一种基于医疗知识图谱的预测方法、装置、电子设备和存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115858820A(43)申请公布日2023.03.28(21)申请号202310106016.XG06N3/084(2023.01)(22)申请日2023.02.13G16H50/70(2018.01)(71)申请人南京云创大数据科技股份有限公司地址210000江苏省南京市秦淮区永智路6号南京白下高新技术产业园区四号楼A栋9层(72)发明人刘鹏张真张堃贾先译江兴斌(74)专利代理机构南京九致知识产权代理事务所(普通合伙)32307专利代理师严巧巧(51)Int.Cl.G06F16/36(2019.01)G06F16/35(2019.01)G06F40/30(2020.01)权利要求书2页说明书8页附图1页(54)发明名称一种基于医疗知识图谱的预测方法、装置、电子设备和存储介质(57)摘要本申请公开了一种基于医疗知识图谱的预测方法、装置、电子设备和存储介质，所述预测方法通过获取医疗知识图谱架构，所述医疗知识图谱架构至少包括顺序排列的症状/指标类、疾病类、治疗手段类，每个所述类包括至少一个实体，且相邻的所述类之间的实体之间为全连接关系；将所述医疗知识图谱架构作为神经网络通过病例数据集进行训练直至所述神经网络训练完成，以最终训练完成的所述神经网络及其对应的实体间的连接关系的权重作为医疗知识图谱；根据预测的已知条件向所述医疗知识图谱中的实体赋予量化值，根据所述医疗知识图谱的权重计算所述医疗知识图谱上其他实体的量化值，根据所述量化值以及实体所属层的概念预测关于医疗的结果。CN115858820ACN115858820A权利要求书1/2页1.一种基于医疗知识图谱的预测方法，其特征在于：获取医疗知识图谱架构，所述医疗知识图谱架构至少包括顺序排列的症状/指标类、疾病类、治疗手段类，每个所述类包括至少一个实体，且相邻的所述类之间的实体之间为全连接关系；获取病例数据集，所述病例数据集覆盖所有所述类的实体，所述病例数据集中的每个病例数据中包括所述类中的两类实体以及实体的量化值，所述病例数据中的实体之间的关系与所述医疗知识图谱架构中所代表的对应的部分语义关系一致；将所述医疗知识图谱架构作为神经网络通过所述病例数据集进行训练直至所述神经网络训练完成；其中，所述训练过程中，将每个所述病例数据中的位于输入‑输出方向上靠前一层的实体的量化值赋予所述神经网络对应的节点，根据当前所述神经网络权重获得所述神经网络上与所述病例数据中位于输入‑输出方向上靠后一层的实体对应的节点的输出，基于所述输出与所述病例数据中位于输入‑输出方向上靠后一层的实体的实际值之间的误差对实体间连接关系的权重进行调整；其中，所述当前所述神经网络为根据前一病例数据训练后获得的神经网络；以最终训练完成的所述神经网络及其对应的实体间的连接关系的权重作为医疗知识图谱；向所述医疗知识图谱中的所述输入‑输出方向上最后一层以外的某一层上的实体赋予量化值，其中，被赋予量化值的所述实体为预测的已知条件，根据所述医疗知识图谱的权重计算所述医疗知识图谱上所述输入‑输出方向上位于所述某一层的后部的层的实体的量化值，根据所述量化值以及实体所属层的概念预测关于医疗的结果。2.根据权利要求1所述的方法，其特征在于，所述医疗知识图谱架构还包括治疗结果类，所述治疗结果类在所述输入‑输出方向上位于所述治疗手段类之后。3.根据权利要求1所述的方法，其特征在于，所述症状/指标类中的至少部分实体具有相同的语义含义，所述部分实体具有不同的等级，所述等级用于指示所述语义含义所代表的症状/指标的严重程度。4.根据权利要求1所述的方法，其特征在于，所述将所述医疗知识图谱架构作为神经网络通过所述数据集进行训练，包括：对所述全连接关系中每条边的权重赋予初始值；其中，所述权重为随机数且均小于1，与同一所述实体具有连接关系的前一层的实体的总权重之和为1。5.根据权利要求4所述的方法，其特征在于，所述基于所述输出与所述病例数据中位于输入‑输出方向上靠后一层的实体的实际值之间的误差对实体间连接关系的权重进行调整，包括：按照自所述神经网络的由后向前的方向逐层调整。6.根据权利要求5所述的方法，其特征在于，所述逐层调整时采用误差函数梯度下降法进行调整。7.基于医疗知识图谱的预测装置，其特征在于，包括：知识图谱获取模块，用于获取医疗知识图谱架构，所述医疗知识图谱架构至少包括顺序排列的症状/指标类、疾病类、治疗手段类，每个所述类包括至少一个实体，且相邻的所述类之间的实体之间为全连接关系；数据集获取模块，用于获取病例数据集，所述病例数据集覆盖所有所述类的实体，所述病例数据集中的每个病例数据中包括所述类中的两类实体以及实体的量化值，所述病例数2CN115858820A权利要求书2/2页据中的实体之