medical_knowledge_graph_app master Download - medical_knowledge_graph

medical_knowledge_graph_app master

Outro código-fonte

1.0.0

Baixar

Medical_knowledge_graph_app

Descrição do projeto

1. Construa um gráfico de conhecimento médico
2. Construa um back -end automático de perguntas e respostas
3. Aumente a interação front-end

Ao criar um gráfico de conhecimento médico e perguntas e respostas automáticas, consulte o Item ¹ . As seguintes otimizações foram feitas na construção de um gráfico de conhecimento médico e um sistema de perguntas e respostas:

O projeto original tem o problema de não ser capaz de responder a sintomas e doenças. Portanto, o rastreador rastejou diretamente os sintomas de cada doença e descreveu o texto. Ao mesmo tempo, todos os sintomas no banco de dados de sintomas do site original estão rastejados para o dicionário de nome dos sintomas.
O algoritmo CA foi usado para recuperar todos os 4377 sintomas (sintoma.txt) no texto da descrição dos sintomas que estavam alinhados com o nome da biblioteca dos sintomas. Reconstruiu o nome do nome do nome da doença trigêmeos de trigêmeos 99.492.
Em relação à pergunta sobre a doença do raciocínio, o resultado da síntese original foi alterado para encontrar cada sintoma sozinho e, em seguida, mesclá -lo em uma interseção da doença que suporta vários sintomas.
Quando os sintomas descritos são coloquiais e não podem corresponder com precisão ao nome da biblioteca dos sintomas, primeiro use o BERT+CRF Modelo ² para nomear o reconhecimento da entidade. O método de anotação usa Bio+C (C representa o tipo de entidade, medicamento/sintoma/doença, etc.). O conjunto de dados é construído com base no modelo de problema para extrair aleatoriamente os slots de palavras mencionados na pergunta de substituição de palavras do domínio do dicionário de domínio, e cada palavra aparece apenas uma vez. O endereço de download dos parâmetros do modelo de treinamento (link: https://pan.baidu.com/s/1zgczyis-vo1bsl40xrptfw senha: 96LN), descomprimi-lo e coloque-o no diretório Med_KG/NER_Model/Saídas.
Use o Modelo Sbert ³ para calcular a similaridade das palavras de menção identificada e o dicionário correspondente (salva a incorporação) e obter o top 20 e combine o comprimento das palavras sobrepostas para usar as palavras sobrepostas mais longas como resultado do link da entidade.
A identificação de intenção deste projeto ainda é implementada usando o método de modelo de tipo de pergunta de regra baseado em regras do projeto original.
TODO: Reconstrua o atributo de prevalência da doença, mas atualmente não é construído. Então, quando várias doenças candidatas são obtidas descrevendo os sintomas, a probabilidade de doença é demonstrada de alta a baixa.
TODO: Atualmente, não existe um modelo de reconhecimento de intenção de aprendizado profundo. Ele é construído construindo um conjunto de palavras de perguntas e regras para corresponder à intenção da pergunta. Você pode considerar o uso de alguns conjuntos de dados de recontagem de similaridade a semelhança de problemas no campo médico para realizar um módulo de reconhecimento de intenção com forte capacidade de generalização.

Depois de construir o gráfico do conhecimento e o sistema de perguntas e respostas, a interação front-end e a tela KG são adicionados, usando o mapa guiado por força dos ECHARTS. Projeto de referência de implementação ⁴ .

Inicie o projeto

Inicie o banco de dados NEO4J

 neo4j-community-4.1.4 % bin/neo4j start

Executar o programa principal

 medical_knowledge_graph_app-master % python med_kg/manage.py runserver

Catálogo de projetos

Diagrama de interface da função IMG
KG/prepare_data Arquivo Crawler
kg/data/médico_rebuild.json Os dados finais processados
kg/build_medicalgraph.py cria um banco de dados de gráficos neo4j
Modelo de link da entidade Med_kg/el_model
- Med_kg/el_model/incorporação de palavras que incorporam a representação de doenças de doença/droga/sintoma
- med_kg/el_model/entity_linking.py entidade script
Med_KG/Med_KG Django Framework Visualizações e arquivos de configuração
MED_KG/MODELOS MODELOS DE DJANGO Framework
Med_kg/arquivo estático de bootstrap
MED_KG/NER_MODEL Modelo de reconhecimento de entidade nomeado
- Med_KG/NER_MODEL/MODELOS CAMPO DE MODELO DE MODELO DE RECONHECIMENTO DE ENTIDADE
- Med_KG/NER_MODEL/DATA DADA PARA MODELO DE TREINAMENTO
- Med_kg/ner_model/Perdas Função para Modelo de Treinamento
- Med_KG/NER_MODEL/outpus/1101MedSelfner-FineTune Model Finemente Tuned (treinado)
- med_kg/ner_model/prev_trared_model modelo pré -terenciado para pytorch
Ferramenta Med_kg/Util, Start Cold
Script Med_kg/Modelo para interagir com o banco de dados de gráficos NEO4J
Med_KG/Medmodel Pergunta e resposta automáticas
- med_kg/medmodel/question_classifier.py script de reconhecimento de intenção
- Med_kg/medmodel/question_parser.py script que converte as palavras e intenções de mencionação identificadas em declarações de consulta
- Med_KG/MedModel/Answer_Search.py Query Batch Database para retornar a resposta
- Med_KG/Medmodel/Dict Domin Dictionary

1. Construção do Mapa de Conhecimento e Medicina

1. Tipo de entidade gráfico de conhecimento

O número '*' indica o item que muda com base no projeto original

Tipo de entidade	Significado chinês	Número de entidades	Dê um exemplo
Verificar	Itens de exame de diagnóstico	3.353	Broncografia; Artroscopia
Departamento	Assuntos médicos	54	Departamento de Cirurgia Plástica; Departamento de queima
Doença	doença	8.807	Vasculite tromboocítica; Aneurisma aórtico descendente do peito
Medicamento	medicamento	3.828	Creme de hemorróidas de Jingwanhong; Elass de Brintzoamine
Comida	comida	4.870	Sopa de bola de carne de tomate e vegetais; brotos de bambu cozidos com cordeiro
Produtor	Principais categorias de medicamentos	17.201	Penicilina farmacêutica de Tongyao comprimidos de potássio; Comprimidos de acetato de dexametasona qingyang
Sintoma*	Sintomas da doença	4.377	Hipertrofia do tecido mamário; Sangramento profundo no parênquima cerebral
Total	total	44.111	Cerca de 44.000 entidades

2. Tipo de relacionamento com entidade gráfica do conhecimento

O número '*' indica o item que muda com base no projeto original

Tipo de relacionamento de entidade	Significado chinês	Número de relacionamentos	Dê um exemplo
pertence_to	pertencer	8.844	<Ginecologia, pertencente a, obstetrícia e ginecologia>
Common_drug	Medicamentos comuns para doenças	14.649	<Yangqiang, comumente usado, comprimidos dispersos de metanossulfonato de fentolamina>>
do_eat	Coma comida quando estiver doente	22.238	<Fratura da flexibilidade, adequada para comer, peixe preto>
drogas_of	Drogas à venda	17.315	<Penicilina V comprimidos de potássio, à venda, Tongyao Pharmaceutical Penicilina V comprimidos de potássio>
Need_check	Testes de doença	39.422	<enfisema unilateral, exame necessário, bronchografia>
não_eat	Evite comer alimentos em doenças	22.247	<Doença dos lábios, evite comer, amêndoas>
Recomendado_drug	Medicamentos recomendados para doenças	59.467	<Hemorróidas mistas, medicamentos recomendados, Jingwanhong Hemorrhoid Cream>
recomendado_eat	Receitas recomendadas para doenças	40.221	<Halvesting, receita recomendada, sopa de tomate e bola de carne>
Has_symptom*	Sintomas da doença	99.492	<Câncer de mama precoce, sintomas da doença, hipertrofia do tecido mamário>>
acompany_with	Doenças e doenças	12.029	<Insuficiência do fechamento da válvula dos membros inferiores da veia do tráfego, complicações de doenças, vasculite tromboocítica>>
Total	total	294.149	Cerca de 300.000 magnitude de relacionamento

3. Tipos de atributos do gráfico de conhecimento

Tipo de atributo	Significado chinês	Dê um exemplo
nome	Nome da doença	Bronquite chiando
Desc	Introdução à doença	Também conhecido como bronquite de asma ...
Causa	Causas da doença	Os comuns incluem vírus sinciciais ...
evitar	Medidas preventivas	Preste atenção à história da família e das alergias infantis ...
cure_lastTime	Ciclo de tratamento	6 a 12 meses
cure_way	Método de tratamento	"Tratamento da medicina", "tratamento de apoio"
CURED_PROB	Probabilidade de cura	95%
easy_get	Pessoas com suscetibilidade a doenças	Nenhuma multidão específica

2. Construa um sistema de perguntas e respostas automáticas

1. Tipos de perguntas e respostas de suporte

Tipo de pergunta	Significado chinês	Pergunte um exemplo	ilustrar
doença_symptom	Sintomas da doença	Quais são os sintomas do câncer de mama?	Relacionamentos entre diferentes entidades
sintoma_disease	Encontre possíveis doenças com sintomas conhecidos	Qual é o problema de um nariz escorrendo?	Relacionamentos entre diferentes entidades
doença_cause	Causas da doença	Por que algumas pessoas sofrem de insônia?	Propriedades da entidade
doença_acompany	Complicações da doença	Quais são as complicações da insônia?	Relacionamentos entre entidades semelhantes
doença_not_food	Alimentos que exigem comida para evitar alimentos	O que as pessoas com insônia não devem comer?	Relacionamentos entre diferentes entidades
doença_do_food	Quais alimentos são recomendados para doenças	O que devo comer se tiver zumbido?	Relacionamentos entre diferentes entidades
Food_Not_Disease	Que doença é melhor não comer algo	Quem é a melhor pessoa para comer mel?	Relacionamentos entre diferentes entidades
Food_do_disease	Que doença é boa para comida	Quais são os benefícios da carne de ganso?	Relacionamentos entre diferentes entidades
doença_drug	Que remédio devo tomar para qualquer doença	Que remédio devo tomar para a doença hepática?	Relacionamentos entre diferentes entidades
Drug_disease	Quais doenças podem curar os medicamentos	Que doenças podem curar os grânulos de raiz Isatis?	Relacionamentos entre diferentes entidades
doença_check	Que testes são necessários para a doença	Como a meningite pode ser detectada?	Relacionamentos entre diferentes entidades
check_disease	Que doença pode ser detectada no exame	O que pode ser detectado por uma contagem completa de células sanguíneas?	Relacionamentos entre diferentes entidades
doença_prevent	Medidas preventivas	Como evitar a deficiência de rim?	Propriedades da entidade
doença_lasttime	Ciclo de tratamento	Quanto tempo leva para ficar resfriado?	Propriedades da entidade
doença_cureway	Método de tratamento	Como tratar a hipertensão?	Propriedades da entidade
doença_cureprob	Probabilidade de cura	A leucemia pode ser curada?	Propriedades da entidade
doença_easyget	Pessoas com suscetibilidade a doenças	Quem é propenso a hipertensão?	Propriedades da entidade
doença_desc	Descrição da doença	O que é diabetes?	Propriedades da entidade
doença_getprob (TODO)	Probabilidade de doença	Qual é a alta prevalência de diabetes?	Propriedades da entidade

2.kbqa de pipeline

(1) Reconhecimento de referência: Matching + NER baseado em dicionário com base no BERT_CRF, leve mais tempo como as palavras de menção.

(2) Link da entidade: Com base na correspondência semântica de Sbert, a incorporação do dicionário é armazenada, a correspondência do dicionário entre as palavras de menção e o dicionário de domínio. A entidade candidata com a similaridade TOP20 combina palavras sobrepostas, e a entidade candidata com a similaridade TOP20 e as palavras sobrepostas com os tempos de menção são maiores ou iguais à metade do comprimento da palavra de menção, que é considerada a entidade -alvo.

EG1: mencione a palavra "espirro", a entidade alvo "espirro", palavras sobrepostas: 2> = metade do comprimento da palavra: 1
Eg2: mencione a palavra "olhos secos", a entidade alvo "olhos secos", palavras sobrepostas: 2> = metade do comprimento da palavra: 2

(3) Reconhecimento de intenções: com base em palavras de perguntas + dicionário de domínio. Por exemplo, na pergunta "O que são os olhos secos?", A palavra mencionada "Sintoma: Olhos Seco" e a doença da doença "Doença". Acredita -se que a intenção de fazer a pergunta seja sintoma_disease: encontre possíveis doenças com sintomas conhecidos.

3. Interface front-end

1.kg

detecção de menção

1. Mencione a identificação

Combinando os métodos de correspondência de Bert e Dicionário de Domínio para obter os sintomas na consulta mencionar "inchaço da mucosa do nariz".

detecção de menção

2. Link da entidade

A correspondência da entidade -alvo "Darize Mucosa Inchau" com a frase de Sbert é usada para combinar com a entidade alvo "inchaço da mucosa do nariz".

entidade vinculando

3. Consulte o nó da entidade

Search_ner

4. Consulte a relação entre entidades

Search_relation

Search_relation_2

5. Perguntas e respostas (suporta perguntas e respostas que reconhecem várias entidades e links de entidade)

Identifique uma ou mais palavras de referência na pergunta, link para as entidades correspondentes de uma ou mais kg e retorne a resposta da consulta em combinação com os resultados do reconhecimento de intenção.

4 outros

Este bug ocorre:

 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.

Consulte ⁵ , def load(f, map_location=None, pickle_module=pickle, **pickle_load_args): def load(f, map_location='cpu', pickle_module=pickle, **pickle_load_args): def

https://github.com/liuhuanyong/qasystemonmedicalkg ↩
https://github.com/lonepatient/bert-ner-pytorch ↩
https://github.com/ukplab/sentence-transformers ↩
https://github.com/jiangnanboy/movie_knowledge_graph_app ↩
https://stackoverflow.com/questions/56369030/runtimeerror-attempting-to-deserialize-object-on-a-cuda-device ↩

Expandir

Informações adicionais