基于临床数据的中医处方推荐方法研究
这是一篇关于中医临床数据,处方推荐,推荐系统,网络表示学习,社团划分的论文, 主要内容为临床诊疗决策支持是医学人工智能研究的核心内容。中医是我国独具优势和特色的传统医学体系,以四诊信息(主要包括症状与体征等信息)为依据,进行个体化诊疗是其主要临床模式。因此,中医人工智能研究的核心任务之一是实现以症状体征为输入,处方信息为输出的临床处方决策支持技术和方法。鉴于中医临床处方的复杂性和个体性,临床处方的决策支持技术研究一直是未能有效解决的研究难题。随着大量以电子病历信息为主要载体的临床数据积累,基于大规模临床数据,结合当前的机器学习和信息推荐方法进行个体化处方推荐成为可能。本文基于较大规模的中医临床病历数据,结合信息推荐和表示学习等方法,开展了中医临床处方推荐方法及系统研究,主要工作包括以下几个方面:(1)利用脱敏后的11379例中医临床病历数据,进行基于正则表达式的数据预处理,对现病史中的症状进行批量结构化解析,形成了具有较高质量的临床处方推荐数据集,该数据集包含11379条现病史,11247副处方和463味中药等主要信息,为开展中医临床处方信息推荐方法研究提供了重要数据基础。(2)针对处方推荐中需要利用症状集和处方信息等问题,构建了包含症状集和处方的异质网络,在此基础上,采用网络嵌入表示学习方法进行特征学习,并研制了基于类方分析和相似度的处方推荐算法。经实验分析表明,基于社团划分的处方推荐方法具有较好的处方推荐性能,实现了一定程度的个体化推荐效果。(3)面向临床数据预处理和中医处方推荐应用,本文设计并实现了中医临床处方推荐原型系统,该系统基于Flask框架和Neo4j的图数据库存储,实现了基于Web的临床数据检索、症状结构化处理及处方推荐等功能。
面向中医证候的智能处方推荐方法研究
这是一篇关于中医信息化,中医论治,处方推荐,深度学习的论文, 主要内容为中医是我国独具优势和特色的传统医学体系,是中华优秀传统文化不可或缺的一部分。利用现代互联网技术发展中医行业,探索中医与人工智能融合的新模式,是传承中医药精华、守正创新的重要内容,对中医在治未病、重大疾病治疗、疾病康复中具有技术支撑和保障作用。中医师问诊具有以下步骤:通过望、闻、问、切等模式确定患者的证候(即症状和体征);通过辨别证候给出治法,治法是针对临床证候采取的具体治疗方法;最终依据治法开出个性化处方。因此,本文拟设计一种模拟中医问诊思路,实现以患者证候作为输入,治法作为桥梁,处方信息作为输出的过程,辅助医生提高问诊效率的处方推荐系统。该系统将中医与人工智能相结合,使用深度学习技术从海量中医诊疗数据里学习其规律并发现处方新知识。本研究主要工作如下。1.提出文本卷积神经网络中医论治算法,采用文本卷积神经网络构造一个非线性的映射关系,通过训练和学习网络,实现了从中药数据中自动抽取中医证候的内在规律,把治法的多分类结果以概率的形式展现出来,选取最大的概率作为治法的结果进行输出,从而模拟证候到治法的过程,并将其应用于新病例的诊断。经实验结果分析,基于文本卷积神经网络的中医论治模型训练速度快、并且具有更高的准确率。2.提出注意力分解机处方推荐算法,采用因子分解机的二阶交叉项将患者和处方的多类别属性进行交叉组合,在因子分解机上添加注意力网络,对处方中有效特征赋予更高的权重,从而区分处方中不同组合特征的重要程度,提高模型的推荐性能。经实验结果分析,基于注意力分解机处方推荐模型不需要依赖人工特征,具有较好的推荐性能,实现了一定程度的个体化推荐效果。3.智慧中医辅助诊疗系统的设计与实现。本系统依据中医师选法定方的问诊思路,采用MVC架构,实现了系统界面与处方推荐流程的分离,协助医生问诊确认患者的证候,通过本系统进行开方。该系统主要为医院以及中医馆的医生提供方便,提高医生的诊断效率和正确率。
中医临床知识图谱推理及智能应用技术研究
这是一篇关于知识图谱,处方推荐,中医,辅助诊疗的论文, 主要内容为医学人工智能的核心目标是实现临床辅助诊疗,进而协助提升临床诊疗能力。由于医学知识图谱具有丰富的领域知识,对临床诊疗往往起到关键作用,因此,知识图谱及其推理应用研究在医学人工智能中具有重要地位。中医临床诊疗过程是一个演绎推理的过程,因此基于知识图谱进行辅助诊疗至关重要。而这一研究存在如下几方面问题:(1)知识图谱的构建是一个系统工程,现有的医学知识图谱还有待不断扩展,存在不完整性问题;(2)在辅助诊疗过程中,医学知识图谱的应用往往缺少理论知识与临床案例的关联;(3)现有的辅助诊疗系统大多基于数据挖掘的方法,从大量的原始病例中挖掘隐含的知识,不能有效的利用中医书籍中的理论知识,从而不能从根本上理解看病的过程和实际内涵。为解决以上问题,本文从以下三个方面开展研究工作:(1)针对医学知识图谱不完整的问题,提出了基于门控张量分解的知识图谱补全方法Gate TD,用于医学知识图谱的补全。该方法在张量分解的基础上引入GRU门控机制,有效捕获实体-关系之间的交互,并使得关系向量在不同的头实体条件下具有不同的向量表示。本章在四个标准数据集上进行了知识图谱补全的实验,在FB15k数据集上相比基线方法取得了显着的性能提升。该实验结果表明,Gate TD通过GRU来增强知识共享,有助于更有效的建模。将该方法应用于医学知识图谱的补全,对于医学知识图谱的推理工作具有重大的实际意义和学术价值。(2)针对理论知识与临床案例缺少关联的问题,提出了基于分析学习的临床案例诊疗规律分析方法。首先通过实体对齐的方式形成知识图谱中的理论知识(症状、中药)与临床数据(症状、中药)的衔接,在此基础上基于分析学习的方法对目标概念(药症关系)进行学习,从而以临床病例的疗效为依据实现对理论知识的评价及筛选。这一方法具有较高的可靠性和可解释性,对于领域数据的构建及诊疗规律的发现具有重大的实际意义,同时为中医临床辅助决策支持提供基础。(3)针对中医辅助诊疗系统不能有效利用理论知识的问题,提出了基于多策略学习的处方推荐方法,以中医知识图谱和临床数据为基础,实现中医临床辅助决策支持。相比于机器学习的多标签分类方法、网络映射方法以及基线的知识图谱补全方法,该多策略学习的处方推荐方法取得了最佳的性能,其Precision@10=0.259,Recall@10=0.238,F1@10=0.248。这一结果充分表明,知识图谱由于其内部丰富的语义关联,为处方推荐过程提供了潜在的信息来源,使得推荐结果具有更高的精确性、多样性和可解释性。因此,知识图谱在辅助诊疗领域具有极大的应用价值及学术意义。
中医临床知识图谱推理及智能应用技术研究
这是一篇关于知识图谱,处方推荐,中医,辅助诊疗的论文, 主要内容为医学人工智能的核心目标是实现临床辅助诊疗,进而协助提升临床诊疗能力。由于医学知识图谱具有丰富的领域知识,对临床诊疗往往起到关键作用,因此,知识图谱及其推理应用研究在医学人工智能中具有重要地位。中医临床诊疗过程是一个演绎推理的过程,因此基于知识图谱进行辅助诊疗至关重要。而这一研究存在如下几方面问题:(1)知识图谱的构建是一个系统工程,现有的医学知识图谱还有待不断扩展,存在不完整性问题;(2)在辅助诊疗过程中,医学知识图谱的应用往往缺少理论知识与临床案例的关联;(3)现有的辅助诊疗系统大多基于数据挖掘的方法,从大量的原始病例中挖掘隐含的知识,不能有效的利用中医书籍中的理论知识,从而不能从根本上理解看病的过程和实际内涵。为解决以上问题,本文从以下三个方面开展研究工作:(1)针对医学知识图谱不完整的问题,提出了基于门控张量分解的知识图谱补全方法Gate TD,用于医学知识图谱的补全。该方法在张量分解的基础上引入GRU门控机制,有效捕获实体-关系之间的交互,并使得关系向量在不同的头实体条件下具有不同的向量表示。本章在四个标准数据集上进行了知识图谱补全的实验,在FB15k数据集上相比基线方法取得了显着的性能提升。该实验结果表明,Gate TD通过GRU来增强知识共享,有助于更有效的建模。将该方法应用于医学知识图谱的补全,对于医学知识图谱的推理工作具有重大的实际意义和学术价值。(2)针对理论知识与临床案例缺少关联的问题,提出了基于分析学习的临床案例诊疗规律分析方法。首先通过实体对齐的方式形成知识图谱中的理论知识(症状、中药)与临床数据(症状、中药)的衔接,在此基础上基于分析学习的方法对目标概念(药症关系)进行学习,从而以临床病例的疗效为依据实现对理论知识的评价及筛选。这一方法具有较高的可靠性和可解释性,对于领域数据的构建及诊疗规律的发现具有重大的实际意义,同时为中医临床辅助决策支持提供基础。(3)针对中医辅助诊疗系统不能有效利用理论知识的问题,提出了基于多策略学习的处方推荐方法,以中医知识图谱和临床数据为基础,实现中医临床辅助决策支持。相比于机器学习的多标签分类方法、网络映射方法以及基线的知识图谱补全方法,该多策略学习的处方推荐方法取得了最佳的性能,其Precision@10=0.259,Recall@10=0.238,F1@10=0.248。这一结果充分表明,知识图谱由于其内部丰富的语义关联,为处方推荐过程提供了潜在的信息来源,使得推荐结果具有更高的精确性、多样性和可解释性。因此,知识图谱在辅助诊疗领域具有极大的应用价值及学术意义。
基于端到端网络的慢阻肺中医智能诊疗模型设计与系统实现
这是一篇关于慢性阻塞性肺疾病,证型推断,处方推荐,数据不均衡的论文, 主要内容为慢性阻塞性肺疾病,简称慢阻肺,是最常见的慢性呼吸病,其较高的发病率和死亡率给社会带来了沉重的负担。中医治疗慢阻肺具有疗效精准、副作用小的优势,规范的中医治疗是降低疾病负担的关键。目前我国慢阻肺患者基数大、合格的中医生数量不足,因此针对慢阻肺的中医智能诊疗研究具有重要现实意义。针对慢阻肺中医诊疗数据集缺乏问题,本文首先设计了一种全新的慢阻肺患者信息录入形式,并对湖北省中医院肺病科近五年来(2016-2011)的临床病案数据进行规范化录入,进一步地,本文对患者症状、体征等特征进行分级规范化,并提出将无症状看作一种症状表现以统一患者症状集长度,最终得到规范化的慢阻肺中医诊疗数据集,消除了原始病案数据中的信息杂乱现象,能够更好地适应后续模型训练。针对慢阻肺患者症状繁多,治疗处方呈现多样化,中医智能诊疗缺乏“症状-证型-处方”一体化模型等问题,本文提出了一种基于编码器-解码器结构的端到端慢阻肺智能诊疗模型。模型首先通过Transformer编码器充分提取患者的病理特征,依此推断出患者的证型,进一步地结合患者的病理信息和证型信息解码处方。针对模型构建过程中存在的证型和药物分布不均衡问题,本文将损失函数分为证型推断损失和处方推荐损失两部分,证型推断损失通过改进Focal Loss以提升模型对难辨证型的关注度,处方推荐损失采用一种非对称的损失函数区分模型对不同药物的正样本和负样本的关注度,进而缓解每种药物的正负样本数量差异对模型输出的干扰。在本文构建的慢阻肺中医诊疗数据集上进行实验,将本文提出的模型与经典模型进行对比,实验结果表明,证型推断的F1值达71.10%,处方推荐的F1值达63.51%,高于对比模型。同时,对比实验表明改进后的损失函数相比传统交叉熵损失明显降低了数据不均衡对模型的影响,模型的证型推断和处方推荐结果更精准。为了实际地辅助医生诊断,本文基于上述慢阻肺智能诊疗模型,设计并实现了慢阻肺中医智能诊疗系统,系统具备证型推断、处方推荐等功能,目前本系统已在湖北省中医院投入使用。
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/55123.html
