隨著醫(yī)學(xué)數(shù)據(jù)量的增加,從疾病、藥物、治療、基因等醫(yī)學(xué)實(shí)體中發(fā)現(xiàn)新知識(shí),挖掘醫(yī)學(xué)數(shù)據(jù)之間隱含的知識(shí)來(lái)輔助疾病診斷意義重大。知識(shí)圖譜技術(shù)成為知識(shí)問答和領(lǐng)域知識(shí)發(fā)現(xiàn)的重要技術(shù)支撐。結(jié)合醫(yī)學(xué)領(lǐng)域知識(shí)構(gòu)建醫(yī)學(xué)知識(shí)圖譜,是未來(lái)智能醫(yī)療發(fā)展的推動(dòng)力。然而,目前醫(yī)學(xué)領(lǐng)域知識(shí)圖譜構(gòu)建存在可解釋性差、效率低的問題。因此,根據(jù)醫(yī)學(xué)數(shù)據(jù)的特殊性和復(fù)雜性,提高醫(yī)學(xué)知識(shí)圖譜的表示能力和推理能力,滿足實(shí)際醫(yī)學(xué)應(yīng)用需求,是目前值得研究的問題。本文主要針對(duì)構(gòu)建醫(yī)學(xué)知識(shí)圖譜時(shí),知識(shí)自動(dòng)抽取困難、語(yǔ)義推理能力差的問題,研究了醫(yī)學(xué)知識(shí)抽取、醫(yī)學(xué)知識(shí)推理方法以及在疾病診斷中的應(yīng)用:1、針對(duì)文檔級(jí)別醫(yī)學(xué)實(shí)體關(guān)系存在多示例、遠(yuǎn)程監(jiān)督在醫(yī)學(xué)關(guān)系標(biāo)記中存在噪音的問題,提出了一種基于強(qiáng)化學(xué)習(xí)的遠(yuǎn)程監(jiān)督醫(yī)學(xué)關(guān)系抽取模型,使用強(qiáng)化學(xué)習(xí)方法對(duì)遠(yuǎn)程監(jiān)督進(jìn)行改進(jìn)。針對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型提取規(guī)則可解釋性差的問題,加入觸發(fā)詞和位置嵌入,改進(jìn)損失函數(shù),提取出可解釋性強(qiáng)的規(guī)則。實(shí)驗(yàn)結(jié)果表明,所提出的模型克服了規(guī)則可解釋性差和噪音問題,達(dá)到了67.6%的F值,與基線方法相比F值提高了1.2%。2、針對(duì)現(xiàn)有的醫(yī)學(xué)知識(shí)推理模型需要進(jìn)行大量矩陣運(yùn)算且復(fù)雜度較高的...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
    1.4 本文主要內(nèi)容
    1.5 本文的組織結(jié)構(gòu)
第2章 相關(guān)理論與方法
    2.1 醫(yī)學(xué)知識(shí)圖譜構(gòu)建
    2.2 醫(yī)學(xué)實(shí)體關(guān)系抽取方法
        2.2.1 基于深度學(xué)習(xí)的醫(yī)學(xué)實(shí)體關(guān)系抽取
        2.2.2 基于遠(yuǎn)程監(jiān)督的醫(yī)學(xué)實(shí)體關(guān)系抽取
    2.3 醫(yī)學(xué)知識(shí)推理方法
        2.3.1 基于翻譯的醫(yī)學(xué)知識(shí)推理
        2.3.2 基于路徑的醫(yī)學(xué)知識(shí)推理
    2.4 本章小結(jié)
第3章 基于強(qiáng)化學(xué)習(xí)的遠(yuǎn)程監(jiān)督實(shí)體關(guān)系抽取模型
    3.1 基于強(qiáng)化學(xué)習(xí)的遠(yuǎn)程監(jiān)督實(shí)體關(guān)系抽取模型
        3.1.1 遠(yuǎn)程監(jiān)督自動(dòng)標(biāo)注語(yǔ)料
        3.1.2 強(qiáng)化學(xué)習(xí)去噪
        3.1.3 改進(jìn)LSTM關(guān)系預(yù)測(cè)
    3.2 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集
    3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第4章 基于多路徑約束的知識(shí)推理模型
    4.1 基于多路徑約束的知識(shí)推理模型
        4.1.1 多路徑約束
        4.1.2 特征路徑提取
        4.1.3 路徑編碼
        4.1.4 基于注意力機(jī)制的路徑推理
    4.2 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集
    4.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
第5章 醫(yī)學(xué)知識(shí)圖譜在疾病診斷中的應(yīng)用
    5.1 基于醫(yī)學(xué)知識(shí)圖譜的疾病診斷應(yīng)用
        5.1.1 疾病診斷系統(tǒng)
        5.1.2 基于玻爾茲曼機(jī)和馬爾可夫邏輯網(wǎng)的疾病診斷模型
    5.2 實(shí)驗(yàn)數(shù)據(jù)集
    5.3 實(shí)驗(yàn)結(jié)果及分析
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
在學(xué)期間主要科研成果
    一、發(fā)表學(xué)術(shù)論文
    二、其它科研成果



本文編號(hào)：3984555