融合知识图谱与深度学习的疾病诊断方法研究

• 作者: 叶娜 张翔 程炯 董丽丽
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 知识图谱嵌入 专家经验知识 卷积神经网络(CNN) 多通道 疾病诊断
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 人工智能
• 页码范围: 815-824
• 页数: 10页
• 分类号: TP391
• 字数: 7962字
• 语种: 中文
• DOI: 10.3778/j.issn.1673-9418.1908018

摘要

针对现有深度学习疾病诊断方法在辅助诊断过程中大规模依赖标注数据,且缺乏医生或专家经验知识的问题,提出一种融合医学知识图谱与深度学习的疾病诊断方法.该方法的核心是一个知识驱动的卷积神经网络(CNN)模型,通过实体链接消歧与知识图谱嵌入抽取得到医学知识图谱中的结构化疾病知识,并将病情描述文本中的疾病特征词向量与相应知识实体向量作为CNN的多通道输入.在卷积过程中从语义和知识两个层面表示不同类型疾病.通过在多类病情描述文本数据集上进行训练和测试,实验结果表明该方法的诊断性能要优于单一CNN模型与其他疾病诊断方法,并验证了这种知识与数据联合训练的方法更适用于初步诊断病情描述的疾病类型.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	董丽丽	西安建筑科技大学信息与控制工程学院	79	651	13.0	22.0
2	张翔	西安建筑科技大学信息与控制工程学院	27	218	8.0	14.0
3	叶娜	西安建筑科技大学信息与控制工程学院	12	36	4.0	5.0
4	程炯	西安建筑科技大学信息与控制工程学院	1	1	1.0	1.0