[发明专利]一种基于表型可视化的罕见病辅助推理的方法及系统

权利要求书

1.一种基于表型可视化的罕见病辅助推理的方法，其特征在于，包括以下步骤：

(1)基于人类表型本体知识库构建表型语义层级网络；

(2)基于罕见病知识库中的疾病表型关系构建罕见病表型特征网络；并在罕见病范围内，计算疾病的表型共现关系和表型特异性；

(3)利用可视化工具将表型语义层级网络、表型共现关系和罕见病表型特征网络可视化为网络图；

(4)根据表型语义层级网络、罕见病的表型共现关系、罕见病表型特征网络，结合基于表型的疾病相似度计算方法，对采集到的患者的表型特征进行相似度计算，得到初步的候选疾病推荐列表；

(5)基于表型语义层级网络、罕见病的表型共现关系和初步的候选疾病推荐列表对于患者的表型信息进行优化，获得优化后的表型集合；

(6)利用可视化的罕见病表型特征网络对比展示候选疾病和优化后的表型集合，辅助医生对罕见病进行鉴别诊断。

2.根据权利要求1所述的基于表型可视化的罕见病辅助推理的方法，其特征在于，所述的表型语义层级网络的构建方法为：利用从人类表型本体知识库中提取的表型之间的“is_a”关系将表型本体组织为网络。

3.根据权利要求1所述的基于表型可视化的罕见病辅助推理的方法，其特征在于，所述的罕见病表型特征网络是利用罕见病知识库中的疾病表型关系注释构建的，用于体现疾病与表型之间的关联、疾病之间的直接表型关联以及疾病之间的潜在的表型关联。

4.根据权利要求1所述的基于表型可视化的罕见病辅助推理的方法，其特征在于，步骤(2)中，利用表型在具体罕见病中出现的频率计算在罕见病范围内的表型共现关系和表型特异性；

表型共现关系的计算公式为：

其中，p_i和p_j代表两种表型；D代表同时包含p_i和p_j两种表型的所有罕见病集合；w(d，p_i)和w(d，p_j)分别代表在疾病d中表型p_i和p_j发生的频率；

表型的特异性的计算公式为：

其中，CooccurenceScore_max代表罕见病范围内最大的表型共现关系分数。

5.根据权利要求1所述的基于表型可视化的罕见病辅助推理的方法，其特征在于，步骤(3)还包括：对罕见病表型特征网络进行多维信息增强；增强方式为：用表型节点的颜色深浅来反映该表型在罕见病中的特异性，颜色越深表示其特异性越高；用表型节点的尺寸大小来反映该表型在某一罕见病中的发生频率，表型节点的尺寸越大表示其在某一罕见病中的发生频率越高；用表型节点内部图形来反映表型所属的主分类。

6.根据权利要求1所述的基于表型可视化的罕见病辅助推理的方法，其特征在于，步骤(4)中，基于表型的疾病相似度计算方法包括：

采用疾病相关的表型集合之间的相似距离来衡量疾病在表型特征上的相似度；

表型集合之间的相似距离是用Kuhn-Munkres算法来计算的表型集合之间的最小加权二分分配，加权边的权重为表型间的相似距离，最终用最小加权边集合的权重均值衡量疾病相似度；

所述的表型间的相似距离为表型在表型语义层级网络上的最近层级距离。

7.根据权利要求1所述的基于表型可视化的罕见病辅助推理的方法，其特征在于，步骤(5)包括：

(a)通过在表型语义层级网络上对采集的患者的表型进行两次广度优先遍历，得到与采集表型的语义相关的表型集A；

(b)将所述的表型集A与候选疾病的表型集合取交集，得到在候选疾病中出现的准确的表型集B；

(c)根据罕见病的表型共现关系获得与所述的表型集A具有共现关系的表型集C；将所述的表型集C与候选疾病的表型集合取交集，获得推荐的表型集D；

(d)合并表型集B和表型集D，删除或替换与其他表型没有共现关系的表型，获得优化后的表型集合。

8.一种基于表型可视化的罕见病辅助推理的系统，其特征在于，包括：

表型语义层级网络模块，包含基于人类表型本体知识库构建表型语义层级网络；

罕见病表型特征网络模块，包含基于罕见病知识库中的疾病表型关系构建罕见病表型特征网络；

表型共现关系计算模块，在罕见病范围内计算疾病的表型共现关系和表型特异性；

可视化模块，将表型语义层级网络、表型共现关系和罕见病表型特征网络可视化为网络图；

数据处理模块，所述的数据处理模块的数据处理步骤包括：

根据表型语义层级网络、罕见病的表型共现关系、罕见病表型特征网络，结合基于表型的疾病相似度计算方法，对采集到的患者的表型特征进行相似度计算，得到初步的候选疾病推荐列表；

基于表型语义层级网络、罕见病的表型共现关系和初步的候选疾病推荐列表对于患者的表型信息进行优化，获得优化后的表型集合；

利用可视化的罕见病表型特征网络对比展示候选疾病和优化后的表型集合，辅助医生对罕见病进行鉴别诊断。