医学诊治过程中知识推理的关键技术研究

Along with the increasing demand of all social circles for the inference techniques based on knowledge graph, the existing knowing inference barrier cannot support the demands of medical field. This study combines the method of convolutional neural networks and Bayesian neural networks..A technical method for realizing uniform sematic representation is designed and deployed to carry out the knowledge representation and completion of multi-source heterogeneous. On this basis, a semantic association enhancement method based on convolutional neural network is proposed to reveal the effective constraint rules and associations among medical entities and relations..To carry out the uncertain inference in the field of medicine, an inference rule concerning medical diagnosis and therapy is deployed and designed for easing computer to grasp the interaction among each section in the clinical process. Moreover, an inference method based on Bayesian neural network is proposed to process the uncertain knowledge. The implicit pathogeny (fact) inferred according to the known symptoms (fact) lays theoretical foundation for learning logical inference among medical propositions (relations)..The research objective of this project is to 1) enhance the precision, efficiency and reliability of medical uncertain inference, and provide medical decision support based on the knowledge automatic processing and logical inference; and 2) lay theoretical and practice foundation for building an accurate, high-coverage and uniform Chinese knowledge graph in the field of medicine.

社会各界对医学知识图谱推理技术的需求日增，但现有知识推理壁垒不足以支撑医学领域的需求。本项目结合卷积神经网络和贝叶斯神经网络，探索医学诊治过程中的知识推理。.在多源异构文本的知识表示方面，本项目设计并部署一种实现统一语义表示的技术方法。并在此基础上，提出一种基于卷积神经网络的语义关联增强方法，揭示医学实体/关系之间的有效约束规则和联系。.在实现医学不确定性推理方面，本项目部署和设计一套便于计算机把握临床过程各部分互动关系的医学诊治推理规则，并提出一种基于贝叶斯神经网络的不确定性知识推理方法。根据已知病症（事实）推理推理出隐含病因（事实），为学习医学命题（关系）间的逻辑推理关系奠定理论基础；.本项目的研究目的在于1）提高医学不确定性问题推理的精度、效率和信度，利用机器对知识的自动处理及逻辑推理，协助医护人员进行病情分析；2）为在医学领域构建准确、高覆盖、一致的中文知识图谱奠定理论和实践基础。

知识图谱在医学领域的开发应用方面存在诸多难点，本项目研究以事件和知识为核心的知识图谱医学推理实现。..在医学领域，无论是理解用户查询意图还是探索新的搜索形式，都需要语义理解和知识推理，这需要大规模、结构化的知识图谱的支持。但现有知识图谱在医学领域推理能力不足。因此，本项目的主要研究内容为：.1.部署一种实现统一语义表示的技术方法，提升统一化数据表达和关联水平；.2.提出一种基于卷积神经网络的语义关联增强方法，发现知识之间的有效约束规则和联系，实现多源异构文本的知识表示和补全；.3.基于医学诊治步骤和逻辑，设计一套便于计算机把握临床过程各部分互动关系的医学诊治推理规则；.4.面向医学诊治逻辑，提出一种基于贝叶斯神经网络的不确定性知识推理方法。..本研究通过部署和实现统一语义表示的技术方法和基于卷积神经网络的语义关联增强方法，突破医学实体构词无规律、缺乏启发信息，医学实体间关系模式特征复杂多样等壁垒，为医学推理提供统一化的实体/关系数据。本研究最终建立一套便于计算机把握临床过程各部分互动关系的医学诊治推理规则，明确与病患最息息相关的三类问题的推理思路和规则，为实现医学命题（关系）间的逻辑推理奠定推理框架。本研究所提出的研究基于贝叶斯神经网络的不确定性知识推理方法，突破医学不确定性问题推理的壁垒，为医学知识推理提供一种可行的推理方案。..本研究共发表高水平学术论文30篇，皆为第一作者或通讯作者。其中SCI JCR一区论文10篇，会议论文20篇（5篇CCF A类人工智能旗舰会议，6篇CCF B类医学信息学或人工智能会议，3篇CCF C类会议）。获得专利授权一项，申请专利6项。培养博士生1人，硕士生6人。以上指标均达到或超过合同指定的验收指标。