[发明专利]一种基于贝叶斯估计的医疗知识图谱辅助推理方法

说明书

本发明公开了一种基于贝叶斯估计的医疗知识图谱辅助推理方法，包括：将病例进行碎片化处理、实体抽取和实体消歧，把病例的文本不同维度的属性数据规范化并统一入库；对格式化的病例数据提取实体，并使用贝叶斯算法对症状共现矩阵和症状概率矩阵进行参数估计；并将估计出的结果进行权重归一化并保存到知识图谱中用做推理模型的权重输入；将生成的参数数据导入到知识图谱中；对描述的病情或病例数据进行解析，辅助推理得到最终结果。

技术领域

本发明涉及自然语言处理和计算机信息处理技术领域，尤其涉及一种基于贝叶斯估计的医疗知识图谱辅助推理方法。

背景技术

医疗辅助推理是在通过学习医学专家的理论知识以及临床经验的基础上，通过信息技术和人工智能算法，在临床诊断过程中，根据患者当前的病症信息和系统知识库，运用以往知识总结出来的经验，对病情进行分析提示，为诊断治疗方案决策提供信息。医疗辅助推理可以帮助医生在临床诊断决策过程中不错过重要的信息和线索，为治疗疾病寻找更多的解决方案。

国内辅助推理机制采用以下几种方式：第一种为基于产生式规则的推理机制，该方式一般采用正向推理以及深度优先的搜索策略，匹配用户的输入直到寻找一个答案，基于规则的匹配有很大的缺陷，如果规则量级比较大，则匹配的过程的开销就会很大，规则的每一次维护与修改都需要专业人员的参与，不够灵活。第二种是基于案例推理的自动推理机制，其主要思路是从案例库中学习出一种指导思想，之后再利用该指导思想去解决遇到的新的问题，通过计算真实案例与效验案例间的相似度来作智能诊断，然而基于案例推理的诊断方法也有其自身的局限性，例如如何有效表达真实的病例？如何使计算机理解病例？第三种是基于神经网络的推理机制，使用病例中的数据例如：年龄、症状、性别、既往史等作为输入数据训练模型来根据特征输入判断是否得过某种疾病。然而，这神经网络有个最明显的缺陷是不可解释性，它并不能告诉用户其背后的推理过程。基于神经网络的辅助推理还很有限，其目前只适用于解决规模较小的问题，且效果与性能明显受训练数据集限制。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于贝叶斯估计的医疗知识图谱辅助推理方法，该方法首先通过使用贝叶斯算法对症状概率矩阵和症状共现矩阵进行参数估计，之后通过知识图谱引入先验知识进行规范并用于医疗辅助推理。

本发明的目的通过以下的技术方案来实现：

一种基于贝叶斯估计的医疗知识图谱辅助推理方法，包括：

A将病例进行碎片化处理、实体抽取和实体消歧，把病例的文本不同维度的属性数据规范化并统一入库；

B对格式化的病例数据提取实体，并使用贝叶斯算法对症状共现矩阵和症状概率矩阵进行参数估计；并将估计出的结果进行权重归一化并保存到知识图谱中用做推理模型的权重输入；

C将对症状共现矩阵和症状概率矩阵进行参数估计生成的参数数据导入到知识图谱中；

D对描述的病情或病例数据进行解析，辅助推理得到最终结果。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

提高辅助推理的准确性和人工智能在临床医学领域的实用性。

附图说明

图1是基于贝叶斯估计的医疗知识图谱辅助推理方法流程图；

图2症状概率矩阵图；

图3是症状共现矩阵图；

图4是辅助推理知识图谱图；

图5是辅助推理流程图；

图6是推理结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。