[发明专利]基于医疗知识图谱的分诊模型训练方法、装置及设备

权利要求书

1.一种基于医疗知识图谱的分诊模型训练方法，其特征在于，包括：

获取医疗知识图谱，采用图神经网络对所述医疗知识图谱进行表征学习，获取图谱症状向量；

所述采用图神经网络对所述医疗知识图谱进行表征学习，获取图谱症状向量，包括：

对所述医疗知识图谱进行处理，获取图谱邻接矩阵，所述图谱邻接矩阵包括同质邻接矩阵和异质邻接矩阵；

采用图卷积网络对同质邻接矩阵进行表征学习，获取目标同质向量；

采用所述目标同质向量对基于注意力机制的异质图神经网络的节点特征向量进行初始化；

采用初始化后的基于注意力机制的异质图神经网络对所述异质邻接矩阵进行表征学习，获取图谱关联向量；

获取疾病对应的医学节点集，所述医学节点集包括同一疾病的症状、用药和检验检查，采用图神经网络对所述医学节点集进行表征学习，获取表征同一疾病对应的症状、用药和检验检查关联关系的节点集关联向量；

获取训练症状和与所述训练症状对应的科室标签，基于所述训练症状对所述节点集关联向量进行筛选，获取与所述训练症状对应的目标向量；

采用所述图谱症状向量、所述训练症状、与所述训练症状对应的科室标签和所述目标向量，对TextCNN模型进行模型训练，获取分诊模型；

所述TextCNN模型包括第一嵌入层和第二嵌入层；所述采用所述图谱症状向量、所述训练症状、与所述训练症状对应的科室标签和所述目标向量，对TextCNN模型进行模型训练，获取分诊模型，包括：

在所述第一嵌入层对所述图谱症状向量进行映射操作，获取图谱嵌入向量；

在所述第二嵌入层对所述目标向量进行映射操作，获取目标嵌入向量；

基于训练症状对所述图谱嵌入向量和所述目标嵌入向量进行拼接，获取拼接向量；

在卷积层对拼接向量进行卷积操作，获取卷积关联向量，将所述卷积关联向量输入输出层，获取预测输出结果；

基于所述预测输出结果与所述科室标签，计算预测误差损失，根据预测误差损失，更新所述TextCNN模型的参数，在所述TextCNN模型收敛时，获取分诊模型。

2.如权利要求1所述的基于医疗知识图谱的分诊模型训练方法，其特征在于，所述对所述医疗知识图谱进行处理，获取图谱邻接矩阵，包括：

获取所述医疗知识图谱中的医学节点，基于所述医学节点确定对应的节点特征；

基于所述节点特征构建全集矩阵，基于所述节点特征的连接关系对所述全集矩阵进行初始化，获取图谱邻接矩阵。

3.如权利要求1所述的基于医疗知识图谱的分诊模型训练方法，其特征在于，所述获取医疗知识图谱，包括：

根据至少两种疾病之间的关联关系形成疾病同质图，根据至少两种症状之间的关联关系形成症状同质图，根据至少两种用药之间的关联关系形成用药同质图，根据至少两种检验检查之间的关联关系形成检验检查同质图；

将所述疾病同质图、症状同质图、用药同质图和检验检查同质图确定为同质图；

根据疾病、症状、用药和检验检查的关联关系形成异质图；

将所述同质图和所述异质图，确定为医疗知识图谱。

4.如权利要求1所述的基于医疗知识图谱的分诊模型训练方法，其特征在于，所述采用图神经网络对所述医学节点集进行表征学习，获取表征同一疾病对应的症状、用药和检验检查关联关系的节点集关联向量，包括：

将所述医学节点集对应的节点特征转化为节点集邻接矩阵，采用图神经网络对所述节点集邻接矩阵进行表征学习，获取节点集关联向量。