[go: up one dir, main page]

CN112732940A - 基于模型的医学知识图谱的推理方法、装置、设备及介质 - Google Patents

基于模型的医学知识图谱的推理方法、装置、设备及介质 Download PDF

Info

Publication number
CN112732940A
CN112732940A CN202110057441.5A CN202110057441A CN112732940A CN 112732940 A CN112732940 A CN 112732940A CN 202110057441 A CN202110057441 A CN 202110057441A CN 112732940 A CN112732940 A CN 112732940A
Authority
CN
China
Prior art keywords
model
entity
quadruple
determining
function
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.)
Granted
Application number
CN202110057441.5A
Other languages
English (en)
Other versions
CN112732940B (zh
Inventor
李林峰
闫峻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202110057441.5A priority Critical patent/CN112732940B/zh
Publication of CN112732940A publication Critical patent/CN112732940A/zh
Priority to PCT/CN2021/128491 priority patent/WO2022151811A1/zh
Application granted granted Critical
Publication of CN112732940B publication Critical patent/CN112732940B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请公开了一种基于模型的医学知识图谱的推理方法、装置、设备及存储介质，该图谱包括多个四元组，四元组包括头实体、属性关系、尾实体以及函数模型的模型信息，函数模型为确定头实体与尾实体之间的属性关系的约束条件的模型，该方法包括：确定待推理对象对应的第一实体和第二实体；基于所述待推理对象对应的第一实体和第二实体确定医学知识图谱中对应的至少一个四元组；获取至少一个四元组对应的模型信息，基于模型信息确定对应的函数模型；基于函数模型以及模型信息确定至少一个四元组对应的属性关系的约束条件。本申请实施例的技术方案，不仅能够准确表达两个实体之间的属性关系的约束条件，而且能够根据患者的个体情况进行个性化推理。

Description

基于模型的医学知识图谱的推理方法、装置、设备及介质
技术领域
本申请涉及机器学习技术领域，尤其涉及一种基于模型的医学知识图谱的推理方法、装置、设备及存储介质。
背景技术
医学知识图谱技术是一种揭示医学知识实体之间的语义网络，是能够使得计算机算法系统理解医学知识的关键技术。
医学知识图谱一般采用三元组构建而成，如：<糖尿病并发症糖尿病肾病>。三元组的三个元素，分别可以称为头实体(Head Entity)、属性关系(Relation)和尾实体(TailEntity)。在构建完知识图谱之后，可以基于模型的医学知识图谱中已有的医学知识进行知识推理。
然而，由于三元组的头实体与尾实体之间的属性关系的成立或发生一般都会受到一定的条件约束，例如，并不是所有的糖尿病患者都会发生糖尿病肾病，糖尿病患者发生并发症糖尿病肾病具有一定的概率，这种医学知识图谱难以表达属性关系的条件约束，也无法进行个性化的推理。
发明内容
本申请实施例提供一种基于模型的医学知识图谱的推理方法、装置、设备及存储介质，用于解决医学知识图谱难以表达属性关系的条件约束，也无法进行个性化的推理的问题。
第一方面，本申请提供一种基于模型的医学知识图谱的推理方法，所述医学知识图谱包括多个四元组，所述四元组包括头实体、属性关系、尾实体以及函数模型的模型信息，所述函数模型为确定所述头实体与所述尾实体之间的所述属性关系的约束条件的模型，所述方法包括：确定待推理对象对应的第一实体和第二实体；基于所述待推理对象对应的所述第一实体和所述第二实体确定所述医学知识图谱中对应的至少一个四元组；获取所述至少一个四元组对应的模型信息，基于所述模型信息确定对应的函数模型；基于所述函数模型以及所述模型信息确定所述至少一个四元组对应的所述属性关系的所述约束条件。
在本申请的一些示例实施例中，所述模型信息包括模型类型，所述模型类型包括：常量函数模型、拟合函数模型、规则函数模型以及复合函数模型中的一种或多种。
在本申请的一些示例实施例中，所述模型信息为以JavaScript对象简谱JSON格式表示的信息，所述基于所述模型信息确定对应的函数模型，包括：
对所述JSON格式的模型信息进行解析，确定所述模型信息中的所述模型类型；基于所述模型类型确定对应的函数模型。
在本申请的一些示例实施例中，所述至少一个四元组包括一个四元组，所述基于所述模型类型确定对应的函数模型，包括：若所述四元组的模型信息中包含所述规则函数模型和概率模型，则将所述规则函数模型和所述概率模型的乘积作为所述函数模型，所述概率模型包含所述常量函数模型和/或所述拟合函数模型；若所述四元组的模型信息中仅包含所述规则函数模型，则将所述规则函数模型作为所述函数模型；若所述四元组的模型信息中仅包含所述概率模型，则将所述概率模型作为所述函数模型。
在本申请的一些示例实施例中，所述至少一个四元组包括多个四元组，所述基于所述模型类型确定对应的函数模型，包括：确定各个所述四元组的模型信息对应的各个中间推理模型，所述中间推理模型包含所述规则函数模型和/或概率模型；将各个所述中间推理模型的乘积作为所述至少一个四元组对应的函数模型。
在本申请的一些示例实施例中，所述模型信息包括模型变量以及模型参数，所述基于所述函数模型以及所述模型信息确定所述至少一个四元组对应的所述属性关系的所述约束条件，包括：基于所述模型变量从所述待推理对象的病历信息中确定对应的模型变量的值；将所述模型变量的值以及所述模型参数的值代入所述函数模型；基于所述函数模型的输出结果确定至少一个四元组对应的所述属性关系的所述约束条件。
在本申请的一些示例实施例中，所述属性关系的约束条件包括所述属性关系成立的条件和/或所述属性关系发生的概率。
第二方面，提供了一种基于模型的医学知识图谱的推理装置，所述医学知识图谱包括多个四元组，所述四元组包括头实体、属性关系、尾实体以及函数模型的模型信息，所述函数模型为确定所述头实体与所述尾实体之间的所述属性关系的约束条件的模型，所述装置包括：实体确定模块，用于确定待推理对象对应的第一实体和第二实体；四元组确定模块，用于基于所述待推理对象对应的所述第一实体和所述第二实体确定所述医学知识图谱中对应的至少一个四元组；模型确定模块，用于获取所述至少一个四元组对应的模型信息，基于所述模型信息确定对应的函数模型；属性确定模块，用于基于所述函数模型以及所述模型信息确定所述至少一个四元组对应的所述属性关系的所述约束条件。
在本申请的一些示例实施例中，所述模型信息包括模型类型，所述模型类型包括：常量函数模型、拟合函数模型、规则函数模型以及复合函数模型中的一种或多种。
在本申请的一些示例实施例中，所述模型信息为以JavaScript对象简谱JSON格式表示的信息，所述模型确定模块还用于：对所述JSON格式的模型信息进行解析，确定所述模型信息中的所述模型类型；基于所述模型类型确定对应的函数模型。
在本申请的一些示例实施例中，所述至少一个四元组包括一个四元组，所述模型确定模块还用于：若所述四元组的模型信息中包含所述规则函数模型和概率模型，则将所述规则函数模型和所述概率模型的乘积作为所述函数模型，所述概率模型包含所述常量函数模型和/或所述拟合函数模型；若所述四元组的模型信息中仅包含所述规则函数模型，则将所述规则函数模型作为所述函数模型；若所述四元组的模型信息中仅包含所述概率模型，则将所述概率模型作为所述函数模型。
在本申请的一些示例实施例中，所述至少一个四元组包括多个四元组，所述模型确定模块还用于：确定各个所述四元组的模型信息对应的各个中间推理模型，所述中间推理模型包含所述规则函数模型和/或概率模型；将各个所述中间推理模型的乘积作为所述至少一个四元组对应的函数模型。
在本申请的一些示例实施例中，所述模型信息包括模型变量以及模型参数，所述属性确定模块还用于：基于所述模型变量从所述待推理对象的病历信息中确定对应的模型变量的值；将所述模型变量的值以及所述模型参数的值代入所述函数模型；基于所述函数模型的输出结果确定至少一个四元组对应的所述属性关系的所述约束条件。
在本申请的一些示例实施例中，所述属性关系的约束条件包括所述属性关系成立的条件和/或所述属性关系发生的概率。
第三方面，本申请提供一种电子设备，包括：至少一个处理器，存储器，以及与其他电子设备通信的接口；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第二方面任一项所述的基于模型的医学知识图谱的推理方法。
第四方面，本申请提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机第一至第三方面中任一项所述的基于模型的医学知识图谱的推理方法。
上述申请中的一个实施例具有如下优点或有益效果：一方面，基于待推理对象对应的第一实体和第二实体确定医学知识图谱中对应的至少一个四元组，能够准确地将待推理对象与四元组进行匹配；另一方面，将两个实体的属性关系的约束条件表示为函数模型，将函数模型的模型信息作为医学知识图谱中的四元组的第四元，基于函数模型以及模型信息确定四元组对应的属性关系的约束条件，不仅能够准确表达四元组的两个实体之间的属性关系的约束条件，而且能够根据患者的个体情况进行个性化推理。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为一种技术方案中的医学知识图谱的示意图；
图2为根据本申请的一些实施例提供的基于模型的医学知识图谱的推理方法的流程示意图；
图3为根据本申请的一些实施例提供的医学知识图谱的示意图；
图4为根据本申请的一些实施例提供的确定函数模型的的推理方法的流程示意图；
图5为根据本申请的另一些实施例提供的医学知识图谱的示意图；
图6为根据本申请的一些实施例提供的基于模型的医学知识图谱的推理装置的示意框图；
图7为用来实现本申请实施例的基于模型的医学知识图谱的推理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在一种技术方案中，通过四元组来表示头实体与尾实体的属性关系具有属性的知识点，例如，可以在四元组的第四元上表示头实体与尾实体之间的属性关系发生的概率。参照图1所示，该知识图谱中定义了“肥胖患者有20％的概率未来会发生糖尿病”，“糖尿病患者有40％的概率会发生糖尿病肾病的并发症”这两条知识点，对应的四元组表示为：
<肥胖 风险疾病 糖尿病 概率:0.2>
<糖尿病 并发症 糖尿病肾病 概率:0.4>
然而，在这种技术方案中，虽然在四元组的第四元中加入群体概率值，可以对属性关系发生的群体概率进行推理，但是难以针对不同状况的个体进行个性化的推理。例如，根据上述四元组，不同的糖尿病患者发生糖尿病肾病的概率都是40％，这显然与实际情况不符。因此，虽然统计意义上糖尿病人群中最终发生糖尿病肾病的风险为40％，但每个患者个体发生风险的概率与该患者的个体信息例如身体质量指数(Body Mass Index,简称BMI)、是否吸烟、最新的糖化血红蛋白、尿蛋白/肌酐比值、高密度胆固醇等检验结果的高低都有关系。因此，目前的医学知识图谱无法表达属性关系的这种复杂属性，也无法根据患者的个体情况进行个性化的推理。
基于上述内容，本申请提供了一种基于模型的医学知识图谱的推理方法，将三元组的属性关系的约束条件表示为函数模型，将函数模型的模型信息作为医学知识图谱中的四元组的第四元，基于函数模型以及模型信息确定四元组对应的属性关系的约束条件。根据本申请实施例的技术方案，不仅能够准确表达四元组的两个实体之间的属性关系的约束条件，而且能够根据患者的个体情况进行个性化推理。
图2为根据本申请的一些实施例提供的医学知识图谱的处理方法的流程示意图。该医学知识图谱的处理方法可以通过具有计算处理功能的设备执行，例如可以通过服务器执行。该处理方法包括步骤S210至步骤S230。下面，结合附图对该医学知识图谱的处理方法进行详细的说明。
参照图2所示，在步骤S210中，确定待推理对象对应的第一实体和第二实体。
在示例实施例中，目标患者为待推理对象，在确定了推理目标之后，可以根据推理目标确定目标患者对应的第一实体和第二实体。例如，推理目标为推理糖尿病患者A使用胰岛素治疗的概率，则确定待推理糖尿病患者A对应的第一实体为糖尿病，第二实体为胰岛素治疗。
在步骤S220中，基于待推理对象对应的第一实体和第二实体确定医学知识图谱中对应的至少一个四元组。
在示例实施例中，该医学知识图谱包括多个四元组，四元组包括头实体、属性关系、尾实体以及函数模型的模型信息，函数模型为确定头实体与尾实体之间的属性关系的约束条件的模型。在确定了待推理对象对应的第一实体和第二实体之后，根据第一实体和第二实体在医学知识图谱中匹配对应的实体，得到医学知识图谱中对应的至少一个四元组。
举例而言，参照图3所示，若待推理对象对应的第一实体为糖尿病，第二实体为胰岛素治疗，通过实体匹配确定对应医学知识图谱中的一个四元组，即四元组<糖尿病治疗方案胰岛素属性6>；若待推理对象对应的第一实体为肥胖，第二实体为胰岛素治疗，则通过实体匹配确定对应医学知识图谱中的两个四元组，即四元组<肥胖风险疾病糖尿病属性1>、<糖尿病治疗方案胰岛素属性6>，其中，属性1和属性6可以由对应的函数模型的模型信息表示。
在步骤S230中，获取至少一个四元组对应的模型信息，基于模型信息确定对应的函数模型。
在示例实施例中，模型信息为以JSON(JavaScript Object Notation，JavaScript对象简谱)格式表示的信息，模型信息包括模型类型，模型类型包括：常量函数模型、拟合函数模型、规则函数模型中一种或多种。。对JSON格式的模型信息进行解析，确定模型信息中的模型类型；基于模型类型确定对应的函数模型。
需要说明的是，虽然以模型信息为JSON格式为例进行说明，但是本领域技术人员应该理解的是，也可以以其他适当的形式例如XML(Extensible Markup Language，可扩展标记语言)表示模型信息，这同样在本申请的保护范围内。
在步骤S240中，基于函数模型以及模型信息确定至少一个四元组对应的属性关系的约束条件。
在示例实施例中，模型信息包括模型变量和模型参数，基于模型变量从待推理对象的病历信息中确定对应的模型变量的值；将模型变量的值以及模型参数的值代入函数模型；基于函数模型的输出结果确定至少一个四元组对应的属性关系的约束条件。
根据图2的示例实施例中的技术方案，一方面，基于待推理对象对应的第一实体和第二实体确定医学知识图谱中对应的至少一个四元组，能够准确地将待推理对象与四元组进行匹配；另一方面，将两个实体的属性关系的约束条件表示为函数模型，将函数模型的模型信息作为医学知识图谱中的四元组的第四元，基于函数模型以及模型信息确定四元组对应的属性关系的约束条件，不仅能够准确表达四元组的两个实体之间的属性关系的约束条件，而且能够根据患者的个体情况进行个性化推理。
在示例实施例中，函数模型的模型类型包括：常量函数模型、拟合函数模型、规则函数模型以及复合函数模型中的一种或多种。下表1示出了这几种函数模型。
表1.函数模型
Figure BDA0002901295640000081
图4为根据本申请的一些实施例提供的确定函数模型的的推理方法的流程示意图。
参照图4所示，在步骤S410中，若四元组的模型信息中包含规则函数模型和概率模型，则将规则函数模型和概率模型的乘积作为函数模型，概率模型包含常量函数模型和/或拟合函数模型。
在示例实施例中，至少一个四元组包括一个四元组即一阶推理。举例而言，在一阶推理中，假定ei,ej为医学知识图谱中的两个直接关联的实体。则ei到ej的函数模型或推理概率模型可以通过下式(1)表示：
Cij*Pij (1)
其中，Cij为两个实体的属性关系成立的条件，可以用规则函数模型即上表1函数f3来表示，Pij为属性关系成立的概率，可以概率模型来表示，概率模型包括常量函数模型和/或拟合函数模型，常量函数模型可以为上表1函数f1，拟合函数模型可以为上表1函数f2。
进一步地，如果模型信息中已定义规则函数模型，则Cij取规则函数模型进行运算；如果模型信息中已定义拟合函数模型即个性化概率模型，则Pij选取拟合函数模型进行运算。
在步骤S420中，若四元组的模型信息中仅包含规则函数模型，则将规则函数模型作为函数模型。
在示例实施例中，如果模型信息中未定义概率模型，则Pij取1，表示该属性关系确定会发生，将规则函数模型作为函数模型。
在步骤S430中，若四元组的模型信息中仅包含概率模型，则将概率模型作为函数模型。
在示例实施例中，如果模型信息中未定义规则函数模型，则Cij取1，表示属性关系一直成立。如果模型信息中已定义拟合函数模型并且模型依赖的变量在推理上下文中能取到，则Pij选取拟合函数模型进行运算。如果模型信息中未定义拟合函数模型或者无法取到模型依赖的变量，则Pij取常量函数模型即群体概率模型的值。
根据图4的示例实施例中的技术方案，通过结合规则函数模型和拟合函数模型即个性化推理模型，能够针对不同的个体进行更精准的概率推理。
进一步地，在示例实施例中，至少一个四元组包括多个四元组即多阶推理，基于模型类型确定对应的函数模型，包括：确定各个四元组的模型信息对应的各个中间推理模型，中间推理模型包含规则函数模型和/或概率模型，概率模型包含常量函数模型和/或拟合函数模型；将各个中间推理模型的乘积作为所述至少一个四元组对应的函数模型。
举例而言，在多阶推理中，假定ei,ek为医学知识图谱中的两个不直接关联的实体，则ei到ej的推理概率用下式(2)表示：
Figure BDA0002901295640000091
其中，j1,...,jn为连接ei到ek的n个实体节点。多阶推理的推理过程中C和P的取值与一阶推理中相同。也就是说ei到ej的推理概率等于ei到ek路径中的推理概率的乘积。
图5为根据本申请的另一些实施例提供的医学知识图谱的示意图。
图5为关于糖尿病的医学知识图谱的子图，该子图每个边上都有一个属性关系的约束条件的描述ID，用约束条件{ID}例如REL_ATT{ID}来表示。其中，约束条件6是糖尿病可以使用胰岛素治疗这条属性关系的约束条件。可以基于图5的医学知识图谱推理四个糖尿病患者A，B，C，D使用胰岛素治疗的概率。下面，参照图5，结合几个示例来详细描述应用本申请示例实施例中的医学知识图谱的推理方法的推理过程。
示例一：当约束条件6中仅定义了规则函数模型即cond_model时，该四元组对应的第四元对应的模型信息为以下内容：
Figure BDA0002901295640000101
基于该模型信息，根据四个患者目前的用药情况及最新糖化血红蛋白值hba1c情况推理其下一步使用胰岛素治疗的概率为下表(2)：
表(2).约束条件6中仅定义了规则函数模型时，糖尿病患者使用胰岛素治疗的概率
病人 目前方案 最新hba1c 使用胰岛素的概率
病人A 双药治疗 8.0 0×1＝0
病人B 三药治疗 6.5 0×1＝0
病人C 三药治疗 8.0 1×1＝1
病人D 三药治疗 10.0 1×1＝1
在表(2)中，由于仅定义了规则函数模型，推理模型为Cij*1，病人A，由于采用双药治疗，不满足规则，Cij为0，使用胰岛素的概率为0；病人B采用三药治疗，但是最新hba1c为6.5小于7，不满足规则，Cij为0，使用胰岛素的概率为0；病人C采用三药治疗，并且最新hba1c为8大于7，满足规则，Cij为1，使用胰岛素的概率为1；病人D采用三药治疗，并且最新hba1c为10大于7，满足规则，Cij为1，使用胰岛素的概率为1。
示例二：在约束条件6中增加常量函数模型即群体推理概率prob模型，该四元组对应的第四元对应的模型信息为以下内容：
Figure BDA0002901295640000111
则基于该模型信息，根据四个患者目前的用药情况及最新糖化血红蛋白值hba1c情况推理其下一步使用胰岛素治疗的概率为下表(3)：
表(3).约束条件6中定义了规则函数模型和群体概率模型时，糖尿病患者使用胰岛素治疗的概率
病人 目前方案 最新hba1c 使用胰岛素的概率
病人A 双药治疗 8.0 0×0.35＝0
病人B 三药治疗 6.5 0×0.35＝0
病人C 三药治疗 8.0 1×0.35＝0.35
病人D 三药治疗 10.0 1×0.35＝0.35
在表3中，定义了规则函数模型和常量函数模型，推理模型为Cij*0.35，病人A，由于采用双药治疗，不满足规则，Cij为0，使用胰岛素的概率为0；病人B采用三药治疗，但是最新hba1c为6.5小于7，不满足规则，Cij为0，使用胰岛素的概率为0；病人C采用三药治疗，并且最新hba1c为8大于7，满足规则，Cij为1，使用胰岛素的概率为0.35；病人D采用三药治疗，并且最新hba1c为10大于7，满足规则，Cij为1，使用胰岛素的概率为0.35。
上述示例二的推理中对于符合规则函数模型的患者推理概率相同。然而，患者C和患者D的hba1c数值差别较大，病人D血糖明显高于病人C，使用胰岛素治疗获得的收益会更加明显。
示例三：根据医学知识，是否使用胰岛素治疗会受患者的bmi、c_peptide即C肽水平、目前治疗方案、hba1c等结果的影响。以逻辑回归模型为例训练一个机器学习模型，根据目前bmi、C肽水平、目前治疗方案、hba1c来预测患者下一次就诊使用胰岛素的概率，将训练得到的模型定义为约束条件6中的个体化推理模型，即四元组对应的第四元对应的模型信息为以下内容：
Figure BDA0002901295640000121
Figure BDA0002901295640000131
使用上述LR模型计算不同患者使用胰岛素的概率用下式(3)表示：
Figure BDA0002901295640000132
其中，P为LR模型的输出值，bmi、c_peptide、is_current_3drugs_therapy，latest_hba1c为模型变量，-0.2、-0.3、0.6、0.8分别为训练得到的模型参数。
因此，上述四个病人使用胰岛素的概率可以用下表(4)表示：
表(4).约束条件6中定义了规则函数模型和群体概率模型时，糖尿病患者使用胰岛素治疗的概率
Figure BDA0002901295640000133
在上表(4)中，定义了规则函数模型和个体概率函数模型即拟合函数模型，推理模型为C*P，病人A，由于采用双药治疗，不满足规则，C为0，使用胰岛素的概率为0；病人B采用三药治疗，但是最新hba1c为6.5小于7，不满足规则，C为0，使用胰岛素的概率为0；病人C采用三药治疗，并且最新hba1c为8大于7，满足规则，C为1，通过式(3)得到的P为0.608，则使用胰岛素的概率为0.608；病人D采用三药治疗，并且最新hba1c为10大于7，满足规则，C为1，通过式(3)得到的P为0.934，病人D使用胰岛素的概率为0.35。
图6为根据本申请的一些实施例提供的基于模型的医学知识图谱的推理装置的示意框图。
在图6的示例示例实施例中，所述医学知识图谱包括多个四元组，所述四元组包括头实体、属性关系、尾实体以及函数模型的模型信息，所述函数模型为确定所述头实体与所述尾实体之间的所述属性关系的约束条件的模型，参照图6所示，所述装置600包括：实体确定模块610，用于确定待推理对象对应的第一实体和第二实体；四元组确定模块620，用于基于所述待推理对象对应的所述第一实体和所述第二实体确定所述医学知识图谱中对应的至少一个四元组；模型确定模块630，用于获取所述至少一个四元组对应的模型信息，基于所述模型信息确定对应的函数模型；属性确定模块640，用于基于所述函数模型以及所述模型信息确定所述至少一个四元组对应的所述属性关系的所述约束条件。
根据图6的示例实施例中的技术方案，一方面，基于待推理对象对应的第一实体和第二实体确定医学知识图谱中对应的至少一个四元组，能够准确地将待推理对象与四元组进行匹配；另一方面，将两个实体的属性关系的约束条件表示为函数模型，将函数模型的模型信息作为医学知识图谱中的四元组的第四元，基于函数模型以及模型信息确定四元组对应的属性关系的约束条件，不仅能够准确表达四元组的两个实体之间的属性关系的约束条件，而且能够根据患者的个体情况进行个性化推理。
在本申请的一些示例实施例中，所述模型信息包括模型类型，所述模型类型包括：常量函数模型、拟合函数模型、规则函数模型以及复合函数模型中的一种或多种。
在本申请的一些示例实施例中，所述模型信息为以JavaScript对象简谱JSON格式表示的信息，所述模型确定模块630还用于：对所述JSON格式的模型信息进行解析，确定所述模型信息中的所述模型类型；基于所述模型类型确定对应的函数模型。
在本申请的一些示例实施例中，所述至少一个四元组包括一个四元组，所述模型确定模块630还用于：若所述四元组的模型信息中包含所述规则函数模型和概率模型，则将所述规则函数模型和所述概率模型的乘积作为所述函数模型，所述概率模型包含所述常量函数模型和/或所述拟合函数模型；若所述四元组的模型信息中仅包含所述规则函数模型，则将所述规则函数模型作为所述函数模型；若所述四元组的模型信息中仅包含所述概率模型，则将所述概率模型作为所述函数模型。
在本申请的一些示例实施例中，所述至少一个四元组包括多个四元组，所述模型确定模块630还用于：确定各个所述四元组的模型信息对应的各个中间推理模型，所述中间推理模型包含所述规则函数模型和/或概率模型；将各个所述中间推理模型的乘积作为所述至少一个四元组对应的函数模型。
在本申请的一些示例实施例中，所述模型信息包括模型变量以及模型参数，所述属性确定模块640还用于：基于所述模型变量从所述待推理对象的病历信息中确定对应的模型变量的值；将所述模型变量的值以及所述模型参数的值代入所述函数模型；基于所述函数模型的输出结果确定至少一个四元组对应的所述属性关系的所述约束条件。
在本申请的一些示例实施例中，所述属性关系的约束条件包括所述属性关系成立的条件和/或所述属性关系发生的概率。
上述几种实施方式提供的基于模型的医学知识图谱的推理装置，用于实现前述任一方法实施例中的基于模型的医学知识图谱的推理方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上几个实施例中提供的装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，收益指标确定模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图7是用来实现本申请实施例的基于模型的医学知识图谱的推理方法的电子设备的框图。如图7所示，是根据本申请实施例的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器710、存储器720，以及用于连接各部件的接口，包括高速接口和低速接口，以及与其他电子设备进行通信的接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器710为例。
存储器720即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的任一执行主体对应的基于模型的医学知识图谱的推理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。
存储器720作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的基于模型的医学知识图谱的推理方法中对应的程序指令/模块。处理器710通过运行存储在存储器720中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的任一执行主体对应的基于模型的医学知识图谱的推理方法。
存储器720可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区则可以存储数据，例如，数据处理平台中存储的各方提供的数据，或者安全隔离区域中的叔叔等。此外，存储器720可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器720可选包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至数据处理的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
此外，电子设备还可以包括：输入装置730和输出装置740。处理器710、存储器720、输入装置730和输出装置740可以通过总线750或者其他方式连接，图7中以通过总线连接为例。
输入装置730可接收输入的数字或字符信息，以及产生与数据处理的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置740可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
进一步地，本申请还提供一种存储有计算机指令的非瞬时计算机可读存储介质，用于存储计算机指令，该计算机指令被处理器执行后可实现前述任一方法实施例提供的技术方案。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种基于模型的医学知识图谱的推理方法，其特征在于，所述医学知识图谱包括多个四元组，所述四元组包括头实体、属性关系、尾实体以及函数模型的模型信息，所述函数模型为确定所述头实体与所述尾实体之间的所述属性关系的约束条件的模型，所述方法包括：
确定待推理对象对应的第一实体和第二实体；
基于所述待推理对象对应的所述第一实体和所述第二实体确定所述医学知识图谱中对应的至少一个四元组；
获取所述至少一个四元组对应的模型信息，基于所述模型信息确定对应的函数模型；
基于所述函数模型以及所述模型信息确定所述至少一个四元组对应的所述属性关系的所述约束条件。
2.根据权利要求1所述的方法，其特征在于，所述模型信息包括模型类型，所述模型类型包括：常量函数模型、拟合函数模型、规则函数模型以及复合函数模型中的一种或多种。
3.根据权利要求2所述的方法，其特征在于，所述模型信息为以JavaScript对象简谱JSON格式表示的信息，所述基于所述模型信息确定对应的函数模型，包括：
对所述JSON格式的模型信息进行解析，确定所述模型信息中的所述模型类型；
基于所述模型类型确定对应的函数模型。
4.根据权利要求3所述的方法，其特征在于，所述至少一个四元组包括一个四元组，所述基于所述模型类型确定对应的函数模型，包括：
若所述四元组的模型信息中包含所述规则函数模型和概率模型，则将所述规则函数模型和所述概率模型的乘积作为所述函数模型，所述概率模型包含所述常量函数模型和/或所述拟合函数模型；
若所述四元组的模型信息中仅包含所述规则函数模型，则将所述规则函数模型作为所述函数模型；
若所述四元组的模型信息中仅包含所述概率模型，则将所述概率模型作为所述函数模型。
5.根据权利要求3所述的方法，其特征在于，所述至少一个四元组包括多个四元组，所述基于所述模型类型确定对应的函数模型，包括：
确定各个所述四元组的模型信息对应的各个中间推理模型，所述中间推理模型包含所述规则函数模型和/或概率模型；
将各个所述中间推理模型的乘积作为所述至少一个四元组对应的函数模型。
6.根据权利要求1所述的方法，其特征在于，所述模型信息包括模型变量以及模型参数，所述基于所述函数模型以及所述模型信息确定所述至少一个四元组对应的所述属性关系的所述约束条件，包括：
基于所述模型变量从所述待推理对象的病历信息中确定对应的模型变量的值；
将所述模型变量的值以及所述模型参数的值代入所述函数模型；
基于所述函数模型的输出结果确定至少一个四元组对应的所述属性关系的所述约束条件。
7.根据权利要求1所述的方法，其特征在于，所述属性关系的约束条件包括所述属性关系成立的条件和/或所述属性关系发生的概率。
8.一种基于模型的医学知识图谱的推理装置，其特征在于，所述医学知识图谱包括多个四元组，所述四元组包括头实体、属性关系、尾实体以及函数模型的模型信息，所述函数模型为确定所述头实体与所述尾实体之间的所述属性关系的约束条件的模型，所述装置包括：
实体确定模块，用于确定待推理对象对应的第一实体和第二实体；
四元组确定模块，用于基于所述待推理对象对应的所述第一实体和所述第二实体确定所述医学知识图谱中对应的至少一个四元组；
模型确定模块，用于获取所述至少一个四元组对应的模型信息，基于所述模型信息确定对应的函数模型；
属性确定模块，用于基于所述函数模型以及所述模型信息确定所述至少一个四元组对应的所述属性关系的所述约束条件。
9.一种电子设备，其特征在于，包括：
至少一个处理器，存储器，以及与其他电子设备通信的接口；
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的基于模型的医学知识图谱的推理方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至7中任一项所述的基于模型的医学知识图谱的推理方法。
CN202110057441.5A 2021-01-15 2021-01-15 基于模型的医学知识图谱的推理方法、装置、设备及介质 Active CN112732940B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110057441.5A CN112732940B (zh) 2021-01-15 2021-01-15 基于模型的医学知识图谱的推理方法、装置、设备及介质
PCT/CN2021/128491 WO2022151811A1 (zh) 2021-01-15 2021-11-03 基于模型的医学知识图谱的推理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110057441.5A CN112732940B (zh) 2021-01-15 2021-01-15 基于模型的医学知识图谱的推理方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN112732940A true CN112732940A (zh) 2021-04-30
CN112732940B CN112732940B (zh) 2023-07-14

Family

ID=75591763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110057441.5A Active CN112732940B (zh) 2021-01-15 2021-01-15 基于模型的医学知识图谱的推理方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN112732940B (zh)
WO (1) WO2022151811A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114297411A (zh) * 2022-03-08 2022-04-08 支付宝(杭州)信息技术有限公司 知识图谱中实体的配置方法、分析方法及装置
WO2022151811A1 (zh) * 2021-01-15 2022-07-21 医渡云（北京）技术有限公司 基于模型的医学知识图谱的推理方法、装置、设备及介质
CN115658925A (zh) * 2022-11-21 2023-01-31 阿里健康科技(杭州)有限公司 医学知识组的生成方法、装置、计算机设备和存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116628212B (zh) * 2022-11-25 2024-06-04 云南大学 面向国民经济和社会发展调查领域的不确定性知识图谱建模方法
CN119761383B (zh) * 2025-03-10 2025-06-20 北京工业大学 一种基于本体的复合语义相关性量化方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170277841A1 (en) * 2016-03-23 2017-09-28 HealthPals, Inc. Self-learning clinical intelligence system based on biological information and medical data metrics
CN110113314A (zh) * 2019-04-12 2019-08-09 中国人民解放军战略支援部队信息工程大学 用于动态威胁分析的网络安全领域知识图谱构建方法及装置
CN111242448A (zh) * 2020-01-06 2020-06-05 思创数码科技股份有限公司 一种基于关联分析的火灾隐患评估方法和装置
CN111260064A (zh) * 2020-04-15 2020-06-09 中国人民解放军国防科技大学 基于元知识的知识图谱的知识推理方法、系统以及介质
CN111382275A (zh) * 2018-12-28 2020-07-07 医渡云（北京）技术有限公司 医疗知识图谱的构建方法、装置、介质及电子设备
CN111383773A (zh) * 2018-12-28 2020-07-07 医渡云（北京）技术有限公司 医学实体信息的处理方法、装置、存储介质及电子设备
US20200242490A1 (en) * 2019-01-28 2020-07-30 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for acquiring data model in knowledge graph, and medium
CN111680109A (zh) * 2020-04-22 2020-09-18 北京三快在线科技有限公司 知识图谱表示学习模型训练方法、装置及电子设备
CN111950285A (zh) * 2020-07-31 2020-11-17 合肥工业大学 多模态数据融合的医疗知识图谱智能自动构建系统和方法
CN112037920A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 医疗知识图谱构建方法、装置、设备及存储介质
US20200388401A1 (en) * 2019-06-06 2020-12-10 International Business Machines Corporation Automatic validation and enrichment of semantic relations between medical entities for drug discovery

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446769B (zh) * 2018-01-23 2020-12-08 深圳市阿西莫夫科技有限公司 知识图谱关系推理方法、装置、计算机设备和存储介质
US11227018B2 (en) * 2019-06-27 2022-01-18 International Business Machines Corporation Auto generating reasoning query on a knowledge graph
CN112084344B (zh) * 2020-09-11 2025-01-21 清华大学 知识图谱推理方法、装置及存储介质
CN112732940B (zh) * 2021-01-15 2023-07-14 医渡云（北京）技术有限公司 基于模型的医学知识图谱的推理方法、装置、设备及介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170277841A1 (en) * 2016-03-23 2017-09-28 HealthPals, Inc. Self-learning clinical intelligence system based on biological information and medical data metrics
CN111382275A (zh) * 2018-12-28 2020-07-07 医渡云（北京）技术有限公司 医疗知识图谱的构建方法、装置、介质及电子设备
CN111383773A (zh) * 2018-12-28 2020-07-07 医渡云（北京）技术有限公司 医学实体信息的处理方法、装置、存储介质及电子设备
US20200242490A1 (en) * 2019-01-28 2020-07-30 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and device for acquiring data model in knowledge graph, and medium
CN110113314A (zh) * 2019-04-12 2019-08-09 中国人民解放军战略支援部队信息工程大学 用于动态威胁分析的网络安全领域知识图谱构建方法及装置
US20200388401A1 (en) * 2019-06-06 2020-12-10 International Business Machines Corporation Automatic validation and enrichment of semantic relations between medical entities for drug discovery
CN111242448A (zh) * 2020-01-06 2020-06-05 思创数码科技股份有限公司 一种基于关联分析的火灾隐患评估方法和装置
CN111260064A (zh) * 2020-04-15 2020-06-09 中国人民解放军国防科技大学 基于元知识的知识图谱的知识推理方法、系统以及介质
CN111680109A (zh) * 2020-04-22 2020-09-18 北京三快在线科技有限公司 知识图谱表示学习模型训练方法、装置及电子设备
CN111950285A (zh) * 2020-07-31 2020-11-17 合肥工业大学 多模态数据融合的医疗知识图谱智能自动构建系统和方法
CN112037920A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 医疗知识图谱构建方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI L: "Real-world data medical knowledge graph: construction and applications", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》 *
LI L: "Real-world data medical knowledge graph: construction and applications", 《ARTIFICIAL INTELLIGENCE IN MEDICINE》, 30 March 2020 (2020-03-30), pages 1 - 8 *
李林峰等: "大数据驱动的临床决策支持系统设计与实践", 《中国数字医学》 *
李林峰等: "大数据驱动的临床决策支持系统设计与实践", 《中国数字医学》, 15 July 2020 (2020-07-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022151811A1 (zh) * 2021-01-15 2022-07-21 医渡云（北京）技术有限公司 基于模型的医学知识图谱的推理方法、装置、设备及介质
CN114297411A (zh) * 2022-03-08 2022-04-08 支付宝(杭州)信息技术有限公司 知识图谱中实体的配置方法、分析方法及装置
WO2023169072A1 (zh) * 2022-03-08 2023-09-14 支付宝(杭州)信息技术有限公司 知识图谱中实体的配置方法、分析方法及装置
CN115658925A (zh) * 2022-11-21 2023-01-31 阿里健康科技(杭州)有限公司 医学知识组的生成方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
WO2022151811A1 (zh) 2022-07-21
CN112732940B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN112732940B (zh) 基于模型的医学知识图谱的推理方法、装置、设备及介质
CN112732941B (zh) 基于模型的医学知识图谱的构建方法、装置、设备及介质
Meyer et al. Machine learning for real-time prediction of complications in critical care: a retrospective study
US12175204B2 (en) Aspect prompting framework for language modeling
Bali et al. Diabot: a predictive medical chatbot using ensemble learning
US20230316092A1 (en) Systems and methods for enhanced user specific predictions using machine learning techniques
US12285589B2 (en) Insulin monitoring and delivery system and method for CGM based fault detection and mitigation via metabolic state tracking
WO2019229562A1 (en) Personalized device recommendations for proactive health monitoring and management
KR102217307B1 (ko) 기계 학습 및 의미론적 지식 기반 빅데이터 분석으로 웨어러블 센서와 소셜 네트워킹 데이터를 이용한 새로운 의료 모니터링 방법 및 장치
US20140028464A1 (en) Predictive notifications for adverse patient events
CN111640511B (zh) 医疗事实验证的方法、装置、电子设备及存储介质
Liu et al. Subphenotyping heterogeneous patients with chronic critical illness to guide individualised fluid balance treatment using machine learning: a retrospective cohort study
WO2021179694A1 (zh) 药物推荐方法、装置、计算机设备及存储介质
WO2021007485A1 (en) System and method for online domain adaptation of models for hypoglycemia prediction in type 1 diabetes
US11514334B2 (en) Maintaining a knowledge database based on user interactions with a user interface
CN110335679B (zh) 一种基于多粒度图模式挖掘的生存预测方法及系统
CN112463973B (zh) 医学知识图谱的构建方法、装置、介质及电子设备
CN114255837A (zh) 数据查询方法、装置、计算机可读存储介质及电子设备
Carencotte et al. Exploring Clinical Practices of Critical Alarm Settings in Intensive Care Units: A Retrospective Study of 60,000 Patient Stays from the MIMIC-IV Database
Lee et al. Methodology for Interpretable Reinforcement Learning for Optimizing Mechanical Ventilation
WO2024163424A1 (en) Privacy-preserving interpretable skill learning for healthcare decision making
Josef et al. It is about time: Extinguishing the fire of acute kidney injury
WO2022227176A1 (zh) 药物信息推送方法、装置、计算机设备及存储介质
Wolfson et al. Association of hemodynamic variables with the risk of heart transplant waitlist death and deterioration
Spicer et al. Can Machine Learning Raise Early Goal-Directed Therapy From the Grave?

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