CN116187448B - 一种信息展示的方法、装置、存储介质及电子设备 - Google Patents
一种信息展示的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116187448B CN116187448B CN202310454358.0A CN202310454358A CN116187448B CN 116187448 B CN116187448 B CN 116187448B CN 202310454358 A CN202310454358 A CN 202310454358A CN 116187448 B CN116187448 B CN 116187448B
- Authority
- CN
- China
- Prior art keywords
- patient
- surgical
- scheme
- knowledge graph
- target
- 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
Classifications
-
- 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
- G06N5/025—Extracting rules from data
-
- 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
- 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本说明书公开了一种信息展示的方法、装置、存储介质及电子设备。首先,获取患者的就诊文本数据以及患者的医学影像数据。其次,从预先构建的各种手术方案对应的知识图谱中选取患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱。然后,针对目标手术方案对应的每项手术风险,将就诊文本数据、医学影像数据以及目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行目标手术方案时,患者出现该项手术风险的概率。接着,构建患者对应的融合知识图谱。最后,将融合知识图谱进行展示。本方法可以提高医生与家属之间的沟通效率。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种信息展示的方法、装置、存储介质及电子设备。
背景技术
患者在手术前对于疾病和手术的认知权、知情权和选择权日益重视。为了避免造成重大的医疗纠纷,医生与家属之间需要进行术前谈话,即,在手术之前,让患者或者家属在短时间内了解手术风险、手术方案等信息。
目前,在术前谈话中无法将患者的病情、手术方案、以及手术风险进行有效的展示,由于患者或家属的理解能力的不同以及医学特有的专业性,导致医生与家属之间沟通的效率较低。
因此,如何提高医生与家属之间的沟通效率,则是一个亟待解决的问题。
发明内容
本说明书提供一种信息展示的方法、装置、存储介质及电子设备,以医生与家属之间的沟通效率。
本说明书采用下述技术方案:
本说明书提供了一种信息展示的方法,包括:
获取患者的就诊文本数据以及所述患者的医学影像数据;
从预先构建的各种手术方案对应的知识图谱中选取所述患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱;
针对所述目标手术方案对应的每项手术风险,将所述就诊文本数据、所述医学影像数据以及所述目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述患者出现该项手术风险的概率;
根据所述就诊文本数据、所述医学影像数据、所述目标知识图谱以及所述在执行所述目标手术方案时,所述患者出现该项手术风险的概率,构建所述患者对应的融合知识图谱;
将所述融合知识图谱进行展示。
可选地,构建各手术方案对应的知识图谱,具体包括:
针对每个手术方案对应的知识图谱,根据该手术方案中的各手术知识,以该手术方案为方案节点,该手术方案中的各手术知识为知识节点,将所述方案节点与所述知识节点由边相连,构建该手术方案对应的知识图谱。
可选地,训练该项手术风险对应的预测模型,具体包括:
获取各训练样本,所述训练样本中包括:患者的就诊文本数据、所述患者的医学影像数据以及所述患者的待执行的目标手术方案对应的知识图谱;
根据目标手术方案对应的各训练样本,构建所述目标手术方案对应的训练集以及所述目标手术方案对应的验证集;
针对每项手术风险,根据所述训练集,构建待训练的该项手术风险对应的预测模型,并将所述验证集输入到待训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率;
根据所述在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率以及所述验证集中的各训练样本对应的标签信息,确定该项手术风险对应的预测模型的准确率;
以最大化所述准确率为优化目标,对该项手术风险对应的预测模型进行训练。
可选地,将所述验证集输入到待训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率,具体包括:
针对所述验证集中的每个训练样本,将该训练样本输入到待训练的该项手术风险对应的预测模型中,确定所述验证集中的该训练样本到所述训练集中的各个训练样本之间的距离;
对所述验证集中的该训练样本到所述训练集中的各个训练样本之间的距离进行排序,确定所述训练集中的排序序号小于设定排序阈值的训练样本,作为各目标训练样本;
根据所述各目标训练样本中的患者出现该项手术风险的数量,确定所述验证集中的该训练样本中的患者出现该项手术风险的概率。
可选地,根据所述就诊文本数据、所述医学影像数据、所述目标知识图谱以及所述在执行所述目标手术方案时,所述患者出现该项手术风险的概率,构建所述患者对应的融合知识图谱,具体包括:
针对所述患者的每次就诊,根据所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据,以所述患者该次就诊的就诊编号为编号节点,所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据为数据节点,将所述编号节点与所述数据节点由边相连,构建所述患者该次就诊对应的知识图谱;
若所述患者在该次就诊中需要执行所述目标手术方案,将所述方案节点与所述编号节点由边相连,并以所述患者的患者编号为患者节点,将各编号节点与所述患者节点由边相连,构建所述患者对应的融合知识图谱。
可选地,将所述患者对应的融合知识图谱进行展示,具体包括:
将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备进行展示。
可选地,将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备进行展示,具体包括:
将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备,生成三维的融合知识图谱,并将所述融合知识图谱中的医学影像数据进行三维渲染,生成三维人体解剖模型;
通过所述虚拟现实设备,对所述三维的融合知识图谱以及所述融合知识图谱中的三维人体解剖模型进行展示。
本说明书提供的一种信息展示的装置,包括:
获取模块,用于获取患者的就诊文本数据以及所述患者的医学影像数据;
选取模块,用于从预先构建的各种手术方案对应的知识图谱中选取所述患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱;
输入模块,用于针对所述目标手术方案对应的每项手术风险,将所述就诊文本数据、所述医学影像数据以及所述目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述患者出现该项手术风险的概率;
构建模块,用于根据所述就诊文本数据、所述医学影像数据、所述目标知识图谱以及所述在执行所述目标手术方案时,所述患者出现各项手术风险的概率,构建所述患者对应的融合知识图谱;
展示模块,用于将所述融合知识图谱进行展示。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述信息展示的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述信息展示的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的信息展示的方法中,首先,获取患者的就诊文本数据以及患者的医学影像数据。其次,从预先构建的各种手术方案对应的知识图谱中选取患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱。然后,针对目标手术方案对应的每项手术风险,将就诊文本数据、医学影像数据以及目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行目标手术方案时,患者出现该项手术风险的概率。接着,根据就诊文本数据、医学影像数据、目标知识图谱以及在执行目标手术方案时,患者出现该项手术风险的概率,构建患者对应的融合知识图谱。最后,将融合知识图谱进行展示。
从上述方法中可以看出,本方法可以通过预先训练的该项手术风险对应的预测模型,预测在执行目标手术方案时,患者出现该项手术风险的概率。然后,根据就诊文本数据、医学影像数据、目标知识图谱以及在执行目标手术方案时,患者出现该项手术风险的概率,构建患者对应的融合知识图谱。最后,将融合知识图谱进行展示。本方法可以通过考虑患者的个性化因素,得到更为准确的预测结果,可以让患者及家属对于手术有更加客观的选择,避免造成医患纠纷。通过知识图谱,使得患者及家属更加立体形象的了解手术以及手术中可能遇到的问题,遇到突发事情的解决方式,让患者及家属了解医生应对各种情况的方案和措施。并通过视频和图片对手术方案中的术语进行全方位的介绍,可以更直观、全面、专业、高效的了解手术方案,从而,提高医生与家属之间的沟通效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的一种信息展示的方法的流程示意图;
图2为本说明书实施例提供的一种手术方案对应的知识图谱的示意图;
图3为本说明书实施例提供的一种手术方案对应的融合知识图谱的示意图;
图4为本说明书实施例提供的一种信息展示的装置的结构示意图;
图5为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种信息展示的方法的流程示意图,具体包括以下步骤:
S100:获取患者的就诊文本数据以及所述患者的医学影像数据。
在本说明书实施例中,信息展示的方法的执行主体可以是指服务器、台式电脑等电子设备。为了便于描述,下面仅以服务器为执行主体,对本说明书提供的信息展示的方法进行说明。
在本说明书实施例中,服务器可以获取患者的就诊文本数据以及患者的医学影像数据。
具体的,服务器可以从医院临床数据中心或者医院各***中,根据患者编号(person_id),得到患者的住院信息、门诊信息、检验信息、检查信息等数据。
其中,就诊文本数据存储采用观察医疗结果合作项目(Observational MedicalOutcomes Partnership,OMOP)数据通用模型(Common Data Model,CDM)。OMOP数据通用模型是由观察性健康数据科学与信息学(Observational Health Data Sciences andInformatics,OHDSI)开发的一套具有统一标准的数据通用模型,OMOP CDM定义了一套统一的数据标准,规范观察性数据的格式和内容,支持不同来源(如医院信息***、电子病历、检验信息***等)的观察性数据通过数据的抽取、转换和加载(Extraction-Transformation-Loading,ETL)过程形成标准化的数据结构,进行数据的查询和分析等应用。
医学影像数据存储采用医学数学成像和通信(Digital Imaging andCommunications in Medicine,DICOM)。医学数学成像和通信可以是指质量能满足临床需要的可用于数据交换的医学图像格式。
这里提到的患者的就诊文本数据包括:患者表、就诊表、诊断表、检测表、操作表以及文本表。患者表用于表示患者基本信息,例如,性别、出生年月日、民族等。就诊表用于表示住院和门诊的就诊信息,例如,就诊时间、就诊类型、就诊科室等。诊断表用于表示每次就诊中的诊断信息,例如,诊断类型、诊断名称、诊断时间等。检测表用于表示检验生命体征的检测信息,例如,检测时间、检测项目、检测结果等。操作表用于表示影像、病理、手术等操作信息,例如,操作时间、操作名称、操作类型等。文本表用于表示一诉五史、病程记录等文本信息,例如,文本类型、文本时间、文本内容等。
这里提到的患者的医学影像数据包括:检查标签、患者标签、序列标签以及影像标签。检查标签包括:检查日期、检查类型、***位、检查描述等检查信息。患者标签包括:患者生日、患者性别、患者体重等患者信息。序列标签包括:图像位置、图像方位、层厚等序列信息。影像标签包括:影像拍摄日期、图像码、像素间距等影像信息。
S102:从预先构建的各种手术方案对应的知识图谱中选取所述患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱。
在本说明书实施例中,服务器可以从预先构建的各种手术方案对应的知识图谱中选取患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱。
在实际应用中,医生在术前谈话时会采用大量的医学术语(比如胰瘘、胃潴留、疝形成等),患者或者家属难以在短时间内理解这些医学术语。并且,医生通常通过口述、展示影像资料等方法介绍手术方案,患者或者家属并不具备相应专业知识和空间想象力,去理解手术过程、各种突发情况以及备选方案,从而,无法充分了解手术方案,进而,导致医生与家属的沟通效率较低。基于此,服务器可以根据各种手术方案对应的手术知识,构建各种手术方案对应的知识图谱。
在本说明书实施例中,服务器可以针对每个手术方案对应的知识图谱,根据该手术方案中的各手术知识,以该手术方案为方案节点,该手术方案中的各手术知识为知识节点,将方案节点与知识节点由边相连,构建该手术方案对应的知识图谱。这里提到的各手术知识包括:手术指征、手术禁忌征、手术方案、备选方案、手术术语介绍、手术风险、手术后期必要措施等。
其中,知识图谱采用三元组的结构进行存储,即一个形如<主体,谓词,客体>的表示格式。主体通常是实体、事实或者概念中的任何一个,例如,以每个手术为主体。谓词通常是关系或者属性,例如,备选方案、科室、手术风险、手术指征、术语解释、手术部位等。客体既可以是实体、事件、概念,也可以是具体的值。
例如,若两个手术之间的关联关系为备选方案时,则主体为目前的手术,谓词为备选方案,客体为备选的手术,以<全胃切除术,备选方案,半胃切除术>的形式存储。再例如,主体为目前的手术,谓词为科室,客体为科室名称,以<全胃切除术,科室,胃肠外科>的形式存储。当然,谓词和客体还可以存储不同的信息,从而表示不同的内容,本说明书可以根据获取到的各手术知识,采用三元组的结构进行存储,构建各手术方案对应的知识图谱。具体如图2所示。
图2为本说明书实施例提供的一种手术方案对应的知识图谱的示意图。
在图2中,以全胃切除术为方案节点,全胃切除术中的各手术知识为知识节点,将方案节点与知识节点由边相连。其中,半胃切除术即是半胃切除术对应的知识图谱中的方案节点,也是全胃切除术对应的知识图谱中的知识节点。
全身麻醉对应的知识节点即是<全胃切除术,麻醉方式,全身麻醉>中的客体,也是<全身麻醉,术语解释,全身麻醉术语.mp4>中的主体。也就是说,一个知识节点也可以是三元组的结构中的主体,与其他的知识节点相连。本说明书不对三元组中的主体以及客体进行限定。
进一步的,为了患者及家属更加立体形象的了解手术以及手术中可能遇到的问题,可以通过文字、图像以及视频对手术方案中的术语进行全方位的介绍,更直观、全面、专业、高效的了解手术过程。在图2中,服务器可以将文字、图像以及视频等形式的资料作为资料节点,将资料节点与相对应的知识节点相连。也就是说,以胃癌术语的文字资料作为资料节点,将胃癌术语对应的资料节点与胃癌对应的知识节点由边相连,关联关系为术语解释。
当然,由于篇幅的限制,图2中仅列举了部分的手术知识以及手术知识对应的资料,本说明书不对手术知识以及手术知识对应的资料的种类或是数量进行限定。
需要说明的是,手术方案可以是以国家医疗保障按病种分值付费(Diagnosis-Intervention Packet,DIP)中的手术进行划分的。
S104:针对所述目标手术方案对应的每项手术风险,将所述就诊文本数据、所述医学影像数据以及所述目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述患者出现该项手术风险的概率。
在实际应用中,在术前谈话中只有部分手术风险可以通过统计学,在宏观人群的角度统计得到手术风险的发生率。例如,统计一万个人中有多少人出现手术风险,以确定手术风险大发生率。但是,由于不同的患者的个人身体情况不同,这种方法确定出的发生率的准确性较低。例如,同一个手术方案,部分患者具有年龄较大、存在慢性病、有手术史等特点,会导致这部分患者比一般患者更容易发生某些手术风险。从而,导致患者或家属对执行手术方案后的各手术风险的发生率产生误解,进而,造成医患纠纷。
基于此,服务器可以通过各手术风险对应的预测模型,根据患者历次就诊信息中的就诊文本数据以及医学影像数据,确定在执行手术方案时,患者出现各手术风险的概率。也就是说,通过考虑患者的个性化因素,得到更为准确的预测结果,可以让医生、患者家属对手术方案有更加客观的选择。
在本说明书实施例中,服务器可以针对目标手术方案对应的每项手术风险,将就诊文本数据、医学影像数据以及目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行目标手术方案时,患者出现该项手术风险的概率。
需要说明的是,每个手术方案中的各手术风险分别对应有一个预测模型。例如,若一共有M个手术方案,每个手术方案中具有N个手术风险,则一共有MxN个预测模型。
在本说明书实施例中,服务器在通过预测模型,预测在执行目标手术方案时,患者出现该项手术风险的概率之前,需要对预测模型进行训练。
在本说明书实施例中,服务器可以获取各训练样本,训练样本中包括:患者的就诊文本数据、患者的医学影像数据以及患者的待执行的目标手术方案对应的知识图谱。
其次,服务器可以根据目标手术方案对应的各训练样本,构建目标手术方案对应的训练集以及目标手术方案对应的验证集。
而后,服务器可以针对每项手术风险,根据训练集,构建待训练的该项手术风险对应的预测模型,并将验证集输入到待训练的该项手术风险对应的预测模型中,预测在执行目标手术方案时,验证集中的各训练样本中的患者出现该项手术风险的概率。
然后,服务器可以根据在执行所述目标手术方案时,验证集中的各训练样本中的患者出现该项手术风险的概率以及验证集中的各训练样本对应的标签信息,确定该项手术风险对应的预测模型的准确率。其中,针对测试集的预测结果(包括发生该手术风险以及未发生该手术风险)和实际结果进行比对,若预测结果为F个,预测结果与实际结果相同为E个,则准确率为。
最后,服务器可以以最大化准确率为优化目标,对该项手术风险对应的预测模型进行训练。
具体的,服务器可以针对验证集中的每个训练样本,将该训练样本输入到待训练的该项手术风险对应的预测模型中,确定验证集中的该训练样本到训练集中的各个训练样本之间的距离。这里提到的计算两个训练样本之间的距离的方法可以有多种。例如,欧式距离。再例如,余弦相似度。本说明书不对计算两个训练样本之间的距离的方法进行限定。
其次,服务器可以对验证集中的该训练样本到训练集中的各个训练样本之间的距离进行排序,确定训练集中的排序序号小于设定排序阈值的训练样本,作为各目标训练样本。
最后,服务器可以根据各目标训练样本中的患者出现该项手术风险的数量,确定验证集中的该训练样本中的患者出现该项手术风险的概率。其中,若目标训练样本中的患者出现该项手术风险的概率大于设定概率阈值,则认为目标训练样本中的患者出现该项手术风险。
例如,若设定排序阈值为100,距离最小的100个训练样本中有a个训练样本发生该手术风险,则该训练样本发生该手术风险的概率为。然后,根据少数服从多数的原则,确定该训练样本发生该手术风险的概率。也就是,若该训练样本发生该手术风险的概率≥50%,则认为会发生该手术风险,若该训练样本发生该手术风险的概率<50%,则认为不会发生该手术风险。
基于此,服务器可以确定出该训练样本发生各手术风险的概率。
需要说明的是,本说明书应用的预测模型可以是KNN算法(K-Nearest Neihbor,KNN)。服务器可以通过调整输入到预测模型中的训练样本的各特征,对预测模型进行训练。例如,训练样本中有100个特征,服务器可以随机输入100个特征中的部分特征,以此对预测模型进行训练。当然,预测模型也可以通过对特征进行加权的方式,对预测模型进行训练。
在本说明书实施例中,本说明书应用的预测模型也可以是各种深度学习模型。例如,卷积神经网络(convolutional neural network,CNN)、注意力机制模型(Attention)等。本说明书不对应用的预测模型进行限定。
S106:根据所述就诊文本数据、所述医学影像数据、所述目标知识图谱以及所述在执行所述目标手术方案时,所述患者出现该项手术风险的概率,构建所述患者对应的融合知识图谱。
在实际应用中,医生在术前谈话时会采用大量的医学术语(比如胰瘘、胃潴留、疝形成等),患者或者家属难以在短时间内理解这些医学术语。并且,医生介绍手术方案缺少互动和可视化。医生介绍手术方案时只停留在口述或者根据影像资料介绍层面,患者或者家属并不具备相应专业知识和空间想象力,去理解手术过程、各种突发情况以及备选方案,因而无法充分了解手术方案。基于此,服务器可以通过知识图谱,使得患者及家属更加立体形象的了解手术以及手术中可能遇到的问题,遇到突发事情的解决方式,让患者及家属了解医生应对各种情况的方案和措施。并通过视频和图片对手术方案中的术语进行全方位的介绍,可以更直观、全面、专业、高效的了解手术方案。
在本说明书实施例中,服务器可以根据就诊文本数据、医学影像数据、目标知识图谱以及在执行目标手术方案时,患者出现该项手术风险的概率,构建患者对应的融合知识图谱。
进一步的,针对患者的每次就诊,服务器可以根据患者该次就诊的就诊文本数据以及患者该次就诊的医学影像数据,以患者该次就诊的就诊编号为编号节点,患者该次就诊的就诊文本数据以及患者该次就诊的医学影像数据为数据节点,将编号节点与数据节点由边相连,构建患者该次就诊对应的知识图谱。
其次,若患者在该次就诊中需要执行目标手术方案,服务器可以将方案节点与编号节点由边相连,并以患者的患者编号为患者节点,将各编号节点与患者节点由边相连,构建患者对应的融合知识图谱。具体如图3所示。
图3为本说明书实施例提供的一种手术方案对应的知识图谱的示意图。
在图3中,将各编号节点与患者节点相连,并将在执行目标手术方案时,患者出现该项手术风险的概率作为概率节点,将概率节点与手术风险对应的知识节点相连,将编号节点与方案节点相连,以构建融合知识图谱。具体的,在图3中,“患者编号1001”为患者节点,“就诊编号001”以及“就诊编号002”为编号节点,将“患者编号1001”对应的患者节点与“就诊编号001”对应的编号节点相连以及将“患者编号1001”对应的患者节点与“就诊编号002”对应的编号节点相连。“感染”对应一个知识节点,在执行目标手术方案时,患者出现感染的概率为23%,将概率为23%的概率节点与“感染”对应的知识节点相连。若患者在第二次就诊时需要执行手术方案,将“就诊编号002”对应的编号节点与手术方案对应的方案节点相连。
S108:将所述融合知识图谱进行展示。
在本说明书实施例中,服务器可以将所述融合知识图谱进行展示。
在实际应用中,术前手术只通过二维影像展示以及报告描述的形式,无法精准发现病灶位置以及病变情况。二维影像测量指示点存在选择受限、单一层面评估、图像不清晰等问题,导致走样、噪音、伪影、采样点的混合效应等,无法展现病灶区域立体的空间结构,给医生评估病情带来了一定的难度。
基于此,服务器可以通过三维立体影像报告全方位展示病灶情况,解决手术的精准性和安全性的问题。生成患者术前三维影像后,可以分割表示出患者病灶区域的器官、肿瘤、血管、神经、骨质等各个组织,能够精准测量肿瘤大小,实现病灶区域的立体可视化,利于医生观察与诊断,并进行数字化模拟手术操作,以优化手术方案,提高手术效率以及手术安全。
在本说明书实施例中,服务器可以将患者对应的融合知识图谱发送给虚拟现实设备,以通过虚拟现实设备进行展示。
具体的,服务器可以将患者对应的融合知识图谱发送给虚拟现实设备,以通过虚拟现实设备,生成三维的融合知识图谱,并将融合知识图谱中的影像数据进行三维渲染,生成三维人体解剖模型。
其次,服务器可以通过虚拟现实设备,对三维的融合知识图谱进行展示。
进一步的,服务器可以通过VR设备进行展示和交互。展示界面包括左侧页面展示的三维实体化的融合知识图谱以及右侧展示的显示框,右侧显示框主要用于点击节点时显示的内容。
其中,VR设备采用WebXR将2D可视化扩展到3D的视图化,进而将3D图形的三维立体知识图谱渲染到WebXR会话中。WebXR可以基于超级手组件交互,具有追踪关节手势的功能,可用于在VR场景中识别手部关节姿势或渲染手势模型,基本手势包括悬停、抓住、拉伸、拖放功能。其中,悬停可以在实体的碰撞空间握住控制器。抓住可以按下一个按钮在实体上悬停或移动它。拉伸可以用双手抓住一个实体并调整大小。拖放是将实体拖到另一个实体上。
具体的,服务器可以对融合知识图谱进行渲染。主要利用WebGL技术,可以将融合知识图谱通过3D图谱可视化分析技术将三维实体化的融合知识图谱呈现在VR上,可以通过点击融合知识图谱上的实体,使实体的内容包括影像、文本、图片、视频等进行展示。
对融合知识图谱内的影像信息进行三维渲染是通过Amira DICOM Reader进行3D转化,这里提到的Amira DICOM Reade是Amira 专用于DICOM数据的输入输出接口,将融合知识图谱内的影像信息渲染为VR设备中三维实体化的形式进行展示。
在本说明书实施例中,服务器可以记录患者对应的融合知识图谱的展示过程以及在展示过程中的音频数据。
具体的,将融合知识图谱按照知识图谱形式存储在数据库中。在展示过程中的音频数据是指谈话内容的录音录像,也就是,通过访问VR设备对于谈话过程中展示的三维实体化的融合知识图谱、医疗图像以及谈话过程的录音和录屏。
其中,服务器还可以向患者展示手术同意书,获取到患者签署手术同意书后的签署文件。
从上述方法中可以看出,本方法可以通过预先训练的该项手术风险对应的预测模型,预测在执行目标手术方案时,患者出现该项手术风险的概率。然后,根据就诊文本数据、医学影像数据、目标知识图谱以及在执行目标手术方案时,患者出现该项手术风险的概率,构建患者对应的融合知识图谱。最后,将融合知识图谱进行展示。本方法可以通过考虑患者的个性化因素,得到更为准确的预测结果,可以让患者及家属对于手术有更加客观的选择,避免造成医患纠纷。通过知识图谱,使得患者及家属更加立体形象的了解手术以及手术中可能遇到的问题,遇到突发事情的解决方式,让患者及家属了解医生应对各种情况的方案和措施。并通过视频和图片对手术方案中的术语进行全方位的介绍,可以更直观、全面、专业、高效的了解手术方案。从而,提高医生与家属之间的沟通效率。
图4为本说明书实施例提供的一种信息展示的装置的结构示意图,所述装置包括:
获取模块400,用于获取患者的就诊文本数据以及所述患者的医学影像数据;
选取模块402,用于从预先构建的各种手术方案对应的知识图谱中选取所述患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱;
输入模块404,用于针对所述目标手术方案对应的每项手术风险,将所述就诊文本数据、所述医学影像数据以及所述目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述患者出现该项手术风险的概率;
构建模块406,用于根据所述就诊文本数据、所述医学影像数据、所述目标知识图谱以及所述在执行所述目标手术方案时,所述患者出现该项手术风险的概率,构建所述患者对应的融合知识图谱;
展示模块408,用于将所述融合知识图谱进行展示。
可选地,所述选取模块402具体用于,针对每个手术方案对应的知识图谱,根据该手术方案中的各手术知识,以该手术方案为方案节点,该手术方案中的各手术知识为知识节点,将所述方案节点与所述知识节点由边相连,构建该手术方案对应的知识图谱。
可选地,所述输入模块404具体用于,获取各训练样本,所述训练样本中包括:患者的就诊文本数据、所述患者的医学影像数据以及所述患者的待执行的目标手术方案对应的知识图谱,根据目标手术方案对应的各训练样本,构建所述目标手术方案对应的训练集以及所述目标手术方案对应的验证集,针对每项手术风险,根据所述训练集,构建待训练的该项手术风险对应的预测模型,并将所述验证集输入到待训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率,根据所述在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率以及所述验证集中的各训练样本对应的标签信息,确定该项手术风险对应的预测模型的准确率,以最大化所述准确率为优化目标,对该项手术风险对应的预测模型进行训练。
可选地,所述输入模块404具体用于,针对所述验证集中的每个训练样本,将该训练样本输入到待训练的该项手术风险对应的预测模型中,确定所述验证集中的该训练样本到所述训练集中的各个训练样本之间的距离,对所述验证集中的该训练样本到所述训练集中的各个训练样本之间的距离进行排序,确定所述训练集中的排序序号小于设定排序阈值的训练样本,作为各目标训练样本,根据所述各目标训练样本中的患者出现该项手术风险的数量,确定所述验证集中的该训练样本中的患者出现该项手术风险的概率。
可选地,所述构建模块406具体用于,针对所述患者的每次就诊,根据所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据,以所述患者该次就诊的就诊编号为编号节点,所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据为数据节点,将所述编号节点与所述数据节点由边相连,构建所述患者该次就诊对应的知识图谱,若所述患者在该次就诊中需要执行所述目标手术方案,以所述患者的患者编号为患者节点,以在执行所述目标手术方案时,所述患者出现各项手术风险的概率为各概率节点,将所述方案节点与所述编号节点由边相连,将各编号节点与所述患者节点由边相连,将所述各概率节点与各手术风险对应的知识节点由边相连,构建所述患者对应的融合知识图谱。
可选地,所述展示模块408具体用于,将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备进行展示。
可选地,所述展示模块408具体用于,将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备,生成三维的融合知识图谱,并将所述融合知识图谱中的医学影像数据进行三维渲染,生成三维人体解剖模型,通过所述虚拟现实设备,对所述三维的融合知识图谱以及所述融合知识图谱中的三维人体解剖模型进行展示。
本说明书还提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可用于执行上述图1提供的信息展示的方法。
本说明书实施例还提供了图5所示的电子设备的结构示意图。如图5,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1提供的信息展示的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
需要说明的是,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种信息展示的方法,包括:
获取患者的就诊文本数据以及所述患者的医学影像数据;
从预先构建的各种手术方案对应的知识图谱中选取所述患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱,其中,构建各手术方案对应的知识图谱包括:针对每个手术方案对应的知识图谱,根据该手术方案中的各手术知识,以该手术方案为方案节点,该手术方案中的各手术知识为知识节点,将所述方案节点与所述知识节点由边相连,构建该手术方案对应的知识图谱;
针对所述目标手术方案对应的每项手术风险,将所述就诊文本数据、所述医学影像数据以及所述目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述患者出现该项手术风险的概率;
根据所述就诊文本数据、所述医学影像数据、所述目标知识图谱以及所述在执行所述目标手术方案时,所述患者出现各项手术风险的概率,构建所述患者对应的融合知识图谱,其中,针对每个手术方案对应的知识图谱,针对所述患者的每次就诊,根据所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据,以所述患者该次就诊的就诊编号为编号节点,所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据为数据节点,将所述编号节点与所述数据节点由边相连,构建所述患者该次就诊对应的知识图谱;若所述患者在该次就诊中需要执行所述目标手术方案,以所述患者的患者编号为患者节点,以在执行所述目标手术方案时,所述患者出现各项手术风险的概率为各概率节点,将所述方案节点与所述编号节点由边相连,将各编号节点与所述患者节点由边相连,将所述各概率节点与各手术风险对应的知识节点由边相连,构建所述患者对应的融合知识图谱;
将所述融合知识图谱进行展示,展示的融合知识图谱包括三维的融合知识图谱。
2.如权利要求1所述的方法,训练该项手术风险对应的预测模型,具体包括:
获取各训练样本,所述训练样本中包括:患者的就诊文本数据、所述患者的医学影像数据以及所述患者的待执行的目标手术方案对应的知识图谱;
根据目标手术方案对应的各训练样本,构建所述目标手术方案对应的训练集以及所述目标手术方案对应的验证集;
针对每项手术风险,根据所述训练集,构建待训练的该项手术风险对应的预测模型,并将所述验证集输入到待训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率;
根据所述在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率以及所述验证集中的各训练样本对应的标签信息,确定该项手术风险对应的预测模型的准确率;
以最大化所述准确率为优化目标,对该项手术风险对应的预测模型进行训练。
3.如权利要求2所述的方法,将所述验证集输入到待训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述验证集中的各训练样本中的患者出现该项手术风险的概率,具体包括:
针对所述验证集中的每个训练样本,将该训练样本输入到待训练的该项手术风险对应的预测模型中,确定所述验证集中的该训练样本到所述训练集中的各个训练样本之间的距离;
对所述验证集中的该训练样本到所述训练集中的各个训练样本之间的距离进行排序,确定所述训练集中的排序序号小于设定排序阈值的训练样本,作为各目标训练样本;
根据所述各目标训练样本中的患者出现该项手术风险的数量,确定所述验证集中的该训练样本中的患者出现该项手术风险的概率。
4.如权利要求1所述的方法,将所述患者对应的融合知识图谱进行展示,具体包括:
将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备进行展示。
5.如权利要求4所述的方法,将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备进行展示,具体包括:
将所述患者对应的融合知识图谱发送给虚拟现实设备,以通过所述虚拟现实设备,生成三维的融合知识图谱,并将所述融合知识图谱中的医学影像数据进行三维渲染,生成三维人体解剖模型;
通过所述虚拟现实设备,对所述三维的融合知识图谱以及所述融合知识图谱中的三维人体解剖模型进行展示。
6.一种信息展示的装置,包括:
获取模块,用于获取患者的就诊文本数据以及所述患者的医学影像数据;
选取模块,用于从预先构建的各种手术方案对应的知识图谱中选取所述患者的待执行的目标手术方案对应的知识图谱,作为目标知识图谱,其中,构建各手术方案对应的知识图谱包括:针对每个手术方案对应的知识图谱,根据该手术方案中的各手术知识,以该手术方案为方案节点,该手术方案中的各手术知识为知识节点,将所述方案节点与所述知识节点由边相连,构建该手术方案对应的知识图谱;
输入模块,用于针对所述目标手术方案对应的每项手术风险,将所述就诊文本数据、所述医学影像数据以及所述目标知识图谱输入到预先训练的该项手术风险对应的预测模型中,预测在执行所述目标手术方案时,所述患者出现该项手术风险的概率;
构建模块,用于根据所述就诊文本数据、所述医学影像数据、所述目标知识图谱以及所述在执行所述目标手术方案时,所述患者出现各项手术风险的概率,构建所述患者对应的融合知识图谱,其中,针对每个手术方案对应的知识图谱,针对所述患者的每次就诊,根据所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据,以所述患者该次就诊的就诊编号为编号节点,所述患者该次就诊的就诊文本数据以及所述患者该次就诊的医学影像数据为数据节点,将所述编号节点与所述数据节点由边相连,构建所述患者该次就诊对应的知识图谱;若所述患者在该次就诊中需要执行所述目标手术方案,以所述患者的患者编号为患者节点,以在执行所述目标手术方案时,所述患者出现各项手术风险的概率为各概率节点,将所述方案节点与所述编号节点由边相连,将各编号节点与所述患者节点由边相连,将所述各概率节点与各手术风险对应的知识节点由边相连,构建所述患者对应的融合知识图谱;
展示模块,用于将所述融合知识图谱进行展示,展示的融合知识图谱包括三维的融合知识图谱。
7.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-5任一项所述的方法。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310454358.0A CN116187448B (zh) | 2023-04-25 | 2023-04-25 | 一种信息展示的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310454358.0A CN116187448B (zh) | 2023-04-25 | 2023-04-25 | 一种信息展示的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116187448A CN116187448A (zh) | 2023-05-30 |
CN116187448B true CN116187448B (zh) | 2023-08-01 |
Family
ID=86449273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310454358.0A Active CN116187448B (zh) | 2023-04-25 | 2023-04-25 | 一种信息展示的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187448B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033420B (zh) * | 2023-10-09 | 2024-01-09 | 之江实验室 | 一种知识图谱同概念下实体数据可视化展示方法及装置 |
CN117198450B (zh) * | 2023-11-06 | 2024-02-02 | 南京都昌信息科技有限公司 | 电子病历的处理方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724670A (zh) * | 2022-06-02 | 2022-07-08 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种医学报告生成方法、装置、存储介质和电子设备 |
CN114846524A (zh) * | 2019-12-19 | 2022-08-02 | 博医来股份公司 | 使用机器学习和解剖向量进行医学图像分析 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016116136A1 (en) * | 2015-01-20 | 2016-07-28 | Brainlab Ag | Atlas-based determination of tumour growth direction |
CN109658772B (zh) * | 2019-02-11 | 2021-01-26 | 三峡大学 | 一种基于虚拟现实的手术培训与考核方法 |
US11596482B2 (en) * | 2019-05-23 | 2023-03-07 | Surgical Safety Technologies Inc. | System and method for surgical performance tracking and measurement |
AU2021257275A1 (en) * | 2020-04-17 | 2022-11-17 | Exactech, Inc. | Method and system for modeling predictive outcomes of arthroplasty surgical procedures |
CN112820408B (zh) * | 2021-01-26 | 2024-05-10 | 北京百度网讯科技有限公司 | 手术操作风险确定方法、相关装置及计算机程序产品 |
CA3211735A1 (en) * | 2021-03-18 | 2022-09-22 | Brice Gaudilliere | Systems and methods to generate a surgical risk score and uses thereof |
CN113707311A (zh) * | 2021-09-06 | 2021-11-26 | 浙江海心智惠科技有限公司 | 一种基于知识图谱的诊疗方案搜索确定*** |
CN113822494B (zh) * | 2021-10-19 | 2022-07-22 | 平安科技(深圳)有限公司 | 风险预测方法、装置、设备及存储介质 |
CN114188036A (zh) * | 2021-12-13 | 2022-03-15 | 中科麦迪人工智能研究院(苏州)有限公司 | 一种手术方案评估方法、装置、***及存储介质 |
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*** |
CN114724682B (zh) * | 2022-06-08 | 2022-08-16 | 成都与睿创新科技有限公司 | 用于微创手术的辅助决策装置 |
CN115359873B (zh) * | 2022-10-17 | 2023-03-24 | 成都与睿创新科技有限公司 | 用于手术质量的控制方法 |
-
2023
- 2023-04-25 CN CN202310454358.0A patent/CN116187448B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114846524A (zh) * | 2019-12-19 | 2022-08-02 | 博医来股份公司 | 使用机器学习和解剖向量进行医学图像分析 |
CN114724670A (zh) * | 2022-06-02 | 2022-07-08 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种医学报告生成方法、装置、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116187448A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Titano et al. | Automated deep-neural-network surveillance of cranial images for acute neurologic events | |
Burlina et al. | Assessment of deep generative models for high-resolution synthetic retinal image generation of age-related macular degeneration | |
CN116187448B (zh) | 一种信息展示的方法、装置、存储介质及电子设备 | |
US11094416B2 (en) | Intelligent management of computerized advanced processing | |
Andriole et al. | Optimizing analysis, visualization, and navigation of large image data sets: one 5000-section CT scan can ruin your whole day | |
Kohn et al. | IBM’s health analytics and clinical decision support | |
US8856188B2 (en) | Electronic linkage of associated data within the electronic medical record | |
US11900266B2 (en) | Database systems and interactive user interfaces for dynamic conversational interactions | |
US20140006926A1 (en) | Systems and methods for natural language processing to provide smart links in radiology reports | |
US20190348156A1 (en) | Customized presentation of data | |
JP2022036125A (ja) | 検査値のコンテキストによるフィルタリング | |
CN107239722B (zh) | 用于从医疗文档中提取诊断对象的方法和装置 | |
Chakraborty et al. | From machine learning to deep learning: An advances of the recent data-driven paradigm shift in medicine and healthcare | |
WO2017134093A1 (en) | Cognitive patient care event reconstruction | |
US11568964B2 (en) | Smart synthesizer system | |
CN116525125B (zh) | 一种虚拟电子病历的生成方法及装置 | |
US20220293243A1 (en) | Method and systems for the automated detection of free fluid using artificial intelligence for the focused assessment sonography for trauma (fast) examination for trauma care | |
EP3905255A1 (en) | Mapping a patient to clinical trials for patient specific clinical decision support | |
Li et al. | Towards precision medicine based on a continuous deep learning optimization and ensemble approach | |
Talukder | Bridging the inferential gaps in healthcare | |
Charitha et al. | Big Data Analysis and Management in Healthcare | |
RU2741260C1 (ru) | Способ и система автоматизированной диагностики сосудистых патологий на основании изображения | |
JP2013506900A (ja) | 画像に基づくクエリを使用したドキュメント識別 | |
Sonntag et al. | Design and implementation of a semantic dialogue system for radiologists | |
Murthy et al. | Fundus Analysis Software Tool (FAST): development of software integrating CAD with the EHR for the longitudinal study of fundus images |
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 |