互聯(lián)網(wǎng)和人工智能在各個(gè)領(lǐng)域的普及以及人們的健康醫(yī)療意識(shí)與日俱增,整個(gè)社會(huì)對(duì)醫(yī)療信息的需求也隨之增加�！爸腔坩t(yī)療”將是未來(lái)醫(yī)療行業(yè)的發(fā)展趨勢(shì),不僅能為大眾提供海量醫(yī)療信息,更能解決當(dāng)前醫(yī)療資源不均、就診手續(xù)繁雜等問(wèn)題。醫(yī)學(xué)領(lǐng)域的知識(shí)圖譜是實(shí)現(xiàn)智慧醫(yī)療的基石,讓醫(yī)療信息資源的交換更方便,為高效便捷的醫(yī)療服務(wù)提供數(shù)據(jù)支持。本文通過(guò)收集、處理昆明市中醫(yī)院骨科的電子病歷以及來(lái)自互聯(lián)網(wǎng)上的相關(guān)知識(shí),對(duì)中醫(yī)骨科問(wèn)診平臺(tái)知識(shí)圖譜的構(gòu)建進(jìn)行研究,研究?jī)?nèi)容主要有:其一、實(shí)體關(guān)系提取,獲得構(gòu)建知識(shí)圖譜所必要的“實(shí)體-關(guān)系-實(shí)體”三元組作為基礎(chǔ)數(shù)據(jù)。針對(duì)中醫(yī)電子病歷的特點(diǎn),使用基于實(shí)體關(guān)系標(biāo)注策略的實(shí)體關(guān)系聯(lián)合提取方法,根據(jù)相關(guān)專家指導(dǎo)下制定的標(biāo)注策略先對(duì)電子病歷進(jìn)行處理和標(biāo)注,使用基于Bi-LSTM（雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)）深度學(xué)習(xí)模型進(jìn)行訓(xùn)練學(xué)習(xí)以更準(zhǔn)確的提取實(shí)體關(guān)系,克服了傳統(tǒng)方法方法誤差較大等問(wèn)題。在獲得了實(shí)體關(guān)系之后,再通過(guò)互聯(lián)網(wǎng)采集比對(duì),對(duì)獲得的實(shí)體關(guān)系進(jìn)行完善和補(bǔ)充,實(shí)驗(yàn)結(jié)果表明該方法有較高的召回率和F1值。其二、針對(duì)獲得的實(shí)體關(guān)系中,存在著“多詞一義”的重復(fù)現(xiàn)象,即多個(gè)疾病名稱都指同一種疾病,需要... 

【文章來(lái)源】：昆明理工大學(xué)云南省

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

“陳道明”關(guān)系示意圖

第二章相關(guān)理論與技術(shù)介紹7第二章相關(guān)理論與技術(shù)介紹本章主要是對(duì)知識(shí)圖譜構(gòu)建過(guò)程中實(shí)體關(guān)系提取和知識(shí)融合中所涉及到的主要技術(shù)和模型進(jìn)行簡(jiǎn)要介紹，包括了文本的預(yù)處理、雙向長(zhǎng)短期記憶網(wǎng)絡(luò)、維特比算法、卷積神經(jīng)網(wǎng)絡(luò)這幾種方法和模型。2.1文本預(yù)處理操作對(duì)昆明市中醫(yī)院的入院記錄電子病歷研究總結(jié)發(fā)現(xiàn)，病歷是有一定的書寫規(guī)則的半結(jié)構(gòu)化文本，沒(méi)有嚴(yán)格的數(shù)據(jù)結(jié)構(gòu)、理論模型，同時(shí)還包含了許多無(wú)用信息、個(gè)人隱私信息等，如圖2.1所示，并不能作為可以直接使用的數(shù)據(jù)，因此需要對(duì)電子病歷進(jìn)行預(yù)處理。圖2.1中醫(yī)骨科電子病歷圖2.1.1數(shù)據(jù)脫敏數(shù)據(jù)脫敏是對(duì)隱私數(shù)據(jù)的保護(hù)，是指在不違反規(guī)則、不影響使用的的條件下把一些敏感信息的去除或者隱藏起來(lái)。如圖2.1中的病歷樣本，其中包含了病人

昆明理工大學(xué)專業(yè)學(xué)位碩士學(xué)位論文12部分。如圖2.3中所示，節(jié)點(diǎn)A除了接受輸入層的輸入xt之外，還接收了來(lái)自上一個(gè)節(jié)點(diǎn)所產(chǎn)生的隱藏狀態(tài)ht-1作為A的輸入的一部分；同時(shí)產(chǎn)生了當(dāng)前時(shí)刻的隱藏狀態(tài)ht和輸出ot，當(dāng)前的隱藏狀態(tài)ht又將作為下一個(gè)時(shí)刻節(jié)點(diǎn)的輸入的一部分。圖2.3循環(huán)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)圖如圖2.3所示，t時(shí)刻的狀態(tài)ht包含了之前節(jié)點(diǎn)信息，作為當(dāng)前狀態(tài)輸出的參考，整個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)的序列結(jié)構(gòu)如圖2.4所示。在理論上序列可以無(wú)限長(zhǎng)，每一時(shí)刻的狀態(tài)h都能將之前的全部信息都記錄下來(lái)，但是由于維度有限使得這是不可能的。將下圖中的循環(huán)神經(jīng)網(wǎng)絡(luò)展開(kāi)以后可以看做前饋神經(jīng)網(wǎng)絡(luò)，可以用反向傳播方法進(jìn)行訓(xùn)練，也是RNN最常見(jiàn)的訓(xùn)練方法。圖2.4循環(huán)神經(jīng)網(wǎng)絡(luò)模型圖在處理一個(gè)序列數(shù)據(jù)時(shí)，循環(huán)神經(jīng)網(wǎng)絡(luò)的輸入層可以接受該序列任意時(shí)刻的數(shù)據(jù)，當(dāng)前時(shí)刻的輸出可以對(duì)序列狀態(tài)的下一時(shí)刻進(jìn)行預(yù)測(cè)，也可以是當(dāng)前時(shí)刻對(duì)信息的處理結(jié)果。循環(huán)神經(jīng)網(wǎng)絡(luò)在每個(gè)時(shí)刻都必須要有一個(gè)輸入，這個(gè)輸入不僅來(lái)自于當(dāng)前時(shí)刻的輸入，也可能包含了之前時(shí)刻的輸出或者是隱藏狀態(tài)，但是并不是每一個(gè)時(shí)刻都一定會(huì)有輸出。

【參考文獻(xiàn)】：
期刊論文
[1]知識(shí)圖譜研究綜述及其在醫(yī)療領(lǐng)域的應(yīng)用[J]. 侯夢(mèng)薇,衛(wèi)榮,陸亮,蘭欣,蔡宏偉.  計(jì)算機(jī)研究與發(fā)展. 2018(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的跨領(lǐng)域語(yǔ)義信息檢索研究[J]. 謝先章,王兆凱,李亞星,馮旭鵬,劉利軍,黃青松.  計(jì)算機(jī)應(yīng)用與軟件. 2018(08)
[3]基于維特比算法的深度神經(jīng)網(wǎng)絡(luò)語(yǔ)音端點(diǎn)檢測(cè)[J]. 李文潔,張晴晴,張鵬遠(yuǎn),顏永紅,擺亮.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]未來(lái)醫(yī)學(xué)時(shí)代——人工智能診療[J]. 王錫山.  中華結(jié)直腸疾病電子雜志. 2017(04)
[5]路徑張量分解的知識(shí)圖譜推理算法[J]. 吳運(yùn)兵,朱丹紅,廖祥文,張棟,林開(kāi)標(biāo).  模式識(shí)別與人工智能. 2017(05)
[6]中國(guó)“互聯(lián)網(wǎng)+健康醫(yī)療”現(xiàn)狀與發(fā)展綜述[J]. 孟群,尹新,梁宸.  中國(guó)衛(wèi)生信息管理雜志. 2017(02)
[7]基于知識(shí)圖譜的智能醫(yī)療研究[J]. 俞思偉,范昊,王菲,徐雷.  醫(yī)療衛(wèi)生裝備. 2017(03)
[8]基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型[J]. 楊祎玥,伏潛,萬(wàn)定生.  計(jì)算機(jī)技術(shù)與發(fā)展. 2017(03)
[9]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[10]基于雙層隨機(jī)游走的關(guān)系推理算法[J]. 劉嶠,韓明皓,江瀏祎,劉瑤,耿技.  計(jì)算機(jī)學(xué)報(bào). 2017(06)

博士論文
[1]中醫(yī)醫(yī)案文獻(xiàn)特殊性評(píng)價(jià)方法研究[D]. 李園白.中國(guó)中醫(yī)科學(xué)院 2010

碩士論文
[1]電子病歷實(shí)體關(guān)系抽取研究[D]. 吳嘉偉.哈爾濱工業(yè)大學(xué) 2014
[2]基于條件隨機(jī)場(chǎng)的中醫(yī)病歷命名實(shí)體抽取方法研究[D]. 劉凱.北京交通大學(xué) 2013



本文編號(hào)：3317122