本發(fā)明涉及醫(yī)療知識圖譜構(gòu)建及推理，具體地，涉及一種醫(yī)療知識圖譜構(gòu)建及推理方法、系統(tǒng)、介質(zhì)及設備。

背景技術：

1、現(xiàn)有的醫(yī)療知識管理系統(tǒng)大多采用傳統(tǒng)的數(shù)據(jù)庫技術進行管理和存儲，這種方式在面對復雜的醫(yī)療關系時顯得力不從心。例如，當需要表達疾病、癥狀、治療方法之間的復雜關聯(lián)時，傳統(tǒng)的數(shù)據(jù)庫很難直觀地表示這些關系，也無法有效地支持對這些關系的深入分析。

2、此外，由于醫(yī)療領域的知識經(jīng)常涉及多層次和多維度的信息，例如不同疾病的相互影響、藥物與病癥之間的交互作用等，傳統(tǒng)的數(shù)據(jù)庫系統(tǒng)往往難以提供一種醫(yī)療知識圖譜來表示這些復雜的相互關聯(lián)的實體。這就導致了在進行疾病診斷、治療方案制定等方面的決策支持時，很難充分利用到這些潛在的知識關聯(lián)，從而影響了醫(yī)療服務的質(zhì)量和效率。

3、另一方面，傳統(tǒng)的數(shù)據(jù)庫存在以下問題：處理大規(guī)模數(shù)據(jù)集時，推理效率低，并且很難充分利用到數(shù)據(jù)之間潛在的知識關聯(lián)。

技術實現(xiàn)思路

1、針對現(xiàn)有技術中的缺陷，本發(fā)明的目的是提供一種醫(yī)療知識圖譜構(gòu)建及推理方法、系統(tǒng)、介質(zhì)及設備。

2、根據(jù)本發(fā)明提供的醫(yī)療知識圖譜構(gòu)建及推理方法，包括：獲取待查詢內(nèi)容以及已構(gòu)建的醫(yī)療知識圖譜；根據(jù)待查詢內(nèi)容，通過圖神經(jīng)網(wǎng)絡對已構(gòu)建的醫(yī)療知識圖譜進行識別推理，確定查詢結(jié)果，查詢結(jié)果包括：待查詢內(nèi)容在醫(yī)療知識圖譜中的實體關系。

3、不難理解，本發(fā)明采用圖神經(jīng)網(wǎng)絡對已構(gòu)建的醫(yī)療知識圖譜進行識別推理，不僅能夠有效處理圖形數(shù)據(jù)結(jié)構(gòu)，還能捕捉實體間的復雜關系，并且能夠處理不完整信息的問題，顯著提升了醫(yī)療知識圖譜的表示和推理效率；進一步地，本發(fā)明通過知識圖譜可以整合多種數(shù)據(jù)源的信息，如基因組學、病理學報告、臨床試驗數(shù)據(jù)等，幫助醫(yī)生更準確地診斷疾病，尤其是對于罕見病或復雜病癥的識別更為有效。

4、進一步地，構(gòu)建醫(yī)療知識圖譜的過程包括：獲取醫(yī)學研究文獻數(shù)據(jù)；通過嵌入模型將所述醫(yī)學研究文獻數(shù)據(jù)映射為嵌入向量，然后通過編碼器對所述嵌入向量進行雙向語義特征學習，獲取動態(tài)詞向量；通過解碼器對表征詞的多義性的動態(tài)詞向量進行解析，捕捉數(shù)據(jù)元素之間的長距離依賴關系、時間相關性與全局特征，基于數(shù)據(jù)元素之間的長距離依賴關系、時間相關性與全局特征進行實體抽取并確定實體關系三元組，從而實現(xiàn)醫(yī)療知識圖譜構(gòu)建。

5、不難理解，通過使用嵌入模型、編碼器和解碼器，可以有效地處理大量復雜的醫(yī)學文獻數(shù)據(jù)，從中提取有用的信息并將其組織成結(jié)構(gòu)化的知識圖譜，這有助于快速整合分散的知識點，形成系統(tǒng)的知識體系。由于采用了雙向語義特征學習，使得模型能夠更好地理解詞語在不同上下文中的意義，提高了后續(xù)知識推理的準確性和可靠性。

6、進一步地，所述嵌入模型為通過部分詞掩碼策略進行訓練后的模型，訓練過程包括：將醫(yī)學研究文獻數(shù)據(jù)進行分詞處理，得到多個詞片段；從多個詞片段隨機選擇預設比例的詞片段進行掩碼，得到掩碼詞片段和未掩碼詞片段；將未掩碼詞片段映射為嵌入向量，通過自注意力機制計算嵌入向量的上下文信息；根據(jù)所述上下文信息，預測掩碼詞片段，得到預測結(jié)果；根據(jù)預測結(jié)果調(diào)整嵌入模型的參數(shù)，直至嵌入模型的預測準確率滿足預設要求。

7、進一步地，將所述已構(gòu)建的醫(yī)療知識圖譜存儲至圖數(shù)據(jù)庫中，通過圖數(shù)據(jù)庫進行醫(yī)療知識圖譜的查詢。

8、不難理解，圖數(shù)據(jù)庫用于處理復雜的關系查詢，能夠以比傳統(tǒng)關系型數(shù)據(jù)庫更高的效率執(zhí)行涉及多實體和多關系的查詢操作。進一步地，利用圖數(shù)據(jù)庫中的豐富信息，可以針對每個患者的具體情況定制個性化的治療方案，提高治療效果。

9、進一步地，通過圖神經(jīng)網(wǎng)絡對已構(gòu)建的醫(yī)療知識圖譜進行識別推理包括：通過圖神經(jīng)網(wǎng)絡將知識圖譜中的實體和關系映射為圖形數(shù)據(jù)結(jié)構(gòu)，確定已構(gòu)建的醫(yī)療知識圖譜中的實體關系，其中，圖形數(shù)據(jù)結(jié)構(gòu)中的節(jié)點表示實體，邊表示實體之間的關系。

10、不難理解，圖神經(jīng)網(wǎng)絡能夠捕捉圖形數(shù)據(jù)結(jié)構(gòu)中節(jié)點間的復雜關系，這使得模型可以在沒有顯式規(guī)則的情況下學習到實體之間的多層次依賴關系，從而更好地理解醫(yī)療知識圖譜中的信息。通過圖形數(shù)據(jù)結(jié)構(gòu)建模，圖神經(jīng)網(wǎng)絡能夠利用鄰居節(jié)點的信息來進行更準確的實體表征，可以從已有數(shù)據(jù)中學習到疾病的潛在傳播模式或病因機制，幫助醫(yī)生更準確地進行診斷，并基于個體差異制定更個性化的治療計劃。

11、進一步地，所述圖神經(jīng)網(wǎng)絡包括圖卷積網(wǎng)絡，通過圖卷積網(wǎng)絡對圖形數(shù)據(jù)結(jié)構(gòu)進行特征學習，推理得到醫(yī)療知識圖譜中的實體關系，表達式為：

12、

13、其中，h(l)代表第l層的節(jié)點特征矩陣，表示該節(jié)點對應的實體的屬性或與其他實體的關系；h(l+1)代表第l+1層的節(jié)點特征矩陣，表示經(jīng)過一次圖卷積操作后，節(jié)點特征的更新；代表圖的鄰接矩陣a加上單位矩陣in，用于表示醫(yī)療知識圖譜中實體之間的直接關系；為的度矩陣的對角矩陣，用于歸一化，確保訓練過程的穩(wěn)定性；w(l)代表第l層的權(quán)重矩陣，通過訓練過程學習得到，用于更新節(jié)點特征；σ為激活函數(shù)，用于引入非線性，增強模型的表達能力，表示節(jié)點更新過程或節(jié)點間的復雜關系，進而提高推理結(jié)果的準確性。

14、進一步地，還包括：在用戶界面上顯示展示查詢結(jié)果和圖譜探索路徑。

15、不難理解，通過圖形化的方式展示查詢結(jié)果和探索路徑，用戶可以一目了然地看到實體之間的關系，使得復雜的醫(yī)療信息變得更加易于理解和消化。進一步地，醫(yī)生和其他醫(yī)療專業(yè)人士可以通過查看圖譜中的關系鏈來確認診斷依據(jù)，或是了解某個治療方案背后的邏輯鏈條，從而做出更合理的臨床決策。

16、根據(jù)本發(fā)明提供的醫(yī)療知識圖譜構(gòu)建及推理系統(tǒng)，包括：

17、知識圖譜構(gòu)建模塊：獲取待查詢內(nèi)容以及已構(gòu)建的醫(yī)療知識圖譜；

18、推理和查詢模塊：根據(jù)待查詢內(nèi)容，通過圖神經(jīng)網(wǎng)絡對已構(gòu)建的醫(yī)療知識圖譜進行識別推理，確定查詢結(jié)果，查詢結(jié)果包括：待查詢內(nèi)容在醫(yī)療知識圖譜中的實體關系。

19、根據(jù)本發(fā)明提供的存儲有計算機程序的計算機可讀存儲介質(zhì)，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的醫(yī)療知識圖譜構(gòu)建及推理方法的步驟。

20、根據(jù)本發(fā)明提供的電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)所述的醫(yī)療知識圖譜構(gòu)建及推理方法的步驟。

21、與現(xiàn)有技術相比，本發(fā)明具有如下的有益效果：

22、本發(fā)明采用圖神經(jīng)網(wǎng)絡對已構(gòu)建的醫(yī)療知識圖譜進行識別推理，不僅能夠有效處理圖形數(shù)據(jù)結(jié)構(gòu)，還能捕捉實體間的復雜關系，并且能夠處理不完整信息的問題，顯著提升了醫(yī)療知識圖譜的表示和推理效率；本發(fā)明通過知識圖譜可以整合多種數(shù)據(jù)源的信息，如基因組學、病理學報告、臨床試驗數(shù)據(jù)等，幫助醫(yī)生更準確地診斷疾病，尤其是對于罕見病或復雜病癥的識別更為有效。

技術特征：

1.一種醫(yī)療知識圖譜構(gòu)建及推理方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的醫(yī)療知識圖譜構(gòu)建及推理方法，其特征在于，構(gòu)建醫(yī)療知識圖譜的過程包括：

3.根據(jù)權(quán)利要求2所述的醫(yī)療知識圖譜構(gòu)建及推理方法，其特征在于，所述嵌入模型為通過部分詞掩碼策略進行訓練后的模型，訓練過程包括：

4.根據(jù)權(quán)利要求1所述的醫(yī)療知識圖譜構(gòu)建及推理方法，其特征在于，將所述已構(gòu)建的醫(yī)療知識圖譜存儲至圖數(shù)據(jù)庫中，通過圖數(shù)據(jù)庫進行醫(yī)療知識圖譜的查詢。

5.根據(jù)權(quán)利要求1所述的醫(yī)療知識圖譜構(gòu)建及推理方法，其特征在于，通過圖神經(jīng)網(wǎng)絡對已構(gòu)建的醫(yī)療知識圖譜進行識別推理包括：

6.根據(jù)權(quán)利要求5所述的醫(yī)療知識圖譜構(gòu)建及推理方法，其特征在于，所述圖神經(jīng)網(wǎng)絡包括圖卷積網(wǎng)絡，通過圖卷積網(wǎng)絡對圖形數(shù)據(jù)結(jié)構(gòu)進行特征學習，推理得到醫(yī)療知識圖譜中的實體關系，表達式為：

7.根據(jù)權(quán)利要求1所述的醫(yī)療知識圖譜構(gòu)建及推理方法，其特征在于，還包括：在用戶界面上顯示展示查詢結(jié)果和圖譜探索路徑。

8.一種醫(yī)療知識圖譜構(gòu)建及推理系統(tǒng)，其特征在于，包括：

9.一種存儲有計算機程序的計算機可讀存儲介質(zhì)，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至7中任一項所述的醫(yī)療知識圖譜構(gòu)建及推理方法的步驟。

10.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至7中任一項所述的醫(yī)療知識圖譜構(gòu)建及推理方法的步驟。

技術總結(jié)
本發(fā)明提供了一種醫(yī)療知識圖譜構(gòu)建及推理方法、系統(tǒng)、介質(zhì)及設備，包括：獲取待查詢內(nèi)容以及已構(gòu)建的醫(yī)療知識圖譜；根據(jù)待查詢內(nèi)容，通過圖神經(jīng)網(wǎng)絡對已構(gòu)建的醫(yī)療知識圖譜進行識別推理，確定查詢結(jié)果，查詢結(jié)果包括：待查詢內(nèi)容在醫(yī)療知識圖譜中的實體關系。本發(fā)明采用圖卷積網(wǎng)絡對知識圖譜進行推理，不僅能夠有效處理圖形數(shù)據(jù)結(jié)構(gòu)，還能捕捉實體間的復雜關系，并且能夠處理不完整信息的問題，顯著提升了醫(yī)療知識圖譜的表示和推理效率。

技術研發(fā)人員：姚娟娟
受保護的技術使用者：上海明品醫(yī)學數(shù)據(jù)科技有限公司
技術研發(fā)日：
技術公布日：2025/1/9