疾病诊断模型能够预测患者的疾病诊断。
疾病诊断模型的实现包括:
(1)异构图网络构建
利用疾病-症状知识图谱和电子病历数据,构建一个包含疾病、症状以及患者三种
节点类型的异构图网络,其中症状是疾病与患者之间连接的中间节点。该异构图网络集
成了疾病-症状知识图谱中与疾病、症状相关的关系子图和电子病历数据中与患者、症状相
关的关系子图,包括疾病-症状子图和患者-症状子图。
(2)子图构建
(3)疾病诊断模型结构
图3为疾病诊断模型结构示例。利用疾病-症状共现矩阵,得到疾病、症状、患者的节点初始嵌入表示。将节点初始嵌入表示和邻接矩阵作为疾病诊断模型的输入。疾病诊断模型由图编码器和图解码器两部分组成。节点初始嵌入表示的生成、图编码器和图解码器的具体步骤见(4)-(6)。
(4)节点初始嵌入表示的生成
首先,构建一个疾病-症状共现矩阵,矩阵的第行、第列记为,
表示电子病历数据中诊断为疾病的患者中,出现症状的数量。接着,对进行行归一
化,得到,疾病的初始嵌入表示为,即的第行;对进行列归一化,得到,症状的初始嵌入表示为,即的第列。然后,计算患者的初始嵌入表示,计算公式如下:
(5)图编码器
首先,不同类型的节点初始嵌入表示分别输入一个多层感知器,得到相同维度的初始嵌入表示,随后输入图编码器中。图编码器基于图卷积神经网络实现。
其中,是激活函数,、分别是第层疾病诊断模型训练得到的疾病-症状
关联权重矩阵和患者-症状关联权重矩阵;分别是疾病节点、症状节点、
患者节点在第层的节点嵌入表示,图编码器的总层数为。表示疾病节点相邻症状节点的集合,表示症状节点相邻疾病节点的集合,表示症状
节点相邻患者节点的集合,表示患者节点相邻症状节点的集合。、通过疾病-症状邻接矩阵获得,、通过患者-症状邻接矩阵获得。通
过反复执行上述节点嵌入表示更新操作次,得到能够充分捕获关联关系的疾病、症状、患
者节点嵌入表示。
(6)图解码器
将图编码器得到的节点嵌入表示输入图解码器中。在图解码器中,利用节点嵌入表示进行多任务学习。
第一,进行患者疾病诊断预测的多标签层次分类。
首先,利用疾病的层级结构构建疾病层级关系,示例如图4所示。其中,层是疾病
集D中的疾病,即需要进行诊断预测的疾病,疾病种类如前所述为;层是根据医学知
识对疾病进行的***分类,记为,为层的疾病***分类数量。
接着,构建包含个二分类器的多标签层次分类器,个二分类器记为,。将患者的节点嵌入表示分别输入个二分类器,得到个预测概
率,记为。其中,,分类器
对应的标签为患者的疾病***分类;分类器
对应的标签为患者的疾病诊断,对应的模型参数为。
第二,进行疾病对比学习。
其中,m为不同疾病***类别嵌入表示之间距离的下界。
第三,进行疾病-症状关系学习。
首先,从疾病集D和症状集S中分别选取一种疾病和一种症状,得到疾病-症状对集
合DS,疾病-症状对数量为。对DS中的任意一个疾病-症状对,如果该疾病-症状在
疾病-症状知识图谱中存在关联关系,则疾病-症状对标签,如果不存在关联关
系,则。
以上所述仅是本发明的优选实施方式,虽然本发明已以较佳实施例披露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何的简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (9)
1.一种基于图神经网络的疾病诊断预测***,其特征在于,包括:
(1)知识图谱构建模块:基于医学知识源构建疾病-症状知识图谱;
(2)数据提取与预处理模块:从电子病历***中抽取患者电子病历数据,包括患者疾病诊断和症状数据,用三元组形式保存;
(3)疾病诊断模型构建模块:对疾病-症状知识图谱和电子病历数据进行图神经网络学习和预测建模,包括:
构建异构图网络,所述异构图网络包括从疾病-症状知识图谱中提取疾病-症状关系构建的疾病-症状子图,以及利用三元组形式的患者疾病诊断和症状数据构建的患者-症状子图;
构建疾病诊断模型,所述疾病诊断模型由图编码器和图解码器两部分组成;
所述图编码器基于图卷积神经网络实现,输入为利用疾病-症状共现矩阵得到的疾病、症状、患者的节点初始嵌入表示,以及疾病-症状邻接矩阵和患者-症状邻接矩阵,不同类型的节点通过连接边传递信息,通过节点嵌入表示更新操作得到疾病、症状、患者节点嵌入表示,输入图解码器;
所述图解码器利用节点嵌入表示进行多任务学习,包括三个部分:
a)患者疾病诊断预测的多标签层次分类:
构建包含个二分类器的多标签层次分类器,个二分类器记为,,;将患者的节点嵌入表示分别输入个二分类
器,得到个预测概率,记为,其中,二分类器对应的标签为患者的疾病***分类;二分类器对应的标签为患者的疾病诊断,对应的模型
参数为;
b)疾病对比学习:构建疾病对***类别判别器,计算疾病对中两种疾病之间的距离,设计疾病对比学习的损失函数;
c)疾病-症状关系学习:构建疾病-症状关系学习器,计算疾病-症状对中疾病与症状存在关联关系的概率,设计疾病-症状关系学习的损失函数;
将所述多标签层次分类的损失函数、所述疾病对比学习的损失函数和所述疾病-症状关系学习的损失函数加和得到疾病诊断模型的损失函数;
(4)疾病诊断模型应用模块:利用疾病诊断模型,对新患者的输入症状进行疾病诊断预测。
2.根据权利要求1所述的基于图神经网络的疾病诊断预测***,其特征在于,所述知识图谱构建模块中,所述疾病-症状知识图谱包括疾病、症状两种节点类型和疾病-症状一种关系。
3.根据权利要求1所述的基于图神经网络的疾病诊断预测***,其特征在于,所述异构图网络基于疾病-症状知识图谱和电子病历数据构建,包含疾病、症状及患者三种节点类型,其中症状是疾病与患者之间连接的中间节点,所述异构图网络集成了疾病-症状知识图谱中与疾病、症状相关的关系子图和电子病历数据中与患者、症状相关的关系子图。
6.根据权利要求1所述的基于图神经网络的疾病诊断预测***,其特征在于,将不同类型的节点初始嵌入表示分别输入一个多层感知器,得到相同维度的初始嵌入表示,再输入图编码器中。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111609275.1A CN113990495B (zh) | 2021-12-27 | 2021-12-27 | 一种基于图神经网络的疾病诊断预测*** |
JP2023536567A JP7459386B2 (ja) | 2021-12-27 | 2022-09-05 | 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 |
PCT/CN2022/116970 WO2023124190A1 (zh) | 2021-12-27 | 2022-09-05 | 一种基于图神经网络的疾病诊断预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111609275.1A CN113990495B (zh) | 2021-12-27 | 2021-12-27 | 一种基于图神经网络的疾病诊断预测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113990495A CN113990495A (zh) | 2022-01-28 |
CN113990495B true CN113990495B (zh) | 2022-04-29 |
Family
ID=79734519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111609275.1A Active CN113990495B (zh) | 2021-12-27 | 2021-12-27 | 一种基于图神经网络的疾病诊断预测*** |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7459386B2 (zh) |
CN (1) | CN113990495B (zh) |
WO (1) | WO2023124190A1 (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113990495B (zh) * | 2021-12-27 | 2022-04-29 | 之江实验室 | 一种基于图神经网络的疾病诊断预测*** |
CN114496283A (zh) * | 2022-02-15 | 2022-05-13 | 山东大学 | 一种基于路径推理的疾病预测***、存储介质及设备 |
CN114496234B (zh) * | 2022-04-18 | 2022-07-19 | 浙江大学 | 一种基于认知图谱的全科患者个性化诊疗方案推荐*** |
CN114898879B (zh) * | 2022-05-10 | 2023-04-21 | 电子科技大学 | 一种基于图表示学习的慢病风险预测方法 |
CN114664452B (zh) * | 2022-05-20 | 2022-09-23 | 之江实验室 | 一种基于因果校验数据生成的全科多疾病预测*** |
CN115019923B (zh) * | 2022-07-11 | 2023-04-28 | 中南大学 | 一种基于对比学习的电子病历数据预训练方法 |
CN115359870B (zh) * | 2022-10-20 | 2023-03-24 | 之江实验室 | 一种基于层次图神经网络的疾病诊疗过程异常识别*** |
CN115424724B (zh) * | 2022-11-04 | 2023-01-24 | 之江实验室 | 一种多模态图森林的肺癌***转移辅助诊断*** |
CN115862848B (zh) * | 2023-02-15 | 2023-05-30 | 之江实验室 | 基于临床数据筛选和医学知识图谱的疾病预测***和装置 |
CN116072298B (zh) * | 2023-04-06 | 2023-08-15 | 之江实验室 | 一种基于层级标记分布学习的疾病预测*** |
CN116646072A (zh) * | 2023-05-18 | 2023-08-25 | 肇庆医学高等专科学校 | 一种***诊断神经网络模型的训练方法及装置 |
CN116562266B (zh) * | 2023-07-10 | 2023-09-15 | 中国医学科学院北京协和医院 | 文本分析方法、计算机设备及计算机可读存储介质 |
CN116631641B (zh) * | 2023-07-21 | 2023-12-22 | 之江实验室 | 一种集成自适应相似患者图的疾病预测装置 |
CN116936108B (zh) * | 2023-09-19 | 2024-01-02 | 之江实验室 | 一种面向不平衡数据的疾病预测*** |
CN117010494B (zh) * | 2023-09-27 | 2024-01-05 | 之江实验室 | 一种基于因果表示学习的医学数据生成方法及*** |
CN117012374B (zh) * | 2023-10-07 | 2024-01-26 | 之江实验室 | 一种融合事件图谱和深度强化学习的医疗随访***及方法 |
CN117235487B (zh) * | 2023-10-12 | 2024-03-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种用于预测哮喘患者住院事件的特征提取方法和*** |
CN117409911B (zh) * | 2023-10-13 | 2024-05-07 | 四川大学 | 一种基于多视图对比学习的电子病历表示学习方法 |
CN117438023B (zh) * | 2023-10-31 | 2024-04-26 | 灌云县南岗镇卫生院 | 基于大数据的医院信息管理方法及*** |
CN117894422A (zh) * | 2024-03-18 | 2024-04-16 | 攀枝花学院 | 一种基于icu重症监测的数据可视化方法及*** |
CN118193797A (zh) * | 2024-05-17 | 2024-06-14 | 之江实验室 | 一种业务执行的方法、装置、存储介质及电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154928A (zh) * | 2017-12-27 | 2018-06-12 | 北京嘉和美康信息技术有限公司 | 一种疾病诊断方法及装置 |
CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持*** |
CN111382272A (zh) * | 2020-03-09 | 2020-07-07 | 西南交通大学 | 一种基于知识图谱的电子病历icd自动编码方法 |
CN111834012A (zh) * | 2020-07-14 | 2020-10-27 | 中国中医科学院中医药信息研究所 | 基于深度学习和注意力机制的中医证候诊断方法及装置 |
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 |
CN112263220A (zh) * | 2020-10-23 | 2021-01-26 | 北京文通图像识别技术研究中心有限公司 | 一种内分泌疾病智能诊断*** |
CN113409892A (zh) * | 2021-05-13 | 2021-09-17 | 西安电子科技大学 | 基于图神经网络的miRNA-疾病关联关系预测方法 |
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*** |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7774143B2 (en) * | 2002-04-25 | 2010-08-10 | The United States Of America As Represented By The Secretary, Department Of Health And Human Services | Methods for analyzing high dimensional data for classifying, diagnosing, prognosticating, and/or predicting diseases and other biological states |
US20130268290A1 (en) * | 2012-04-02 | 2013-10-10 | David Jackson | Systems and methods for disease knowledge modeling |
PL407244A1 (pl) * | 2014-02-18 | 2015-08-31 | Instytut Biochemii I Biofizyki Polskiej Akademii Nauk | Bioczujnik elektrochemiczny do wykrywania białka S100B |
US20150356272A1 (en) * | 2014-06-10 | 2015-12-10 | Taipei Medical University | Prescription analysis system and method for applying probabilistic model based on medical big data |
US20190155993A1 (en) * | 2017-11-20 | 2019-05-23 | ThinkGenetic Inc. | Method and System Supporting Disease Diagnosis |
CN108198620B (zh) * | 2018-01-12 | 2022-03-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断*** |
US11636949B2 (en) * | 2018-08-10 | 2023-04-25 | Kahun Medical Ltd. | Hybrid knowledge graph for healthcare applications |
CN109784387A (zh) * | 2018-12-29 | 2019-05-21 | 天津南大通用数据技术股份有限公司 | 基于神经网络和贝叶斯模型的多层次递进分类方法及*** |
CN111666477B (zh) | 2020-06-19 | 2023-10-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、智能设备及介质 |
CN111914562B (zh) | 2020-08-21 | 2022-10-14 | 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 |
CN113674856B (zh) | 2021-04-15 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学数据处理方法、装置、设备及介质 |
CN113656589B (zh) | 2021-04-19 | 2023-07-04 | 腾讯科技(深圳)有限公司 | 对象属性确定方法、装置、计算机设备及存储介质 |
CN113643821B (zh) * | 2021-10-13 | 2022-02-11 | 浙江大学 | 一种多中心知识图谱联合决策支持方法与*** |
CN113990495B (zh) * | 2021-12-27 | 2022-04-29 | 之江实验室 | 一种基于图神经网络的疾病诊断预测*** |
-
2021
- 2021-12-27 CN CN202111609275.1A patent/CN113990495B/zh active Active
-
2022
- 2022-09-05 WO PCT/CN2022/116970 patent/WO2023124190A1/zh active Application Filing
- 2022-09-05 JP JP2023536567A patent/JP7459386B2/ja active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108154928A (zh) * | 2017-12-27 | 2018-06-12 | 北京嘉和美康信息技术有限公司 | 一种疾病诊断方法及装置 |
CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN111370127A (zh) * | 2020-01-14 | 2020-07-03 | 之江实验室 | 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持*** |
CN111382272A (zh) * | 2020-03-09 | 2020-07-07 | 西南交通大学 | 一种基于知识图谱的电子病历icd自动编码方法 |
CN111834012A (zh) * | 2020-07-14 | 2020-10-27 | 中国中医科学院中医药信息研究所 | 基于深度学习和注意力机制的中医证候诊断方法及装置 |
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 |
CN112263220A (zh) * | 2020-10-23 | 2021-01-26 | 北京文通图像识别技术研究中心有限公司 | 一种内分泌疾病智能诊断*** |
CN113409892A (zh) * | 2021-05-13 | 2021-09-17 | 西安电子科技大学 | 基于图神经网络的miRNA-疾病关联关系预测方法 |
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*** |
Non-Patent Citations (4)
Title |
---|
Disease prediction using graph convolutional networks :Application to Autisom Spectrum Disorder and Alzheimer"s disease;Saraah Parisot ET AL;《Medical Image Analysis》;20180831;第48卷;全文 * |
基于异构信息网络的疾病辅助诊断方法研究;孙振超;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20211215;第2021年卷(第12期);第17-31页 * |
基于本体的疾病分子标志物挖掘方法研究;王永天;《万方学位论文》;20211202;全文 * |
基于深度学习的胸部常见疾病诊断方法;张驰名等;《计算机工程》;20200731;第46卷(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
JP7459386B2 (ja) | 2024-04-01 |
JP2024503980A (ja) | 2024-01-30 |
CN113990495A (zh) | 2022-01-28 |
WO2023124190A1 (zh) | 2023-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113990495B (zh) | 一种基于图神经网络的疾病诊断预测*** | |
Sullivan | Understanding from machine learning models | |
Buhrmester et al. | Analysis of explainers of black box deep neural networks for computer vision: A survey | |
Zheng et al. | The fusion of deep learning and fuzzy systems: A state-of-the-art survey | |
Li et al. | A survey of data-driven and knowledge-aware explainable ai | |
CN111382272B (zh) | 一种基于知识图谱的电子病历icd自动编码方法 | |
Geetha et al. | Fuzzy case-based reasoning approach for finding COVID-19 patients priority in hospitals at source shortage period | |
CN113553440A (zh) | 一种基于层次推理的医学实体关系抽取方法 | |
Ibrahim et al. | Explainable convolutional neural networks: A taxonomy, review, and future directions | |
CN114743037A (zh) | 一种基于多尺度结构学习的深度医学图像聚类方法 | |
CN112069825B (zh) | 面向警情笔录数据的实体关系联合抽取方法 | |
Haggag et al. | A computer-aided diagnostic system for diabetic retinopathy based on local and global extracted features | |
CN117457192A (zh) | 智能远程诊断方法及*** | |
CN111143573B (zh) | 基于用户反馈信息进行知识图谱目标节点预测的方法 | |
Wang et al. | Bb-gcn: A bi-modal bridged graph convolutional network for multi-label chest x-ray recognition | |
Anjana et al. | Improving sepsis classification performance with artificial intelligence algorithms: A comprehensive overview of healthcare applications | |
Vergara et al. | A Schematic Review of Knowledge Reasoning Approaches Based on the Knowledge Graph | |
Abu et al. | Approaches Of Deep Learning In Persuading The Contemporary Society For The Adoption Of New Trend Of AI Systems: A Review | |
Sudha | Applied Computational Intelligence | |
Analide et al. | Intelligent Data Engineering and Automated Learning–IDEAL 2020: 21st International Conference, Guimaraes, Portugal, November 4–6, 2020, Proceedings, Part II | |
Fujita et al. | Trends in Artificial Intelligence Theory and Applications. Artificial Intelligence Practices: 33rd International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems, IEA/AIE 2020, Kitakyushu, Japan, September 22-25, 2020, Proceedings | |
CN116662554B (zh) | 基于异构图卷积神经网络的传染病方面级情感分类方法 | |
de Oliveira | Producing Decisions and Explanations: A Joint Approach Towards Explainable CNNs | |
Yuanchuan et al. | Auxiliary diagnosis study of integrated electronic medical record text and CT images | |
Deng et al. | Deep multiple instance learning for forecasting stock trends using financial news |
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 |