CN112686306A - 基于图神经网络的icd手术分类自动匹配方法及系统 - Google Patents
基于图神经网络的icd手术分类自动匹配方法及系统 Download PDFInfo
- Publication number
- CN112686306A CN112686306A CN202011599195.8A CN202011599195A CN112686306A CN 112686306 A CN112686306 A CN 112686306A CN 202011599195 A CN202011599195 A CN 202011599195A CN 112686306 A CN112686306 A CN 112686306A
- Authority
- CN
- China
- Prior art keywords
- graph
- icd
- neural network
- classification
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 49
- 230000014509 gene expression Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000001356 surgical procedure Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000007429 general method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于图神经网络的ICD手术分类自动匹配方法及系统,获取病例中医生录入的手术描述数据,并将手术描述数据中每一个字用字向量来表示,得到字向量序列,进一步得到手术描述信息,获取所有ICD手术分类的标准编码描述,将建模后的手术描述信息融合到ICD手术分类的标准编码描述中,得到融入当前手术描述信息的所有编码描述的数学表达,结合所有编码描述的数学表达和预设图神经网络得到不同的图结构,利用图结构进行注意力计算,重构ICD手术分类标签图结构中的每一个节点,根据重构的节点间的条件概率依赖关系,得到手术描述的分类匹配结果;增加了模型在多标签预测任务中输出结果的合理性,避免输出不合理的分类组合。
Description
技术领域
本公开涉及数据处理技术领域,特别涉及一种基于图神经网络的ICD手术分类自动匹配方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
国际疾病分类中的手术与操作分类,以下简称为ICD手术分类。每一种ICD手术分类都对应着一条由数字和字母组成的编码,以下简称为ICD手术编码。ICD手术分类是医院病案信息加工、检索、汇总、统计的主要工具,在医疗、研究、教学等方面发挥重要作用。ICD手术分类是由专业编码员负责的,是一项非常繁琐的工作任务。编码员首先查阅医生录入的手术描述,然后人工查阅分类向导,将医生录入的手术描述匹配到一个或若干个最符合的ICD手术编码条目上。在临床中,医生录入的手术描述经常使用缩写和简称,这使手术描述的含义变得模糊,编码员经常因为这种情况犯一些主观错误。因此,开发针对ICD手术分类的自动匹配方法,对提高临床中病案信息的处理质量和效率有重要意义。
发明人发现,使用一般的统计机器学习模型或深度学习模型往往无法有效应对ICD手术分类这样的分类问题,一般的方法在这样庞大的分类空间容易产生过拟合或拟合能力欠佳;而且该分类问题属于多标签分类问题,也就是说一条医生录入的手术描述可能对应若干个ICD手术分类,这进一步增加了分类难度;而且因为病案工作的严谨性,一般的方法产生较多的分类错误问题是不可接受的。
发明内容
为了解决现有技术的不足,本公开提供了一种基于图神经网络的ICD手术分类自动匹配方法及系统,利用了ICD手术与操作与分类的层级结构,并以此构建出图神经网络模型,可让模型融入ICD手术与操作分类的上下级关系,给模型增加了分类的匹配线索;利用数据集中ICD手术与操作分类标签组合的条件概率依赖关系,进行图神经网络模型的节点分类,可进一步增加模型在多标签预测任务中输出结果的合理性,避免输出不合理的分类组合。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种基于图神经网络的ICD手术分类自动匹配方法。
一种基于图神经网络的ICD手术分类自动匹配方法,包括以下步骤:
获取病例中医生录入的手术描述数据,并将手术描述数据中每一个字用字向量来表示,得到字向量序列;
利用预设卷积神经网络对字向量序列进行建模,得到建模后的手术描述信息;
获取所有ICD手术分类的标准编码描述,将建模后的手术描述信息融合到ICD手术分类的标准编码描述中,得到融入当前手术描述信息的所有编码描述的数学表达;
结合所有编码描述的数学表达和预设图神经网络得到不同的图结构,利用图结构进行注意力计算,通过相邻节点线性加权求和,重构ICD手术分类标签图结构中的每一个节点;
根据重构的节点间的条件概率依赖关系,得到手术描述的分类匹配结果。
作为可能的一些实现方式,获取ICD手术分类的层级结构,层级结构中每一个节点都是由一串数字和字母组成的编码和与之对应的编码描述组成;
将每一条ICD手术编码描述作为节点,根据边的连接方向使ICD手术分类的标签空间形成有向图或无向图结构,利用预设图神经网络对标签空间建模,构建up图、down图和undirected图三种图结构。
作为进一步的限定,分别使用Up图、Down图和Undirected图三种图结构对标签空间建模,标签空间中的每个节点得到三种图结构的计算结果;
把注意力重构的过程重复若干次,在注意力机制重构的过程中,对每一个节点,都用与其相邻的节点重新表示,并且将多个头的计算结果进行级联,得到最终的所有编码描述的数学表达。
作为进一步的限定,图神经网络模型的训练,包括:
Y为所有节点对应的标签,为一个独热编码向量,且Y内的值为0或1,设Y中为1的值所对应的索引为i,则i表示当前输入手术描述和第i条编码描述是相匹配的;
使用一个平滑函数对Y进行平滑,得到平滑结果Y′;
把节点之间的条件概率依赖关系通过Y′融入ICD手术编码描述的数学表达中;
使用交叉熵作为损失函数,并将损失最小化,从而得到模型的所有可训练参数。
作为更进一步的限定,根据重构的节点间的条件概率依赖关系,得到手术描述的分类匹配结果,包括:
作为进一步的限定,up图,表示所有边由下级节点指向其上级节点,并包括每个节点自身形成的环边,形成的由亚目到大章节方向的有向图结构;
down图,表示所有边由上级节点指向其下级节点,并包括每个节点自身形成的环边,形成的由大章节到亚目方向的有向图结构;
undirected图,表示结合up图和down图形成的不区分方向的无向图结构。
本公开第二方面提供了一种基于图神经网络的ICD手术分类自动匹配系统。
一种基于图神经网络的ICD手术分类自动匹配系统,包括:
数据预处理模块,被配置为:获取病例中医生录入的手术描述数据,并将手术描述数据中每一个字用字向量来表示,得到字向量序列;
手术描述信息获取模块,被配置为:利用预设卷积神经网络对字向量序列进行建模,得到建模后的手术描述信息;
数据融合模块,被配置为:获取所有ICD手术分类的标准编码描述,将建模后的手术描述信息融合到ICD手术分类的标准编码描述中,得到融入当前手术描述信息的所有编码描述的数学表达;
节点重构模块,被配置为:结合所有编码描述的数学表达和预设图神经网络得到不同的图结构,利用图结构进行注意力计算,通过相邻节点线性加权求和,重构ICD手术分类标签图结构中的每一个节点;
分类匹配模块,被配置为:根据重构的节点间的条件概率依赖关系,得到手术描述的分类匹配结果。
本公开第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的基于图神经网络的ICD手术分类自动匹配方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的基于图神经网络的ICD手术分类自动匹配方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质或电子设备,利用了ICD手术与操作与分类的层级结构,并以此构建出的图神经网络模型,可让模型融入ICD手术与操作分类的上下级关系,给模型增加了分类的匹配线索。
2、本公开所述的方法、系统、介质或电子设备,利用数据集中ICD手术与操作分类标签组合的条件概率依赖关系,进行图神经网络模型的节点分类,可进一步增加模型在多标签预测任务中输出结果的合理性,避免输出不合理的分类组合。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于图神经网络的ICD手术分类自动匹配方法的流程示意图。
图2为本公开实施例1提供的ICD手术分类的层级结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种基于图神经网络的ICD手术分类自动匹配方法,首先使用一种图神经网络对ICD手术与操作分类的标签层级结构进行建模,图神经网络中每个节点代表一种手术与操作分类的标签,在建模过程中利用ICD手术与操作分类的层级结构构建出三种不同的图结构来发掘标签之间的关系并以此提升模型的分类性能;之后使用标签之间的条件概率依赖关系和注意力机制进行节点分类,利用分类标签组合的条件概率依赖关系,可进一步提升ICD手术与操作编码匹配的合理性。
具体的,包括以下内容:
S1:获取医学教科书文本语料,使用skip-gram模型得到字向量,字向量矩阵表示为Δ, 为实数空间,Nc为字库中字的总个数,d为字向量的维度,字向量可将文本中的一个字通过字典中的索引映射为一条向量,字向量在本实施例中是可训练参数。
S2:在病例中获取医生录入的手术描述,手术描述为一段文本,通过字典索引步骤S1中的字向量矩阵,将手术描述中每一个字用字向量来表示。
一段手术描述可表示为:
S3:使用卷积神经网络对手术描述的字向量序列进行建模,卷积神经网络对每一个字向量的操作可表示为:
hj=tanh(Wcnn∧xj:j+k-1+bcnn)
经过卷积神经网络建模之后的一段手术描述表示为:
S4:获取所有ICD手术分类的标准编码描述,并通过以下方法将S2、S3步骤的手术描述信息融合到ICD手术分类的标准编码描述中,获取标准编码描述的数学表达。
首先通过字典索引步骤S1中的字向量矩阵,将标准编码描述的每一个字用字向量表示,并对每一条编码描述的字向量序列求平均,公式表达为:
之后计算通过S3步骤获取的手术描述H与每条标准编码描述vi的注意力权重,并使用注意力权重对H进行重构,获取每一条融入当前手术描述信息的ICD手术分类标准编码描述的数学表达,计算步骤为:
αi=softmax(Hvi)
获取ICD手术分类的层级结构,图2所示的是ICD手术分类的层级结构,层级结构中每一个节点都是由一串数字和字母组成的编码和与之对应的编码描述组成的。ICD手术分类含有5个层级,分别是大章节(18个分类)、小章节(100个分类)、类目(890个分类)、亚目(3755个分类)、细目(9100个分类),共含有13863个分类。从大章节层级到细目层级,是一个不断细化分类的过程。
将每一条ICD手术编码描述叫做节点,即把每条编码描述的数学表达vi′称之为节点,上级节点和下级节点之间用边连接,如图2中,01.0(类目)颅穿刺的下级节点的编码是01.0200和01.0900,01.0200的上级节点编码是01.0。根据边的连接方向可使ICD手术分类的标签空间形成有向图或无向图结构,再使用一种图神经网络对标签空间建模。
本实施例提出在图神经网络建模中构建以下三种不同的图结构:
up图:所有边由下级节点指向其上级节点,并包括每个节点自身形成的环边,形成由亚目到大章节方向的有向图结构。
down图:所有边由上级节点指向其下级节点,并包括每个节点自身形成的环边,形成由大章节到亚目方向的有向图结构。
undirected图:结合up图和down图形成不区分方向的无向图结构。
在完成上述三种图结构的构建之后,使用图注意力网络进行建模,即通过3种图结构分别进行注意力计算,最后将计算的结果级联。
首先进行图注意力权重的计算,公式表达为:
其中βii′是一个标量,表示v′i节点与v′i′节点的注意力权重,a是一条由可训练参数组成的向量,T表示向量或矩阵转置,表示矩阵级联,N(i)表示与vi′节点相邻的且边的方向指向v′i的所有节点的集合,并包括v′i节点自身,ReLU是线性整流函数,是一个可训练的权重矩阵,所有节点都使用权重矩阵W进行计算,用来获取更强的特征表达能力。
得到注意力权重后,通过相邻节点线性加权求和的方法,重构ICD手术分类标签图结构中的每一个节点,为了使模型在高维度语义空间内捕捉到更丰富的特征,把注意力重构的过程重复若干次,之后把所有的结果进行级联,公式表达为:
其中,M表示注意力机制头的数量,表示第m个头的注意力权重,Wm是第m个头的可训练权重矩阵,维度为||表示矩阵级联,在注意力机制重构的过程中,对每一个节点,都用与其相邻的节点重新表示,并且将M个头的计算结果进行级联,则最终
将它们级联得到最终的节点数学表达,之后将维度映射回d并使用ReLU函数进行激活,W0为一个可训练权重矩阵,维度为v″i是一条ICD手术编码描述叫的数学表达,也是图结构中的一个节点的数学表达,所有ICD手术编码描述的数学表达可表示为V″={v″i=1,v″i=2,...,v″i=L}。
S5:使用节点之间的条件概率依赖关系和注意力机制进行模型的训练和预测匹配结果。
本步骤在模型训练和预测的过程中使用了不同的方法:
S5.1:当模型训练时:
首先使用一个平滑函数对Y进行平滑:
Y′=softmax(Y*(1-γ)+0.5*γ)
其中,γ为一个超参数,在本实施例中γ=0.05,softmax是激活函数;
之后把节点之间的条件概率依赖关系通过Y′融入ICD手术编码描述的数学表达中,对于第i条编码描述的数学表达v″i进行以下计算:
之后使用交叉熵作为损失函数,并将损失最小化,从而得到上述模型的所有可训练参数,公式表达为:
其中,Loss为定义的损失,之后使用梯度下降法将Loss最小化即可得到模型的所有可训练参数。
S5.1:当模型预测时
(3)通过(2)求出所有的ICD标准编码描述的数学表达:
实施例2:
本公开实施例2提供了一种基于图神经网络的ICD手术分类自动匹配系统,包括:
数据预处理模块,被配置为:获取病例中医生录入的手术描述数据,并将手术描述数据中每一个字用字向量来表示,得到字向量序列;
手术描述信息获取模块,被配置为:利用预设卷积神经网络对字向量序列进行建模,得到建模后的手术描述信息;
数据融合模块,被配置为:获取所有ICD手术分类的标准编码描述,将建模后的手术描述信息融合到ICD手术分类的标准编码描述中,得到融入当前手术描述信息的所有编码描述的数学表达;
节点重构模块,被配置为:结合所有编码描述的数学表达和预设图神经网络得到不同的图结构,利用图结构进行注意力计算,通过相邻节点线性加权求和,重构ICD手术分类标签图结构中的每一个节点;
分类匹配模块,被配置为:根据重构的节点间的条件概率依赖关系,得到手术描述的分类匹配结果。
所述系统的工作方法与实施例1提供的基于图神经网络的ICD手术分类自动匹配方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1所述的基于图神经网络的ICD手术分类自动匹配方法中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的基于图神经网络的ICD手术分类自动匹配方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于图神经网络的ICD手术分类自动匹配方法,其特征在于:包括以下步骤:
获取病例中医生录入的手术描述数据,并将手术描述数据中每一个字用字向量来表示,得到字向量序列;
利用预设卷积神经网络对字向量序列进行建模,得到建模后的手术描述信息;
获取所有ICD手术分类的标准编码描述,将建模后的手术描述信息融合到ICD手术分类的标准编码描述中,得到融入当前手术描述信息的所有编码描述的数学表达;
结合所有编码描述的数学表达和预设图神经网络得到不同的图结构,利用图结构进行注意力计算,通过相邻节点线性加权求和,重构ICD手术分类标签图结构中的每一个节点;
根据重构的节点间的条件概率依赖关系,得到手术描述的分类匹配结果。
2.如权利要求1所述的基于图神经网络的ICD手术分类自动匹配方法,其特征在于:
获取ICD手术分类的层级结构,层级结构中每一个节点都是由一串数字和字母组成的编码和与之对应的编码描述组成;
将每一条ICD手术编码描述作为节点,根据边的连接方向使ICD手术分类的标签空间形成有向图或无向图结构,利用预设图神经网络对标签空间建模,构建up图、down图和undirected图三种图结构。
3.如权利要求2所述的基于图神经网络的ICD手术分类自动匹配方法,其特征在于:
分别使用Up图、Down图和Undirected图三种图结构对标签空间建模,标签空间中的每个节点得到三种图结构的计算结果;
把注意力重构的过程重复若干次,在注意力机制重构的过程中,对每一个节点,都用与其相邻的节点重新表示,并且将多个头的计算结果进行级联,得到最终的所有编码描述的数学表达。
4.如权利要求2所述的基于图神经网络的ICD手术分类自动匹配方法,其特征在于:
图神经网络模型的训练,包括:
Y为所有节点对应的标签,为一个独热编码向量,且Y内的值为0或1,设Y中为1的值所对应的索引为i,则i表示当前输入手术描述和第i条编码描述是相匹配的;
使用一个平滑函数对Y进行平滑,得到平滑结果Y′;
把节点之间的条件概率依赖关系通过Y′融入ICD手术编码描述的数学表达中;
使用交叉熵作为损失函数,并将损失最小化,从而得到模型的所有可训练参数。
7.如权利要求2所述的基于图神经网络的ICD手术分类自动匹配方法,其特征在于:
up图,表示所有边由下级节点指向其上级节点,并包括每个节点自身形成的环边,形成的由亚目到大章节方向的有向图结构;
down图,表示所有边由上级节点指向其下级节点,并包括每个节点自身形成的环边,形成的由大章节到亚目方向的有向图结构;
undirected图,表示结合up图和down图形成的不区分方向的无向图结构。
8.一种基于图神经网络的ICD手术分类自动匹配系统,其特征在于:包括:
数据预处理模块,被配置为:获取病例中医生录入的手术描述数据,并将手术描述数据中每一个字用字向量来表示,得到字向量序列;
手术描述信息获取模块,被配置为:利用预设卷积神经网络对字向量序列进行建模,得到建模后的手术描述信息;
数据融合模块,被配置为:获取所有ICD手术分类的标准编码描述,将建模后的手术描述信息融合到ICD手术分类的标准编码描述中,得到融入当前手术描述信息的所有编码描述的数学表达;
节点重构模块,被配置为:结合所有编码描述的数学表达和预设图神经网络得到不同的图结构,利用图结构进行注意力计算,通过相邻节点线性加权求和,重构ICD手术分类标签图结构中的每一个节点;
分类匹配模块,被配置为:根据重构的节点间的条件概率依赖关系,得到手术描述的分类匹配结果。
9.一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于图神经网络的ICD手术分类自动匹配方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于图神经网络的ICD手术分类自动匹配方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011599195.8A CN112686306B (zh) | 2020-12-29 | 2020-12-29 | 基于图神经网络的icd手术分类自动匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011599195.8A CN112686306B (zh) | 2020-12-29 | 2020-12-29 | 基于图神经网络的icd手术分类自动匹配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686306A true CN112686306A (zh) | 2021-04-20 |
CN112686306B CN112686306B (zh) | 2023-03-24 |
Family
ID=75454278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011599195.8A Active CN112686306B (zh) | 2020-12-29 | 2020-12-29 | 基于图神经网络的icd手术分类自动匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686306B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988013A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于多任务学习和图注意力网络的icd编码方法及装置 |
CN115270718A (zh) * | 2022-07-26 | 2022-11-01 | 中国医学科学院阜外医院 | 一种疾病编码的自动编目方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110491465A (zh) * | 2019-08-20 | 2019-11-22 | 山东众阳健康科技集团有限公司 | 基于深度学习的疾病分类编码方法、系统、设备及介质 |
CN110895580A (zh) * | 2019-12-12 | 2020-03-20 | 山东众阳健康科技集团有限公司 | 一种基于深度学习的icd手术与操作编码自动匹配方法 |
CN111192680A (zh) * | 2019-12-25 | 2020-05-22 | 山东众阳健康科技集团有限公司 | 一种基于深度学习和集成分类的智能辅助诊断方法 |
CN111382272A (zh) * | 2020-03-09 | 2020-07-07 | 西南交通大学 | 一种基于知识图谱的电子病历icd自动编码方法 |
CN111402974A (zh) * | 2020-03-06 | 2020-07-10 | 西南交通大学 | 一种基于深度学习的电子病历icd自动编码方法 |
-
2020
- 2020-12-29 CN CN202011599195.8A patent/CN112686306B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110491465A (zh) * | 2019-08-20 | 2019-11-22 | 山东众阳健康科技集团有限公司 | 基于深度学习的疾病分类编码方法、系统、设备及介质 |
CN110895580A (zh) * | 2019-12-12 | 2020-03-20 | 山东众阳健康科技集团有限公司 | 一种基于深度学习的icd手术与操作编码自动匹配方法 |
CN111192680A (zh) * | 2019-12-25 | 2020-05-22 | 山东众阳健康科技集团有限公司 | 一种基于深度学习和集成分类的智能辅助诊断方法 |
CN111402974A (zh) * | 2020-03-06 | 2020-07-10 | 西南交通大学 | 一种基于深度学习的电子病历icd自动编码方法 |
CN111382272A (zh) * | 2020-03-09 | 2020-07-07 | 西南交通大学 | 一种基于知识图谱的电子病历icd自动编码方法 |
Non-Patent Citations (4)
Title |
---|
THANH VU ET AL.: ""A Label Attention Model for ICD Coding Clinical Text"", 《ARXIV》 * |
张虹科 等: ""基于融合条目词嵌入和注意力机制的自动ICD编码"", 《北京大学学报(自然科学版)》 * |
张述睿 等: ""面向ICD疾病分类的深度学习方法研究"", 《计算机工程与应用》 * |
杜逸超 等: ""一种基于深度神经网络的临床记录ICD自动编码方法"", 《万方数据知识服务平台》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988013A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于多任务学习和图注意力网络的icd编码方法及装置 |
CN115270718A (zh) * | 2022-07-26 | 2022-11-01 | 中国医学科学院阜外医院 | 一种疾病编码的自动编目方法及系统 |
CN115270718B (zh) * | 2022-07-26 | 2023-10-10 | 中国医学科学院阜外医院 | 一种疾病编码的自动编目方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112686306B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11900225B2 (en) | Generating information regarding chemical compound based on latent representation | |
CN109697285B (zh) | 增强语义表示的层次BiLSTM中文电子病历疾病编码标注方法 | |
US20210034813A1 (en) | Neural network model with evidence extraction | |
CN113569932B (zh) | 一种基于文本层级结构的图像描述生成方法 | |
CN113420163B (zh) | 基于矩阵融合的异构信息网知识图谱补全方法和装置 | |
CN112395393B (zh) | 一种基于多任务多示例的远程监督关系抽取方法 | |
CN110969020A (zh) | 基于cnn和注意力机制的中文命名实体识别方法、系统及介质 | |
CN113641819B (zh) | 基于多任务稀疏共享学习的论辩挖掘系统及方法 | |
CN113435211B (zh) | 一种结合外部知识的文本隐式情感分析方法 | |
CN110427486A (zh) | 身体病况文本的分类方法、装置及设备 | |
CN103324954A (zh) | 一种基于树结构的图像分类方法及其系统 | |
CN114118369B (zh) | 一种基于群智能优化的图像分类卷积神经网络设计方法 | |
CN112686306B (zh) | 基于图神经网络的icd手术分类自动匹配方法及系统 | |
CN115270718B (zh) | 一种疾病编码的自动编目方法及系统 | |
CN117688974B (zh) | 基于知识图谱的生成式大模型建模方法、系统及设备 | |
CN114528835A (zh) | 基于区间判别的半监督专业术语抽取方法、介质及设备 | |
CN113220865B (zh) | 一种文本相似词汇检索方法、系统、介质及电子设备 | |
CN112528873A (zh) | 基于多级语义表征和语义计算的信号语义识别方法 | |
CN112836506A (zh) | 一种基于上下文语义的信源编译码方法和装置 | |
Kogkalidis et al. | Geometry-aware supertagging with heterogeneous dynamic convolutions | |
CN110299194B (zh) | 基于综合特征表示与改进宽深度模型的相似病例推荐方法 | |
CN115687609A (zh) | 一种基于Prompt多模板融合的零样本关系抽取方法 | |
CN108805280A (zh) | 一种图像检索的方法和装置 | |
Lauren et al. | Convolutional neural network for clinical narrative categorization | |
CN113517045A (zh) | 一种基于路径生成的电子病历icd代码预测方法及预测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province Patentee after: Zhongyang Health Technology Group Co.,Ltd. Address before: 12 / F, building 1, Aosheng building, 1166 Xinluo street, hi tech Zone, Jinan City, Shandong Province Patentee before: SHANDONG MSUNHEALTH TECHNOLOGY GROUP Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |