一种基于医疗知识图谱的智能疾病辅助诊断系统的制作方法

本发明涉及计算机技术领域，特别涉及一种基于医疗知识图谱的智能疾病辅助诊断系统。

背景技术：

随着我国医疗系统的不断完善，医疗资源包括医疗设备和医护人员队伍也在逐步壮大，但医疗资源紧缺、医院运行效率不高的情况仍然存在，如：基层诊疗水平低，误漏诊率高达40％；临床医生时间未能有效利用，20-50％以上的时间用于文字报告录入；医院系统内部以及各大医疗数据库间存在数据孤岛，难以整合信息，造成医疗信息的大量浪费。

技术实现要素：

为解决上述问题，本发明提供了一种基于医疗知识图谱的智能疾病辅助诊断系统及系统及系统。

本发明采用以下技术方案：

一种基于医疗知识图谱的智能疾病辅助诊断系统，包括患者数据层、实体抽取层、辅助诊断层和推荐治疗层，所述患者数据层用于采集和保存患者数据以形成患者电子病历，所述实体抽取层用于根据患者主诉进行实体识别和关系抽取，所述辅助诊断层用于根据所述实体抽取层的结果进行辅助诊断分析以输出疑似疾病诊断列表和相应的推荐检查列表，所述推荐治疗层用于根据患者基本信息、检查报告的结果和医生诊断结果进行分析输出最终的治疗方案。

进一步地，所述患者电子病历包含患者基本信息、患者主诉、检查报告、诊断结果和用药记录，所述患者基本信息包括性别、身高和体重。

进一步地，所述实体抽取层由数据输入模块、神经网络模块组成，所述数据输入模块采用人工手动输入或语音输入患者主诉从而生成文本，所述神经网络模块由bi-lstm网络和crf网络组成，所述实体抽取层的输出结果由疾病种类、疾病症状和诱因组成。

进一步地，所述实体识别和关系抽取的过程具体如下：

a1、对所述患者主诉生成的文本进行词嵌入，生成词向量；

a2、利用bi-lstm网络和crf网络联合模型对所述词向量进行命名实体识别、分词和词性标注，输出对应的实体识别结果，所述实体识别结果为名词性主语和非名词性词语，所述名词性主语即疾病症状；

a3、对所述实体识别结果进行标签嵌入、关系抽取，输出非名词性词语的关系抽取结果即诱因。

进一步地，所述辅助诊断层包括输入端、深度学习模型和输出端，所述输入端用于提取所述实体抽取层的结果，所述深度学习模型用于对所述输入端的数据进行辅助诊断分析，所述输出端用于输出疑似疾病诊断列表和相应的推荐检查列表。

进一步地，所述深度学习模型的构建过程具体如下：

b1、利用医疗知识图谱中的疾病和症状的关系构建基础网络；

b2、利用先验医学知识进行增量学习；

b3、利用公共数据库构建贝叶斯概率模型，所述公共数据库包括cdc、pubmed和stanford；

b4、通过线性模型融合技术将所述基础网络和所述贝叶斯概率模型融合。

进一步地，所述推荐治疗层包括治疗方案生成模块、个性化推荐模块和融合输出模块，所述治疗方案生成模块用于根据所述检查报告的结果和所述医生的诊断结果生成初步治疗方案，所述个性化推荐模块用于根据所述患者基本信息和所述医生诊断结果查找相似患者人群的治疗模式生成个性化推荐，所述融合输出模块用于利用线性模型融合技术将所述治疗方案和所述个性化推荐整合得到最终的治疗方案。

进一步地，所述最终的治疗方案包括可能的并发症、预后、用药推荐和注意事项。

进一步地，所述初步治疗方案生成过程具体为：

c1、将临床指南表示为决策树，进而翻译成可执行的规则；

c2、采用推理引擎将规则应用到患所述检查报告的结果和所述医生诊断结果，生成初步质量方案。

进一步地，所述个性化推荐生成过程具体为：

d1、对临床指南、医疗知识图片和临床数据进行关联规则分析，生成常见的治疗模式；

d2、根据所述患者的基本信息和所述医生诊断结果查找到临床上相似的患者人群，结合相似患者人群的治疗模式和所述常见治疗模式生成个性化推荐。

采用上述技术方案后，本发明与背景技术相比，具有如下优点：

本发明利用医疗知识图谱，整合了各大医疗数据库的医疗数据，克服了现有的医疗数据孤岛的问题，提高医疗数据利用率；实现了常见疾病的智能辅助诊断，输出可能的并发症、预后、用药推荐和注意事项等，为医生提供较高可信度的辅助诊断，帮助提高医生的诊断效率、准确率以及精准用药；基于深度学习技术，自动识别抽取患者主诉的关键信息，建立患者电子病历，减轻医生录入病历的负担，同时有利于医疗数据的统一规范管理；此外还可以规范医生治疗，提升患者的满意度。

附图说明

图1为本发明的系统结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

一种基于医疗知识图谱的智能疾病辅助诊断系统，包括患者数据层、实体抽取层、辅助诊断层和推荐治疗层，所述患者数据层用于采集和保存患者数据以形成患者电子病历，所述实体抽取层用于根据患者主诉进行实体识别和关系抽取，所述辅助诊断层用于根据所述实体抽取层的结果进行辅助诊断分析以输出疑似疾病诊断列表和相应的推荐检查列表，所述推荐治疗层用于根据患者基本信息、检查报告的结果和医生诊断结果进行分析输出最终的治疗方案。

所述患者电子病历包含患者基本信息、患者主诉、检查报告、诊断结果和用药记录，所述患者基本信息包括性别、身高和体重。

所述实体抽取层由数据输入模块、神经网络模块组成，所述数据输入模块采用人工手动输入或语音输入患者主诉从而生成文本，所述神经网络模块由bi-lstm网络和crf网络组成，所述实体抽取层的输出结果由疾病种类、疾病症状和诱因组成。

所述实体识别和关系抽取的过程具体如下：

a1、对所述患者主诉生成的文本进行词嵌入，生成词向量；

a2、利用bi-lstm网络和crf网络联合模型对所述词向量进行命名实体识别、分词和词性标注，输出对应的实体识别结果，所述实体识别结果为名词性主语和非名词性词语，所述名词性主语即疾病症状；

a3、对所述实体识别结果进行标签嵌入、关系抽取，输出非名词性词语的关系抽取结果即诱因。

所述辅助诊断层包括输入端、深度学习模型和输出端，所述输入端用于提取所述实体抽取层的结果，所述深度学习模型用于对所述输入端的数据进行辅助诊断分析，所述输出端用于输出疑似疾病诊断列表和相应的推荐检查列表。

所述深度学习模型的构建过程具体如下：

b1、利用医疗知识图谱中的疾病和症状的关系构建基础网络；

b2、利用先验医学知识进行增量学习；

b3、利用公共数据库构建贝叶斯概率模型，所述公共数据库包括cdc、pubmed和stanford；

b4、通过线性模型融合技术将所述基础网络和所述贝叶斯概率模型融合。

所述推荐治疗层包括治疗方案生成模块、个性化推荐模块和融合输出模块，所述治疗方案生成模块用于根据所述检查报告的结果和所述医生的诊断结果生成初步治疗方案，所述个性化推荐模块用于根据所述患者基本信息和所述医生诊断结果查找相似患者人群的治疗模式生成个性化推荐，所述融合输出模块用于利用线性模型融合技术将所述治疗方案和所述个性化推荐整合得到最终的治疗方案。

所述最终的治疗方案包括可能的并发症、预后、用药推荐和注意事项。

所述初步治疗方案生成过程具体为：

c1、将临床指南表示为决策树，进而翻译成可执行的规则；

c2、采用推理引擎将规则应用到患所述检查报告的结果和所述医生诊断结果，生成初步质量方案。

所述个性化推荐生成过程具体为：

d1、对临床指南、医疗知识图片和临床数据进行关联规则分析，生成常见的治疗模式；

d2、根据所述患者的基本信息和所述医生诊断结果查找到临床上相似的患者人群，结合相似患者人群的治疗模式和所述常见治疗模式生成个性化推荐。

本实施例以患者主诉“最近多尿、肥胖”为例，则实体抽取层识别出“多尿、肥胖”，经辅助诊断层分析得出疑似疾病诊断列表如：“1、2型糖尿病；2、肥胖症；3、糖尿病视网膜病变”和相应推荐检查列表“1、血糖测试；2、尿常规；3、视力检查”；然后医生根据检查结果给出最终的诊断结果，推荐治疗层根据患者基本信息、检查报告的结果和医生诊断结果进行分析，输出最终的治疗方案。

本实施例的概率模型覆盖了500多种疾病，全科常见30多种疾病的诊断方案，诊断的准确率为95％。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除