[發(fā)明專利]圖神經網絡模型構建、診療方案推薦方法、系統及設備

有效

• 申請?zhí)枺?/td>: 202110690423.0
• 申請日: 2021-06-22
• 公開（公告）號: CN113434692B
• 公開（公告）日: 2023-08-01
• 發(fā)明（設計）人: 王育;金悅;丁海明;桑偉毅;佘盼;盧鵬飛
• 申請（專利權）人: 上海交通大學醫(yī)學院附屬仁濟醫(yī)院;萬達信息股份有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06F40/30;G06F18/214;G06N3/02;G06N20/00;G16H50/70
• 代理公司: 上海領洋專利代理事務所(普通合伙) 31292
• 代理人: 羅曉鵬

1.一種圖神經網絡模型構建方法，其特征在于，包括以下步驟：

獲取多個患者的歷史診療數據；

根據所述歷史診療數據中實體和兩兩實體之間預定義的關系，構建知識圖譜三元組，以建立所述知識圖譜；以及，

根據所述知識圖譜構建圖神經網絡模型，其中根據所述知識圖譜構建圖神經網絡模型包括以下步驟：

構建患者集合、實體集合和關系集合；

根據所述患者集合和所述實體集合中每個患者和每個實體的交互情況構建患者-實體矩陣；

根據所述患者-實體矩陣構建患者特征向量；

將所述患者特征向量非線性變換為D維患者特征向量，D為正整數；

將所述實體集合中的每個實體轉換為D維向量，以構建實體向量矩陣；

將所述關系集合中的每個關系轉換為D維向量，以構建關系向量矩陣；

根據所述實體集合和所述知識圖譜中兩兩實體的相鄰情況構建實體-實體鄰域矩陣；

根據所述關系集合、所述實體集合和所述知識圖譜中實體和關系的相鄰情況構建實體-關系鄰域矩陣；

融合所述實體-實體鄰域矩陣和所述實體向量矩陣，以生成實體鄰域矩陣；

融合所述實體-關系鄰域矩陣和所述關系向量矩陣，以生成關系鄰域矩陣；

將所述關系鄰域矩陣和所述D維患者特征向量先做內積后一維求和，以生成患者-關系分數；

將所述患者-關系分數與所述實體鄰域矩陣做內積，以生成患者鄰域矩陣；

將所述患者鄰域矩陣和所述實體鄰域矩陣相加，以生成更新患者鄰域矩陣；

將所述更新患者鄰域矩陣和所述D維患者特征向量先做內積后一維求和，以生成診療方案向量，以構建完成圖神經網絡模型。

2.根據權利要求1所述的圖神經網絡模型構建方法，其特征在于，所述歷史診療數據包括結構化數據和非結構化數據，所述知識圖譜三元組的構建包括以下步驟：

直接抽取所述結構化數據中的實體和關系；

根據實體抽取模型抽取所述非結構化數據中的實體，以生成實體數據；

根據關系抽取模型抽取所述實體數據中兩兩實體之間的關系；以及，

根據所述實體和所述關系，構建所述知識圖譜三元組。

3.根據權利要求2所述的圖神經網絡模型構建方法，其特征在于，采用實體抽取模型抽取所述非結構化數據中的實體包括以下步驟：

1)獲取所述非結構化數據；

2)標注部分所述非結構化數據中實體的實體類型，以生成所述實體類型訓練數據；

3)根據所述實體類型訓練數據訓練預設的實體學習模型，以生成所述實體抽取模型；

4)根據所述實體抽取模型預測預測非結構化數據中實體的實體類型，以生成預測數據，其中，所述預測非結構化數據是通過刪去所述非結構化數據中所述實體類型訓練數據對應的非結構化數據生成；

5)核對所述預測數據中實體與實體類型是否正確對應，將正確對應的所述預測數據加入所述實體類型訓練數據，以生成更新實體類型訓練數據；

6)確定所述預測數據中所有實體的實體類型是否均正確對應；若否，采用所述更新實體類型訓練數據替換所述實體類型訓練數據，重復迭代3)-5)步驟；若是，則抽取最后一次生成的所述更新實體類型訓練數據和所述預測數據中的實體，以生成所述實體數據。