medical_knowledge_graph_app master

medical_knowledge_graph_app master

Kode sumber lainnya

1.0.0

Unduh

Medical_knowledge_graph_app

Deskripsi proyek

1. Bangun grafik pengetahuan medis
2. Bangun backend Q&A otomatis
3. Tingkatkan interaksi front-end

Saat membangun grafik pengetahuan medis dan pertanyaan dan jawaban otomatis, lihat item ¹ . Optimalisasi berikut telah dibuat dalam membangun grafik pengetahuan medis dan sistem tanya jawab:

Proyek asli memiliki masalah karena tidak dapat menanggapi gejala dan penyakit. Oleh karena itu, crawler secara langsung merangkak gejala masing -masing penyakit dan menggambarkan teks. Pada saat yang sama, semua gejala dalam basis data gejala situs web asli dirangkak ke kamus nama gejala.
Algoritma AC digunakan untuk mengambil semua 4377 gejala (gejala.txt) dalam teks deskripsi gejala yang selaras dengan nama perpustakaan gejala. Rekonstruksi Penyakit Nama-Symptom-Symptom Nama Triplets 99.492.
Mengenai pertanyaan tentang Penyakit Penalaran Gejala, hasil sintesis asli diubah dari menemukan setiap gejala saja dan kemudian menggabungkannya menjadi persimpangan penyakit yang mendukung banyak gejala.
Ketika gejala yang dijelaskan bersifat bahasa sehari -hari dan tidak dapat secara akurat sesuai dengan nama pustaka gejala, pertama -tama gunakan Bert+CRF Model ² untuk pengenalan entitas penamaan. Metode anotasi menggunakan BIO+C (C mewakili jenis entitas, obat/gejala/penyakit, dll.). Dataset dibangun berdasarkan templat masalah untuk mengekstrak secara acak slot kata yang disebutkan dalam pertanyaan penggantian kata domain dari kamus domain, dan setiap kata hanya muncul sekali. Alamat unduhan parameter model pelatihan (tautan: https://pan.baidu.com/s/1zgczyis-vo1bsl40xrptfw Kata sandi: 96ln), mendekompres dan memasukkannya ke dalam direktori med_kg/ner_model/outputs.
Gunakan Model Sbert ³ untuk menghitung kesamaan dari kata -kata penyebutan yang diidentifikasi dan kamus yang sesuai (embedding yang disimpan) dan mendapatkan 20 teratas, dan menggabungkan panjang kata -kata yang tumpang tindih untuk menggunakan kata -kata yang tumpang tindih terpanjang sebagai hasil dari tautan entitas.
Identifikasi niat dari proyek ini masih diimplementasikan menggunakan kata pertanyaan berbasis aturan proyek asli + menyebutkan metode template tipe kata.
TODO: merekonstruksi atribut prevalensi penyakit, tetapi saat ini tidak dibangun. Kemudian, ketika banyak penyakit kandidat diperoleh dengan menggambarkan gejala, probabilitas penyakit ditunjukkan dari tinggi ke rendah.
TODO: Saat ini tidak ada model pengenalan niat pembelajaran yang mendalam. Ini dibangun dengan membangun set kata pertanyaan dan aturan untuk mencocokkan niat pertanyaan. Anda dapat mempertimbangkan untuk menggunakan beberapa set data kesamaan menceritakan kembali kesamaan masalah di bidang medis untuk mewujudkan modul pengakuan niat dengan kemampuan generalisasi yang kuat.

Setelah membangun grafik pengetahuan dan sistem tanya jawab, interaksi front-end dan tampilan KG ditambahkan, menggunakan peta Echart yang dipandu oleh kekuatan. Proyek Referensi Implementasi ⁴ .

Mulai proyek

Mulai database NEO4J

 neo4j-community-4.1.4 % bin/neo4j start

Jalankan program utama

 medical_knowledge_graph_app-master % python med_kg/manage.py runserver

Katalog Proyek

Diagram antarmuka fungsi IMG
KG/Persiapan_Data File Crawler
kg/data/medis_rebuild.json data yang diproses akhir
kg/build_medicalgraph.py membuat database grafik neo4j
model tautan entitas med_kg/el_model
- med_kg/el_model/embedding kata embedding representasi penyakit/obat/gejala kamus
- Med_kg/el_model/entity_linking.py Entity Link Script
Med_kg/Med_Kg Tampilan Kerangka Django dan File Konfigurasi
Med_kg/Templat Templat Templat Django Framework
file bootstrap front-end med_kg/statis
MED_KG/NER_MODEL Model pengenalan entitas entitas
- med_kg/ner_model/model kode model model pengenalan entitas
- MED_KG/NER_MODEL/Data data untuk model pelatihan
- Med_kg/ner_model/kerugian fungsi kerugian untuk model pelatihan
- med_kg/ner_model/outpus/1101medselfner-finetune model disetel halus (dilatih)
- Med_kg/ner_model/prev_trained_model model pretrained untuk pytorch
alat med_kg/util, awal yang dingin
med_kg/skrip model untuk berinteraksi dengan database grafik neo4j
Med_kg/MedModel Pertanyaan dan Jawaban Otomatis
- med_kg/medmodel/question_classifier.py niat skrip pengakuan
- med_kg/medmodel/question_parser.py skrip yang mengubah kata -kata penyebutan yang diidentifikasi dan maksud menjadi pernyataan kueri
- med_kg/medmodel/ansages_search.py query grafik database untuk mengembalikan jawaban
- MED_KG/MEDMODEL/DICTIONARY DOMAIN DICT

1. Konstruksi Peta Pengetahuan dan Kedokteran

1. Jenis entitas grafik pengetahuan

Angka '*' menunjukkan item yang berubah berdasarkan proyek asli

Tipe entitas	Makna Cina	Jumlah entitas	Berikan contoh
Memeriksa	Item pemeriksaan diagnostik	3.353	Bronkografi; Arthroscopy
Departemen	Subjek medis	54	Departemen bedah plastik; Departemen Bakar
Penyakit	penyakit	8.807	Vaskulitis tromboositik; turun aneurisma aorta dada
Obat	obat	3.828	Krim wasir Jingwanhong; Drops mata Brintzoamine
Makanan	makanan	4.870	Tomat dan sayuran Sup Bola Daging Sapi; Tunas bambu direbus dengan domba
Produsen	Kategori utama obat -obatan	17.201	Tongyao Farmasi Penicillin v Tablet Kalium; Tablet qingyang dexamethasone asetat
Gejala*	Gejala penyakit	4.377	Hipertrofi jaringan payudara; pendarahan dalam di parenkim otak
Total	total	44.111	Sekitar 44.000 entitas

2. Jenis Hubungan Entitas Grafik Pengetahuan

Angka '*' menunjukkan item yang berubah berdasarkan proyek asli

Jenis Hubungan Entitas	Makna Cina	Jumlah hubungan	Berikan contoh
milik_to	milik	8.844	<Ginekologi, Milik, Obstetri dan Ginekologi>
common_drug	Obat -obatan umum untuk penyakit	14.649	<Yangqiang, umumnya digunakan, Phentolamine methanesulfonate tersebar tablet>
do_eat	Makan makanan saat Anda sakit	22.238	<Fraktur suplen, cocok untuk makan, ikan hitam>
narkoba_of	Obat -obatan Dijual	17.315	<Penicillin v Tablet Kalium, Dijual, Tongyao Farmasi Penicillin v Tablet Kalium>
Need_check	Tes penyakit	39.422	<Emfisema unilateral, pemeriksaan yang diperlukan, bronkografi>
no_eat	Hindari makan makanan di penyakit	22.247	<Penyakit bibir, hindari makan, almond>
Direkomendasikan_Drug	Obat -obatan yang Disarankan untuk Penyakit	59.467	<Campuran wasir, obat yang disarankan, krim wasir jingwanhong>
Direkomendasikan_Eat	Resep yang disarankan untuk penyakit	40.221	<Halvesting, resep yang disarankan, sup tomat dan bola daging sapi>
has_symptom*	Gejala penyakit	99.492	<Kanker payudara dini, gejala penyakit, hipertrofi jaringan payudara>
Acompany_with	Penyakit dan penyakit	12.029	<Insufisiensi penutupan katup dari tungkai bawah vena lalu lintas, komplikasi penyakit, vaskulitis tromboositik>
Total	total	294.149	Sekitar 300.000 Hubungan Hubungan

3. Jenis atribut grafik pengetahuan

Jenis atribut	Makna Cina	Berikan contoh
nama	Nama Penyakit	Mengi bronkitis
desc	Pendahuluan Penyakit	Juga dikenal sebagai bronkitis asma ...
Menyebabkan	Penyebab penyakit	Yang umum termasuk virus syncytial ...
mencegah	Tindakan pencegahan	Perhatikan sejarah alergi keluarga dan anak -anak ...
Cure_Lasttime	Siklus pengobatan	6-12 bulan
Cure_way	Metode pengobatan	"Pengobatan pengobatan", "pengobatan suportif"
Cured_prob	Probabilitas penyembuhan	95%
Easy_get	Orang dengan kerentanan terhadap penyakit	Tidak ada kerumunan khusus

2. Bangun sistem tanya jawab otomatis

1. Dukungan Jenis Tanya Jawab

Jenis pertanyaan	Makna Cina	Tanyakan contoh	menjelaskan
penyakit_symptom	Gejala penyakit	Apa gejala kanker payudara?	Hubungan antara entitas yang berbeda
gejala_disease	Temukan kemungkinan penyakit dengan gejala yang diketahui	Apa masalah memiliki hidung berair?	Hubungan antara entitas yang berbeda
penyakit_cause	Penyebab penyakit	Mengapa beberapa orang menderita insomnia?	Properti Entitas
penyakit_acompany	Komplikasi penyakit ini	Apa komplikasi insomnia?	Hubungan antara entitas serupa
penyakit_not_food	Makanan yang membutuhkan makanan untuk menghindari makanan	Apa yang seharusnya tidak dimakan oleh orang dengan insomnia?	Hubungan antara entitas yang berbeda
penyakit_do_food	Makanan apa yang direkomendasikan untuk penyakit	Apa yang harus saya makan jika saya menderita tinitus?	Hubungan antara entitas yang berbeda
food_not_disease	Penyakit apa yang terbaik untuk tidak makan sesuatu	Siapa orang terbaik untuk makan madu?	Hubungan antara entitas yang berbeda
food_do_disease	Penyakit apa yang baik untuk makanan	Apa manfaat daging angsa?	Hubungan antara entitas yang berbeda
penyakit_drug	Obat apa yang harus saya minum untuk penyakit apa pun	Obat apa yang harus saya minum untuk penyakit hati?	Hubungan antara entitas yang berbeda
narkoba_disease	Penyakit apa yang bisa disembuhkan oleh obat -obatan	Penyakit apa yang bisa disembuhkan oleh Granules Root Isatis?	Hubungan antara entitas yang berbeda
penyakit_check	Tes apa yang dibutuhkan untuk penyakit	Bagaimana meningitis dapat terdeteksi?	Hubungan antara entitas yang berbeda
check_disease	Penyakit apa yang dapat dideteksi dalam pemeriksaan	Apa yang dapat dideteksi dengan jumlah sel darah lengkap?	Hubungan antara entitas yang berbeda
penyakit_prevent	Tindakan pencegahan	Bagaimana cara mencegah kekurangan ginjal?	Properti Entitas
penyakit_lasttime	Siklus pengobatan	Berapa lama waktu yang dibutuhkan untuk masuk angin?	Properti Entitas
penyakit_cureway	Metode pengobatan	Bagaimana cara mengobati hipertensi?	Properti Entitas
penyakit_cureprob	Probabilitas penyembuhan	Bisakah leukemia disembuhkan?	Properti Entitas
penyakit_easyget	Orang dengan kerentanan terhadap penyakit	Siapa yang rentan terhadap hipertensi?	Properti Entitas
penyakit_desc	Deskripsi penyakit	Apa itu diabetes?	Properti Entitas
penyakit_getprob (todo)	Kemungkinan penyakit	Seberapa tinggi prevalensi diabetes?	Properti Entitas

2.KBQA pipa

(1) Pengakuan Referensi: Pencocokan Berbasis Kamus + NER Berdasarkan BERT_CRF, ambil lebih lama keduanya sebagai kata-kata yang disebutkan.

(2) Tautan Entitas: Berdasarkan pencocokan semantik Sbert, penyematan kamus disimpan, kecocokan kamus antara kata -kata yang disebutkan dan kamus domain. Entitas kandidat dengan kesamaan TOP20 menggabungkan kata -kata yang tumpang tindih, dan entitas kandidat dengan kesamaan TOP20 dan kata -kata yang tumpang tindih dengan waktu yang disebutkan lebih besar dari atau sama dengan setengah dari panjang kata yang disebutkan, yang dianggap sebagai entitas target.

EG1: Sebutkan kata "bersin", entitas target "bersin", kata -kata yang tumpang tindih: 2> = setengah dari panjang kata: 1
EG2: Sebutkan kata "mata kering", entitas target "mata kering", kata -kata yang tumpang tindih: 2> = setengah dari panjang kata: 2

(3) Pengakuan Niat: Berdasarkan kata -kata pertanyaan + kamus domain. Misalnya, dalam pertanyaan "Apa itu mata kering?", Kata yang disebutkan "gejala: mata kering" dan pertanyaan penyakit "penyakit". Dipercayai bahwa niat untuk mengajukan pertanyaan adalah gejala_disease: Temukan kemungkinan penyakit dengan gejala yang diketahui.

3. Antarmuka front-end

1.kg

menyebutkan deteksi

1. Sebutkan identifikasi

Menggabungkan metode pencocokan kamus Bert dan domain untuk mendapatkan gejala dalam permintaan menyebutkan "pembengkakan mukosa hidung".

menyebutkan deteksi

2. Tautan entitas

Pencocokan entitas target "pembengkakan mukosa hidung" dengan kalimat Sbert digunakan untuk mencocokkan entitas target "pembengkakan mukosa hidung".

Entity-linking

3. Permintaan Node Entitas

search_ner

4. Permintaan Hubungan Antara Entitas

search_relation

search_relation_2

5. T&J (Mendukung Tanya Jawab yang Mengenali Banyak Entitas dan Tautan Entitas)

Identifikasi satu atau lebih kata referensi dalam pertanyaan, tautkan ke satu atau lebih entitas kg yang sesuai, dan kembalikan jawaban kueri dalam kombinasi dengan hasil pengakuan niat.

4. Lainnya

Bug ini terjadi:

 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.

Lihat ⁵ , gunakan fungsi beban def ./site-package/torch/serialization.py untuk menggunakan def load(f, map_location='cpu', pickle_module=pickle, **pickle_load_args): bukannya def load(f, map_location=None, pickle_module=pickle, **pickle_load_args):

https://github.com/liuhuanyong/qasystemonmedicalkg ↩
https://github.com/lonepatent/bert-ner-pytorch ↩
https://github.com/ukplab/sentence-transformers ↩
https://github.com/jiangnanboy/movie_knowledge_graph_app ↩
https://stackoverflow.com/questions/56369030/runtieerror-Attempting-to-deserialize-Object-on-a-cuda-device ↩

Memperluas

Informasi Tambahan