申请/专利权人：北京工业大学

申请日：2021-02-26

公开（公告）日：2024-04-09

公开（公告）号：CN113035362B

主分类号：G16H50/70

分类号：G16H50/70;G16H10/60;G06N3/0464;G06F18/214;G06F40/30;G06F40/295;G06F40/211

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.07.13#实质审查的生效;2021.06.25#公开

摘要：本发明公开了一种基于语义图网络的医疗预测方法及系统，基于领域知识识别电子病历中的实体，并采用双向门控循环单元学习文本的序列特征。其次，为了细粒度的提取电子病历中的语义关系，定义两种类型的子图，基于知识的图表示和基于文本的图表示，并采用图卷积神经网络GCN和图注意力网络GAT提取语义关系特征，其中基于文本的图表示允许提取实体或词与其自身的关系，用于表示实体或词特征。针对属性‑值特征，在提取电子病历中的数值或类别特征之后，利用双向门控循环单元Bi‑GRU提取他们对应的实体，构建属性‑值的图表示。最后，将语义关系和属性‑值进行融合训练疾病的等级预测模型。

主权项：1.一种基于语义图网络的医疗预测方法，其特征在于，具体包括如下步骤：S1、对医疗文本数据进行预处理；S2、将预处理后的医疗文本数据进行特征提取；S3、将提取的特征进行多粒度特征融合，得到最终的文档特征；S4、将所述最终的文档特征进行慢性疾病预测；所述步骤S2中的特征提取包括：实体特征提取、词特征提取、语义关系特征提取和属性-值特征提取；所述语义关系特征提取和属性-值特征提取包括：采用图卷积网络和图注意力网络来构建语义关系图，并定义基于知识的图表示和基于文本的图表示的两种类型子图；所述基于知识的图表示是利用领域本体中标记的实体之间的关系，并采用图卷积网络和图注意力网络来提取电子病历文本中实体关系；所述基于知识的图表示：首先，基于医疗本体识别出电子病历中包含的实体和实体之间的关系作为图的节点和边，分别记作VK和EK，采用{h1，h2，...，h|n|}表示节点{v1，v2，...，v|n|}的特征，其中i≠j，表示节点vi和vj在本体中有对应的关系r，然后基于|VK|和|EK|构建知识图表示模型GK＝{VK，EK}；接下来定义邻接矩阵AK，基于知识的邻接矩阵由公式5表示： 在得到邻接矩阵之后，首先采用图卷积网络学习节点表示，如公式6所示： 其中，DK为AK的度矩阵，是一个对角矩阵，WK和B表示权重和偏置参数，ReLU表示非线性激活函数，HKt-1表示HK上一层的特征；在图卷积层之后结合领域本体中的实体关系，采用图注意力层提取基于知识的节点表示，如有节点特征通过图注意力层将产生一个新的节点表示集合作为输出F′表示输出特征的维度，图注意力层将在每一个节点采用权重矩阵参数化共享的线性转换，并采用共享的注意力机制计算注意力系数，如公式7所示： 其中，表示句子中由实体对vi和vj构成的图Φ在领域本体中有关系r，Er表示r的关系向量，Wb表示权重，接下来采用公式8来正则化相邻节点的权重得分： 其中，表示节点vi的邻居节点，并有关系r，最后通过公式9得出结合知识图表示后节点vi的特征，并采用表示电子病例中包含的知识图表示，结合得到电子病历的知识图GK，如公式10所示： 基于文本的图表示，对于不能从领域本体中找到对应关系的实体或词，根据Bi-GRU提取的上下文中词之间的依赖关系，直接采用图卷积网络模型和图注意力网络提取词或实体之间的关系；采用图卷积模型提取基于文本的图表示，GC＝{VC，EC}；邻接矩阵AC由公式11表示， 采用图卷积网络学习节点表示如公式12所示： 其中，DC为AC的度矩阵，是一个对角矩阵，WC和BC表示权重和偏置参数；然后采用图注意力网络更新节点vp的表示，如公式13所示： 接下来采用公式14来正则化相邻节点的权重得分，最后采用公式15计算实体或词vp和vq的图表示， 其中，||表示向量拼接操作，LeakyRelu表示非线性激活函数，Nj表示vp的邻居节点，表示电子病历中包含的文本图，集合图获得文本图表示GC，如公式16所示： 属性-值分为两种类型：疾病-时间和检查-检查结果，对于疾病-时间，如有疾病实体vo和其对应的时间vs，疾病-时间的属性-值表示为检查-检查结果中属性-值之间的关系表达方式和疾病-时间相同，采用表示属性-值中的其中一个图，获得文档中属性-值的图，如公式17所示： 在属性-值特征的抽取过程中，首先识别句子中包含的数值及类别值，然后通过Bi-GRU学习值的上下文信息，并提取与值距离最近的实体为其对应的属性特征。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于语义图网络的医疗预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD