[发明专利]图神经网络模型构建、诊疗方案推荐方法、系统及设备

说明书

本发明公开了一种图神经网络模型构建、诊疗方案推荐方法、系统及设备。根据本发明的图神经网络模型构建方法，包括以下步骤：获取多个患者的历史诊疗数据；根据历史诊疗数据中实体和两两实体之间预定义的关系，构建知识图谱三元组，以建立知识图谱；以及，根据知识图谱构建图神经网络模型。根据本发明的一种图神经网络模型构建、诊疗方案推荐方法、系统及设备，能够充分挖掘实体间的丰富语义关联，合理扩展实体类型和关系类型，提高推荐精确度和增加推荐的多样性。

技术领域

本发明涉及医疗领域，涉及一种图神经网络模型构建、诊疗方案推荐方法、系统及设备。

背景技术

近年来，在传统医疗行业，人工智能逐步在疾病辅助诊断治疗、个人健康管理、基因药物研发和医院智能管理等多个环节，发挥出优势和独特作用。在疾病就诊过程中，医院保留了大量相关就诊的信息记录(包括病人的基本信息、诊断信息、既往史和检验检查记录),还包括针对病人情况的诊疗方案(手术、用药和辅助治疗等等)。大量的历史记录隐含着大量的信息，如果能很好的运用人工智能技术，就能从中挖掘出有价值的信息，达到疾病辅助诊疗的目的。

传统的机器学习诊疗方案推荐算法是使用患者的历史就诊记录信息,将诊疗过程中的一些关键因素作为特征梳理出来,然后根据这些特征训练出一个推荐算法模型。而基于深度学习的诊疗方案推荐方法,一般都是使用病历样本和对应的标注标签来训练出一个相似病历模型,然后匹配相似病历模型来达到对应诊疗方案的推荐。

总而言之,以上的方法发展至今，已经在不同的场景中取得了一定的效果，但是在一些复杂的场景下，不管是上述的机器学习算法还是深度学习算法都只能挖掘出浅层的语义信息和关联信息,而更深层次的关联信息无法被充分利用。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出了一种图神经网络模型构建方法，本发明的图神经网络模型优势在于知识图谱能够充分挖掘实体间的丰富语义关联，能充分利用患者的历史诊疗数据中更深层次的关系信息，提高推荐精确度。

本发明的一个目的在于提出了一种图神经网络模型构建方法，本发明的图神经网络模型优势还在于知识图谱具有可解释性以及知识图谱中关系类型丰富，可以合理扩展实体类型和关系类型，增加推荐的多样性。

本发明的一个目的在于提出了一种图神经网络模型构建方法，本发明的图神经网络模型优势还在于邻域聚合，捕获并存储每个实体中的局部邻接结构。

本发明的一个目的在于提出了一种诊疗方案推荐方法，推荐精确度高且推荐信息全面。

本发明提出了一种图神经网络模型构建方法，包括以下步骤：

获取多个患者的历史诊疗数据；

根据所述历史诊疗数据中的实体和两两实体之间预定义的关系，构建知识图谱三元组，以建立所述知识图谱；以及，根据所述知识图谱构建图神经网络模型。

本发明的图神经网络模型构建方法的优势在于：知识图谱实体间的丰富语义关联帮助挖掘其中的联系，从而提高构建的图神经网络模型的精确度。知识图谱中关系类型丰富，可以合理扩展业务需求，增加推荐的多样性。知识图谱具有很好的可解释性，可以清楚理解各实体之间的关系，便于构建图神经网络模型。

另外，根据本发明的图神经网络模型的构建方法，还可以具有如下附加的技术特征：

在本发明的一些实施例中，所述历史诊疗数据包括结构化数据和非结构化数据，所述知识图谱三元组的构建包括以下步骤：直接抽取所述结构化数据中的实体和关系；根据实体抽取模型抽取所述非结构化数据中的实体，以生成实体数据；根据关系抽取模型抽取所述实体数据中两两实体之间的关系；以及，根据所述实体和所述关系，构建所述知识图谱三元组。

在本发明的一些实施例中，采用实体抽取模型抽取所述非结构化数据中的实体包括以下步骤：