[发明专利]一种基于医疗知识图谱的智能疾病预测系统

说明书

本发明公开了一种基于医疗知识图谱的智能疾病预测系统，包括实体抽取层、实体连接层和医疗知识图谱，所述实体抽取层用于对患者主诉及患者特征进行实体识别和关系抽取，所述医疗知识图谱由医学概念、医学关系和医学证据组成，所述实体连接层根据所述实体抽取层的输出结果从所述医疗知识图谱中索引、分析、评分以得到最终预测列表。本发明通过结合神经网络和医疗知识图谱，对患者特征和患者主诉进行自动识别和关系抽取，从而分析得到具有权重的疑似疾病、推荐科室及推荐检查项目列表，实现智能分诊预测，降低错误分诊的概率，为患者提供高效便捷的诊前咨询，减轻患者负担和医院运行负荷，给患者带来高效精准的就医体验。

技术领域

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预测系统。

背景技术

随着我国医疗体系的发展，医疗队伍和医疗设备逐渐完善，但医疗资源的利用率仍然不够理想，尤其在诊前：1、三级医院挂号难，挂错号的比例大；2、卫教信息落后，缺乏与医生沟通的渠道；正是因为这种患者诉求与医疗信息的不对称，导致分诊不准确的情况常常发生，错误的分诊会给患者带来不必要的麻烦，加重患者原本焦虑的情绪，同时也不利于医院运行效率的提高。

发明内容

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预测系统及系统及系统。

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预测系统，包括实体抽取层、实体连接层和医疗知识图谱，所述实体抽取层用于对患者主诉及患者特征进行实体识别和关系抽取，所述医疗知识图谱由医学概念、医学关系和医学证据组成，所述实体连接层根据所述实体抽取层的输出结果从所述医疗知识图谱中索引、分析、评分以得到最终预测列表。

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特征及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、对所述患者特征及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，所述名词性主语即包括疾病种类和疾病症状；

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，所述医疗知识图谱的构建具体如下：

B1、搭建图谱框架，所述图谱框架包括疾病知识库、检查检验知识库、症状知识库、药品知识库、身体部位知识库和手术知识库；

B2、数据采集，利用爬虫技术从数据库爬取医疗知识数据，所述数据库包括MongoDB、Cassandra、HBase、BerkeleyDB或ElasticSearch；

B3、利用自然语言处理平台和机器学习平台对所述医疗知识数据进行分类和学习，结合所述图谱框架，形成包含节点权重和相关性概率的医疗知识图谱。

进一步地，所述实体连接层由分析模块、索引模块和评分模块组成，所述分析模块对所述实体抽取层的输出结果进行语法分析和语义分析；所述索引模块根据所述分析模块的结果从所述医疗知识图谱索引查询，输出备选实体；所述评分模块利用多维度评分器对所述备选实体进行评分排序，输出最终预测列表。

进一步地，所述多维度评分器的评分维度包括字符串边界距离、拼音边界距离、Wordvec相似度以及同义词林相似度。

进一步地，所述最终预测列表包括疑似疾病种类、推荐科室以及推荐检查项目。