[发明专利]医疗知识图谱构建方法、装置、电子设备及存储介质

说明书

本发明涉及一种医疗知识图谱构建方法、装置、电子设备及存储介质，该方法包括：获取临床指南文本，临床指南文本中至少包括疾病类型及其对应的治疗方案。调用语言表示模型对临床指南文本进行识别，以提取临床指南文本中的疾病类型和治疗方案。基于疾病类型和治疗方案，构建Prompt提示对话框，以获取第一任务指令，第一任务指令用于指令大模型判断疾病类型和治疗方案之间是否存在实体关系。当疾病类型和治疗方案之间存在实体关系时，基于疾病类型和治疗方案，构建医疗知识图谱。该方法在处理海量数据并进行复杂的计算和预测的过程中，通过Prompt提示对话框获取相应的任务指令，避免了大模型对复杂信息文本的直接识别判断。

技术领域

本发明涉及医疗技术领域，特别是涉及一种医疗知识图谱构建方法、装置、电子设备及存储介质。

背景技术

知识图谱在医疗领域的应用是较为广泛的，知识图谱是结构化的语义知识库，用于描述物理世界中的概念及其相互关系，其基本组成单位是“实体-关系-实体”三元组，以及实体及其相关属性-值对，实体间通过关系相互联结，构成网状的知识结构。在医疗领域，知识图谱多是通过提取用户问题中的关键词作为知识点，并在数据库内部进行一对一的实体映射来找出知识点的对应项，然后将对应项作为答案反馈给用户。

目前，构建医疗领域知识图谱实体和关系抽取的主要通过人工制定一些规则来识别文本中的实体和关系，以及使用已标注好的数据集训练模型来自动识别实体和关系，以及使用神经网络模型进行实体和关系的抽取，如使用LSTM或Transformer等模型。最终构建的医疗知识图谱主要用于描述特定疾病与其常见症状之间的关系，例如关节疼痛和类风湿性关节炎；或者用于展示药物与其所治疗的疾病之间的关系，例如头孢菌素和呼吸道感染；或者用于描述身体不同部位和器官之间的联系，例如心脏和肺部之间的关系。然而，传统的通过人工制定规则来识别文本中的实体和关系的方式虽然可解释性较强，但是需要大量的人力参与规则制定和维护，且覆盖面较窄。传统的基于机器学习来识别实体和关系的方式虽然能够自动化地对文本进行标注并能够适应新文本数据，但是其需要大量的已标注数据集，最终模型的表现取决于数据质量。传统的基于深度学习来识别实体和关系的方式虽然能够处理复杂的语境和文本结构，但是其需要大量的计算资源和数据集，且最终模型预测的结果较难解释。

综上所述，传统的医疗知识图谱构建方式易受模型训练数据集或者人工规则的限制，较难在海量数据中复杂的计算和预测中准确地挖掘和分析医疗领域的数据。

发明内容

基于此，有必要针对上述技术问题，提供一种能够在处理海量数据并进行复杂的计算和预测的过程中，准确挖掘和分析医疗领域数据文本的医疗知识图谱构建方法、装置、电子设备及存储介质。

本发明提供了一种医疗知识图谱构建方法，所述方法包括：

获取临床指南文本，所述临床指南文本中至少包括疾病类型及其对应的治疗方案；

调用语言表示模型对所述临床指南文本进行识别，以提取所述临床指南文本中的疾病类型和治疗方案；

基于所述疾病类型和治疗方案，构建Prompt提示对话框，以获取第一任务指令，所述第一任务指令用于指令大模型判断所述疾病类型和治疗方案之间是否存在实体关系；

当所述疾病类型和治疗方案之间存在实体关系时，基于所述疾病类型和治疗方案，构建医疗知识图谱。

在其中一个实施例中，所述调用语言表示模型对所述临床指南文本进行识别，以提取所述临床指南文本中的疾病类型和治疗方案，包括：

调用所述语言表示模型对所述临床指南文本进行实体识别，以获取所述临床指南文本中的医疗实体，其中，所述医疗实体至少包括疾病名称、药品名称以及手术名称；

基于所述医疗实体，获取所述疾病名称及其对应的药品名称和手术名称。