基于医学知识图谱的疾病智能诊断研究
发布时间：2021-01-18 21:29
随着人工智能技术的发展,知识图谱、分类、聚类等方法已经成为了人工智能应用的基础技术。同时,智慧医疗作为人工智能应用的主要组成部分,得到了越来越多的关注。由于人们更加注重自身健康管理,互联网中医学相关服务和网站也随之增多,海量的医学数据不断产生。如何整合互联网中专业医学知识形成医学知识图谱,并基于知识图谱提供疾病诊断服务成为了关键问题。本文针对常见疾病的智能诊断,提出了基于知识图谱的疾病诊断方法。主要研究了医学领域的知识图谱构建方法,和基于知识图谱的疾病智能诊断模型。本文的工作包括两部分,一是医学知识图谱构建。医学知识图谱的构建首先从互联网专业医学网站爬取医学数据,采用基于词典和规则的方法实现知识的提取,并采用属性图的表示方法将医学知识图谱存储于Neo4J图数据库中,最后基于知识图谱的集成实体对齐方法实现知识融合,形成完整的医学知识图谱;二是疾病智能诊断模型设计。本文根据医学知识图谱,提出了疾病症状关系量化方法,并将其应用在疾病智能诊断模型中。本文设计的疾病智能诊断模型的工作流程为:通过查询用户选择的特征信息与医学知识图谱间的匹配关系,并结合基于知识图谱和疾病-症状关系量化结果,推理用户...
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．１小型社交网络图??超图：足一种广义上的图模型，在超图中，一条联系（超边）可以关联任意??
工程硕士学位论文??超图模型允许联系在任何一端都关联任意多个节点。超图适用于多对多联系占主??体的领域。例如，在如下图２．２所示，张三和李四都关注了王五、赵六、孙八，??在超图中只要一条边就可以表达这种联系，而在属性图模型中需要６条边来表示。??ｚ－－一用户丨?，一?１用户??（Ｎａｍｅ：张三）Ｈａｍｅ：李四）??Ｎａｍｅ：王五）?、Ｎａｍｅ：赵六?Ｊ?（?Ｎａｍｅ：孙八）??图２．２有向超图??三元组是一个包含主谓宾的数据结构。用三元组可以捕捉到这样的事实，例??如“张三喜欢李四”、“李四喜欢看电影”。单独来说，单个三元组的语义是很??溃泛的，但它们提供勒丰富的数据集，可以从中获得知识和推断关联。三元组存??储一般会提供ＳＰＡＲＱＬ的能力用来推断，还提供存储的资源描述框架（ＲＤＦ）数??据。ＲＤＦ是三元组存储和语义网世界的通用语，它可以用几种不同的方式序列化。??下面这段代码展示了三元组如何使用ＲＤＦ／ＸＭＬ格式聚合成关联数据。??＜ｒｄｆ：ＲＤＦ?ｘｍｌｎｓｉｒｄｆ?＝?“ｈｔｔｐ：／／ｗｗｗ．ｗ３．０ｒｇ／ｌ９９０／０２／２２－ｒｄｆ－ｓｙｎｔａｘ－ｎｓ＃”??ｘｍｌｎｓ?＝?“?ｈｔｔｐ：／／ｗｗｗ．ｅｘａｍｐｌｅ．ｏｒｇ／ｔｅｒｍｓ／”?＞??＜ｒｄｆ：Ｄｅｓｃｒｉｐｔｉｏｎ?ｒｄｆ：ａｂｏｕｔ＝”?ｈｔｔｐ：／／ｗｗｗ．ｅｘａｍｐｌｅ．ｏｒｇ／ｇｉｎｇｅｒ
切割出包含每个数字的图像片段。第二步每个图像片段生成字符矩阵，使用ＳＶＭ??算法进行分类，识别验证码；对于需要登陆才能访问的网站，提前将用户名、密??码信息保存，采用模拟浏览器插件提交用户名和密码。总体流程如图３．?２所示：??开始???４／???初始ＵＲＬ??静态或＾?ｊｓ动态加载判斬网ｊｓｏｎ或类似ｊｓｏｎ格式??、，??｜?ｊｓ动态力卩载??、■，??■雖包方法??￣￣Ｔ￣￣?￣￣ｒ?１—??????判断是否需Ｎ?判断杲否??登陆?—一一＇?验证码＾＾一＞—??提父ｆ名峦??识别验证码??ｊｒ￣ｉ［￣￣ｚｉ???????ｊ?：??獅特定内容—＿?—－抓取网页??（‘束??图３．２网络爬虫流程图??３．４医学领域知识提取??知识杣収包括实体、属性、关系提取。通过上一小结的爬虫技术，我们获収??了丁香园、飞华健康网、药监局、健客网等专业网站的疾病、症状、药品描述、??问答数据等。通过这些文本数据，我们需要提取症状、疾病、药品、人群、科室、??部位等实体，以及各实体的属性和各实体间的关系。由于我们爬収数据的网站在??医学知识描述上采用了较为规范的语言表达，爬取的数据也都为标签加文本描述??的格式，例如在疾病描述信息中，爬取的数据结构包括概述、病因、症状、检查、??治疗、并发症、预防、饮食、相关疾病、发病部位、科室、高发人群等
【参考文献】：
期刊论文
[1]医学知识图谱构建技术与研究进展[J]. 袁凯琦,邓扬,陈道源,张冰,雷凯. 计算机应用研究. 2018(07)
[2]基于Python语言和支持向量机的字符验证码识别[J]. 杨雄. 数字技术与应用. 2017(04)
[3]“Al+医疗”人工智能的下一个风口?[J]. 丁毓. 上海信息化. 2017(03)
[4]知识图谱学习和推理研究进展[J]. 吴运兵,杨帆,赖国华,林开标. 小型微型计算机系统. 2016(09)
[5]知识图谱技术综述[J]. 徐增林,盛泳潘,贺丽荣,王雅芳. 电子科技大学学报. 2016(04)
[6]人工智能革命“助燃剂”:机器学习[J]. 祝叶华. 科技导报. 2016(07)
[7]知识图谱构建技术综述[J]. 刘峤,李杨,段宏,刘瑶,秦志光. 计算机研究与发展. 2016(03)
[8]知识库实体对齐技术综述[J]. 庄严,李国良,冯建华. 计算机研究与发展. 2016(01)
[9]一种新的组合分类器学习方法[J]. 郭华平,袁俊红,张帆,邬长安,范明. 计算机科学. 2014(07)
[10]基于智能算法的胸腔疾病辅助鉴别[J]. 荆斌,张鹏,陈文霞,李巍,査玉华,尚学义. 中国医学装备. 2012(07)
硕士论文
[1]面向中文知识图谱的数据重组与应用[D]. 陈柏良.上海交通大学 2015
[2]基于规则的汉语兼类词标注方法研究[D]. 李华栋.西南交通大学 2014
本文编号：2985701
【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．１小型社交网络图??超图：足一种广义上的图模型，在超图中，一条联系（超边）可以关联任意??
工程硕士学位论文??超图模型允许联系在任何一端都关联任意多个节点。超图适用于多对多联系占主??体的领域。例如，在如下图２．２所示，张三和李四都关注了王五、赵六、孙八，??在超图中只要一条边就可以表达这种联系，而在属性图模型中需要６条边来表示。??ｚ－－一用户丨?，一?１用户??（Ｎａｍｅ：张三）Ｈａｍｅ：李四）??Ｎａｍｅ：王五）?、Ｎａｍｅ：赵六?Ｊ?（?Ｎａｍｅ：孙八）??图２．２有向超图??三元组是一个包含主谓宾的数据结构。用三元组可以捕捉到这样的事实，例??如“张三喜欢李四”、“李四喜欢看电影”。单独来说，单个三元组的语义是很??溃泛的，但它们提供勒丰富的数据集，可以从中获得知识和推断关联。三元组存??储一般会提供ＳＰＡＲＱＬ的能力用来推断，还提供存储的资源描述框架（ＲＤＦ）数??据。ＲＤＦ是三元组存储和语义网世界的通用语，它可以用几种不同的方式序列化。??下面这段代码展示了三元组如何使用ＲＤＦ／ＸＭＬ格式聚合成关联数据。??＜ｒｄｆ：ＲＤＦ?ｘｍｌｎｓｉｒｄｆ?＝?“ｈｔｔｐ：／／ｗｗｗ．ｗ３．０ｒｇ／ｌ９９０／０２／２２－ｒｄｆ－ｓｙｎｔａｘ－ｎｓ＃”??ｘｍｌｎｓ?＝?“?ｈｔｔｐ：／／ｗｗｗ．ｅｘａｍｐｌｅ．ｏｒｇ／ｔｅｒｍｓ／”?＞??＜ｒｄｆ：Ｄｅｓｃｒｉｐｔｉｏｎ?ｒｄｆ：ａｂｏｕｔ＝”?ｈｔｔｐ：／／ｗｗｗ．ｅｘａｍｐｌｅ．ｏｒｇ／ｇｉｎｇｅｒ
切割出包含每个数字的图像片段。第二步每个图像片段生成字符矩阵，使用ＳＶＭ??算法进行分类，识别验证码；对于需要登陆才能访问的网站，提前将用户名、密??码信息保存，采用模拟浏览器插件提交用户名和密码。总体流程如图３．?２所示：??开始???４／???初始ＵＲＬ??静态或＾?ｊｓ动态加载判斬网ｊｓｏｎ或类似ｊｓｏｎ格式??、，??｜?ｊｓ动态力卩载??、■，??■雖包方法??￣￣Ｔ￣￣?￣￣ｒ?１—??????判断是否需Ｎ?判断杲否??登陆?—一一＇?验证码＾＾一＞—??提父ｆ名峦??识别验证码??ｊｒ￣ｉ［￣￣ｚｉ???????ｊ?：??獅特定内容—＿?—－抓取网页??（‘束??图３．２网络爬虫流程图??３．４医学领域知识提取??知识杣収包括实体、属性、关系提取。通过上一小结的爬虫技术，我们获収??了丁香园、飞华健康网、药监局、健客网等专业网站的疾病、症状、药品描述、??问答数据等。通过这些文本数据，我们需要提取症状、疾病、药品、人群、科室、??部位等实体，以及各实体的属性和各实体间的关系。由于我们爬収数据的网站在??医学知识描述上采用了较为规范的语言表达，爬取的数据也都为标签加文本描述??的格式，例如在疾病描述信息中，爬取的数据结构包括概述、病因、症状、检查、??治疗、并发症、预防、饮食、相关疾病、发病部位、科室、高发人群等
【参考文献】：
期刊论文
[1]医学知识图谱构建技术与研究进展[J]. 袁凯琦,邓扬,陈道源,张冰,雷凯. 计算机应用研究. 2018(07)
[2]基于Python语言和支持向量机的字符验证码识别[J]. 杨雄. 数字技术与应用. 2017(04)
[3]“Al+医疗”人工智能的下一个风口?[J]. 丁毓. 上海信息化. 2017(03)
[4]知识图谱学习和推理研究进展[J]. 吴运兵,杨帆,赖国华,林开标. 小型微型计算机系统. 2016(09)
[5]知识图谱技术综述[J]. 徐增林,盛泳潘,贺丽荣,王雅芳. 电子科技大学学报. 2016(04)
[6]人工智能革命“助燃剂”:机器学习[J]. 祝叶华. 科技导报. 2016(07)
[7]知识图谱构建技术综述[J]. 刘峤,李杨,段宏,刘瑶,秦志光. 计算机研究与发展. 2016(03)
[8]知识库实体对齐技术综述[J]. 庄严,李国良,冯建华. 计算机研究与发展. 2016(01)
[9]一种新的组合分类器学习方法[J]. 郭华平,袁俊红,张帆,邬长安,范明. 计算机科学. 2014(07)
[10]基于智能算法的胸腔疾病辅助鉴别[J]. 荆斌,张鹏,陈文霞,李巍,査玉华,尚学义. 中国医学装备. 2012(07)
硕士论文
[1]面向中文知识图谱的数据重组与应用[D]. 陈柏良.上海交通大学 2015
[2]基于规则的汉语兼类词标注方法研究[D]. 李华栋.西南交通大学 2014
本文编号：2985701
本文链接：https://www.wllwen.com/yixuelunwen/swyx/2985701.html
