-
公开(公告)号：CN118657211A
公开(公告)日：2024-09-17
申请号：CN202410149463.8
申请日：2024-02-01
Applicant: 扬州大学
IPC: G06N5/025 , G06F16/36 , G06F40/289 , G06F40/295 , G16H50/20 , G06N3/0442 , G06N3/045
Abstract: 本发明公开了一种基于大模型增强的中文心力衰竭诊疗领域知识图谱构建方法，包括以下步骤：(1)通过网络爬虫搜集现有的医学资料,采集心力衰竭识数据集，(2)构建基于ChatGPT模型，将心力衰竭识数据集导入模型进行训练，并对模型进行微调，得到心力衰竭识语料C；(3)将心力衰竭识语料C进行反向提问的方法来验证得到验证语料V；(4)将心力衰竭识数据集与验证语料V进行融合；(5)将融合后的语料放进三元组抽取模型中得到三元组，构建成心力衰竭知识图谱；本发明可以作为医生和病人的辅助工具，帮助他们更好地理解、诊断和管理心衰，从而提高医疗效率和病人护理质量。
-
公开(公告)号：CN116230224A
公开(公告)日：2023-06-06
申请号：CN202211704625.7
申请日：2022-12-29
Applicant: 扬州大学
IPC: G16H50/30 , G16H10/60 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明公布了一种基于时序模型心力衰竭不良事件预测方法及系统，首先，提取心力衰竭患者数据；接着对提取出的心力衰竭患者数据进行预处理提取出需要的变量；通过使用Fancyimpute工具对抽取出的数据进行缺失值补齐；用Bi‑LSTM来训练补齐好的数据学习患者的时序信息；用注意力机制来学习患者每次访问中不同变量的重要性；用对比损失函数作为训练的损失函数，解决数据不平衡问题，实现对心力衰竭患者不良事件的预测。本发明通过处理数据缺失值和使用对比损失来处理数据缺失和数据不平衡问题，更好的获得患者的表示，提高模型的预测性能，且更好的学习心力衰竭患者每次访问的时序信息和变量之间的关系，提高系统的可解释性，同时为医生的不良事件判断提供了可靠的依据。
-
公开(公告)号：CN117951307A
公开(公告)日：2024-04-30
申请号：CN202410070525.6
申请日：2024-01-17
Applicant: 扬州大学
IPC: G06F16/36 , G06F40/295 , G06F18/24 , G06N3/0464 , G06N3/0499 , G06N3/0455 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于医学文本和知识图谱的医学因果关系抽取方法及系统；所述方法包括：使用MC‑BERT编码器将目标抽取的医学文本编码为向量；基于文本中实体跨度的起始位置进行文本中的实体跨度的预测；基于全局指针网络GPN对文本中的潜在实体成对地进行识别；基于实体连接器在知识图谱中检索文本中的相关实体，得到包含文本中提到的实体的相关背景知识的知识图；使用注意力机制将初始文本向量表示与背景知识图向量表示融合起来预测因果关系，最后输出具体的医学因果关系类别以及相关的医学实体。本发明能很好的解决医学文本中嵌套因果关系抽取这一难题，提高了实体与关系抽取的精度，可以很好的在医学自然语言文本中有效的抽取有用的因果实体及其关系。
-
公开(公告)号：CN117954090A
公开(公告)日：2024-04-30
申请号：CN202410066039.7
申请日：2024-01-17
Applicant: 扬州大学
IPC: G16H50/30 , G06F18/24 , G06F18/25 , G06F17/16 , G06F40/284 , G06F40/232 , G06N3/0464 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于多模态缺失数据患者的死亡率预测方法及系统，所述方法包括：获取多模态患者数据；对获取的数据进行预处理；使用不同的编码器分别对多模态患者数据进行特征映射；通过标签特征对患者进行分组，并使用核函数计算组内患者相似性；通过相似矩阵来筛选相似患者，补全缺失模态信息；使用交叉注意力机制融合患者的多模态数据，对融合特征进行决策，得到患者死亡预测结果。本发明可以更好的获得完整的患者表示，提高模型的效率和准确性；通过使用交叉注意力机制融合患者的多模态信息可以更好的减少模态间的差异性，加强模态间的联系，使之更加符合实际情况，同时提高模型的性能。
-
-
-
Search Results
4
records
(took 0.014 seconds)
