医学知识图谱构建方法研究及在疾病诊断中的应用

发布时间：2024-05-30 04:19

　　随着医学数据量的增加,从疾病、药物、治疗、基因等医学实体中发现新知识,挖掘医学数据之间隐含的知识来辅助疾病诊断意义重大。知识图谱技术成为知识问答和领域知识发现的重要技术支撑。结合医学领域知识构建医学知识图谱,是未来智能医疗发展的推动力。然而,目前医学领域知识图谱构建存在可解释性差、效率低的问题。因此,根据医学数据的特殊性和复杂性,提高医学知识图谱的表示能力和推理能力,满足实际医学应用需求,是目前值得研究的问题。本文主要针对构建医学知识图谱时,知识自动抽取困难、语义推理能力差的问题,研究了医学知识抽取、医学知识推理方法以及在疾病诊断中的应用:1、针对文档级别医学实体关系存在多示例、远程监督在医学关系标记中存在噪音的问题,提出了一种基于强化学习的远程监督医学关系抽取模型,使用强化学习方法对远程监督进行改进。针对长短期记忆网络模型提取规则可解释性差的问题,加入触发词和位置嵌入,改进损失函数,提取出可解释性强的规则。实验结果表明,所提出的模型克服了规则可解释性差和噪音问题,达到了67.6%的F值,与基线方法相比F值提高了1.2%。2、针对现有的医学知识推理模型需要进行大量矩阵运算且复杂度较高的...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
    1.2 研究目的及意义
    1.3 国内外研究现状
    1.4 本文主要内容
    1.5 本文的组织结构
第2章 相关理论与方法
    2.1 医学知识图谱构建
    2.2 医学实体关系抽取方法
        2.2.1 基于深度学习的医学实体关系抽取
        2.2.2 基于远程监督的医学实体关系抽取
    2.3 医学知识推理方法
        2.3.1 基于翻译的医学知识推理
        2.3.2 基于路径的医学知识推理
    2.4 本章小结
第3章 基于强化学习的远程监督实体关系抽取模型
    3.1 基于强化学习的远程监督实体关系抽取模型
        3.1.1 远程监督自动标注语料
        3.1.2 强化学习去噪
        3.1.3 改进LSTM关系预测
    3.2 实验环境及数据集
    3.3 实验结果及分析
    3.4 本章小结
第4章 基于多路径约束的知识推理模型
    4.1 基于多路径约束的知识推理模型
        4.1.1 多路径约束
        4.1.2 特征路径提取
        4.1.3 路径编码
        4.1.4 基于注意力机制的路径推理
    4.2 实验环境及数据集
    4.3 实验结果及分析
    4.4 本章小结
第5章 医学知识图谱在疾病诊断中的应用
    5.1 基于医学知识图谱的疾病诊断应用
        5.1.1 疾病诊断系统
        5.1.2 基于玻尔兹曼机和马尔可夫逻辑网的疾病诊断模型
    5.2 实验数据集
    5.3 实验结果及分析
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
在学期间主要科研成果
    一、发表学术论文
    二、其它科研成果



本文编号：3984555