基于知识图谱的健康医疗知识推送系统研究
这是一篇关于医疗知识图谱,CRF,朴素贝叶斯,Neo4j,疾病判断的论文, 主要内容为人们在没有大病痛时往往不会去往医院就诊,而是希望通过搜索引擎或者在线医疗问答系统获取自己的病症信息,而现有的医疗问答系统太过于依赖医生个人的经验,不符合数据驱动的科学医学理念。大数据,人工智能,物联网等信息技术的发展使得医疗行业与计算机信息技术融合成为了必然,知识图谱提供了一种从“关系”的角度去分析事物的方法,基于知识图谱的健康医疗知识推送系统能够根据用户输入的症状对用户所患疾病进行判断,从而为患者推送和患者所患疾病相关的医疗知识。首先分析了电子病历的结构特征,提出构建知识图谱的主要知识来源是电子病历中的首次病程记录和出院小结,随后提出了电子病历医疗实体提取任务,并使用CRF模型作为医疗实体提取的方法,对部分电子病历进行标注,然后使用CRF++工具对中文电子病历中的医疗实体进行提取,并将提取出的实体转换成为了 SOP三元组形式。其次,针对如何计算病症实体对于某一个疾病实体的影响因子IMPT,选用了朴素贝叶斯算法来计算病症实体的IMPT值。之后对实体节点设置了约束条件,然后再使用Neo4j提供的Jdbc将医疗实体和病症的权重因子导入到了 Neo4j中,完成了知识图谱的构建。最后对医疗知识推送系统进行系统结构设计和技术路线分析,使用Spring Boot集成Spring Data Neo4j以及Spring Data JPA完成系统框架搭建,在系统功能实现时提出了一种基于知识图谱的疾病判断策略,并根据制定的疾病判断策略选择出用户最有可能患有疾病和其他可能患有的疾病推荐给用户,最后根据患者所有可能患有的疾病为患者提供相应的医疗知识。本文采用知识图谱作为核心技术,通过对用户输入的症状在知识图谱中进行查询,并根据查询结果为用户提供与其患有疾病相关的医疗知识,实验结果表明,本医疗知识推送系统对用户的疾病有一定的辅助诊断作用。
基于深度学习的医疗知识图谱辅助决策研究
这是一篇关于医疗知识图谱,知识表示学习,图卷积神经网络,辅助诊断的论文, 主要内容为近年来,随着人们的生活水平发展,身体健康问题备受关注。同时在互联网上,医疗网站、医疗数据不断增长,传统的纸质病历也逐渐转变为电子病历。那么如何结合计算机技术,从结构复杂、晦涩难懂的医疗数据中挖掘出有益的信息成为了社会和学者关注的难点。面对真实世界中的复杂关系,知识图谱逐渐出现在研究人员的视野之中。医疗知识图谱的出现与发展为医疗领域中的各种实体及关系提供了一种良好的组织方式,为复杂关系的数据提供了新的知识表示形式和存储方法,这对于医疗数据的处理和分析有了极大的帮助。目前,对于医疗知识图谱的研究及应用还处于不断摸索的阶段。本文基于医疗领域复杂的数据结构分析,针对其中的辅助诊断和用药推荐决策支持问题,结合了医疗知识图谱构建、表示学习、卷积神经网络以及图卷积神经网络等多种方法进行研究。具体研究工作包括以下两个部分:(1)针对并发症问题,本文结合医疗知识图谱和患者数据进行医疗辅助诊断。首先,本文从结构化的医疗网站上获取了医疗数据,并将其转化为三元组形式即(实体,关系,实体),并将其存储于neo4j数据库中,其中包括44112个实体和233759个三元组关系作为辅助诊断的基础。然后构建并发症的辅助诊断模型,该模型首先构建医疗领域的知识图谱,并通过知识表示模型对医疗知识进行编码,结合患者主诉文本获取患者症状实体的表示向量,再将患者主诉表示向量和指标表示向量通过CNNDNN网络对并发症进行辅助诊断。实验选取了糖尿病的3种并发症:高血压、糖尿病肾病和糖尿病视网膜病变作为测试。该模型的准确率对比传统的机器学习模型和单独的深度神经网络在高血压和糖尿病肾病上分别提高了5%、5%、14%和27%、6%、9%,说明该文模型能够充分融合医疗知识图谱和深度学习技术,对提高并发症的诊断起到积极作用。(2)针对知识图谱中特有的图形结构,本文构建了针对医疗知识图谱特点的图卷积神经网络。首先根据原有的医疗知识图谱进行患者数据的补充,增加了28405个关系。然后该模型构建了医疗知识图谱的邻接矩阵和患者的用药矩阵,再根据邻接矩阵和深度获取实体的接受域,并通过不同的聚合函数来进行实体表示向量的更新。同时考虑到知识图谱中不同关系对实体的影响程度,该模型加入了打分函数。最后通过患者的用药矩阵对参数进行迭代更新。实验表示基于医疗知识图谱的图卷积神经网络在药物推荐上取得了良好的效果。在CTR实验中,AUC值达到了0.92,精确率达到了0.84,召回率达到了0.81。
基于命名实体识别的心血管疾病知识库问答系统
这是一篇关于实体识别,医疗知识图谱,问答系统,预训练模型的论文, 主要内容为世界卫生组织的调查数据显示,心血管疾病是世界范围内的头号杀手。在我国,心血管疾病占城乡居民疾病死亡率的首位。由于医疗资源供给不足,所以我国许多欠发达地区的患者无法在早期发现心血管疾病的征兆,并采取积极的治疗手段,导致错过治疗的窗口期。近几年,随着互联网和人工智能的高速发展,越来越多的互联网在线医疗平台兴起,但这些平台在线问诊的费用较高,等待周期较长,容易贻误病情。同时,医疗信息化带来了海量的医学数据,这些数据来源广泛,结构千差万别,难以有效利用。为解决上述问题,本文搭建了一种基于命名实体识别的心血管疾病知识库问答系统,帮助患者就诊求医和自查,并为专业人员提供结构清晰的知识管理方式。本文主要内容如下:(1)提出多模型融合的医疗命名实体识别算法。首先,基于Ro BERTa-wwm模型进行预训练和微调,得到具备医疗背景知识的语言模型CME-Ro BERTa。然后,针对医疗领域的嵌套和非嵌套实体,分别提出CMe-Ro BERTa-Bi LSTM-CRF和CMe-Ro BERTaMRC进行实体抽取,并使用两级融合策略进行模型融合,利用模型差异和不同的优势场景提高模型的识别能力。最后,在两组数据集上对两个单模算法和融合模型进行对比实验,实验表明,本文提出的融合模型具有良好的泛化能力和识别精度。(2)构建了心血管疾病知识图谱。首先,基于开放的在线医学网站进行数据采集,爬取心血管类疾病的医学数据,做初步的数据清洗和字段规则化整理。然后,根据分析的数据特点进行手动知识建模,并通过医疗知识抽取,提取原始数据中可用的医疗知识单元。最后,将这些医疗知识单元存入图数据库中持久化,以便用户进行知识管理和查询,为后续的问答系统提供专业的数据支撑。(3)问答系统的实现。针对心血管疾病知识库问答系统,本文设计了三大功能模块来实现。首先设计了中心主实体识别模块,通过上文的医疗实体识别算法来识别问句query中的所有医疗实体,并通过字典链接到知识图谱中的实体,通过规则打分,选取得分最高的作为问句的中心主实体。然后设计了关系识别模块,基于中心主实体,在上文构建的心血管疾病知识图谱中抽取其两跳内的子图,得到候选关系集合,并对候选关系和问句进行相似度打分。最后设计了答案召回模块,通过CMe-Ro BERTa-Linear分类器判断query问句的跳数,定位子图信息,召回问题答案。论文中设计的心血管疾病知识库问答系统,通过知识图谱来组织各类心血管医学信息,方便知识的结构化查询和展示,提高信息的利用效率。通过多模型融合的医疗实体识别模型来帮助理解问句语义,找到中心实体,进而确定知识图谱中的子图和关系路径,召回答案。该系统经过测试,可以有效的帮助患者进行预防和基础自诊,并为相关从业人员提供便捷的知识管理,表现出预期的应用价值。
面向脑卒中的医疗知识图谱构建及应用研究
这是一篇关于医疗知识图谱,脑卒中,在线卒中救治,实体关系检测,构建方法的论文, 主要内容为临床诊疗的电子化发展使海量临床数据保存于互联网中,对于医疗数据利用不足问题,使用知识图谱处理结构松散的医疗知识效果良好。本文主要研究面向医疗领域的知识图谱构建方法及卒中救治应用,重点针对医疗领域知识图谱的构建,并将脑卒中知识图谱运用在卒中救治小程序上,主要工作如下:(1)针对如今诊疗数据利用不充分的问题,本文对大量文献进行归纳整理,提出一种面向医疗领域的知识图谱构建方法。构建方法包含4个步骤:首先构建知识图谱本体结构,作为知识图谱框架;然后使用Crowdsourcing语义标注,得到已标注的规整数据;再补全外源数据,将其他来源的结构化程度较好的数据与语义标注数据整合;最后,针对知识图谱中疏松的实体或关系,利用深度学习算法进行抽取和补充(命名为MCDE方法)。论文针对语义标注、实体集的扩充以及关系抽取三个步骤进行实验分析。其中,语义标注的F1值在90%以上,扩充实体集的准确率大于80%,但关系抽取的效果不明显。(2)基于MCDE方法构建了脑卒中知识图谱。首先,采用半自动化标注的脑卒中疾病词典,结合ICD-10等国际标准医学术语搭建知识图谱的模式层;然后,爬取垂直领域医学网站和Crowdsourcing网站的公开医学文本信息,经过数据清洗,得到的医学知识三元组与中文症状库中抽取的脑卒中信息进行知识融合,采用改进的实体相似度计算方法扩充图谱;最后,迭代更新不断地完善已建立的知识图谱。通过MCDE方法在较短时间内构建出了覆盖面、准确率都较高的脑卒中知识图谱,证明该方法在构建医疗领域知识图谱中有效。对比分析了Trans系列模型在知识图谱嵌入过程的作用,最终选择了F1值较高的Trans D模型。(3)基于以上工作,完善基于脑卒中知识图谱的卒中救治小程序,将脑卒中知识图谱作为智能检索模块的数据层。该程序提供知识检索、急救地图、数据管理、急救呼叫等服务。为患者提供健康管理工具,结合了深度学习模型,实现知识图谱应用到智能检索的过程,解决了结构化数据到应用的端到端问题。
基于CNN模型的医疗知识图谱问答系统研究
这是一篇关于医疗知识图谱,自然语言处理,问答系统,深度学习的论文, 主要内容为“COVID-19”等烈性传染病爆发以来,医疗资源不足已成为一个严重的社会问题,医疗健康领域的在线问答系统已经成为人们获取健康知识和诊疗建议的重要途径之一。然而,由于医疗领域的专业性和复杂性,医疗问答系统的准确性不足成为制约其发展的主要因素之一。大数据、人工智能以及知识图谱等技术的发展,为在线医疗问答系统的优化提供了新的思路和方法。知识图谱作为一种新兴的知识表示和推理技术,可以将医疗领域的专业知识融合到一个可视化的图数据库中,建立准确、全面、可扩展的知识体系,以支持在线医疗问答系统的优化和发展。本文主要完成以下研究工作:1.构建了医疗知识图谱NWNU＿KG。从医疗电子文档、垂直医疗站点及医疗症状库等多个数据源,通过建立规则抽取结构化数据,并使用爬虫解析器对医疗站点的数据进行爬取,经过实体对齐和实体消歧等操作,将获取的医疗数据进行融合,构建医疗知识图谱NWNU＿KG,包含7种类型的44112个实体,10种类型的291164个关系。2.基于构建的知识图谱提出了医疗问答联合模型MBCD。为了解决实体识别的问题,MBCD模型采用了深度学习和词典相结合的方法。深度学习模型MC-BERT＿BILSTM＿CRF识别失败则使用词典进行二次实体识别,以提高实体识别的准确性和覆盖率。为了准确识别用户提问意图,MBCD模型将text CNN和规则模板两种方法进行结合。text CNN模型对用户输入的问题识别失败,则通过调用设定好的规则模板对可能存在的用户意图进行匹配,以此实现二次意图识别。MBCD模型的提出有效地解决了医疗问答系统中实体抽取和提问意图识别的难题,进一步提升了问答系统的准确性和性能。3.研发了一个基于知识图谱NWNU＿KG和MBCD模型的医疗问答系统。该系统通过数据层、业务层和展示层来构建,前端展示页面采用HTML和CSS技术开发,并通过Django框架快速搭建。主要实现了实体关系查询和问答交互及知识图谱的可视化,可以提供医疗问答服务以及医疗知识图谱可视化应用等功能。本文研究发现,医疗知识图谱NWNU＿KG具备较好的可扩展性且便于迁移,可为后续医疗领域智能问答研究提供数据支撑,具有广阔的应用前景;联合模型MBCD准确率较高,在实体识别和关系抽取中的准确率分别为89.32%和85.68%,可以准确识别到用户输入的自然语言中的实体和实体关系,具有一定的实用价值;基于MBCD模型的智能医疗诊疗服务平台具有较快的响应速度、简洁易懂的人机交互页面并且能够准确的识别用户问题并返回正确的答案,具备较好的稳定性和可靠性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/49202.html
