[发明专利]医学超声诊查过程的动态可解释推理辅助诊断方法

权利要求书

1.一种医学超声诊查过程的动态可解释推理辅助诊断方法，其特征在于步骤如下：

步骤1：利用超声探头实时采集获得诊查过程的超声图像，并根据已有医学超声知识图谱的实体，对超声图像中所含的实体进行标注，作为训练超声图像牵涉实体预测模型的金标准；以超声图像作为输入数据，以标注的金标准作为输出标签，训练卷积神经网络，得到用于预测超声图像牵涉实体的网络模型；通过所训练的网络模型，在超声诊查过程中，对超声图像牵涉实体进行同步识别，将每个诊查步骤的识别结果作为当前的超声图像牵涉实体；

通过领夹式麦克风实时记录医生在诊查过程中的评语语音信号，并利用语音输入法将评语语音信号转换为文字，再通过与已有医学超声知识图谱中的实体关键词进行匹配，得到每个诊查步骤的医生评语所涉及实体，作为当前的医生评语牵涉实体；

上述的超声图像牵涉实体和医生评语牵涉实体共同构成诊查过程当前步骤的牵涉实体；

步骤2：采用TransD算法对已有医学超声知识图谱进行嵌入，其中，实体嵌入向量的维度和关系嵌入向量的维度均设置为d，10≤d≤10000，得到已有医学超声知识图谱中的所有实体和关系的d维嵌入向量；

步骤3：在医学超声知识图谱中，将当前诊查过程中的牵涉实体设置为可游走节点，将与当前诊查过程中的牵涉实体互斥的实体设置为无法游走节点，对于每一个可游走节点，根据知识图谱的有向图结构，对其邻边箭头指向的可游走邻居节点进行等概率选择，随机游走至一个邻居节点，完成一步游走，如此游走K步，游走过程中所途经的邻边与节点构成该可游走节点的一条游走路径；将上述游走过程重复N_rep次，每一个可游走节点得到N_rep条游走路径；

所有可游走节点的所有游走路径共同构成可游走初步路径集合；

对可游走初步路径集合，对其中的重复路径进行剔除，并将其中未能涵盖所有当前诊查过程的牵涉实体的游走路径进行剔除，将剩余的路径构成候选推理路径集合；

所述的步长K的取值范围为3-10，重复游走次数N_rep的取值范围为1000-10000；

步骤4：对患者和健康志愿者分别按照步骤1进行处理，得到其诊查过程中的牵涉实体，并记录每个牵涉实体在诊查过程中被识别的先后顺序，得到患者和健康志愿者的诊查记录；

对每个患者或健康志愿者，以他们的最终诊断结果所对应的实体，标注为其推理路径的终点；

所有患者的诊查记录和其推理路径终点构成病患样例，所有健康志愿者的诊查记录和其推理路径终点构成健康样例；

步骤5：进行样例的有效路径标注，具体为：

步骤5.1：对所有病患样例和健康样例的牵涉实体分别按照步骤3进行处理，得到其候选推理路径集合；

步骤5.2：对病患样例和健康样例，将其候选推理路径集合中路径终点吻合标注终点，且符合医生诊断过程的长为K的路径标记为倒数第一步的有效推理路径；

步骤5.3：对于病患样例和健康样例推理终点的前一步诊查，以其倒数第一步的有效推理路径的倒数第二个节点作为新终点，按照步骤5.2的方法，从含有新终点的候选推理路径中标注其中的符合医生诊断过程的路径，得到病患样例和健康样例的倒数第二步的长为K的有效推理路径；重复此过程，直至第一步诊查，得到病患样例和健康样例的第一步的长为K的有效推理路径；

步骤5.4：对病患样例和健康样例分别按上述过程标记得到所有的有效推理路径，共同构成其有效推理路径集合；其中，记病患样例的有效推理路径个数为N_dis，记健康样例的有效推理路径个数为N_health；

步骤6：训练得到路径排名网络模型：

步骤6.1：对病患样例和健康样例的每一个候选推理路径，首先，按照实体和关系在路径中出现的顺序，将其按照步骤2计算得到对应的实体嵌入向量和关系嵌入向量进行拼接，得到向量序列E_path＝[e₁,r₁,e₂,r₂,...,e_K-1,r_K-1,e_K]，其中，e_i为路径中第i个实体的嵌入向量，i＝1,2,…,K，K为路径包含的实体个数，r_j为路径中的第j个关系的嵌入向量，j＝1,2,…,K-1；然后，将向量序列中的第k和k+1个实体及两者间第k个关系的嵌入向量拼接为第2k-1个合并向量将向量序列中的第k和k+1个关系及两者间第k+1个实体的嵌入向量拼接为第2k个合并向量k＝1,2,…,K，符号表示向量拼接操作；将所有的合并向量x_i按顺序排列得到矩阵X＝[x₁,x₂,x₃,...,x_2K-2,x_2K-1]，记为该候选推理路径的嵌入矩阵，i＝1,2,…,2K-1；

步骤6.2：设置病患/健康样例所有的有效推理路径的优先级均优高于候选推理路径集合中其余的路径；对于所有病患/健康样例，将其相应的有效推理路径和其余路径的优先级进行两两对比，比对结果构成路径优先级二元组集合S_pair＝{(i,j)|路径i的优先级高于路径j，且1≤i≤N_dis,1≤j≤N_health}；

步骤6.3：构建由LSTM网络、全连接层和线性投影层串联而成的路径排名网络模型；在模型训练时，模型输入为路径优先级二元组集合S_pair中每一对路径(i,j)分别对应的嵌入矩阵，1≤i≤N_dis，1≤j≤N_health，输出为此对路径(i,j)的优先级得分的差值；

其中，LSTM网络按照以下过程进行计算，得到输出向量p_i和p_j：

其中，表示路径i的第t步遗忘门向量，σ(·)表示sigmoid函数，W_f表示遗忘门权重矩阵，表示路径i的第t-1步网络输出向量，表示路径i的嵌入矩阵中的第t步的合并向量，b_f表示遗忘门偏置向量；表示路径i的第t步的输入门向量，W_i表示输入门权重矩阵，b_i表示输入门偏置向量；表示路径i的第t步的记忆向量，tanh(·)表示双曲正切函数，W_u表示状态单元权重矩阵，b_u表示状态单元偏置向量；表示路径i的第t步的输出门向量，W_o表示输入门权重矩阵，b_o表示输入门偏置向量；表示路径i的第t步的记忆向量，表示路径i的第t-1步的记忆向量，⊙为向量点对点乘法，表示向量拼接操作，表示路径i的第t步输出向量；

由t＝1开始，直至t＝2K-1，按上述公式进行循环迭代计算，最终得到的输出向量即为路径i的LSTM网络输出向量p_i，将公式1中的所有上标i替换为j，计算得到路径j的LSTM网络输出向量p_j；

对于此对路径(i,j)，构建路径排名网络模型的损失函数如下：

其中，L_Ranking表示网络总损失，γ为预设参数，取值范围为(0,+∞)；F(p_i；W_score,b_score,v)表示路径i的优先级得分，F(p_j；W_score,b_score,v)表示路径j的优先级得分，分别按下式计算得到：

F(p_i；W_score,b_score,v)＝v^Tσ{W_scorep_i+b_score} (3)

F(p_j；W_score,b_score,v)＝v^Tσ{W_scorep_j+b_score} (4)

其中，v表示线性投影层的参数向量，W_score表示全连接层的变换矩阵，b_score表示全连接层的变换偏置向量；

通过反向传播和随机梯度下降法对L_Ranking进行最小化优化，完成路径排名网络模型训练；

步骤7：对于每一名新来的检查者，首先通过步骤1获得该检查者的诊查过程牵涉实体；利用其诊查过程牵涉实体，通过步骤3获得候选推理路径集合；进而，对于候选推理路径集合，成双地取出集合中的路径，输入至由步骤6所训练好的路径排名网络模型，得到该路径对的两条候选推理路径的优先级得分的差值；根据优先级得分的差值，对所有候选推理路径进行两两对比，得到候选推理路径的优先级排序；选择排名最高的路径，作为当前诊查过程中最符合医生诊断过程的有效推理路径；

对于检查者的每步诊查，分别按照由上述方式处理，得到当前诊查过程的有效推理路径，整个诊查过程各步的有效推理路径顺序拼接，构成本次诊查的辅助诊断推理通路，辅助诊断推理通路的路径终点实体即为检查者的诊断结果。