1.一种基于语义图网络的医疗预测方法,其特征在于,具体包括如下步骤:S1、对医疗文本数据进行预处理;
S2、将预处理后的医疗文本数据进行特征提取;
S3、将提取的特征进行多粒度特征融合,得到最终的文档特征;
S4、将所述最终的文档特征进行慢性疾病预测。
2.根据权利要求1所述的基于语义图网络的医疗预测方法,其特征在于,所述步骤S1具体为:
S11、根据需要预测的目标类别,将所述医疗文本数据进行人工标注,并载入领域本体;
S12、根据标点符号、数字和空格符,将所述医疗文本数据切分成汉字字符串,并去除停用词。
3.根据权利要求1所述的基于语义图网络的医疗预测方法,其特征在于,所述步骤S2中的特征提取包括:实体特征提取、词特征提取、语义关系特征提取和属性‑值特征提取。
4.根据权利要求3所述的基于语义图网络的医疗预测方法,其特征在于,所述实体特征提取具体为:
首先,将预处理后的医疗文本数据映射到领域本体,并通过最大匹配法将所述医疗文本数据切分成语义集;然后从所述语义集中找到与之相匹配的实体集和与所述实体集相对应的实体类型集,得到实体自身特征和实体类型特征;最后将所述实体自身特征和所述实体类型特征相结合来提取实体特征。
5.根据权利要求3所述的基于语义图网络的医疗预测方法,其特征在于,所述词特征提取和属性‑值特征提取具体为:
采用Bi‑GRU来找出医疗文本数据中的词序列之间的依赖关系,并将词之间的序列信息放入图注意力网络中来识别语义关系,并提取属性‑值特征。
6.根据权利要求3所述的基于语义图网络的医疗预测方法,其特征在于,所述语义关系特征提取具体为:
采用图卷积网络和图注意力网络来构建语义关系图,并定义基于知识的图表示和基于文本的图表示的两种类型子图;所述基于知识的图表示是利用所述领域本体中标记的实体之间的关系,并采用图卷积网络和图注意力网络来提取电子病历文本中实体关系;对于不能从领域本体中找到对应关系的实体或词,所述基于文本的图表示根据Bi‑GRU提取的上下文中词之间的依赖关系,直接采用图卷积网络和图注意力网络提取词或实体之间的关系。
7.根据权利要求1所述的基于语义图网络的医疗预测方法,其特征在于,所述步骤S3具体为:
将提取出来的实体特征、词特征、语义关系特征和属性‑值特征进行特征融合,得到最终的文档特征。
8.根据权利要求1所述的一种基于语义图网络的医疗预测方法,其特征在于,所述步骤S4具体为:
将所述文档特征输入到softmax层进行医疗预测,并基于真实标签和预测标签的交叉熵计算损失函数,得到疾病类型的分类结果和疾病等级的预测结果。
9.一种基于语义图网络的医疗预测系统,其特征在于,包括:数据预处理模块、特征提取模块、多粒度特征融合模块、疾病类型分类器模块;
所述数据预处理模块的输出端与所述特征提取模块的输入端相连;所述特征提取模块的输出端与所述多粒度特征融合模块的输入端相连;所述多粒度特征融合模块的输出端与所述疾病类型分类器模块输入端相连;
所述数据预处理模块用于将医疗文本数据根据要预测的目标类别进行人工标注,并载入领域本体;还用于将医疗文本数据根据标点符号、数字和空格符进行汉字字符串切分,并去除停用词;
所述特征提取模块用于提取医疗文本数据中的实体特征、词特征、语义关系特征和属性‑值特征;
所述多粒度特征融合模块用于将提取出来的实体特征、词特征、语义关系特征和属性‑值特征进行融合作为softmax层的输入来进行疾病预测;
所述疾病类型分类器模块用于产生疾病类型的分类结果。
10.根据权利要求9所述的基于语义图网络的医疗预测系统,其特征在于,所述特征提取模块又包括四个子模块,分别为:实体特征提取模块、词特征提取模块、语义关系特征提取模块和属性‑值特征提取模块;
所述实体特征提取模块与所述词特征提取模块相连,所述词特征提取模块与所述属性‑值特征提取模块相连;所述属性‑值特征提取模块与所述语义关系特征提取模块相连;
所述实体特征提取模块用于将处理后的医疗文本映射到医疗本体中,分别提取概念自身特征和概念类型特征,并将概念自身特征和概念类型特征相结合来提取概念特征;
所述词特征提取模块用于将不能从医疗本体中找到与之相匹配的概念进行上下文中词序列特征的BiGRU学习;
所述语义关系特征提取模块用于在领域本体中找到对应关系类别的实体对和在领域本体不能找到对应关系类别的实体对;
所述属性‑值特征提取模块用于提取疾病‑时间和检测‑检查结果之间的关系。