[發明專利]融合知識的異構圖神經網絡醫保欺詐風險識別系統

在審

• 申請號: 202211422914.8
• 申請日: 2022-11-15
• 公開（公告）號: CN115936893A
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 趙蒙海;向凌陽
• 申請（專利權）人: 上海金仕達衛寧軟件科技有限公司
• 主分類號: G06Q40/08
• 分類號: G06Q40/08;G06F16/36;G06F18/2415;G06F18/25;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;徐穎

本發明涉及一種融合知識的異構圖神經網絡醫保欺詐風險識別系統，利用數據節點之間的連接關系，進行多層特征聚合；更完善的構圖方式，通過醫學知識圖譜，建立診斷和藥品之間的聯系，關系連接信息更豐富；基于關系感知的異構圖神經網絡模型，比同構圖模型準確率效果更好；負采樣方法，解決因正負樣本極端不平衡導致的模型準確性下降問題，充分學習已有違規模式的知識，從而發現更多潛在的欺詐風險。

技術領域

本發明涉及一種數據識別技術，特別涉及一種融合知識的異構圖神經網絡醫保欺詐風險識別系統。

背景技術

目前，基于醫保政策和臨床知識的規則系統仍是醫保風控的主流手段。基于規則的風控引擎能從數據中有效篩選預定義的風險場景，為醫保基金構筑第一道防線。然而，隨著風控系統迭代，醫保欺詐手段也在不斷更新。規則類系統難以主動定位新型欺詐手段，因此在初版系統上線后，仍需要大量專家不斷更新規則，以應對新暴露的欺詐場景。

隨著大數據、人工智能等為代表的現代信息技術迅速發展，傳統規則系統已很難滿足所有需求，建設以機器學習為核心的醫保風控系統成為當下主要發展方向。深度學習模型配合海量醫保結算數據，讓高效精準識別新型欺詐成為可能。現有醫保數據缺乏正負樣本標簽，無法通過有監督學習的方法直接定位違規特征，大量研究將目光聚焦于無監督學習方法以聚類、異常點檢測等為主要手段的來發現違規樣本。

傳統的規則系統或無監督模型，大多數專注與某種欺詐類型。當出現新的違規模式時，難以發現。

發明內容

針對挖掘醫保數據下潛在風險問題，提出了一種融合知識的異構圖神經網絡醫保欺詐風險識別系統，通過構建圖神經網路，利用數據節點之間的連接關系，進行多層特征聚合，充分學習已有違規模式的知識，從而發現更多潛在的欺詐風險。

本發明的技術方案為：一種融合知識的異構圖神經網絡醫保欺詐風險識別系統，包括對每個就診節點風險進行預測的關系感知的異構圖神經網絡，所述關系感知的異構圖神經網絡結構：

患者就診產生就診、診斷、藥物、機構各種不同類型數據，診斷和藥物數據之間被知識圖譜約束，利用醫療結算數據和醫療知識圖譜構建異構圖，一個異構圖由一系列子圖構成，一個子圖對應一種關系；

在構建好的異構圖上，用元路徑的方式隨機游走，訓練下采樣跳字模型提取每個節點的特征；

元路徑特征和節點自身屬性特征連接后，作為圖神經網絡模型的節點輸入特征，使用就診節點構圖建模；

使用一個圖卷積層學習每種異構圖中關系圖中學習唯一的節點表示，使用一個跨關系的信息傳遞模塊來跨關系節點表示的交互，使用一個語義聚合模塊來聚合關系感知節點表示，得到一個具有關系節點的表示，構成關系感知的異構圖神經網絡。

優選的，所述一個子圖對應一種關系，所述關系由一個字符串三元組定義，包括源節點類型、邊類型和目標節點類型。

優選的，所述就診節點構圖：以就診為目標節點，構建患者、醫療機構、時間和診斷為源節點，邊對應分別為就診患者所屬關系、就診醫療機構發生關系；、就診時間段關系、就診的診斷信息的4種子圖。

優選的，所述診斷和藥物數據之間被知識圖譜約束：把診斷和藥品兩兩組合輸入知識圖譜，如果能在知識圖譜中存在連接，診斷作為源節點，藥物作為目標節點，邊為診斷疾病使用的治療藥品的子圖補入異構圖中。

優選的，所述關系感知特征的圖神經網絡模型由關系限定的圖卷積、加權殘差連接、跨關系消息傳遞、關系表示學習四個模型構成一個關系感知的異構圖神經網絡層，通過堆疊L層，聚合L階鄰域的信息，每層提供目標節點v的關系感知節點表示，以及與源節點u關聯的關系表示,通過一個語義融合模塊來進行關系感知節點表示的聚合，獲得重要度加權的方式得到節點表示作為下游任務的節點表示。