(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210024887.2 (22)申请日 2022.01.11 (71)申请人 江苏曼荼罗软件股份有限公司 地址 214135 江苏省无锡市无锡新区菱湖 大道200号创新园F区5号楼 (72)发明人 樊海东　高勤　章丹　陆凯　丁川　 叶凯　鲁冰青　 (74)专利代理 机构 北京力量专利代理事务所 (特殊普通 合伙) 11504 代理人 毛雨田 (51)Int.Cl. G06F 16/36(2019.01) G06F 40/295(2020.01) G06N 5/04(2006.01) G16H 50/70(2018.01) (54)发明名称 一种基于知识图谱的预导诊及分诊技术方 法 (57)摘要 本发明涉及信息处理技术领域， 具体涉及一 种基于知识图谱的预导诊及分诊技术方法， 包括 以下步骤： 预先将分诊前的主诉、 现病史文本输 入系统中， 并以长文本为主， 可自行选择主诉或 症状的关键词获取结构化， 通过结构化模型API 输入数据， 并对其进行结构化处理， 随后提取响 应实体、 关系和属性， 完成机构化的数据， 使数据 形成的实体、 关系和属性在知识图谱内进行对应 检索和查询； 本发明中使用基于概率的Xgboost 方法构建室实体与症状、 主诉、 疾病之间的关系 模式， 以提高医疗相关数据的关联， 且基于知识 节点的路径搜索结合多种推理机模式形成更为 精准的判定， 可进行复杂情况下的导诊与分诊， 以此提高导诊与分诊的速率。 权利要求书2页 说明书6页 附图2页 CN 114372154 A 2022.04.19 CN 114372154 A 1.一种基于知识图谱的预导诊及分诊技 术方法， 其特 征在于， 包括以下步骤： S1： 预先将分诊前的主诉、 现病史文本输入系 统中， 并以长文本为主， 可自行选择主诉 或症状的关键词获取 结构化； S2： 通过结构化模型API输入数据， 并对其进行结构化处理， 随后提取响应实体、 关系和 属性； S3： 完成机构化的数据， 使数据形成的实体、 关系和属性在知识图谱内进行对应检索和 查询； S4： 基于知识图谱内的实体、 关系和属性节点或边， 调用规则推理器及知识规则， 且由 规则推理器使用If/Then模式对输入的结构化语料做逻辑判定， 输出 具体科室信息； S5： 同时基于S4中知识图谱内的实体、 关系和属性节点或边， 调用机器学习模型推理 器， 并对输入的结构化语料做推理计算， 输出 具体科室信息 。 2.根据权利要求1所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所 述分诊与导诊由模型端、 服务接口及系统端所组成， 所述模型端中的医疗相关知识开发平 台经网络将 医疗相关数据分别传输至病例结构化开发、 知识图谱开发及其他相关知识中， 所述系统端由检索系统、 智能导诊分诊、 CD SS及内涵质控组成； 所述病例结构化开发用于将数据进行标注、 效果测试、 管理语料及模型训练以形成结 构化模型， 且结构化模型及系统端中的检索系统与服务接口中的病例结构化API接口相连 接， 以通过 所述检索系统获取 结构化模型中的病例数据； 所述知识图谱开发用于将医疗相关基本知识、 疾病诊疗指南、 医疗文献及质控相关知 识集成并存 储至知识图谱库中； 所述其他相关知识包括知识辞典文献、 病症统计模型及药物知识， 且将三者归纳储存 至规则、 统计模型中； 所述智能导诊分诊、 CDSS与内涵质控均通过CDSS推理API接口获取知识图谱库及规则、 统计模型中的数据。 3.根据权利要求1所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所 述结构化数据所形成的实体、 关系和属 性在所述知识图谱内进行对应检索和 查询时， 若有 相应的科室， 则输出 科室结论， 若无相应的科室， 基于知识图谱的应用形成图谱内归一 化。 4.根据权利要求1所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所 述规则推理器通过规则引擎整合传 入系统中的Fact 集合和规则集合， 进而触发一个或多个 业务操作， 且通常以声明 式的方式在业 务代码中实现。 5.根据权利要求4所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所 述规则引擎 通常以正向链接与反向链接的执 行方式声明； 所述正向链接基于 “数据驱动 ”的形式插入Fact对象和Fact对象的更新， 且基于规则引 擎利用可用的Fact推理规则来提取出更多的Fact对象， 直到计算出最终目标， 以获取一个 或多个规则被匹配并计划执 行； 所述反向链接基于 “目标驱动 ”或推理形式， 且通过所述规则引擎假设的结论开始， 若 不能直接满足假设， 则搜索可满足假设的子目标； 其中， 所述规则引擎会循环执行这一过 程， 直到证明结论或没有更多可证明的子目标为止 。 6.根据权利要求1所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所权　利　要　求　书 1/2 页 2 CN 114372154 A 2述知识图谱中的知识推理用于在已有的事实基础上， 推理出新的知识或者识别出知识图谱 上已有知识的错 误。 7.根据权利要求1所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所 述知识规则用于在已有知识的基础之上， 推 断出未知的知识， 且通过已知的知识出发获取 到所蕴含的新的事实， 或已有的知识中进行归纳， 并将个 体知识推广到一般性知识。 8.根据权利要求1所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所 述机器学习模型推理器用于对确定的主诉、 现病史输入并进行模型推理以形成特定的结 论； 其中， 需预 先对输入的数据进行 结构化处 理、 映射和归一 化处理。 9.根据权利要求1所述的一种基于知识图谱的预导诊及 分诊技术方法， 其特征在于， 所 述知识图库由结构化数据、 半结构化数据、 非结构化数据、 知识抽取、 知识融合及知识检索 组成； 所述知识抽取用于公开的半结构化数据、 非结构化数据， 并提取出实体、 关系、 属性知 识要素； 所述知识融合用于消除实体、 关系、 属性等指称项与事实对象之间的歧义以形成知识 库， 所述知识融合中的知识推理用于在已有的知识库基础上进一 步挖掘隐含知识； 所述知识图谱查询用于针对RDF模式表示的图谱查询语言， 且通过使用SPARQL协议来 发送SPARQL查询去查询， 所述SPARQL用于通过选择、 抽取的方式从被表 示为RDF的知识中获 取特定的部分。 10.根据权利要求9所述的一种基于知识图谱的预导诊及分诊技术方法， 其特征在于， 所述知识抽取包括实体抽取、 关系抽取及属 性抽取， 且通过自动化的技术抽取出可用的知 识单元； 其中， 知识单 元主要包括实体、 关系以及属性知识要素； 所述实体抽取用于从原 始语料中自动识别出命名实体； 所述关系抽取用于解决实体间语义链接中的问题； 所述属性抽取用于针对实体且通过属性形成对实体的完整勾画； 其中， 所述属性抽取 可将实体属性的抽取问题转换为关系抽取问题。权　利　要　求　书 2/2 页 3 CN 114372154 A 3