CN115205601A - 一种基于人工智能与知识图谱的医学检验结果审核*** - Google Patents

一种基于人工智能与知识图谱的医学检验结果审核*** Download PDF

Info

Publication number
CN115205601A
CN115205601A CN202210893591.4A CN202210893591A CN115205601A CN 115205601 A CN115205601 A CN 115205601A CN 202210893591 A CN202210893591 A CN 202210893591A CN 115205601 A CN115205601 A CN 115205601A
Authority
CN
China
Prior art keywords
data
correlation
auditing
inspection
test
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.)
Withdrawn
Application number
CN202210893591.4A
Other languages
English (en)
Inventor
刘靳波
李光荣
曾章锐
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.)
Affiliated Hospital of Southwest Medical University
Original Assignee
Affiliated Hospital of Southwest Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Affiliated Hospital of Southwest Medical University filed Critical Affiliated Hospital of Southwest Medical University
Priority to CN202210893591.4A priority Critical patent/CN115205601A/zh
Publication of CN115205601A publication Critical patent/CN115205601A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供的一种基于人工智能与知识图谱的医学检验结果审核***，涉及临床检验数字技术领域。本发明在固定逻辑规则审核***的基础上，添加关联数据关系审核***对医学检验结果进行关系审核；关联数据关系审核***能对存在相关性但是因果关系不明确或因果关系复杂的检验项进行审核，从而填补现有的审核盲区；本发明将关联类型识别问题转化为散点图分类问题，通过采集若干散点图，并对散点图类型进行标注，部署图像识别模型，并通过训练数据集进行训练，得到关联关系识别模型，从而实现对关联关系的自动识别；在对不完全相关的检验项进行审核时，通过散点图反映检验项之间的数据关系，通过图像识别模型学习散点图特征，从而实现对抽象关系的审核。

Description

一种基于人工智能与知识图谱的医学检验结果审核***
技术领域
本发明涉及临床检验数字技术领域，尤其涉及一种基于人工智能与知识图谱的医学检验结果审核***。
背景技术
随着医学科学技术的发展，医学检验项目不断涌现，医学检验项目得到的检验结果我们统称为临床检验结果(Clinical Test Results，CTR)；临床检验结果是诊断患者疾病的重要依据，医生通过临床检验结果判断患者的身体状况，并指导进行针对性治疗。
现阶段，各国都在大力推展医疗信息数字化，电子病历***是医院信息化建设的重要内容之一；电子病历***应用水平划分为9个等级，每一等级的标准包括电子病历各个局部***的要求和对医疗机构整体电子病历***的要求，其中，医学检验结果审核***作为局部***，要求能对病人的医学检验结果进行自动审核，并将异常检验数据筛选出来。从而避免异常/错误数据干扰疾病诊断。
现有的医学检验结果审核***，如申请号为：CN201610302474.0的专利申请公开了一种智能检验医疗专家***，包括数据适配器模块：完成医院数据库与智能检验数据库的双向同步，并执行数据完善和统一的工作。智能检验模块：执行智能审核与解释，将结果反馈给检验人员，并检验人工操作界面。规则库模块：对智能检验规则的抽象，并进行结构化管理。数据推送模块：将医院内部网络的数据推送到外部服务器。患者服务模块：对患者的短信提醒及电子化验单查看服务，以及医生反馈功能。知识库模块：为检验人员、临床医生及患者提供高质量的医学知识，包括疾病知识库、检验项目知识库及症状体征知识库。该发明以实现临床检验结果人工审核的全自动化，提高实验室检验的效率。
但是，该发明基于固定逻辑规则，仅能对有明确因果关系的检验项进行审核；对存在相关性但是因果关系不明确或因果关系复杂的检验项，存在一定的审核盲区。
因此，有必要提供一种基于人工智能与知识图谱的医学检验结果审核***来解决上述之一技术问题。
发明内容
为解决上述技术问题之一，本发明提出一种基于人工智能与知识图谱的医学检验结果审核***，包括固定逻辑规则审核***、关联数据关系审核***和检验结果审核库。
具体的，所述检验结果审核库：用于存储医学检验结果审核所需的审核知识，并保存至知识图谱数据库中；所述医学检验结果包括若干检验项和对应的检验数据；所述审核知识包括固定逻辑规则知识和关联数据关系知识，所述固定逻辑规则知识由专家对检验项与对应的检验数据之间的逻辑规则进行设置与审核，并进行固定保存；所述关联数据关系知识通过人工智能分析模型对各检验项之间的关联关系进行识别与标注，并进行固定保存。
具体的，所述固定逻辑规则审核***：读取待审核的医学检验结果，并根据检验项调取对应的固定逻辑规则知识；在审核时，所述固定逻辑规则审核***通过程序自动执行，对各检验项与对应的检验数据之间的逻辑规则进行逐条审核；若存在不符合逻辑规则的检验数据，认定为逻辑异常检验数据，通知相关检验人员对逻辑异常检验数据进行排查，并标注当前审核医学检验结果为固定逻辑规则未通过；对于符合逻辑规则的检验数据，则标注为固定逻辑规则通过，并将所有检验项均通过固定逻辑规则审核的医学检验结果发送给关联数据关系审核***。
具体的，所述关联数据关系审核***：读取通过固定逻辑规则审核的医学检验结果，并根据检验项调取对应的关联数据关系知识；在审核时，所述关联数据关系审核***通过程序自动执行，对各检验项与对应的检验数据之间的关联关系进行逐条审核；若存在不符合关联关系的检验数据，认定为关联异常检验数据，通知相关检验人员对关联异常检验数据进行排查，并标注当前审核医学检验结果为未通过关联数据关系审核；对于符合关联关系的检验数据，则标注为通过关联数据关系审核，并将所有检验项均通过关联数据关系审核的医学检验结果作为***审核通过的结果输出。
作为更进一步的解决方案，所述固定逻辑规则知识以[检验项编码，逻辑规则编码，规则值]的形式存储至知识图谱数据库中；所述关联数据关系知识以[检验项编码A，检验项编码B，关系编码]的形式存储至知识图谱数据库中。
作为更进一步的解决方案，所述逻辑规则编码用于记录对应的逻辑规则审核项，其中，所述逻辑规则审核项包括允许数值范围审核、允许变化范围审核、允许变化速率范围审核、样本检验状态审核、历史一致性审核和单位一致性审核。
作为更进一步的解决方案，所述关系编码用于记录对应的关联关系审核项，其中，所述关联关系审核项包括完全相关审核、不完全相关审核和不相关审核，其中，所述完全相关审核还包括线性正相关审核、线性负相关审核、曲线相关审核。
作为更进一步的解决方案，所述检验项编码A与检验项编码B均填充单项检验项时，所述关联数据关系审核***为单相关审核模式；所述检验项编码A填充双项或多项检验项，检验项编码B填充单项检验项时，所述关联数据关系审核***为复相关审核模式；所述检验项编码A与检验项编码B均填充双项或多项检验项时，所述关联数据关系审核***为偏相关审核模式。
作为更进一步的解决方案，所述关联数据关系知识通过如下步骤构建：
步骤A1：收集大量已验的具备相同检验项的医学检验结果，作为原始分析数据；
步骤A2：按照检验项对医学检验结果对应的检验数据进行读取，得到检验项数据集:
T＝[T1，T2，T3，...，Ti，...，Tm]
Figure BDA0003768522640000031
其中，T表示数据总集；i表示检验项编号；m表示医学检验结果的检验项维度；Ti表示i号检验项对应的数据子集；j表示检验数据编号；n表示检验项数据集的维度；
Figure BDA0003768522640000032
表示i号检验项对应的第j项检验数据；
步骤A3：将各数据子集两两组合，得到关联分析数据集F(m,n)：
Figure BDA0003768522640000033
其中，f(TA,TB)表示由数据子集TA与数据子集TB组成的数据簇，A、B分别为各数据子集对应的编号；m表示医学检验结果的检验项维度；
步骤A4：将关联分析数据集F(m,n)输出，并提供给人工智能分析模型进行模型训练。
作为更进一步的解决方案，所述人工智能分析模型包括关联关系识别模型、线性/曲线回归模型和不完全相关识别模型；
所述关联关系识别模型根据输入的关联分析数据集F(m,n)进行逐簇分析，得到检验项之间的关联类型，所述关联类型包括完全相关、不完全相关和不相关；所述完全相关包括线性正相关、线性负相关和曲线相关；
所述线性/曲线回归模型用于处理关联类型为完全相关的数据簇，并得到对应的回归直线/曲线方程；在审核时，所述固定逻辑规则审核***通过将待审核的检验项带入对应的回归直线/曲线方程中，若满足对应的回归直线/曲线方程，则认定为通过关联数据关系审核；若不满足对应的回归直线/曲线方程，则认定为未通过关联数据关系审核；
所述不完全相关识别模型用于处理关联类型为不完全相关的数据簇，通过训练对应的子模型进行匹配；在审核时，所述固定逻辑规则审核***通过调用对应的子模型对检验项进行匹配，若匹配概率达到置信范围，则认定为通过关联数据关系审核；若匹配概率未达到置信范围，则认定为未通过关联数据关系审核；
对于关联类型为不相关的检验项不进行关联数据关系审核。
作为更进一步的解决方案，所述关联关系识别模型采用图像识别模型设置，并通过如下步骤进行训练：
步骤B1.1：采集若干散点图，并对散点图类型进行标注，得到训练数据集；其中，所述散点图类型包括线性正相关散点图、线性负相关散点图、曲线相关散点图、不完全相关散点图和不相关散点图；
步骤B1.2：部署图像识别模型，并通过训练数据集进行训练，并将识别准确度达到阈值范围的模型进行输出，得到关联关系识别模型。
作为更进一步的解决方案，所述关联关系识别模型通过如下步骤对各检验项之间的关联关系进行识别：
步骤B2.1：收集关联分析数据集F(m,n)；
步骤B2.2：将数据簇f(TA,TB)以散点图进行映射，得到关联分析散点图X(A,B)
Figure BDA0003768522640000041
Figure BDA0003768522640000042
Figure BDA0003768522640000043
其中，散点图的横纵坐标轴分别为数据子集数据子集TA与数据子集TB中各检验数据的值；
步骤B2.3：对关联分析数据集F(m,n)中所有数据簇进行映射，得到若干关联分析散点图；
步骤B2.4：通过关联关系识别模型对关联分析散点图进行散点图类型识别，若当前关联分析散点图为线性正相关散点图，则对应检验项的关联关系为线性正相关；若当前关联分析散点图为线性负相关散点图，则对应检验项的关联关系为线性负相关；若当前关联分析散点图为曲线相关散点图，则对应检验项的关联关系为曲线相关；若当前关联分析散点图为不完全相关散点图，则对应检验项的关联关系为不完全相关；若当前关联分析散点图为不相关散点图，则对应检验项的关联关系为不相关；
步骤B2.5：将检验项和对应的关联关系以[检验项编码A，检验项编码B，关系编码]的形式存储至知识图谱数据库中，得到关联数据关系知识。
作为更进一步的解决方案，所述不完全相关识别模型采用图像识别模型设置，并通过如下步骤进行训练：
步骤C1：采集已验的医学检验结果，并筛选出关联关系为不完全相关的数据簇；
步骤C2：将关联关系为不完全相关的数据簇映射为散点图，得到若干不完全相关散点图，并作为训练集；
步骤C3：部署图像识别模型，并通过训练集进行训练，将识别准确度达到阈值范围的模型进行输出，得到对应子模型；
步骤C4：将所有子模型整合，得到不完全相关识别模型。
与相关技术相比较，本发明提供的一种基于人工智能与知识图谱的医学检验结果审核***具有如下有益效果：
1、本发明在固定逻辑规则审核***的基础上，添加关联数据关系审核***对医学检验结果进行关系审核；关联数据关系审核***能对存在相关性但是因果关系不明确或因果关系复杂的检验项进行审核，从而填补现有的审核盲区；
2、本发明通过知识图谱数据库对医学检验结果审核所需的审核知识进行存储，知识图谱数据库属于关系型数据库，在检索时，能充分反向数据之间的内在关系，且检索定位速度快；
3、本发明将关联类型识别问题转化为散点图分类问题，而图像的分类识别技术是成熟、高效、准确的；我们通过采集若干散点图，并对散点图类型进行标注，部署图像识别模型，并通过训练数据集进行训练，得到关联关系识别模型，从而实现对关联关系的自动识别，识别好的关联关系转化为对应格式，即得到关联数据关系知识。
4、本发明在对不完全相关的检验项进行审核时，将关系识别转化为图像特征识别分类，即将关联关系为不完全相关的数据簇映射为散点图，通过散点图来反应检验项之间的数据关系，通过图像识别模型学习其图像特征，从而实现在抽象关系的审核。
附图说明
图1为本发明提供的一种基于人工智能与知识图谱的医学检验结果审核***的较佳***结构图；
图2为本发明提供的构建关联分析数据集的流程图；
图3为本发明提供的构建线性/曲线回归模型与不完全相关识别模型的流程图；
图4为本发明提供的构建关联数据关系知识的流程图；
图5为本发明提供的关联数据关系审核***的审核流程图；
图6为本发明提供的不完全相关识别模型的构建流程图；
图7为本发明提供的不同关联关系对应的散点图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
如图1至图7所示，本发明提供的一种基于人工智能与知识图谱的医学检验结果审核***，包括固定逻辑规则审核***、关联数据关系审核***和检验结果审核库。
需要说明的是：现有的医学检验结果审核***往往是单一的基于固定逻辑规则的审核***，通常是通过医学检验领域的专家设置固定逻辑规则，并总结汇编成自动执行程序，并按照逻辑规则对医学检验结果进行自动审核，如：设置各检验数据数值的正常范围，若超出正常范围，则认为不符合逻辑规则，认定为异常检验数据，并通知相关检验人员对其进行排查；设置各检验数据之间的内在逻辑规则，如：由于人体特性，患者血铅的测量值与尿铅的测量值往往是线性相关的，若两者变化呈线性相关，且差值在阈值范围内，则认为符合内在逻辑规则，否则认定为异常检验数据，并通知相关检验人员对其进行排查。
但是，固定逻辑规则往往是根据因果判断来设定的，即不同指标之间存在明确的因果规律，如患者血铅的测量值与尿铅的测量值便是由于人体各部位对铅的代谢水平相当，且分布均匀，故线性相关。然而，一些医学检验项目之间存在一定的相关性，但是却没有明确的固定逻辑规则，即：相关性与因果性存在必要不充分的关系，因此，采用固定逻辑规则的医学检验结果审核***仅能对有明确因果关系的检验项进行审核；对存在相关性但是因果关系不明确或因果关系复杂的检验项，存在一定的审核盲区。
因此，本实施例在现有固定逻辑规则审核的基础上，还添加关联数据关系审核***，通过该***，能对存在相关性但是因果关系不明确或因果关系复杂的检验项进行审核，从而填补现有的审核盲区。
如图1所示，具体的，所述检验结果审核库：用于存储医学检验结果审核所需的审核知识，并保存至知识图谱数据库中；所述医学检验结果包括若干检验项和对应的检验数据；所述审核知识包括固定逻辑规则知识和关联数据关系知识，所述固定逻辑规则知识由专家对检验项与对应的检验数据之间的逻辑规则进行设置与审核，并进行固定保存；所述关联数据关系知识通过人工智能分析模型对各检验项之间的关联关系进行识别与标注，并进行固定保存。
需要说明的是：知识图谱数据库属于关系型数据库，在检索时，能充分反向数据之间的内在关系，且检索定位速度快，这与我们的需求不谋而合，非常适合对医学检验结果审核所需的审核知识进行存储。
具体的，所述固定逻辑规则审核***：读取待审核的医学检验结果，并根据检验项调取对应的固定逻辑规则知识；在审核时，所述固定逻辑规则审核***通过程序自动执行，对各检验项与对应的检验数据之间的逻辑规则进行逐条审核；若存在不符合逻辑规则的检验数据，认定为逻辑异常检验数据，通知相关检验人员对逻辑异常检验数据进行排查，并标注当前审核医学检验结果为固定逻辑规则未通过；对于符合逻辑规则的检验数据，则标注为固定逻辑规则通过，并将所有检验项均通过固定逻辑规则审核的医学检验结果发送给关联数据关系审核***。
具体的，所述关联数据关系审核***：读取通过固定逻辑规则审核的医学检验结果，并根据检验项调取对应的关联数据关系知识；在审核时，所述关联数据关系审核***通过程序自动执行，对各检验项与对应的检验数据之间的关联关系进行逐条审核；若存在不符合关联关系的检验数据，认定为关联异常检验数据，通知相关检验人员对关联异常检验数据进行排查，并标注当前审核医学检验结果为未通过关联数据关系审核；对于符合关联关系的检验数据，则标注为通过关联数据关系审核，并将所有检验项均通过关联数据关系审核的医学检验结果作为***审核通过的结果输出。
作为更进一步的解决方案，所述固定逻辑规则知识以[检验项编码，逻辑规则编码，规则值]的形式存储至知识图谱数据库中；所述关联数据关系知识以[检验项编码A，检验项编码B，关系编码]的形式存储至知识图谱数据库中。
需要说明的是：在检索时，知识谱图数据库直接调用对应的检验项编码，就能找到所有与该检验项相关的知识信息。
作为更进一步的解决方案，所述逻辑规则编码用于记录对应的逻辑规则审核项，其中，所述逻辑规则审核项包括允许数值范围审核、允许变化范围审核、允许变化速率范围审核、样本检验状态审核、历史一致性审核和单位一致性审核。
需要说明的是：允许数值范围审核主要是用于设置检验项数值的范围，若超出该数值范围，则为非法；允许变化范围审核主要是用于设置检验项数值变化的范围，也就是Δ的变化范围；允许变化速率范围审核主要是用于设置检验项的变化快慢，如24小时内，该检验项数值变化不应该超过某一速度，超出了则为非法；样本检验状态审核主要是设置样本的合法状态，若当前检验项的样本状态不合法，则无法采用；历史一致性审核主要是设置同一检验项在不同时期应呈对应关系，需保持检验项目的一致；单位一致性审核主要是审核相同检验项的单位是否一致。
作为更进一步的解决方案，所述关系编码用于记录对应的关联关系审核项，其中，所述关联关系审核项包括完全相关审核、不完全相关审核和不相关审核，其中，所述完全相关审核还包括线性正相关审核、线性负相关审核、曲线相关审核。
需要说明的是：如图7所示，根据相关性研究，我们可以知道数据之间的关系可以总结为完全相关、不完全相关和不相关；其中，完全相关即能找到自变量与因变量之间明确的转换关系，不完全相关则是自变量与因变量之间存在一定联系，但是转换关系不明确；不相关则是
作为更进一步的解决方案，所述检验项编码A与检验项编码B均填充单项检验项时，所述关联数据关系审核***为单相关审核模式；所述检验项编码A填充双项或多项检验项，检验项编码B填充单项检验项时，所述关联数据关系审核***为复相关审核模式；所述检验项编码A与检验项编码B均填充双项或多项检验项时，所述关联数据关系审核***为偏相关审核模式。
需要说明的是：有时候自变量与因变量之间并不是一一对应的关系，可能是多个自变量对应一个因变量，也可能是一个自变量对应多个因变量，还可能是多个自变量对应多个因变量，因此，本实施例设置了不同的审核模式，在复相关审核模式和偏相关审核模式下，将多个变量作为整体，得到一个整体变量；从而转化为单相关审核模式。
如图2所示，作为更进一步的解决方案，所述关联数据关系知识通过如下步骤构建：
步骤A1：收集大量已验的具备相同检验项的医学检验结果，作为原始分析数据；
步骤A2：按照检验项对医学检验结果对应的检验数据进行读取，得到检验项数据集:
T＝[T1，T2，T3，...，Ti，...，Tm]
Figure BDA0003768522640000091
其中，T表示数据总集；i表示检验项编号；m表示医学检验结果的检验项维度；Ti表示i号检验项对应的数据子集；j表示检验数据编号；n表示检验项数据集的维度；
Figure BDA0003768522640000092
表示i号检验项对应的第j项检验数据；
步骤A3：将各数据子集两两组合，得到关联分析数据集F(m,n)：
Figure BDA0003768522640000093
其中，f(TA,TB)表示由数据子集TA与数据子集TB组成的数据簇，A、B分别为各数据子集对应的编号；m表示医学检验结果的检验项维度；
步骤A4：将关联分析数据集F(m,n)输出，并提供给人工智能分析模型进行模型训练。
需要说明的是：已验的具备相同检验项的医学检验结果主要是用于挖掘各检验项之间存在的关联数据关系知识，通过这些数据，能对人工智能分析模型进行训练，得到想要的识别模型。
如图3所示，作为更进一步的解决方案，所述人工智能分析模型包括关联关系识别模型、线性/曲线回归模型和不完全相关识别模型；
所述关联关系识别模型根据输入的关联分析数据集F(m,n)进行逐簇分析，得到检验项之间的关联类型，所述关联类型包括完全相关、不完全相关和不相关；所述完全相关包括线性正相关、线性负相关和曲线相关；
如图5所示，所述线性/曲线回归模型用于处理关联类型为完全相关的数据簇，并得到对应的回归直线/曲线方程；在审核时，所述固定逻辑规则审核***通过将待审核的检验项带入对应的回归直线/曲线方程中，若满足对应的回归直线/曲线方程，则认定为通过关联数据关系审核；若不满足对应的回归直线/曲线方程，则认定为未通过关联数据关系审核；
需要说明的是：完全相关的数据簇存在明确的回归直线/曲线方程，通过该回归直线/曲线方程便能反应检验项之间的数据关系，线性/曲线回归模型便是用于寻找该回归直线/曲线方程；现有的线性回归/曲线回归方程的求法是成熟的，通常是采用最小二乘法求出其对应的直线/曲线方程，然后计算回归方程误差和不确定度，若在可信范围内，则得到对应的线性回归/曲线回归方程。
所述不完全相关识别模型用于处理关联类型为不完全相关的数据簇，通过训练对应的子模型进行匹配；在审核时，所述固定逻辑规则审核***通过调用对应的子模型对检验项进行匹配，若匹配概率达到置信范围，则认定为通过关联数据关系审核；若匹配概率未达到置信范围，则认定为未通过关联数据关系审核；
如图5所示，需要说明的是，不完全相关代表着各变量之间存在关联，但是没有明确确定的回归方程来反应这种关系，这也是传统基于固定逻辑规则所无法处理的部分，即审核盲区；本实施例通过不完全相关识别模型对这部分进行审核。
对于关联类型为不相关的检验项不进行关联数据关系审核。
作为更进一步的解决方案，所述关联关系识别模型采用图像识别模型设置，并通过如下步骤进行训练：
步骤B1.1：采集若干散点图，并对散点图类型进行标注，得到训练数据集；其中，所述散点图类型包括线性正相关散点图、线性负相关散点图、曲线相关散点图、不完全相关散点图和不相关散点图；
步骤B1.2：部署图像识别模型，并通过训练数据集进行训练，并将识别准确度达到阈值范围的模型进行输出，得到关联关系识别模型。
需要说明的是：各检验项的排列组合关系数目巨大，采用人工标记的方法工作量巨大，因此，本实施例通过关联关系识别模型来对检验项之间的关联类型进行自动识别，如图7所示，我们可以看到关联类型在散点图的情况下具备不同的特征，因此，我们可以将关联类型识别问题转化为散点图分类问题，而图像的分类识别技术是成熟、高效、准确的，因此，我们通过采集若干散点图，并对散点图类型进行标注，部署图像识别模型，并通过训练数据集进行训练，得到关联关系识别模型，从而实现对关联关系的自动识别，识别好的关联关系转化为对应格式，即得到关联数据关系知识。
如图4所示，作为更进一步的解决方案，所述关联关系识别模型通过如下步骤对各检验项之间的关联关系进行识别：
步骤B2.1：收集关联分析数据集F(m,n)；
步骤B2.2：将数据簇f(TA,TB)以散点图进行映射，得到关联分析散点图X(A,B)
Figure BDA0003768522640000111
Figure BDA0003768522640000112
Figure BDA0003768522640000113
其中，散点图的横纵坐标轴分别为数据子集数据子集TA与数据子集TB中各检验数据的值；
步骤B2.3：对关联分析数据集F(m,n)中所有数据簇进行映射，得到若干关联分析散点图；
步骤B2.4：通过关联关系识别模型对关联分析散点图进行散点图类型识别，若当前关联分析散点图为线性正相关散点图，则对应检验项的关联关系为线性正相关；若当前关联分析散点图为线性负相关散点图，则对应检验项的关联关系为线性负相关；若当前关联分析散点图为曲线相关散点图，则对应检验项的关联关系为曲线相关；若当前关联分析散点图为不完全相关散点图，则对应检验项的关联关系为不完全相关；若当前关联分析散点图为不相关散点图，则对应检验项的关联关系为不相关；
步骤B2.5：将检验项和对应的关联关系以[检验项编码A，检验项编码B，关系编码]的形式存储至知识图谱数据库中，得到关联数据关系知识。
如图6所示，作为更进一步的解决方案，所述不完全相关识别模型采用图像识别模型设置，并通过如下步骤进行训练：
步骤C1：采集已验的医学检验结果，并筛选出关联关系为不完全相关的数据簇；
步骤C2：将关联关系为不完全相关的数据簇映射为散点图，得到若干不完全相关散点图，并作为训练集；
步骤C3：部署图像识别模型，并通过训练集进行训练，将识别准确度达到阈值范围的模型进行输出，得到对应子模型；
步骤C4：将所有子模型整合，得到不完全相关识别模型。
需要说明的是：由于不完全相关不存在明确的关系表达式，属于抽象关系；抽象的内容很难通过固定逻辑进行表示；因此我们将关系识别转化为图像特征识别分类，即将关联关系为不完全相关的数据簇映射为散点图，通过散点图来反映检验项之间的数据关系，通过图像识别模型学习其图像特征，在识别时，将待识别的检验项映射至对应的散点图中，并识别对应的子模型进行识别，若识别得到的匹配概率超过阈值(通常设置为0.95)，则认为检验项满足对应的特征，即审核通过；若匹配概率未超过阈值，则认为检验项不满足其应具备的关系特征，存在问题，即审核不通过。
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，包括固定逻辑规则审核***、关联数据关系审核***和检验结果审核库；
所述检验结果审核库：用于存储医学检验结果审核所需的审核知识，并保存至知识图谱数据库中；所述医学检验结果包括若干检验项和对应的检验数据；所述审核知识包括固定逻辑规则知识和关联数据关系知识，所述固定逻辑规则知识由专家对检验项与对应的检验数据之间的逻辑规则进行设置与审核，并进行固定保存；所述关联数据关系知识通过人工智能分析模型对各检验项之间的关联关系进行识别与标注，并进行固定保存；
所述固定逻辑规则审核***：读取待审核的医学检验结果，并根据检验项调取对应的固定逻辑规则知识；在审核时，所述固定逻辑规则审核***通过程序自动执行，对各检验项与对应的检验数据之间的逻辑规则进行逐条审核；若存在不符合逻辑规则的检验数据，认定为逻辑异常检验数据，通知相关检验人员对逻辑异常检验数据进行排查，并标注当前审核医学检验结果为固定逻辑规则未通过；对于符合逻辑规则的检验数据，则标注为固定逻辑规则通过，并将所有检验项均通过固定逻辑规则审核的医学检验结果发送给关联数据关系审核***；
所述关联数据关系审核***：读取通过固定逻辑规则审核的医学检验结果，并根据检验项调取对应的关联数据关系知识；在审核时，所述关联数据关系审核***通过程序自动执行，对各检验项与对应的检验数据之间的关联关系进行逐条审核；若存在不符合关联关系的检验数据，认定为关联异常检验数据，通知相关检验人员对关联异常检验数据进行排查，并标注当前审核医学检验结果为未通过关联数据关系审核；对于符合关联关系的检验数据，则标注为通过关联数据关系审核，并将所有检验项均通过关联数据关系审核的医学检验结果作为***审核通过的结果输出。
2.根据权利要求1所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述固定逻辑规则知识以[检验项编码，逻辑规则编码，规则值]的形式存储至知识图谱数据库中；所述关联数据关系知识以[检验项编码A，检验项编码B，关系编码]的形式存储至知识图谱数据库中。
3.根据权利要求2所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述逻辑规则编码用于记录对应的逻辑规则审核项，其中，所述逻辑规则审核项包括允许数值范围审核、允许变化范围审核、允许变化速率范围审核、样本检验状态审核、历史一致性审核和单位一致性审核。
4.根据权利要求3所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述关系编码用于记录对应的关联关系审核项，其中，所述关联关系审核项包括完全相关审核、不完全相关审核和不相关审核，其中，所述完全相关审核还包括线性正相关审核、线性负相关审核、曲线相关审核。
5.根据权利要求4所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述检验项编码A与检验项编码B均填充单项检验项时，所述关联数据关系审核***为单相关审核模式；所述检验项编码A填充双项或多项检验项，检验项编码B填充单项检验项时，所述关联数据关系审核***为复相关审核模式；所述检验项编码A与检验项编码B均填充双项或多项检验项时，所述关联数据关系审核***为偏相关审核模式。
6.根据权利要求5所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述关联数据关系知识通过如下步骤构建：
步骤A1：收集大量已验的具备相同检验项的医学检验结果，作为原始分析数据；
步骤A2：按照检验项对医学检验结果对应的检验数据进行读取，得到检验项数据集:
T＝[T1，T2，T3，...，Ti，...，Tm]
Figure FDA0003768522630000021
其中，T表示数据总集；i表示检验项编号；m表示医学检验结果的检验项维度；Ti表示i号检验项对应的数据子集；j表示检验数据编号；n表示检验项数据集的维度；
Figure FDA0003768522630000022
表示i号检验项对应的第j项检验数据；
步骤A3：将各数据子集两两组合，得到关联分析数据集F(m,n)：
Figure FDA0003768522630000023
其中，f(TA,TB)表示由数据子集TA与数据子集TB组成的数据簇，A、B分别为各数据子集对应的编号；m表示医学检验结果的检验项维度；
步骤A4：将关联分析数据集F(m,n)输出，并提供给人工智能分析模型进行模型训练。
7.根据权利要求6所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述人工智能分析模型包括关联关系识别模型、线性/曲线回归模型和不完全相关识别模型；
所述关联关系识别模型根据输入的关联分析数据集F(m,n)进行逐簇分析，得到检验项之间的关联类型，所述关联类型包括完全相关、不完全相关和不相关；所述完全相关包括线性正相关、线性负相关和曲线相关；
所述线性/曲线回归模型用于处理关联类型为完全相关的数据簇，并得到对应的回归直线/曲线方程；在审核时，所述固定逻辑规则审核***通过将待审核的检验项带入对应的回归直线/曲线方程中，若满足对应的回归直线/曲线方程，则认定为通过关联数据关系审核；若不满足对应的回归直线/曲线方程，则认定为未通过关联数据关系审核；
所述不完全相关识别模型用于处理关联类型为不完全相关的数据簇，通过训练对应的子模型进行匹配；在审核时，所述固定逻辑规则审核***通过调用对应的子模型对检验项进行匹配，若匹配概率达到置信范围，则认定为通过关联数据关系审核；若匹配概率未达到置信范围，则认定为未通过关联数据关系审核；
对于关联类型为不相关的检验项不进行关联数据关系审核。
8.根据权利要求7所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述关联关系识别模型采用图像识别模型设置，并通过如下步骤进行训练：
步骤B1.1：采集若干散点图，并对散点图类型进行标注，得到训练数据集；其中，所述散点图类型包括线性正相关散点图、线性负相关散点图、曲线相关散点图、不完全相关散点图和不相关散点图；
步骤B1.2：部署图像识别模型，并通过训练数据集进行训练，并将识别准确度达到阈值范围的模型进行输出，得到关联关系识别模型。
9.根据权利要求8所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述关联关系识别模型通过如下步骤对各检验项之间的关联关系进行识别：
步骤B2.1：收集关联分析数据集F(m,n)；
步骤B2.2：将数据簇f(TA,TB)以散点图进行映射，得到关联分析散点图X(A,B)
Figure FDA0003768522630000031
Figure FDA0003768522630000032
Figure FDA0003768522630000033
其中，散点图的横纵坐标轴分别为数据子集数据子集TA与数据子集TB中各检验数据的值；
步骤B2.3：对关联分析数据集F(m,n)中所有数据簇进行映射，得到若干关联分析散点图；
步骤B2.4：通过关联关系识别模型对关联分析散点图进行散点图类型识别，若当前关联分析散点图为线性正相关散点图，则对应检验项的关联关系为线性正相关；若当前关联分析散点图为线性负相关散点图，则对应检验项的关联关系为线性负相关；若当前关联分析散点图为曲线相关散点图，则对应检验项的关联关系为曲线相关；若当前关联分析散点图为不完全相关散点图，则对应检验项的关联关系为不完全相关；若当前关联分析散点图为不相关散点图，则对应检验项的关联关系为不相关；
步骤B2.5：将检验项和对应的关联关系以[检验项编码A，检验项编码B，关系编码]的形式存储至知识图谱数据库中，得到关联数据关系知识。
10.根据权利要求9所述的一种基于人工智能与知识图谱的医学检验结果审核***，其特征在于，所述不完全相关识别模型采用图像识别模型设置，并通过如下步骤进行训练：
步骤C1：采集已验的医学检验结果，并筛选出关联关系为不完全相关的数据簇；
步骤C2：将关联关系为不完全相关的数据簇映射为散点图，得到若干不完全相关散点图，并作为训练集；
步骤C3：部署图像识别模型，并通过训练集进行训练，将识别准确度达到阈值范围的模型进行输出，得到对应子模型；
步骤C4：将所有子模型整合，得到不完全相关识别模型。
CN202210893591.4A 2022-07-27 2022-07-27 一种基于人工智能与知识图谱的医学检验结果审核*** Withdrawn CN115205601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210893591.4A CN115205601A (zh) 2022-07-27 2022-07-27 一种基于人工智能与知识图谱的医学检验结果审核***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210893591.4A CN115205601A (zh) 2022-07-27 2022-07-27 一种基于人工智能与知识图谱的医学检验结果审核***

Publications (1)

Publication Number Publication Date
CN115205601A true CN115205601A (zh) 2022-10-18

Family

ID=83583692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210893591.4A Withdrawn CN115205601A (zh) 2022-07-27 2022-07-27 一种基于人工智能与知识图谱的医学检验结果审核***

Country Status (1)

Country Link
CN (1) CN115205601A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843986A (zh) * 2023-09-04 2023-10-03 四川省医学科学院·四川省人民医院 一种基于图像识别的免疫固定电泳检测数据自动审核方法
CN117391643A (zh) * 2023-12-13 2024-01-12 山东贝森医院管理咨询有限公司 一种基于知识图谱的医保单据审核方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116843986A (zh) * 2023-09-04 2023-10-03 四川省医学科学院·四川省人民医院 一种基于图像识别的免疫固定电泳检测数据自动审核方法
CN116843986B (zh) * 2023-09-04 2023-12-08 四川省医学科学院·四川省人民医院 一种基于图像识别的免疫固定电泳检测数据自动审核方法
CN117391643A (zh) * 2023-12-13 2024-01-12 山东贝森医院管理咨询有限公司 一种基于知识图谱的医保单据审核方法及***
CN117391643B (zh) * 2023-12-13 2024-04-05 山东贝森医院管理咨询有限公司 一种基于知识图谱的医保单据审核方法及***

Similar Documents

Publication Publication Date Title
Van Breukelen et al. Norming clinical questionnaires with multiple regression: the Pain Cognition List.
CN115205601A (zh) 一种基于人工智能与知识图谱的医学检验结果审核***
CN110136837B (zh) 一种医疗数据处理平台
CN111191415A (zh) 基于原始手术数据的手术分类编码方法
CN116932523B (zh) 一种整合和监管第三方环境检测机构的平台
CN111429990A (zh) 一种智能化检验结果判读、比对分析及提醒的管理***
CN114639479A (zh) 一种基于医疗知识图谱的智能诊断辅助***
CN113808738A (zh) 一种基于自识别影像的疾病识别***
CN115714022B (zh) 基于人工智能的新生儿黄疸健康管理***
CN111063448A (zh) 输血不良反应数据库建立方法、存储***以及主动预警***
CN108595432B (zh) 医疗文书纠错方法
CN113951834A (zh) 基于视觉Transformer算法的阿尔兹海默症分类预测方法
CN112256754A (zh) 基于标准模型的超声检测分析***及方法
CN111524570B (zh) 一种基于机器学习的超声随访患者筛选方法
Zhong et al. Reliability-based multi-attribute large group decision making under probabilistic linguistic environment
CN117038091A (zh) 一种通过预测模型对糖尿病性肾病的快速诊断***及方法
CN112151174A (zh) 一种基于体检数据的用户健康信息分析方法、***
CN111261298B (zh) 一种医疗数据质量预判方法、装置、可读介质及电子设备
CN114649071A (zh) 一种基于真实世界数据的消化性溃疡治疗方案的预测***
CN112786124A (zh) 一种问题排查方法、装置、存储介质及设备
CN115511454A (zh) 一种生成审核规则的方法、装置及相关产品
CN114550896A (zh) 基于人工神经网络的头晕患者急诊预检分诊决策方法、装置及模型
CN109446192B (zh) 数据测试方法及装置
US20150302171A1 (en) Bioimaging grid
CN117894452B (zh) 一种基于DenseFormer模型的不明原发肿瘤的原发灶预测方法及***

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20221018

WW01 Invention patent application withdrawn after publication