medical_knowledge_graph_app master

medical_knowledge_graph_app master

Autre code source

1.0.0

Télécharger

Medical_Knowledge_Graph_App

Description du projet

1. Construisez un graphique de connaissances médicales
2. Construisez un backend automatique de questions-réponses
3. Augmenter l'interaction frontale

Lors de la création d'un graphique de connaissances médicales et d'une question et d'une réponse automatique, reportez-vous à l'article ¹ . Les optimisations suivantes ont été faites dans la création d'un graphique de connaissances médicales et d'un système de questions et réponses:

Le projet d'origine a le problème de ne pas pouvoir répondre aux symptômes et aux maladies. Par conséquent, le Crawler a directement rampé les symptômes de chaque maladie et décrit le texte. Dans le même temps, tous les symptômes de la base de données des symptômes du site Web d'origine sont rampants au dictionnaire de noms de symptômes.
L'algorithme AC a été utilisé pour récupérer les 4377 symptômes (symptôme.txt) dans le texte de description des symptômes qui ont été alignés sur le nom de la bibliothèque des symptômes. Reconstruit le nom de la maladie-Symptom-Symptom Nom Triplés 99 492.
En ce qui concerne la question de la maladie du raisonnement syntomique, le résultat de la synthèse d'origine a été modifié par la recherche de chaque symptôme seul, puis la fusionnant en une intersection de la maladie qui soutient plusieurs symptômes.
Lorsque les symptômes décrits sont familiers et ne peuvent pas correspondre avec précision le nom de la bibliothèque de symptômes, utilisez d'abord Bert + CRF modèle ² pour la reconnaissance des entités de dénomination. La méthode d'annotation utilise Bio + C (C représente le type d'entité, le médicament / symptôme / maladie, etc.). L'ensemble de données est construit sur la base du modèle de problème pour extraire au hasard les emplacements de mots mentionnés dans la question de remplacement des mots de domaine du dictionnaire de domaine, et chaque mot n'apparaît qu'une seule fois. Les paramètres du modèle de formation Téléchargez l'adresse (lien: https://pan.baidu.com/s/1zgczyis-vo1bsl40xrptfw mot de passe: 96ln), décompressez et placez-le dans le répertoire med_kg / ner_model / sorties.
Utilisez le modèle SBERT ³ pour calculer la similitude des mots de mention identifiés et du dictionnaire correspondant (intégration enregistrée) et obtenez le top 20, et combinez la longueur des mots qui se chevauchent pour utiliser les mots les plus longs qui se chevauchent à la suite du lien d'entité.
L'identification de l'intention de ce projet est toujours mise en œuvre à l'aide de la question de question basée sur les règles du projet d'origine + Mention de la méthode du modèle de type de mot.
TODO: reconstruire l'attribut de prévalence de la maladie, mais il n'est pas actuellement construit. Ensuite, lorsque plusieurs maladies des candidats sont obtenues en décrivant les symptômes, la probabilité de maladie est démontrée de haute à faible.
TODO: Il n'y a actuellement pas de modèle de reconnaissance d'intention d'apprentissage en profondeur. Il est construit en construisant un ensemble de mots et des règles de question pour correspondre à l'intention de question. Vous pouvez envisager d'utiliser certains ensembles de données de similitude racontant la similitude des problèmes dans le domaine médical pour réaliser un module de reconnaissance d'intention avec une forte capacité de généralisation.

Après avoir construit le graphique de connaissances et le système de questions-réponses, l'interaction frontale et l'affichage de KG sont ajoutés, en utilisant la carte guidée par la force d'Echarts. Projet de référence de mise en œuvre ⁴ .

Démarrer le projet

Démarrer la base de données NEO4J

 neo4j-community-4.1.4 % bin/neo4j start

Exécuter le programme principal

 medical_knowledge_graph_app-master % python med_kg/manage.py runserver

Catalogue de projets

Diagramme d'interface de la fonction IMG
Fichier KG / Prepare_Data
kg / data / medical_rebuild.json les données traitées finales
kg / build_medicalgraph.py crée une base de données de graphiques NEO4J
Modèle de liaison d'entité MED_KG / EL_MODEL
- MED_KG / EL_MODEL / Mot d'intégration de la représentation de la maladie / médicament / des symptômes dictionnaire
- med_kg / el_model / entity_linking.py script de liaison entité
MED_KG / MED_KG Django Framework Views et Fichiers de configuration
Modènes MED_KG / Templates de Django Framework
MED_KG / Fichier d'amorçage frontal statique
MED_KG / NER_MODEL Modèle de reconnaissance d'entité nommée
- MED_KG / NER_MODEL / MODÈLES NAPPOSÉ CODE DE MODÈLE DE COMMANDE ENTITÉE
- MED_KG / NER_MODEL / DATA DATA pour le modèle de formation
- Med_Kg / Ner_Model / Pertes Fonction de perte pour le modèle de formation
- MED_KG / NER_MODEL / OUTPUS / 1101 Modèle de Finetune-Finetune finement réglé (formé)
- MED_KG / NER_MODEL / PREV_TRAINE_MODEL Modèle prétrainé pour Pytorch
MED_KG / UTIL TOLL, Cold Start
script med_kg / modèle pour interagir avec la base de données de graphiques NEO4J
MED_KG / MEDMODEL Question et réponse automatique
- med_kg / medmodel / question_classifier.py script de reconnaissance de l'intention
- Med_kg / MedModel / Quester_parser.py Script qui convertit les mots de mention identifiés et les intentions en instructions de requête
- med_kg / medmodel / réponse_search.py Base de données de graphiques de requête à retourner Réponse
- MED_KG / MEDMODEL / DICT Domain Dictionary

1. Construction des connaissances et des médicaments Carte

1. Type d'entité de graphique de connaissances

Le numéro '*' indique l'élément qui change en fonction du projet d'origine

Type d'entité	Signification chinoise	Nombre d'entités	Donner un exemple
Vérifier	Éléments d'examen diagnostique	3 353	Bronchographie; arthroscopie
Département	Sujets médicaux	54	Département de chirurgie plastique; Département des brûlures
Maladie	maladie	8 807	Vascularite thromboocytaire; anévrisme aortique descendant de la poitrine
Médicament	médicament	3 828	Crème hémorroïde de Jingwanhong; Gouttes des yeux brintzoamine
Nourriture	nourriture	4 870	Tomate et légumes Soup à boulets de boeuf; Bamboo tire avec de l'agneau
Producteur	Catégories majeures de médicaments	17.201	Tongyao Pharmaceutical Penicillin V comprimés de potassium; Comprimés de qingyang dexaméthasone acétate
Symptôme*	Symptômes de la maladie	4 377	Hypertrophie des tissus mammaires; Saignement profond dans le parenchyme du cerveau
Total	total	44,111	Environ 44 000 entités

2. Type de relation d'entité graphique de connaissances

Le numéro '*' indique l'élément qui change en fonction du projet d'origine

Type de relation d'entité	Signification chinoise	Nombre de relations	Donner un exemple
appartient_to	appartenir	8 844	<Gynécologie, appartenant à, obstétrique et gynécologie>
Common_drug	Médicaments communs pour les maladies	14 649	<Yangqiang, couramment utilisé, comprimés dispersés de méthanesulfonate de la pHentolamine>>
do_eat	Mangez de la nourriture quand vous êtes malade	22 238	<Fracture de souplesse, adaptée à la consommation, poisson noir>
drogues_of	Médicaments en vente	17,315	<Pénicilline V Comprimés de potassium, en vente, Tongyao Pharmaceutical Penicillin V Potassium comprimés>
a besoin_check	Tests de maladie	39 422	<emphysème unilatéral, examen requis, bronchographie>
no_eat	Évitez de manger des aliments dans les maladies	22 247	<Maladie des lèvres, éviter de manger, amandes>
recommandé_drug	Médicaments recommandés pour les maladies	59 467	<Hémorroïdes mélangées, médicaments recommandés, crème hémorroïde de Jingwanhong>
recommandé_eat	Recettes recommandées pour les maladies	40 221	<Haloute, recette recommandée, soupe à la balle de tomate et de bœuf>
Has_symptom *	Symptômes de la maladie	99 492	<Cancer du sein précoce, symptômes de la maladie, hypertrophie des tissus mammaires>
acompany_with	Maladies et maladies	12 029	<Insuffisance de la fermeture de la valve des membres inférieurs de la veine de la circulation, complications des maladies, vascularite thromboocytaire>
Total	total	294 149	Environ 300 000 relations avec les relations

3. Types d'attribut de graphiques de connaissances

Type d'attribut	Signification chinoise	Donner un exemple
nom	Nom de la maladie	Bronchite sifflante
dessiner	Introduction de la maladie	Également connu sous le nom de bronchite d'asthme ...
Cause	Causes de la maladie	Les virus syncytiaux communs incluent les virus syncytiaux ...
prévenir	Mesures préventives	Faites attention à l'histoire des allergies de la famille et des enfants ...
cure_lasttime	Cycle de traitement	6-12 mois
cure_way	Méthode de traitement	"Traitement de médecine", "traitement de soutien"
gured_prob	Probabilité de remède	95%
Easy_get	Les personnes ayant une sensibilité aux maladies	Pas de foule spécifique

2. Construisez un système automatique de questions et réponses

1. Soutenir les types de questions-réponses

Type de question	Signification chinoise	Demander un exemple	illustrer
maladie_symptom	Symptômes de la maladie	Quels sont les symptômes du cancer du sein?	Relations entre différentes entités
symptôme	Trouver des maladies possibles avec des symptômes connus	Quel est le problème d'avoir un nez qui coule?	Relations entre différentes entités
maladie_caute	Causes de la maladie	Pourquoi certaines personnes souffrent-elles d'insomnie?	Propriétés de l'entité
maladie_acompany	Complications de la maladie	Quelles sont les complications de l'insomnie?	Relations entre entités similaires
maladie_not_food	Les aliments qui ont besoin de nourriture pour éviter les aliments	Que ne devraient pas manger les personnes souffrant d'insomnie?	Relations entre différentes entités
maladie_do_food	Quels aliments sont recommandés pour la maladie	Que dois-je manger si j'ai des acouphènes?	Relations entre différentes entités
food_not_disease	Quelle maladie est la meilleure pour ne pas manger quelque chose	Quelle est la meilleure personne à manger du miel?	Relations entre différentes entités
food_do_didease	Quelle maladie est bonne pour la nourriture	Quels sont les avantages de la viande d'oie?	Relations entre différentes entités
maladie_drug	Quel médicament dois-je prendre pour toute maladie	Quel médicament dois-je prendre pour les maladies du foie?	Relations entre différentes entités
Drug_Disease	Quelles maladies peuvent guérir les médicaments	Quelles maladies les granules de racine Isatis peuvent-ils guérir?	Relations entre différentes entités
malaxe_check	Quels tests sont nécessaires pour la maladie	Comment détecter la méningite?	Relations entre différentes entités
Check_Disease	Quelle maladie peut être détectée lors de l'examen	Que peut-il être détecté par un nombre complet de cellules sanguines?	Relations entre différentes entités
maladie_prevent	Mesures préventives	Comment prévenir une carence en rein?	Propriétés de l'entité
maladie_lasttime	Cycle de traitement	Combien de temps faut-il pour avoir un rhume?	Propriétés de l'entité
Disease_cureway	Méthode de traitement	Comment traiter l'hypertension?	Propriétés de l'entité
maladie_cureprob	Probabilité de remède	La leucémie peut-elle être guéri?	Propriétés de l'entité
maladie_easyget	Les personnes ayant une sensibilité aux maladies	Qui est sujet à l'hypertension?	Propriétés de l'entité
Disease_Desc	Description de la maladie	Qu'est-ce que le diabète?	Propriétés de l'entité
Disease_getprob (TODO)	Probabilité de maladie	Quelle est la hauteur de la prévalence du diabète?	Propriétés de l'entité

2.KBQA de pipeline

(1) Reconnaissance des références: Matching basé sur le dictionnaire + NER basé sur Bert_CRF, prenez plus les deux comme les mots de mention.

(2) Lien d'entité: Sur la base de la correspondance sémantique de SBERT, l'intégration du dictionnaire est stockée, la correspondance du dictionnaire entre les mots de mention et le dictionnaire de domaine. L'entité candidate avec la similitude Top20 combine des mots qui se chevauchent, et l'entité candidate avec la similitude TOP20 et les mots qui se chevauchent avec les temps de mention sont supérieurs ou égaux à la moitié de la durée du mot de mention, qui est considéré comme l'entité cible.

EG1: Mentionnez le mot "éternuement", l'entité cible "éternuement", les mots qui se chevauchent: 2> = la moitié de la longueur du mot: 1
EG2: mentionnez le mot "Dry Eyes", l'entité cible "Dry Eyes", Mots qui se chevauchent: 2> = la moitié de la longueur du mot: 2

(3) Reconnaissance de l'intention: Basé sur les mots de question + dictionnaire de domaine. Par exemple, dans la question «Qu'est-ce que les yeux secs?», Le mot de mention «symptôme: les yeux secs» et la question de la maladie «maladie». On pense que l'intention de poser la question est le symptôme_Disease: trouver des maladies possibles avec des symptômes connus.

3. Interface frontale

1.KG

mention de détection

1. Mentionner l'identification

La combinaison des méthodes de correspondance de Bert et du dictionnaire de domaine pour obtenir les symptômes de la requête mentionne le "gonflement des muqueuses du nez".

mention de détection

2. Lien d'entité

L'appariement de l'entité cible "gonflement de la muqueuse du nez" avec la phrase SBERT est utilisé pour correspondre à l'entité cible "Bounage de muqueuse du nez".

délocalisation des entités

3. Interrogez le nœud d'entité

Search_ner

4. interroger la relation entre les entités

Search_Relation

Search_Relation_2

5. Q&R (prend en charge les questions et réponses qui reconnaissent plusieurs entités et liens d'entités)

Identifiez un ou plusieurs mots de référence dans la question, lien vers les entités correspondantes ou plusieurs kg et renvoyez la réponse de la requête en combinaison avec les résultats de la reconnaissance de l'intention.

4. Autres

Ce bug se produit:

 RuntimeError: Attempting to deserialize object on a CUDA device but torch.cuda.is_available() is False. If you are running on a CPU-only machine, please use torch.load with map_location=torch.device('cpu') to map your storages to the CPU.

Reportez-vous à ⁵ , utilisez la fonction de charge Def de ./site-package/torch/serialization.py pour utiliser def load(f, map_location='cpu', pickle_module=pickle, **pickle_load_args): au lieu de def load(f, map_location=None, pickle_module=pickle, **pickle_load_args):

https://github.com/liuhuanyong/qasystemonmedicalkg ↩
https://github.com/lonepatient/bert-ner-pytorch ↩
https://github.com/ukplab/sence-transformateurs ↩
https://github.com/jiangnanboy/movie_knowledge_graph_app ↩
https://stackoverflow.com/questions/56369030/runtimeerror-attemipt-to-deerialize-object-on-a-cuda-device ↩

Développer

Informations supplémentaires