CN114496234B - 一种基于认知图谱的全科患者个性化诊疗方案推荐*** - Google Patents

一种基于认知图谱的全科患者个性化诊疗方案推荐*** Download PDF

Info

Publication number
CN114496234B
CN114496234B CN202210403938.2A CN202210403938A CN114496234B CN 114496234 B CN114496234 B CN 114496234B CN 202210403938 A CN202210403938 A CN 202210403938A CN 114496234 B CN114496234 B CN 114496234B
Authority
CN
China
Prior art keywords
patient
node
cognitive
data
map
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
CN202210403938.2A
Other languages
English (en)
Other versions
CN114496234A (zh
Inventor
李劲松
刘强华
田雨
周天舒
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210403938.2A priority Critical patent/CN114496234B/zh
Publication of CN114496234A publication Critical patent/CN114496234A/zh
Application granted granted Critical
Publication of CN114496234B publication Critical patent/CN114496234B/zh
Priority to PCT/CN2023/088590 priority patent/WO2023202508A1/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (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认知图谱的全科患者个性化诊疗方案推荐***，该***包括数据采集模块、数据预处理模块、数据分析推理模块和推荐结果显示模块，在数据分析推理模块中首先构建全科知识图谱，然后基于患者就诊时的疾病、症状、用药等信息和已构建的全科知识图谱，建立患者个性化的疾病发展轨迹的认知图谱，进而给出患者个性化诊疗方案推荐。本发明使用基于认知图谱的推理方法，使***能够真正模拟临床医生的诊疗思路，为临床医生提供可解释的、可接受度高的临床辅助决策工具；本发明从症状出发，为患者制定个性化诊疗方案，帮助患者及早发现病因并接受针对性治疗，同时也能够实现危险疾病的早筛，提示患者及时转诊至专科治疗。

Description

一种基于认知图谱的全科患者个性化诊疗方案推荐***
技术领域
本发明属于医疗健康信息技术领域，尤其涉及一种基于认知图谱的全科患者个性化诊疗方案推荐***。
背景技术
在我国，全科医学是一个面向社区与家庭，整合临床医学、预防医学、康复医学以及人文社会学科相关内容于一体的综合性医学专业学科，成立于上世纪九十年代，其范围涵盖了各种年龄、性别、各个器官***以及各类健康问题。全科医学主要服务领域为基层卫生保健，以家庭、社区为背景，处理常见问题为主，并且大量是处于疾病未分化阶段的健康问题。全科未分化疾病是指医学上无法解释的躯体症状或指疾病早期尚未明确归属于某一***的疾病。也就是说，就诊全科的患者往往只表现出外显的症状，可能并不知道自己患病的原因以及疾病所属的***。另外，很多疾病往往在早期发展阶段就表现出一些特异性及非特异性症状，比如腹痛几乎会影响所有的腹部癌症，包括结肠癌、***癌、膀胱癌、肾癌，而2020年Lancet Oncology上的一篇文章也指出很多病人的某些症状在癌症的I-III期都已经表现出来。综上，科学地处理未分化疾病，使疾病在早期能够得到诊治，是全科医生应该学会和掌握的技能。然而，虽然我国的全科医生培养体系已经初步形成，培养模式也已基本确立，队伍人数也在不断增加，但是总体上全科医生数量仍然不足、质量有待提高。针对上述情况，构建一个面对全科未分化疾病的患者个性化诊疗方案推荐***可以帮助全科医生实现更精准的诊疗和及早的转诊，优化诊疗流程，同时可能提高癌症诊断的及时性和改善癌症预后。
目前以从症状出发的、针对全科患者的个性化诊疗方案推荐***或者辅助诊断***很少，该领域还处于发展阶段，现有类似技术方案存在的缺点有：
1. 现有技术方案很少有以症状为出发点对患者可能患有的不同种类或者不同***的疾病进行分析的，大多数集中在已经确定的一种或者一类疾病，比如糖尿病、自闭症、传染病等，但在全科门诊中，医生面临的往往是未分化疾病，表现出相同症状的患者最后可能需要转诊到不同的科室进行后续治疗，因此当前的技术方案无法很好地解决目前全科领域遇到的问题；
2. 现有技术方案主要用在患者和医生面诊之前的导诊或者预问诊过程以及患者在家中的自我监测，未嵌入到与医生的实时交流活动中，未能真正地应用到临床场景中；
3. 现有的技术方案基本采用数据驱动的方法，抽取大量符合条件的患者队列，然后基于患者确诊前的临床数据，使用传统的机器学习或者深度学习的方法进行分析，辅助医生进行临床决策支持，整个过程没有融入临床指南、专家共识等，缺乏知识驱动；
4. 现有技术方案往往是基于某一人群的大数据进行模型训练和数据分析，更换人群队列后模型效果会下降很多，即模型的泛化性能差，同时深度学习存在“黑箱”问题，模型不具备可解释性或者可解释性较差。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于认知图谱的全科患者个性化诊疗方案推荐***，该***具备较高的可扩展性、可解释性和泛化性，可解决如下技术问题：
1. 本技术方案针对全科未分化疾病问题，选取若干常见临床症状，这些症状能够辐射到临床的不同种类疾病中，以症状为出发点，为患者的诊疗方案提供个性化支持；
2. 本技术方案可以独立地为患者的整个就诊过程提供临床决策支持，也可以与医生进行实时互动，医生可以随时在推理过程中加入新的诊断或者治疗建议，本发明提供的***与医生一同为患者提供更加精准的决策支持；
3. 本技术方案采用数据驱动和知识驱动相结合的方式，首先使用半自动的方法构建全科知识图谱，然后根据常见的临床症状，选取符合条件的患者队列，最后基于认知图谱的思想，利用全科知识图谱和选取的数据集构建患者个性化诊疗方案推荐***；
4. 本技术方案模拟人类解决问题的推理思路，使用基于认知图谱的推理方法，不限制输入变量的数目，具备很好的可扩展性，实现结合领域知识进行推理的模式，具备较高的泛化性能，同时可以将推理过程进行可视化展示，具备很强的可解释性。
本发明的目的是通过以下技术方案实现的：一种基于认知图谱的全科患者个性化诊疗方案推荐***，包括：
数据采集模块：用于从医疗机构数据库中抽取全科门诊患者就诊时的临床诊疗数据；
数据预处理模块：对数据采集模块获取的数据进行数据预处理操作，包括对门诊电子病历文本数据结构化处理及数据规整；
数据分析推理模块：构建全科知识图谱，基于患者就诊时的疾病、症状、用药信息和已构建的全科知识图谱，利用变体图神经网络和注意力捕捉模块建立患者个性化的疾病发展轨迹的认知图谱，给出患者个性化诊疗方案推荐；
推荐结果显示模块：对数据分析推理模块的推理过程进行可视化展示，提供患者个性化疾病发展和治疗过程。
进一步地，所述数据预处理模块中，采用基于规则和领域词典的方法从门诊电子病历文本数据中提取患者的症状、患病记录及用药记录，实现文本数据结构化；
针对含有数值的检查结果数据类型，仅保留指标结果为阳性的数据；去除定期到医疗机构开药、定期体检以及定期复查的患者数据；去除就诊中医门诊的患者数据。
进一步地，所述数据分析推理模块中，所述全科知识图谱采用手动构建和自动构建相结合的方式；通过临床医生完成与数据采集模块抽取的症状、疾病相关知识的全科知识图谱手动构建部分；全科知识图谱自动构建部分涵盖从SemMed DB以及中文ICD-10中提取到的相关临床术语及关系。
进一步地，所述数据分析推理模块包括全科知识图谱构建模块和基于认知图谱的推理***；所述基于认知图谱的推理***包括两个子***：子***1用于基于患者初始临床诊疗数据集在已构建的全科知识图谱上进行疾病发展轨迹探索；子***2用于基于子***1探索的患者多条潜在疾病发展轨迹进行患者最终状态精准定位。
进一步地，所述子***1包括：对全科知识图谱进行全局向量化；患者个性化的认知图谱最初由患者初始临床诊疗数据集中的若干患者初始数据形成的节点构成，基于认知图谱和全局向量化后的全科知识图谱，迭代捕捉潜在的认知图谱推理节点集；
所述子***2包括：将认知图谱推理节点集中的节点逐步补充到认知图谱中，定义认知图谱的节点状态更新方式，基于全科知识图谱和认知图谱推理得到患者的疾病和治疗方式。
进一步地，所述子***1中，基于变体图神经网络实现全科知识图谱的全局向量化，具体为：
全科知识图谱包含一系列三元组
Figure 902584DEST_PATH_IMAGE001
，每个三元组由一个关系r和两个实体
Figure 757408DEST_PATH_IMAGE002
组成，每个实体作为全科知识图谱中的一个节点，每个三元组代表一条医学知识；
为全科知识图谱的每个节点h定义一个可学习的嵌入向量表示
Figure 3057DEST_PATH_IMAGE003
，为每个关系r定 义一个可学习的嵌入向量表示
Figure 601528DEST_PATH_IMAGE004
；设置全局向量化过程迭代步数M，第
Figure 884742DEST_PATH_IMAGE005
步迭代时， 节点h的状态向量表示为
Figure 972784DEST_PATH_IMAGE006
，
Figure 708659DEST_PATH_IMAGE007
，与节点h相关的医学知识
Figure 110821DEST_PATH_IMAGE001
的向量化表示
Figure 248542DEST_PATH_IMAGE008
；
在全科知识图谱中对节点h所在的全部三元组包含的医学知识进行聚合，得到三 元组聚合向量
Figure 710747DEST_PATH_IMAGE009
，其中
Figure 730655DEST_PATH_IMAGE010
为全科知识图谱中节点h所在的全部三元组的 数量；
节点h的下一步状态向量
Figure 936509DEST_PATH_IMAGE011
的更新方式为
Figure 663156DEST_PATH_IMAGE012
；
Figure 561842DEST_PATH_IMAGE013
和
Figure 69047DEST_PATH_IMAGE014
为两个隐藏层函数，输入为全部向量的拼接，输出与输入的单个向量维度 一致；
将最后一步的输出结果
Figure 813012DEST_PATH_IMAGE015
作为节点h的全局向量表示。
进一步地，所述子***1中，通过注意力捕捉模块，基于初始临床诊疗数据集从全局向量化后的全科知识图谱中迭代捕捉潜在的认知图谱推理节点集，具体为：
定义节点访问集合
Figure 659745DEST_PATH_IMAGE016
，初始节点访问集合
Figure 463753DEST_PATH_IMAGE017
，S为患者初始临床诊疗数据 集，将
Figure 458254DEST_PATH_IMAGE018
中的每个节点均标记为未访问，设置最大迭代步数L，当迭代步数为
Figure 5910DEST_PATH_IMAGE019
时， 遍历当前迭代步数的节点访问集合
Figure 972729DEST_PATH_IMAGE020
中的每个未访问节点
Figure 947638DEST_PATH_IMAGE021
，从全科知识图谱中查询
Figure 364189DEST_PATH_IMAGE021
的一步邻域节点集
Figure 715536DEST_PATH_IMAGE022
；
通过注意力捕捉模块从全科知识图谱中抽取当前患者潜在疾病发展轨迹，包括： 从
Figure 333599DEST_PATH_IMAGE021
对应的邻域节点集
Figure 744989DEST_PATH_IMAGE022
中的所有节点的注意力值集合中采样注意力值最大的k个节点作 为当前迭代步数的推理节点集
Figure 386185DEST_PATH_IMAGE023
，将此次遍历的未访问节点
Figure 72382DEST_PATH_IMAGE021
的标签修改为访问，并将
Figure 13793DEST_PATH_IMAGE023
中的未存在于
Figure 330505DEST_PATH_IMAGE024
的节点纳入
Figure 724577DEST_PATH_IMAGE024
中，生成
Figure 417727DEST_PATH_IMAGE025
，同时将新纳入的节点的标签设置为未访 问；
当
Figure 744803DEST_PATH_IMAGE026
时，从全科知识图谱中查询
Figure 497995DEST_PATH_IMAGE027
中全部节点之间的所有关系并补充到认 知图谱中，再进行遍历节点访问集合中未访问节点的操作，更新节点访问集合和认知图谱 中的推理节点；
当迭代步数到达L或者认知图谱推理节点集中的推理节点不再增加时，迭代过程结束，得到认知图谱推理节点集。
进一步地，所述子***2中，利用变体图神经网络定义认知图谱的节点状态更新方式，基于全科知识图谱和认知图谱推理得到患者的疾病和治疗方式，具体为：
将子***1中得到的认知图谱推理节点集
Figure 113784DEST_PATH_IMAGE028
以及推理节点在全科知识图谱中的全 部关系纳入到认知图谱中，认知图谱全部节点集合记作V，
Figure 610625DEST_PATH_IMAGE029
，初始临床诊疗数据 集
Figure 57786DEST_PATH_IMAGE030
，n为患者初始数据条数，
Figure 716301DEST_PATH_IMAGE031
为第i条患者初始数据；
设置认知图谱节点状态更新所需迭代步数T，认知图谱中的节点
Figure 819386DEST_PATH_IMAGE032
的初始状 态向量表示
Figure 854338DEST_PATH_IMAGE033
；第
Figure 421586DEST_PATH_IMAGE034
步迭代时，三元组
Figure 251001DEST_PATH_IMAGE035
蕴含的医学知识的向量化表示
Figure 841383DEST_PATH_IMAGE036
，其中
Figure 677096DEST_PATH_IMAGE037
为患者初始临床诊疗数据 集S中节点的全局向量表示；
在认知图谱中对节点v所在的全部三元组包含的医学知识进行聚合，得到三元组 聚合向量
Figure 36533DEST_PATH_IMAGE038
，其中
Figure 99167DEST_PATH_IMAGE039
为认知图谱中节点
Figure 176845DEST_PATH_IMAGE040
所在的全部三元组的数量；
节点
Figure 553599DEST_PATH_IMAGE040
的
Figure 33122DEST_PATH_IMAGE041
步的状态向量
Figure 266657DEST_PATH_IMAGE042
的更新方式为
Figure 831631DEST_PATH_IMAGE043
；
Figure 746497DEST_PATH_IMAGE044
和
Figure 80527DEST_PATH_IMAGE045
为两个隐藏层函数。
进一步地，所述子***2中，将节点状态更新完成的认知图谱的每个节点的状态向量取代节点在全科知识图谱中的全局向量表示，将全科知识图谱的全部节点用矩阵X表示，矩阵X的维度为J×Q，其中J为全科知识图谱中的节点数目，Q为每个节点的向量维度；采用一个两层的全连接网络作为最终的预测层F：
Figure 484963DEST_PATH_IMAGE046
其中，prediction为经过推理后给出的患者最可能的疾病D或者建议的治疗方式P，患者所患的真实疾病或者真实治疗方式记为target，使用sigmoid函数作为激活函数，使用交叉熵损失函数计算prediction和target之间的误差，最后使用随机梯度下降算法传播交叉熵损失函数梯度以完成对基于认知图谱的推理***的优化。
进一步地，所述推荐结果显式模块中，利用网页前端将患者已有的症状、疾病以及经过推理后可能需要的治疗方式和可能患有的疾病进行可视化展示，并支持临床医生输入患者就诊时的临床诊疗信息，对患者的诊疗路径和方案进行可视化展示。
本发明的有益效果是：
1. 本技术方案参考人类的认知过程，使用基于认知图谱的推理方法，实现从感知智能向认知智能的跨越，使***能够真正模拟临床医生的诊疗思路，为临床医生提供可解释的、可接受度高的临床辅助决策工具；
2. 本技术方案提供的***可以在临床场景中独立使用，为医生和患者提供诊疗支持，也支持医生与***进行实时互动，及时为***补充更加全面的患者信息，从而为患者提供更加精准的诊疗建议；
3. 针对全科未分化疾病问题，本技术方案从症状出发，为患者制定个性化的诊疗方案，帮助患者及早发现病因并接受针对性治疗，同时也能够实现危险疾病的早筛，提示患者及时转诊至专科治疗。
附图说明
图1为本发明实施例提供的基于认知图谱的全科患者个性化诊疗方案推荐***结构图；
图2为本发明实施例提供的构建全科知识图谱示意图；
图3为本发明实施例提供的构建患者个性化认知图谱示意图；
图4为本发明实施例提供的推荐诊疗路径及结果示意图。
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认知图谱的全科患者个性化诊疗方案推荐***，如图1所示，该***包括数据采集模块、数据预处理模块、数据分析推理模块和推荐结果显示模块，具体地：
数据采集模块：用于从医疗机构数据库中抽取全科门诊患者就诊时的临床诊疗数据。
数据预处理模块：对数据采集模块获取的数据进行预处理操作，主要包括对门诊电子病历文本数据结构化处理、数据规整等操作。
数据分析推理模块：这一部分是该***的核心，首先构建全科知识图谱，然后基于患者就诊时的疾病、症状、用药等信息和已构建的全科知识图谱，利用设计的变体图神经网络和注意力捕捉模块建立患者个性化的疾病发展轨迹的认知图谱，进而给出患者的个性化诊疗方案推荐。
推荐结果显示模块：主要对数据分析推理模块的推理过程进行可视化展示，提供清晰的患者个性化疾病发展和治疗过程。
下述说明进一步给出了符合本申请要求的基于认知图谱的全科患者个性化诊疗方案推荐***各模块实现的部分实施例。
一、数据采集模块
本实施例中选取临床上常见的22种症状，分别是恶心、呕吐、胸痛、腰痛、腹痛、便血、吞咽困难、消化道出血、腹胀、大便失禁、便秘、腹泻、尿失禁、夜尿、消瘦、体重减轻、尿频、尿急、烧心、黑便、排尿困难和肉眼血尿，采用SQL命令从医疗机构数据库中抽取因上述症状到医疗机构门诊就诊的患者全部临床诊疗数据，包括患者的门诊电子病历、个人统计学数据、诊断数据、用药数据、操作数据、检查结果数据等。
二、数据预处理模块
患者就诊的主诉、既往病史、现病史、家族史等信息均以文本形式存储于门诊电子病历中，采用基于规则和领域词典的方法从文本数据中提取患者的症状、患病记录、用药记录等信息，从而达到文本数据结构化的目的。
针对含有数值的检查结果数据类型，比如血常规、尿常规所涵盖的各种检查指标，只保留指标结果为阳性的数据。由于本技术方案采用认知图谱的方法，每条数据的输入变量数目无需固定，所以不涉及缺失数据插补操作。
一条可利用的数据定义为以患者某次就诊时间为起点，一个自然日内的所有临床诊疗数据的集合。由于本发明的主要目的是基于全科知识图谱，以患者的初始疾病、症状为起点，推理患者的疾病走向并给出治疗建议，因此去除数据采集模块中抽取到的定期到医疗机构开药、定期体检以及定期复查的患者数据，另外后续构建的全科知识图谱内容以西医为主，因此也要去除就诊中医门诊的患者数据。
三、数据分析推理模块
数据分析推理模块包括全科知识图谱构建模块和基于认知图谱的推理***，具体地：
3.1全科知识图谱构建模块
本发明提出的技术方案以领域知识图谱为基础，因此数据训练前首先需要构建全科知识图谱。全科知识图谱的构建过程采用手动构建和自动构建相结合的方式，如图2所示。
(a)本实施例中，临时聘请10名临床医生，完成与数据采集模块抽取的症状、疾病相关知识的全科知识图谱的手动构建部分。具体来说，医生根据数据采集模块抽取的症状和疾病，收集相关临床指南、专家共识、专业教材以及uptodate网站上的内容等，并对所收集文本内容中的临床实体和关系进行手动提取。为了使提取结构形式标准化，需要手动设计一份文本提取模板。
(b)知识图谱自动构建部分涵盖从SemMed DB以及中文ICD-10中提取到的相关临床术语及关系。SemMed DB涵盖了从医学文献数据库PubMed中提取到的丰富的英文三元组关系，需要进一步调用翻译软件API将其翻译为中文形式。中文ICD-10中涵盖了全部疾病的分类关系和代码，提取相关疾病分类可以对构建的全科知识图谱的层次结构进行充分的补充。
3.2基于认知图谱的推理***
认知图谱是实现认知智能的一种手段，认知图谱技术模拟人类解决问题的思路，参考了脑认知科学领域提出的双***理论。该双***理论认为人的认知过程包括两个***：***1是基于直觉的、无知觉的思考***，是感知的过程，***2是显式的，有逻辑的，需要意识控制，是人类高级智能的体现。本发明提出的基于认知图谱的推理***，包括两个子***，子***1是基于患者初始临床诊疗数据在已构建的全科知识图谱上进行疾病发展轨迹探索的过程，而子***2是基于子***1探索的患者多条潜在疾病发展轨迹进行患者最终状态精准定位的过程。
如图3所示，已构建的全科知识图谱记作G，其包含一系列的三元组
Figure 537233DEST_PATH_IMAGE047
，每个三元组代表一条医学知识，每个三元组由一个关系
Figure 990211DEST_PATH_IMAGE048
和两个 实体
Figure 444326DEST_PATH_IMAGE049
组成，其中关系r由头实体h指向尾实体t，
Figure 222926DEST_PATH_IMAGE050
为全科知识图谱G的所有实体集 合，三元组中的每个实体作为全科知识图谱G中的一个节点，R为全科知识图谱G的所有关系 集合。实体类型包括：症状、疾病、检查手段、治疗方式、用药、检查结果等。这些三元组包含 了症状与疾病、疾病与疾病、疾病与检查手段、疾病与治疗方式等实体类型之间的关系。本 技术方案的任务是基于患者初始临床诊疗数据集S，推理得到患者的疾病D和治疗方式P，并 给出中间的推理过程，其中初始临床诊疗数据集
Figure 559230DEST_PATH_IMAGE051
，该初始临床诊疗 数据集按照患者初始就诊时的每条症状、病史、用药数据产生的时间顺序进行排序，n为患 者初始数据条数，
Figure 815899DEST_PATH_IMAGE052
为第i条患者初始数据。
患者个性化认知图谱
Figure 124520DEST_PATH_IMAGE053
最初仅由患者初始临床诊疗数据集S中的n条患者初始数据 形成的n个节点组成。
子***1首先对全科知识图谱进行全局向量化，实现图谱全局节点的语义互通，然 后基于认知图谱
Figure 870759DEST_PATH_IMAGE053
和全局向量化后的全科知识图谱，迭代捕捉潜在的认知图谱推理节点集
Figure 632042DEST_PATH_IMAGE054
，认知图谱推理节点集
Figure 692402DEST_PATH_IMAGE054
中的节点可能是患者的疾病、应做的检查或者应服用的药物 等；
子***2将认知图谱推理节点集
Figure 876038DEST_PATH_IMAGE055
中的节点逐步补充到认知图谱
Figure 996441DEST_PATH_IMAGE053
中，然后定义 认知图谱的节点状态更新方式，最终基于全科知识图谱和认知图谱推理得到患者的疾病D 和治疗方式P。
在一个实施例中，子***1的实现具体为：主要基于图神经网络（Graph Neural Networks，GNN）的变体网络即变体图神经网络实现全科知识图谱的全局向量化，然后模仿 传统注意力思想，设计一个患者潜在疾病发展轨迹的注意力捕捉模块，该模块基于初始临 床诊疗数据集
Figure 307336DEST_PATH_IMAGE056
从全局向量化后的全科知识图谱中迭代捕捉认知图 谱推理过程中所需的推理节点。
首先介绍全科知识图谱的全局向量化过程。针对全科知识图谱的每个节点h，定义 一个可学习的嵌入向量表示
Figure 171387DEST_PATH_IMAGE057
，针对每个关系r，也定义一个可学习的嵌入向量表示
Figure 923442DEST_PATH_IMAGE058
。全 科知识图谱的全局向量化过程需要进行M步迭代（M人为设定，本实施例中设定M = 3），第
Figure 480326DEST_PATH_IMAGE059
步迭代时，节点状态向量表示为
Figure 12938DEST_PATH_IMAGE060
，而
Figure 680680DEST_PATH_IMAGE061
。每一个三元组
Figure 287242DEST_PATH_IMAGE062
代表一条 医学知识，在第m步迭代时可被向量化为
Figure 15026DEST_PATH_IMAGE063
。在全科知识图谱的全局向量化过程中，与节 点h相关的医学知识
Figure 34935DEST_PATH_IMAGE064
的向量化表示如下：
Figure 240788DEST_PATH_IMAGE065
其中
Figure 233015DEST_PATH_IMAGE066
,
Figure 866122DEST_PATH_IMAGE067
分别为第m步迭代时节点h，t的节点状态向量；该医学知识的向量化 表示与该医学知识中的头、尾实体和关系的向量表示有关；
节点h在迭代过程中的状态更新与其本身的向量表示和其所在的全部三元组即邻 域的向量表示均有关系，在全科知识图谱中对节点h所在的全部三元组包含的医学知识进 行聚合，得到三元组聚合向量
Figure 311009DEST_PATH_IMAGE068
，可表示为：
Figure 117291DEST_PATH_IMAGE069
其中
Figure 229604DEST_PATH_IMAGE070
为全科知识图谱中节点h所在的全部三元组的数量；
Figure 768033DEST_PATH_IMAGE071
通过将相关三元 组的向量信息进行聚合再除以邻域数目均方根来计算；
最终节点h的下一步状态向量
Figure 965796DEST_PATH_IMAGE072
的更新方式为：
Figure 310189DEST_PATH_IMAGE073
Figure 277008DEST_PATH_IMAGE074
与节点初始状态向量
Figure 983409DEST_PATH_IMAGE075
、当前迭代步数的状态向量
Figure 668468DEST_PATH_IMAGE076
以及当前节点和其邻 域节点组成的三元组聚合向量
Figure 19815DEST_PATH_IMAGE077
有关，这也表达了邻域医学知识向当前节点传递信息的 过程；
上述的
Figure 637878DEST_PATH_IMAGE078
、
Figure 49268DEST_PATH_IMAGE079
分别表示两个隐藏层函数，输入为全部向量的拼接，输出与输入的单 个向量维度一致。另外采用残差连接的方式进行节点h的状态向量更新，以改善随着m的增 加可能出现信息丢失的情况，最终选择最后一步的输出结果
Figure 690465DEST_PATH_IMAGE080
作为节点h的全局向量表示 输入到接下来的步骤中。
下面介绍从全局向量化后的全科知识图谱中捕捉认知图谱推理过程中所需推理节点的方法。
认知图谱
Figure 579923DEST_PATH_IMAGE081
最初由患者初始临床诊疗数据集
Figure 318072DEST_PATH_IMAGE082
构成，定义一 个节点访问集合
Figure 634784DEST_PATH_IMAGE083
，初始节点访问集合
Figure 763277DEST_PATH_IMAGE084
，并将
Figure 456427DEST_PATH_IMAGE085
中的每个节点都标记为未 访问no-visited，设置最大迭代步数为L（L人为设定，本实施例中设定L = 6）。当迭代步数 为
Figure 49082DEST_PATH_IMAGE086
时，遍历当前迭代步数的节点访问集合
Figure 802274DEST_PATH_IMAGE087
中的每个未访问no-visited节点
Figure 683643DEST_PATH_IMAGE088
，从全科知识图谱中查询
Figure 914904DEST_PATH_IMAGE089
的一步（one-step）邻域节点集
Figure 299749DEST_PATH_IMAGE090
。虽然我们只关注
Figure 223843DEST_PATH_IMAGE089
的一步邻域节点，但随着迭代步数的增加，所遍历节点的邻域节点集会逐渐膨胀，为了减 少计算量，需要控制遍历节点的数量。
本实施例提出一个注意力捕捉模块，用于从全科知识图谱中抽取当前患者潜在疾 病发展轨迹，该过程可以控制认知图谱的扩展速度，该注意力捕捉模块的实施过程如下：从
Figure 389245DEST_PATH_IMAGE091
中采样注意力值最大的k个节点作为当前迭代步数的推理节点集
Figure 424197DEST_PATH_IMAGE092
，其中
Figure 663548DEST_PATH_IMAGE091
为
Figure 555281DEST_PATH_IMAGE093
对应的 邻域节点集
Figure 408312DEST_PATH_IMAGE094
中的所有节点的注意力值集合，将此次遍历的未访问no-visited节点
Figure 981375DEST_PATH_IMAGE093
的标 签均改为访问visited，并将
Figure 340813DEST_PATH_IMAGE095
中的未存在于
Figure 606709DEST_PATH_IMAGE096
的节点纳入
Figure 481124DEST_PATH_IMAGE096
中，生成
Figure 123458DEST_PATH_IMAGE097
，同时将 这些新纳入的节点的标签设置为未访问no-visited。另外，当
Figure 337402DEST_PATH_IMAGE098
时，首先需要从全科知识 图谱中查询
Figure 774199DEST_PATH_IMAGE099
中全部节点之间的所有关系并补充到认知图谱
Figure 135910DEST_PATH_IMAGE100
中，再进行上述遍历节点 访问集合中未访问节点的操作，更新节点访问集合和认知图谱中的推理节点。当迭代步数 到达L或者认知图谱推理节点集中的推理节点不再增加时，迭代过程结束，将得到的认知图 谱推理节点集记作
Figure 50777DEST_PATH_IMAGE101
。
在一个实施例中，子***2的实现具体为：利用图神经网络GNN的变体网络定义认 知图谱的节点状态更新方式，并且最终基于全科知识图谱和认知图谱推理得到患者的疾病
Figure 384806DEST_PATH_IMAGE102
和治疗方式
Figure 992505DEST_PATH_IMAGE103
。
首先将子***1中最终得到的认知图谱推理节点集
Figure 841512DEST_PATH_IMAGE104
以及这些推理节点在全科 知识图谱G中的全部关系纳入到认知图谱
Figure 560070DEST_PATH_IMAGE100
中，认知图谱全部节点集合记作V，其中
Figure 14185DEST_PATH_IMAGE105
，
Figure 527206DEST_PATH_IMAGE106
，然后定义认知图谱节点状态更新所需迭代步数T（T 人为设定，本实施例中设定T = 6）。认知图谱
Figure 66771DEST_PATH_IMAGE100
中的节点
Figure 589020DEST_PATH_IMAGE107
的初始向量表示
Figure 694379DEST_PATH_IMAGE108
。 认知图谱中的节点v在第
Figure 378301DEST_PATH_IMAGE109
步的节点状态的更新与其在第0步和第t步的节点状 态以及其在认知图谱中所在的三元组的向量表示有关。迭代步数为t时，三元组
Figure 136654DEST_PATH_IMAGE110
蕴 含的医学知识可被向量化为
Figure 259331DEST_PATH_IMAGE111
，其计算方式表示如下：
Figure 422459DEST_PATH_IMAGE112
其中
Figure 277282DEST_PATH_IMAGE113
代表了患者初始临床诊疗数据集S中节点的全局向量表示， 由子***1给出，由于S中的节点所代表的症状、疾病或者用药等信息是患者真实产生的临 床诊疗数据，是推理的全部起点，所以将其纳入每一步更新的计算中；
在认知图谱中对节点v所在的全部三元组包含的医学知识进行聚合，得到三元组 聚合向量
Figure 791440DEST_PATH_IMAGE114
，可表示为：
Figure 655491DEST_PATH_IMAGE115
其中
Figure 469863DEST_PATH_IMAGE116
为认知图谱中节点
Figure 26747DEST_PATH_IMAGE117
所在的全部三元组的数量；与子***1类似，通过将相 关三元组的向量信息进行聚合再除以邻域数目均方根来计算；
节点
Figure 762621DEST_PATH_IMAGE117
的
Figure 899205DEST_PATH_IMAGE118
步的状态向量更新方式如下：
Figure 833663DEST_PATH_IMAGE119
Figure 561447DEST_PATH_IMAGE120
同样与节点
Figure 253460DEST_PATH_IMAGE121
的第0步状态向量
Figure 724892DEST_PATH_IMAGE122
、节点
Figure 513857DEST_PATH_IMAGE123
的第t步状态向量
Figure 146963DEST_PATH_IMAGE124
、节点
Figure 857431DEST_PATH_IMAGE123
与其在 认知图谱的邻域节点组成的所有三元组聚合向量
Figure 601396DEST_PATH_IMAGE125
以及患者初始临床诊疗数据集S中节点 的全局向量表示有关。
上述
Figure 448129DEST_PATH_IMAGE126
、
Figure 314454DEST_PATH_IMAGE127
同样为两个隐藏层函数，其参数可在训练过程中学习得到，节点状态更 新时同样采用了残差连接的形式。
由于认知图谱
Figure 246638DEST_PATH_IMAGE100
的所有节点都来自于全科知识图谱G，使用此时更新完成后的认知 图谱
Figure 791364DEST_PATH_IMAGE100
的每一个节点的状态向量取代其在全科知识图谱G中的全局向量表示，这样整个全科 知识图谱G的全部节点可以用一个矩阵X表示，矩阵X的维度为J×Q，其中J为全科知识图谱 中的节点数目，Q为每个节点的向量维度。采用一个两层的全连接网络作为最终的预测层F：
Figure 758183DEST_PATH_IMAGE128
其中，prediction为经过推理后给出的患者最可能的疾病D或者建议的治疗方式P，而患者所患的真实疾病或者真实治疗方式为target，使用sigmoid函数作为激活函数，使用交叉熵损失函数计算预测值prediction和真实值target之间的误差，最后使用随机梯度下降(stochastic gradient descent , SGD)算法传播交叉熵损失函数梯度以完成对基于认知图谱的推理***的优化。
四、推荐结果显式模块
基于认知图谱的全科患者个性化诊疗方案推荐***的最大优点是具备可解释性，能够模拟临床医生的诊疗思路，给出清晰的推理过程，因此推荐结果显式模块主要利用网页前端将患者已有的症状、疾病以及经过推理后可能需要的治疗方式和可能患有的疾病进行可视化展示。网页支持临床医生输入患者就诊时的临床诊疗信息，点击分析后，可对患者的诊疗路径和方案进行可视化展示。如图4所示为一实施例的推荐诊疗路径及结果，图4中，虚线框中代表患者就诊时的临床诊疗信息，该患者有高血压、消化性溃疡、胃炎等病史，一直服用胃药多潘立酮，最近出现食欲下降的症状，遂来就医，后面展示了***提示应做的检查，并逐步排除了肠易激综合征、结直肠癌和胃良性肿瘤等疾病，最终给出患者为早期胃癌，需要做胃镜手术切除的诊断和治疗建议。
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 (7)

1.一种基于认知图谱的全科患者个性化诊疗方案推荐***，其特征在于，包括：
数据采集模块：用于从医疗机构数据库中抽取全科门诊患者就诊时的临床诊疗数据；
数据预处理模块：对数据采集模块获取的数据进行数据预处理操作，包括对门诊电子病历文本数据结构化处理及数据规整；
数据分析推理模块：构建全科知识图谱，基于患者就诊时的疾病、症状、用药信息和已构建的全科知识图谱，利用变体图神经网络和注意力捕捉模块建立患者个性化的疾病发展轨迹的认知图谱，给出患者个性化诊疗方案推荐；
所述数据分析推理模块包括全科知识图谱构建模块和基于认知图谱的推理***；所述基于认知图谱的推理***包括两个子***：子***1用于基于患者初始临床诊疗数据集在已构建的全科知识图谱上进行疾病发展轨迹探索；子***2用于基于子***1探索的患者多条潜在疾病发展轨迹进行患者最终状态精准定位；
所述子***1包括：对全科知识图谱进行全局向量化；患者个性化的认知图谱最初由患者初始临床诊疗数据集中的若干患者初始数据形成的节点构成，基于认知图谱和全局向量化后的全科知识图谱，迭代捕捉潜在的认知图谱推理节点集；具体为：
定义节点访问集合
Figure DEST_PATH_IMAGE001
，初始节点访问集合
Figure DEST_PATH_IMAGE002
，S为患者初始临床诊疗数据集， 将
Figure DEST_PATH_IMAGE003
中的每个节点均标记为未访问，设置最大迭代步数L，当迭代步数为
Figure DEST_PATH_IMAGE004
时，遍历 当前迭代步数的节点访问集合
Figure DEST_PATH_IMAGE005
中的每个未访问节点
Figure DEST_PATH_IMAGE006
，从全科知识图谱中查询
Figure 500439DEST_PATH_IMAGE006
的一 步邻域节点集
Figure DEST_PATH_IMAGE007
；
通过注意力捕捉模块从全科知识图谱中抽取当前患者潜在疾病发展轨迹，包括：从
Figure DEST_PATH_IMAGE008
对 应的邻域节点集
Figure 729164DEST_PATH_IMAGE007
中的所有节点的注意力值集合中采样注意力值最大的k个节点作为当前 迭代步数的推理节点集
Figure DEST_PATH_IMAGE009
，将此次遍历的未访问节点
Figure 243322DEST_PATH_IMAGE008
的标签修改为访问，并将
Figure 372952DEST_PATH_IMAGE009
中的未 存在于
Figure DEST_PATH_IMAGE010
的节点纳入
Figure 46379DEST_PATH_IMAGE010
中，生成
Figure DEST_PATH_IMAGE011
，同时将新纳入的节点的标签设置为未访问；
当
Figure DEST_PATH_IMAGE012
时，从全科知识图谱中查询
Figure DEST_PATH_IMAGE013
中全部节点之间的所有关系并补充到认知图 谱中，再进行遍历节点访问集合中未访问节点的操作，更新节点访问集合和认知图谱中的 推理节点；
当迭代步数到达L或者认知图谱推理节点集中的推理节点不再增加时，迭代过程结束，得到认知图谱推理节点集；
所述子***2包括：将认知图谱推理节点集中的节点逐步补充到认知图谱中，定义认知图谱的节点状态更新方式，基于全科知识图谱和认知图谱推理得到患者的疾病和治疗方式；
推荐结果显示模块：对数据分析推理模块的推理过程进行可视化展示，提供患者个性化疾病发展和治疗过程。
2.根据权利要求1所述的一种基于认知图谱的全科患者个性化诊疗方案推荐***，其特征在于，所述数据预处理模块中，采用基于规则和领域词典的方法从门诊电子病历文本数据中提取患者的症状、患病记录及用药记录，实现文本数据结构化；
针对含有数值的检查结果数据类型，仅保留指标结果为阳性的数据；去除定期到医疗机构开药、定期体检以及定期复查的患者数据；去除就诊中医门诊的患者数据。
3.根据权利要求1所述的一种基于认知图谱的全科患者个性化诊疗方案推荐***，其特征在于，所述数据分析推理模块中，所述全科知识图谱采用手动构建和自动构建相结合的方式；通过临床医生完成与数据采集模块抽取的症状、疾病相关知识的全科知识图谱手动构建部分；全科知识图谱自动构建部分涵盖从SemMed DB以及中文ICD-10中提取到的相关临床术语及关系。
4.根据权利要求1所述的一种基于认知图谱的全科患者个性化诊疗方案推荐***，其特征在于，所述子***1中，基于变体图神经网络实现全科知识图谱的全局向量化，具体为：
全科知识图谱包含一系列三元组
Figure DEST_PATH_IMAGE014
，每个三元组由一个关系r和两个实体
Figure DEST_PATH_IMAGE015
组 成，每个实体作为全科知识图谱中的一个节点，每个三元组代表一条医学知识；
为全科知识图谱的每个节点h定义一个可学习的嵌入向量表示
Figure DEST_PATH_IMAGE016
，为每个关系r定义一 个可学习的嵌入向量表示
Figure DEST_PATH_IMAGE017
；设置全局向量化过程迭代步数M，第
Figure DEST_PATH_IMAGE018
步迭代时，节点h 的状态向量表示为
Figure DEST_PATH_IMAGE019
，
Figure DEST_PATH_IMAGE020
，与节点h相关的医学知识
Figure 150732DEST_PATH_IMAGE014
的向量化表示
Figure DEST_PATH_IMAGE021
；
在全科知识图谱中对节点h所在的全部三元组包含的医学知识进行聚合，得到三元组 聚合向量
Figure DEST_PATH_IMAGE022
，其中
Figure DEST_PATH_IMAGE023
为全科知识图谱中节点h所在的全部三元组的数 量；
节点h的下一步状态向量
Figure DEST_PATH_IMAGE024
的更新方式为
Figure DEST_PATH_IMAGE025
；
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE027
为两个隐藏层函数，输入为全部向量的拼接，输出与输入的单个向量维度一致；
将最后一步的输出结果
Figure DEST_PATH_IMAGE028
作为节点h的全局向量表示。
5.根据权利要求4所述的一种基于认知图谱的全科患者个性化诊疗方案推荐***，其特征在于，所述子***2中，利用变体图神经网络定义认知图谱的节点状态更新方式，基于全科知识图谱和认知图谱推理得到患者的疾病和治疗方式，具体为：
将子***1中得到的认知图谱推理节点集
Figure DEST_PATH_IMAGE029
以及推理节点在全科知识图谱中的全部关 系纳入到认知图谱中，认知图谱全部节点集合记作V，
Figure DEST_PATH_IMAGE030
，初始临床诊疗数据集
Figure DEST_PATH_IMAGE031
，n为患者初始数据条数，
Figure DEST_PATH_IMAGE032
为第i条患者初始数据；
设置认知图谱节点状态更新所需迭代步数T，认知图谱中的节点
Figure DEST_PATH_IMAGE033
的初始状态向 量表示
Figure DEST_PATH_IMAGE034
；第
Figure DEST_PATH_IMAGE035
步迭代时，三元组
Figure DEST_PATH_IMAGE036
蕴含的医学知识的向量化表示
Figure DEST_PATH_IMAGE037
，其中
Figure DEST_PATH_IMAGE038
为患者初始临床诊疗数据 集S中节点的全局向量表示；
在认知图谱中对节点v所在的全部三元组包含的医学知识进行聚合，得到三元组聚合 向量
Figure DEST_PATH_IMAGE039
，其中
Figure DEST_PATH_IMAGE040
为认知图谱中节点
Figure DEST_PATH_IMAGE041
所在的全部三元组的数量；
节点
Figure 932612DEST_PATH_IMAGE041
的
Figure DEST_PATH_IMAGE042
步的状态向量
Figure DEST_PATH_IMAGE043
的更新方式为
Figure DEST_PATH_IMAGE044
；
Figure DEST_PATH_IMAGE045
和
Figure DEST_PATH_IMAGE046
为两个隐藏层函数。
6.根据权利要求5所述的一种基于认知图谱的全科患者个性化诊疗方案推荐***，其特征在于，所述子***2中，将节点状态更新完成的认知图谱的每个节点的状态向量取代节点在全科知识图谱中的全局向量表示，将全科知识图谱的全部节点用矩阵X表示，矩阵X的维度为J×Q，其中J为全科知识图谱中的节点数目，Q为每个节点的向量维度；采用一个两层的全连接网络作为最终的预测层F：
Figure DEST_PATH_IMAGE047
其中，prediction为经过推理后给出的患者最可能的疾病D或者建议的治疗方式P，患者所患的真实疾病或者真实治疗方式记为target，使用sigmoid函数作为激活函数，使用交叉熵损失函数计算prediction和target之间的误差，最后使用随机梯度下降算法传播交叉熵损失函数梯度以完成对基于认知图谱的推理***的优化。
7.根据权利要求1-6中任一项所述的一种基于认知图谱的全科患者个性化诊疗方案推荐***，其特征在于，所述推荐结果显式模块中，利用网页前端将患者已有的症状、疾病以及经过推理后可能需要的治疗方式和可能患有的疾病进行可视化展示，并支持临床医生输入患者就诊时的临床诊疗信息，对患者的诊疗路径和方案进行可视化展示。
CN202210403938.2A 2022-04-18 2022-04-18 一种基于认知图谱的全科患者个性化诊疗方案推荐*** Active CN114496234B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210403938.2A CN114496234B (zh) 2022-04-18 2022-04-18 一种基于认知图谱的全科患者个性化诊疗方案推荐***
PCT/CN2023/088590 WO2023202508A1 (zh) 2022-04-18 2023-04-17 一种基于认知图谱的全科患者个性化诊疗方案推荐***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210403938.2A CN114496234B (zh) 2022-04-18 2022-04-18 一种基于认知图谱的全科患者个性化诊疗方案推荐***

Publications (2)

Publication Number Publication Date
CN114496234A CN114496234A (zh) 2022-05-13
CN114496234B true CN114496234B (zh) 2022-07-19

Family

ID=81489383

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210403938.2A Active CN114496234B (zh) 2022-04-18 2022-04-18 一种基于认知图谱的全科患者个性化诊疗方案推荐***

Country Status (2)

Country Link
CN (1) CN114496234B (zh)
WO (1) WO2023202508A1 (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN114969557B (zh) * 2022-07-29 2022-11-08 之江实验室 一种基于多来源信息融合的宣教推送方法和***
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***
CN115658877B (zh) * 2022-12-27 2023-03-21 神州医疗科技股份有限公司 基于强化学习的药物推荐方法、装置、电子设备和介质
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
CN115858876B (zh) * 2023-02-21 2023-05-26 杭州华卓信息科技有限公司 一种基于疾病知识图谱的随访内容智能推送方法及***
CN116187448B (zh) * 2023-04-25 2023-08-01 之江实验室 一种信息展示的方法、装置、存储介质及电子设备
CN116682553B (zh) * 2023-08-02 2023-11-03 浙江大学 一种融合知识与患者表示的诊断推荐***
CN117012375B (zh) * 2023-10-07 2024-03-26 之江实验室 一种基于患者拓扑特征相似性的临床决策支持方法和***
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
CN117153378B (zh) * 2023-10-31 2024-03-01 北京博晖创新生物技术集团股份有限公司 一种导诊方法、装置、电子设备及存储介质
CN117524405B (zh) * 2024-01-05 2024-03-26 长春中医药大学 一种基于云计算的妇科护理方法智能选择***
CN117649949B (zh) * 2024-01-29 2024-04-30 浙江大学 基于强化学习的临床思维数据生成***及方法
CN117973947B (zh) * 2024-04-01 2024-06-14 国网山东省电力公司宁津县供电公司 一种配电网工程施工工艺标准化验收方法及***
CN118016316B (zh) * 2024-04-10 2024-06-04 健数(长春)科技有限公司 知识图谱结合血常规检验数据的疾病筛率提升方法和***
CN118116584A (zh) * 2024-04-23 2024-05-31 鼎泰(南京)临床医学研究有限公司 一种基于大数据的可调整医疗辅助诊断***及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999004043A1 (en) * 1997-07-14 1999-01-28 Abbott Laboratories Telemedicine
US6687685B1 (en) * 2000-04-07 2004-02-03 Dr. Red Duke, Inc. Automated medical decision making utilizing bayesian network knowledge domain modeling
CN104573350A (zh) * 2014-12-26 2015-04-29 深圳市前海安测信息技术有限公司 基于网络医院的全科医生辅助诊疗***及方法
CN108461151A (zh) * 2017-12-15 2018-08-28 北京大学深圳研究生院 一种知识图谱的逻辑增强方法及装置
CN109920540A (zh) * 2019-03-14 2019-06-21 宁波中云创科信息技术有限公司 辅助诊疗决策***的构建方法、装置及计算机设备
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치
CN111767410A (zh) * 2020-06-30 2020-10-13 平安国际智慧城市科技股份有限公司 临床医疗知识图谱的构建方法、装置、设备及存储介质
CN112102937A (zh) * 2020-11-13 2020-12-18 之江实验室 一种慢性病辅助决策的患者数据可视化方法及***
CN112463987A (zh) * 2020-12-09 2021-03-09 中国园林博物馆北京筹备办公室 一种中国古典园林知识图谱补全与认知推理方法
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐***及方法
CN113779220A (zh) * 2021-09-13 2021-12-10 内蒙古工业大学 一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法
CN113990495A (zh) * 2021-12-27 2022-01-28 之江实验室 一种基于图神经网络的疾病诊断预测***

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050108052A1 (en) * 2003-11-03 2005-05-19 Omaboe Nortey J. Proces for diagnosic system and method applying artificial intelligence techniques to a patient medical record and that combines customer relationship management (CRM) and enterprise resource planning (ERP) software in a revolutionary way to provide a unique-and uniquely powerful and easy-to-use-tool to manage veterinary or human medical clinics and hospitals
US20210169355A1 (en) * 2019-12-06 2021-06-10 Savan Patel Systems & Methods for Vascular Disease Prediction, Indication, or Diagnosis
CN112037912B (zh) * 2020-09-09 2023-07-11 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
US20230377748A1 (en) * 2020-10-01 2023-11-23 University Of Massachusetts A Neural Graph Model for Automated Clinical Assessment Generation
CN113010663A (zh) * 2021-04-26 2021-06-22 东华大学 一种基于工业认知图谱的自适应推理问答方法和***
CN113889259A (zh) * 2021-09-06 2022-01-04 浙江工业大学 一种知识图谱辅助下的自动诊断对话***
CN113808693A (zh) * 2021-09-10 2021-12-17 浙江科技学院 一种基于图神经网络和注意力机制的药物推荐方法
CN113871003B (zh) * 2021-12-01 2022-04-08 浙江大学 一种基于含因果性医学知识图谱的疾病辅助鉴别诊断***
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***

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999004043A1 (en) * 1997-07-14 1999-01-28 Abbott Laboratories Telemedicine
US6687685B1 (en) * 2000-04-07 2004-02-03 Dr. Red Duke, Inc. Automated medical decision making utilizing bayesian network knowledge domain modeling
CN104573350A (zh) * 2014-12-26 2015-04-29 深圳市前海安测信息技术有限公司 基于网络医院的全科医生辅助诊疗***及方法
CN108461151A (zh) * 2017-12-15 2018-08-28 北京大学深圳研究生院 一种知识图谱的逻辑增强方法及装置
KR20190135908A (ko) * 2019-02-01 2019-12-09 (주)제이엘케이인스펙션 인공지능 기반 치매 진단 방법 및 장치
CN109920540A (zh) * 2019-03-14 2019-06-21 宁波中云创科信息技术有限公司 辅助诊疗决策***的构建方法、装置及计算机设备
CN111767410A (zh) * 2020-06-30 2020-10-13 平安国际智慧城市科技股份有限公司 临床医疗知识图谱的构建方法、装置、设备及存储介质
WO2021189971A1 (zh) * 2020-10-26 2021-09-30 平安科技（深圳）有限公司 基于知识图谱表征学习的医疗方案推荐***及方法
CN112102937A (zh) * 2020-11-13 2020-12-18 之江实验室 一种慢性病辅助决策的患者数据可视化方法及***
CN112463987A (zh) * 2020-12-09 2021-03-09 中国园林博物馆北京筹备办公室 一种中国古典园林知识图谱补全与认知推理方法
CN113779220A (zh) * 2021-09-13 2021-12-10 内蒙古工业大学 一种基于三通道认知图谱和图注意力网络的蒙语多跳问答方法
CN113990495A (zh) * 2021-12-27 2022-01-28 之江实验室 一种基于图神经网络的疾病诊断预测***

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A multicenter random forest model for effective prognosis prediction in collaborative clinical research network;Li,J ET AL;《ARTIFICIAL INTELLIGENCE IN MEDICINE》;20200407;全文 *
A novel lifelong machine learning-based method to eliminate calibration drift in clinical prediction models.;Chi, Shengqiang ET AL;《Artificial intelligence in medicine》;20220305;全文 *
Multimodality Attention-Guided 3-D Detection of Nonsmall Cell Lung Cancer in 18F-FDG PET/CT Images;Ling Chen ET AL;《IEEE Transactions on Radiation and Plasma Medical Sciences》;20220409;第6卷(第4期);全文 *
基于动态图神经网络的会话式机器阅读研究;刘啸等;《集成技术》;20220331;第11卷(第2期);全文 *
基于认知图谱的智能问答***推理模型研究;袁满等;《吉林大学学报》;20210930;第39卷(第5期);全文 *

Also Published As

Publication number Publication date
WO2023202508A1 (zh) 2023-10-26
CN114496234A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN114496234B (zh) 一种基于认知图谱的全科患者个性化诊疗方案推荐***
Sullivan Understanding from machine learning models
Yu et al. Clinical big data and deep learning: Applications, challenges, and future outlooks
Johnson et al. Artificial intelligence in cardiology
WO2016192612A1 (zh) 基于深度学习对医疗数据进行分析的方法及其智能分析仪
CN113015977A (zh) 使用自然语言处理的对疾病和病症的基于深度学习的诊断和转诊
Lee et al. Machine learning in relation to emergency medicine clinical and operational scenarios: an overview
CN107247881A (zh) 一种多模态智能分析方法及***
WO2023078025A1 (zh) 一种基于任务分解策略的发热待查辅助鉴别诊断***
Moein Medical diagnosis using artificial neural networks
CN110880362A (zh) 一种大规模医疗数据知识挖掘与治疗方案推荐***
Jiang et al. The Research of Clinical Decision Support System Based on Three‐Layer Knowledge Base Model
CN112489769A (zh) 基于深度神经网络的慢性病智慧中医诊断与药物推荐***
CN109360658A (zh) 一种基于词向量模型的疾病模式挖掘方法及装置
CN112424873A (zh) 模拟患者以开发基于人工智能的医学方案
Kumar et al. Deep-learning-enabled multimodal data fusion for lung disease classification
JP7365747B1 (ja) 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
CN115985513B (zh) 一种基于多组学癌症分型的数据处理方法、装置及设备
Yadav et al. Machine learning in expert systems for disease diagnostics in human healthcare
Karthikeyan et al. Smart COVIDNet: designing an IoT-based COVID-19 disease prediction framework using attentive and adaptive-derived ensemble deep learning
CN116168828A (zh) 基于知识图谱和深度学习的疾病预测方法、装置及计算机设备
Strobel et al. Healthcare in the Era of Digital twins: towards a Domain-Specific Taxonomy.
Kamra et al. An experimental outlook to design and measure efficacy of an artificial intelligence based medical diagnosis support system
Basha et al. Deep learning neural network (DLNN)-based classification and optimization algorithm for organ inflammation disease diagnosis
Melek et al. A theoretic framework for intelligent expert systems in medical encounter evaluation

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