Главная страница>Связанные с программированием>Другой исходный код
Скачать

Medical_knowledge_graph_app

Описание проекта

  • 1. Построить график медицинских знаний
  • 2. Создайте автоматическую бэкэнд вопросов и ответов
  • 3. Увеличьте взаимодействие фронта

При создании графа медицинских знаний и автоматического ответа и ответа см. В пункте 1 . Следующие оптимизации были сделаны при создании графа медицинских знаний и системы вопросов и ответов:

  1. Первоначальный проект имеет проблему неспособности реагировать на симптомы и болезнь. Следовательно, гусеницы непосредственно ползали по симптомам каждого заболевания и описали текст. В то же время, все симптомы в базе данных симптомов оригинального веб -сайта заполняются в словаре названия симптомов.
  2. Алгоритм переменного тока использовался для извлечения всех 4377 симптомов (Smymptom.txt) в текстом описания симптомов, который был выровнен с названием библиотеки симптомов. Реконструировал название болезни-симптома-симптома триплеты 99 492.
  3. Что касается вопроса о заболевании Symtom, исходный результат синтеза был изменен из обнаружения каждого симптома, а затем объединения его в пересечение заболевания, которое поддерживает множественные симптомы.
  4. Когда описанные симптомы являются разговорными и не могут точно соответствовать названию библиотеки симптомов, сначала используйте модель BERT+CRF для распознавания сущности. Метод аннотации использует BIO+C (C представляет тип сущности, лекарство/симптом/заболевание и т. Д.). Набор данных сконструирован на основе шаблона задачи, чтобы случайным образом извлечь упомянутые слоты Word в вопрос о замене домена из словаря домена, и каждое слово появляется только один раз. Учебная модель параметров параметров загрузки (ссылка: https://pan.baidu.com/s/1zgczyis-vo1bsl40xrptfw Пароль: 96LN), распаковка и поместите его в каталог med_kg/ner_model/выходы.
  5. Используйте модель SBERT 3 для расчета сходства идентифицированных упомянутых слов и соответствующего словаря (сохраненное внедрение) и получить верхние 20 и объединить длину перекрывающихся слов, чтобы использовать самые длинные перекрывающиеся слова в качестве результата ссылки объекта.
  6. Идентификация намерения этого проекта по-прежнему реализована с использованием метода вопроса на основе правил, основанного на правилах, упоминаний Word, упоминания Word.
  7. TODO: Реконструируйте атрибут распространенности заболевания, но в настоящее время он не построен. Затем, когда многочисленные заболевания кандидатов получают путем описания симптомов, вероятность болезни демонстрируется от высокого до низкого уровня.
  8. TODO: В настоящее время нет модели распознавания глубокого обучения. Он построен путем создания набора слов и правил вопроса, чтобы соответствовать намерению вопроса. Вы можете рассмотреть возможность использования некоторых наборов данных сходства сходства проблем в медицинской сфере, чтобы реализовать модуль распознавания намерения с сильной способностью обобщения.

После создания графа знаний и системы вопросов и ответов добавляются фронтальное взаимодействие и дисплей KG с использованием карты Echarts с силой. Справочный проект реализации 4 .

Начните проект

  • Начать базу данных NEO4J 
 neo4j-community-4.1.4 % bin/neo4j start
  • Выполнить основную программу 
 medical_knowledge_graph_app-master % python med_kg/manage.py runserver

Каталог проекта

  • Диаграмма интерфейса IMG

  • кг/Prepare_data Crawler File

  • кг/data/medical_rebuild.json Окончательные обработанные данные

  • кг/build_medicalgraph.py создает базу данных графика NEO4J

  • MED_KG/EL_MODEL ENTITY MODEL

    • MED_KG/EL_MODEL/EXTDING WORD Встроение.

    • MED_KG/EL_MODEL/ENTITY_LINGING.PY СИНКА

  • MED_KG/MED_KG DJango Framework Views и файлы конфигурации

  • Шаблоны шаблонов MED_KG/

  • MED_KG/Статический фронтальный файл начальной загрузки

  • MED_KG/NER_MODEL с именем модели распознавания объекта

    • MED_KG/NER_MODEL/Модели с именем код модели распознавания объекта

    • MED_KG/NER_MODEL/Данные данных для обучающей модели

    • MED_KG/NER_MODEL/Функция потерь потери для обучающей модели

    • MED_KG/NER_MODEL/OTRPUS/1101MED SEFHESHNERNERNETUNE MODEL CELANDENTED (обучен)

    • MED_KG/NER_MODEL/PREV_TRIND_MODEL Предварительная модель для Pytorch

  • Med_kg/Util Tool, холодный старт

  • Скрипт MED_KG/Model для взаимодействия с базой данных neo4j график

  • Med_kg/Medmodel Автоматический вопрос и ответ

    • MED_KG/MEDMODEL/Вопрос_CLASSIFIER.PY Сценарий распознавания намерений

    • MED_KG/MEDMODEL/Вопрос_PARSER.PY SCRIPT, который преобразует идентифицированные упомянутые слова и намерения в операторы запроса

    • MED_KG/MEDMODEL/ANSTORG_SEARCH.PY Запросную базу данных запросов, чтобы вернуть ответ

    • MED_KG/MEDMODEL/DICT DOMAIN Словарь домена

1. Строительство карты знаний и медицины

1. Тип объекта графа знаний

Номер «*» указывает на элемент, который изменяется на основе исходного проекта

Тип сущности Китайский смысл Количество сущностей Привести пример
Проверять Диагностические экспертизы 3353 Бронхография; артроскопия
Отделение Медицинские предметы 54 Отдел пластической хирургии; Отдел ожогов
Болезнь болезнь 8 807 Тромбуоцитальный васкулит; нисходящая аневризма аорты груди
Лекарство лекарство 3828 Цзинванхонг геморрой крем; Бринзоаминовые глазные капли
Еда еда 4870 Помидоры и овощи из говядины суп; бамбук стреляет тушеным ягненком
Продюсер Основные категории лекарств 17 201 Тонгьяо фармацевтические пенициллин против таблетки калия; Qingyang Dexamethasone ацетатные таблетки
Симптом* Симптомы заболевания 4377 Гипертрофия ткани молочной железы; глубокое кровотечение в паренхиме мозга
Общий общий 44,111 Около 44 000 организаций

2. Тип отношения отношений графа знаний

Номер «*» указывает на элемент, который изменяется на основе исходного проекта

Тип отношений сущности Китайский смысл Количество отношений Привести пример
принадлежит_to принадлежать 8 844 <Гинекология, принадлежность к акушерству и гинекологии>
common_drug Общие лекарства от болезней 14 649 <Янццян, обычно используемые, диспергированные таблетки с фентоламином метансульфоната>
do_eat Ешьте еду, когда заболели 22,238 <Перелом гибкости, подходит для еды, черной рыбы>
Drugs_of Наркотики в продаже 17 315 <Пенициллин против калия таблетки, в продаже, Тонгьяо фармацевтические пенициллин против калия таблетки>
nead_check Испытания на болезнь 39,422 <односторонняя эмфизема, требуется экзамен, бронхография>
no_eat Избегайте употребления пищи при болезнях 22 247 <Болезнь губы, избегайте еды, миндаль>
Рекомендуемый_DRUG Рекомендуемые лекарства от болезней 59 467 <Смешанные геморрой, рекомендуемые лекарства, геморроидный крем Цзинванхонга>
Рекомендуемый_ат Рекомендуемые рецепты заболеваний 40 221 <Halvesting, рекомендуемый рецепт, помидор и суп из говяжьего шарика>
has_symptom* Симптомы заболевания 99,492 <Ранний рак молочной железы, симптомы заболевания, гипертрофия ткани молочной железы>
acompany_with Болезни и болезни 12 029 <Недостаточность закрытия клапана нижних конечностей дорожной вены, осложнения заболеваний, тромбуоцитарный васкулит>
Общий общий 294,149 Около 300 000 отношений величины

3. Типы атрибутов графа знаний

Тип атрибута Китайский смысл Привести пример
имя Название болезни Хухиющий бронхит
посягательство Болезнь Введение Также известен как бронхит астмы ...
Причина Причины заболевания Общие включают синцитиальные вирусы ...
предотвращать Профилактические меры Обратите внимание на историю аллергии семьи и детских аллергии ...
cure_lasttime Цикл лечения 6-12 месяцев
cure_way Метод лечения «Лечение медицины», «Поддерживающее лечение»
cured_prob Вероятность лечения 95%
easy_get Люди с восприимчивостью к болезням Нет конкретной толпы

2. Создайте автоматическую систему вопросов и ответов

1. Поддержка Q & A

Тип вопроса Китайский смысл Спросите пример иллюстрировать
Болезнь_SYMPTOM Симптомы заболевания Каковы симптомы рака молочной железы? Отношения между разными сущностями
Smymptom_disease Найти возможные заболевания с известными симптомами В чем проблема жидкого носа? Отношения между разными сущностями
DEPARY_CAUSE Причины заболевания Почему некоторые люди страдают от бессонницы? Свойства сущности
болезнь_аковани Осложнения заболевания Каковы осложнения бессонницы? Отношения между подобными сущностями
болезнь_not_food Продукты, которые требуют еды, чтобы избежать еды Что люди с бессонницей не ешь? Отношения между разными сущностями
болезнь_do_food Какие продукты рекомендуются для болезни Что я должен есть, если у меня есть шум в ушах? Отношения между разными сущностями
food_not_disease Какая болезнь лучше всего не есть Кто лучший человек, чтобы съесть мед? Отношения между разными сущностями
food_do_disease Какая болезнь хороша для еды Каковы преимущества гусиного мяса? Отношения между разными сущностями
болезнь_DRUG Какое лекарство я должен принять для любого заболевания Какое лекарство я должен принять от заболевания печени? Отношения между разными сущностями
Drug_disease Какие заболевания могут вылечить лекарства Какие заболевания могут излечить гранулы корня Isatis? Отношения между разными сущностями
болезнь_чек Какие тесты необходимы для болезни Как можно обнаружить менингит? Отношения между разными сущностями
check_disease Какое заболевание можно обнаружить при обследовании Что может быть обнаружен с помощью полного количества клеток крови? Отношения между разными сущностями
болезнь_Превенция Профилактические меры Как предотвратить дефицит почек? Свойства сущности
DEPARY_LASTTIME Цикл лечения Сколько времени нужно, чтобы простудиться? Свойства сущности
DEPARY_CUREWAY Метод лечения Как лечить гипертонию? Свойства сущности
DEPARY_CUREPROB Вероятность лечения Можно ли вылечить лейкемию? Свойства сущности
болезнь_аааааааааааааааааааааааааааааааааааааааааааааа Люди с восприимчивостью к болезням Кто подвержен гипертонии? Свойства сущности
болезнь_desc Описание болезни Что такое диабет? Свойства сущности
Болезнь_GETPROB (TODO) Вероятность болезни Насколько высока распространенность диабета? Свойства сущности

2. Кбка трубопровода

(1) Распознавание ссылки: сопоставление на основе словаря + NER на основе BERT_CRF, возьмите дольше оба в качестве упомянутых слов.

(2) Ссылка сущности: на основе семантического сопоставления Sbert хранится встраивание словаря, составление словаря между упомянутыми словами и доменным словарем. Кандидатская сущность с TOP20 сходства сочетает в себе перекрывающиеся слова, а кандидат -сущность с TOP20 сходства и перекрывающимися словами со временем упоминания больше или равна половине длины упомянутого слова, которое считается целевой сущностью.

  • EG1: упомяните слово «чихание», целевая сущность «чихание», перекрывающиеся слова: 2> = половина длины слова: 1
  • EG2: упомяните слово «сухие глаза», целевая сущность «сухие глаза», перекрывающиеся слова: 2> = половина длины слова: 2

(3) Распознавание намерений: на основе вопросов слова + словарь домена. Например, в вопросе «Что такое сухие глаза?», Упоминание слова «симптом: сухие глаза» и вопрос о болезни «болезнь». Считается, что намерение задать вопрос - это симптома_дисаза: найти возможные заболевания с известными симптомами.

3. Фронт-эндовый интерфейс

1. кг

упоминание

1. Упомяните идентификацию

Объединение методов сопоставления словаря BERT и DOMAIN для получения симптомов в запросе упоминается «Обухание слизистой оболочки носа».

упоминание

2. Ссылка сущности

Соответствие целевой сущности «отек слизистой оболочки носа» с предложением Sbert используется для соответствия целевой сущности «Обухание слизистой оболочки носа».

связывание сущности

3. Запрос узла сущности

search_ner

4. Запрос отношения между сущностями

search_relation

search_relation_2

5. Q & A (поддерживает вопросы и ответы, которые распознают несколько объектов и ссылок сущностей)

Определите одно или несколько эталонных слов в вопросе, ссылку на соответствующие одно или несколько объектов кг и вернуть ответ запроса в сочетании с результатами распознавания намерений.

QA

4. Другие

Эта ошибка происходит: 

 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.

См. 5 , используйте функцию DEF нагрузку ./Site-package/torch/serialization.py для использования def load(f, map_location='cpu', pickle_module=pickle, **pickle_load_args): вместо def load(f, map_location=None, pickle_module=pickle, **pickle_load_args):

Сноски

  1. https://github.com/liuhuanyong/qasystemonmedicalkg ↩

  2. https://github.com/lonepatient/bert-ner-pytorch ↩

  3. https://github.com/ukplab/sentence-transformers ↩

  4. https://github.com/jiangnanboy/movie_knowledge_graph_app ↩

  5. https://stackoverflow.com/questions/56369030/runtimeerror-atmempting-to-derialize-object-on-a-cuda-device ↩

Расширять
Дополнительная информация
Связанные приложения
Рекомендуем вам
Связанные новости Все