[发明专利]一种基于文本检索的可解释性智慧医疗辅助诊断系统

权利要求书

1.一种基于文本检索的可解释性智慧医疗辅助诊断系统，其特征在于，包括：

查询预处理模块，用于对病人病历进行预处理，得到与患病信息相关的查询词；

知识图谱构建模块，用于与查询词结合形成一个新的关于特定疾病的知识图谱；

文本检索模块，用于通过查询词以及新的知识图谱来检索医学数据库中与查询词相关的以往的病例及治疗方案；

可解释的辅助诊断模块，用于解释检索出与病人病历相关的病例及治疗方案的原因；

所述文本检索模块包括词嵌入表示模块、图嵌入表示模块和文本匹配模块；

所述词嵌入表示模块利用预训练的自注意力模型来分别获得待检索病历与查询词的词嵌入表示；所述预训练的自注意力模型是一个12层的transformer的堆叠结构，其中第i层transformer的公式如(2)、(3)、(4)所示：

Mⁱ＝LN(S^i-1+Oⁱ)         (3)

公式(2)中的Q、K、V是查询词或者待检索的病历,是一个二维矩阵，分别是Q、K、V的二维的权重矩阵，d_k是的其中一维的大小，是缩放值，softmax是归一化操作，Oⁱ是通过词与词之间的相似度累加得到的序列向量；公式(3)中LN代表一个残差网络，S^i-1是第i-1层的输入，在第一层指的是查询词或者待检索病历，Mⁱ是残差网络的输出；公式(4)是两层全连接层，其中是权重矩阵，是偏置，ReLU是激活函数，Sⁱ是一层transformer的输出，即新的词向量嵌入表示；

所述图嵌入表示模块利用图注意力网络将特定疾病的知识图谱上查询词的词嵌入表示变为查询词的图嵌入表示，通过图注意力网络学习查询词在新的知识图谱的特征表示，其本质是图注意力网络通过对一个节点本身及在知识图谱上该节点的邻居给予不同的权重，学习得到一个新节点的特征表示；首先，知识图谱上所有节点的词向量嵌入表示H＝{h₁,h₂,...,h_o},其中h_o代表第o个节点的词向量嵌入，然后通过遮掩自注意力结构的方式将网络的关注点放在节点o的邻居节点集N_o，其中邻居节点集包括本身，这里节点代表查询词，具体公式如(5)所示：

式中，W、W_a是权重矩阵，h_o、h_j、h_v分别是第o、j、v个节点，LeakyRelu给所有负值赋予一个非零的斜率，T是指对矩阵的转置，a_o,j是节点o与节点j的相似度；最后通过对节点的邻居进行加权和得到节点在知识图谱上的图嵌入表示，公式如(6)所示：

式中，W_h是权重矩阵；最后通过图注意力网络将所有的查询词嵌入转为图嵌入表示序列E＝[q₁,q₂,...,q_o]，q_o是第o个节点，即第o个查询词的图嵌入表示；

所述文本匹配模块将查询词的图嵌入表示平均池化以及待查询病历的词嵌入表示卷积和最大池化后，通过余弦计算来得到两者的相似度，得出查询词与待查询病历的匹配分数；其中，查询词的图嵌入表示平均池化公式如(7)所示：

式中，mean-pooling表示将E进行平均操作，是平均池化后的查询向量；待查询病历的卷积和最大池化公式如(8)、(9)、(10)所示

P＝[p₁,p₂,...,p_m]      (9)

其中，由词嵌入表示模块得到的待检索病历的词嵌入表示序列D＝{d₁,d₂,...,d_m}，d_m为待检索病历中第m个词的词嵌入，D_m-u:m+u为待检索病历中的第m-u到m+u的词，u是指卷积核的一半大小；公式(8)是卷积操作，b_l是偏置，W_l是卷积核，l为第l个卷积核，是点乘操作，p_m,l是第l个卷积核得到的第m个标量；公式(9)是l个卷积核得到特征图P，p_m是l个卷积核后得到的第m个向量；公式(10)max-pooling是最大池化操作，对特征图的每一列取最大值，得到待检索病历向量

所述文本匹配模块通过计算查询向量与待检索病历向量余弦值来得到两者的相似度分数score，公式如(11)所示：