[发明专利]一种基于图深度学习的EMR信息关联及演化方法

权利要求书

1.一种基于图深度学习的EMR信息关联及演化方法，其特征在于，包括如下步骤：

EMR数据预处理：获取EMR数据集，对获取的EMR数据进行预处理，得到EMR的实体词典；

EMR图构建：利用word2vec方法将实体词典中的词转换为向量表示，得到对应EMR数据的EMR图的向量矩阵；选取实体词典的实体词作为EMR图的节点，实体词典中实体词的数量为EMR图节点个数最大值V_num，通过计算任意两个图节点的条件概率，获取EMR图的邻接矩阵并进行归一化，得到归一化后的EMR图的邻接矩阵；所述EMR图的向量矩阵和归一化后的EMR图的邻接矩阵构成EMR图；其中，针对EMR图中任意两个节点v_i和v_j,i,j＝1,2,..,V_num,且i≠j，v_j到v_i的边权值为P(v_i|v_j)，即v_i在v_j出现的条件下出现的概率，计算公式为：

EMR图深度学习模型构建：根据得到的EMR数据集对应的所有EMR图，构建出EMR图深度学习模型的输入图数据集T＝{G_i,i＝1,2,…,n},其中G_i＝(Q_i,A_i)为第i份电子病历数据，n为电子病历数据的数量，Q_i＝{q_vecoter_i,i＝1,2,…,V_num}为EMR图G_i的向量矩阵，A_i,i＝1,2,…,n为EMR图G_i的邻接矩阵；利用图神经网络transformer模型进行EMR图深度学习，将邻接矩阵A_i作为图神经网络transformer模型的第一个自注意力模块block₁的初始化矩阵M₁，即A_i＝M₁；采用图数据集T作为图神经网络transformer模型的输入数据，将EMR的初步诊断作为图神经网络transformer模型的输出数据,对transformer模型进行训练，从而获得图深度学习模型F；

EMR信息关联及演化：将任意一条EMR图数据，将其喂入图深度学习模型F，通过模型F的第二个及其以上的自注意力模块block_i,中的注意力矩阵来构建一系列的EMR图G_i的邻接矩阵M₂,…M_m，其中，M₂,…M_m是由基于条件概率的邻接矩阵M₁经过图深度学习得到的邻接矩阵的演化；汇集M₁,M₂,…M_m构建EMR图的演化序列M＝{M_i,i＝1,2,…,m}。

2.根据权利要求1所述的基于图深度学习的EMR信息关联及演化方法，其特征在于，所述获取EMR数据集，EMR数据集包括社会人口学信息、主诉医疗文本、体格检查、实验室检查及其结果和疾病诊断。

3.根据权利要求1所述的基于图深度学习的EMR信息关联及演化方法，其特征在于，所述对获取的EMR数据进行预处理，对获取的EMR数据进行预处理包括分词、实体抽取。