medical_knowledge_graph_app master

medical_knowledge_graph_app

คำอธิบายโครงการ

• 1. สร้างกราฟความรู้ทางการแพทย์
• 2. สร้างแบ็กเอนด์คำถามและคำตอบอัตโนมัติ
• 3. เพิ่มปฏิสัมพันธ์ส่วนหน้า

เมื่อสร้างกราฟความรู้ทางการแพทย์และคำถามและคำตอบอัตโนมัติโปรดดูรายการ ¹ การปรับให้เหมาะสมต่อไปนี้มีการสร้างกราฟความรู้ทางการแพทย์และระบบคำถามและคำตอบ:

1. โครงการดั้งเดิมมีปัญหาที่จะไม่สามารถตอบสนองต่ออาการและโรคได้ ดังนั้น Crawler ได้รวบรวมข้อมูลโดยตรงของโรคแต่ละโรคและอธิบายข้อความ ในเวลาเดียวกันอาการทั้งหมดในฐานข้อมูลอาการของเว็บไซต์ดั้งเดิมจะถูกรวบรวมข้อมูลไปยังพจนานุกรมชื่ออาการ
2. อัลกอริทึม AC ถูกใช้เพื่อเรียกคืนอาการทั้งหมด 4377 (อาการ. txt) ในข้อความคำอธิบายอาการที่สอดคล้องกับชื่อห้องสมุดอาการ สร้างชื่อใหม่ชื่อ Symptom-Symptom Triplets 99,492
3. เกี่ยวกับคำถามเกี่ยวกับโรค Symtom Resigning ผลการสังเคราะห์ดั้งเดิมเปลี่ยนไปจากการค้นหาอาการแต่ละอย่างเพียงอย่างเดียวและจากนั้นรวมเข้ากับสี่แยกโรคที่สนับสนุนอาการหลายอย่าง
4. เมื่ออาการที่อธิบายไว้เป็นภาษาพูดและไม่สามารถจับคู่ชื่อของไลบรารีอาการได้อย่างถูกต้องก่อนอื่นให้ใช้ BERT+CRF Model ² สำหรับการจดจำเอนทิตีการตั้งชื่อ วิธีการเพิ่มความคิดเห็นใช้ Bio+C (C หมายถึงประเภทเอนทิตียา/อาการ/โรค ฯลฯ ) ชุดข้อมูลถูกสร้างขึ้นตามเทมเพลตปัญหาเพื่อแยกสล็อตคำที่กล่าวถึงในคำถามการแทนที่คำโดเมนจากพจนานุกรมโดเมนและแต่ละคำจะปรากฏขึ้นเพียงครั้งเดียว พารามิเตอร์รูปแบบการฝึกอบรมดาวน์โหลดที่อยู่ (ลิงค์: https://pan.baidu.com/s/1zgczyis-vo1bsl40xrptfw รหัสผ่าน: 96ln), decompress และใส่ไว้ในไดเรกทอรี med_kg/ner_model/เอาต์พุต
5. ใช้โมเดล Sbert ³ เพื่อคำนวณความคล้ายคลึงกันของคำพูดที่ระบุและพจนานุกรมที่เกี่ยวข้อง (การฝังที่บันทึกไว้) และรับ 20 อันดับแรกและรวมความยาวของคำที่ทับซ้อนกันเพื่อใช้คำที่ทับซ้อนกันยาวที่สุดเป็นผลมาจากลิงก์เอนทิตี
6. การระบุความตั้งใจของโครงการนี้ยังคงดำเนินการโดยใช้คำคำถามที่อิงตามกฎของโครงการดั้งเดิม + พูดถึงวิธีเทมเพลตประเภทคำ
7. TODO: สร้างแอตทริบิวต์ความชุกของโรคขึ้นมาใหม่ แต่ไม่ได้สร้างขึ้นในปัจจุบัน จากนั้นเมื่อได้รับโรคผู้สมัครหลายคนโดยการอธิบายอาการความน่าจะเป็นของการเจ็บป่วยจะแสดงจากสูงถึงต่ำ
8. TODO: ขณะนี้ไม่มีรูปแบบการจดจำความตั้งใจการเรียนรู้อย่างลึกซึ้ง มันถูกสร้างขึ้นโดยการสร้างชุดคำถามและกฎเพื่อให้ตรงกับความตั้งใจของคำถาม คุณสามารถพิจารณาใช้ชุดข้อมูลบางอย่างที่มีความคล้ายคลึงกันในการเล่าความคล้ายคลึงกันของปัญหาในสาขาการแพทย์เพื่อให้ตระหนักถึงโมดูลการจดจำความตั้งใจที่มีความสามารถในการวางนัยทั่วไปที่แข็งแกร่ง

หลังจากสร้างกราฟความรู้และระบบคำถามและคำตอบแล้วการมีปฏิสัมพันธ์ระหว่างส่วนหน้าและการแสดงผล KG จะถูกเพิ่มเข้ามาโดยใช้แผนที่ echarts โครงการอ้างอิงการใช้งาน ⁴ .

เริ่มโครงการ

• เริ่มฐานข้อมูล neo4j

 neo4j-community-4.1.4 % bin/neo4j start

• ดำเนินการโปรแกรมหลัก

 medical_knowledge_graph_app-master % python med_kg/manage.py runserver 

แคตตาล็อกโครงการ

• ไดอะแกรมอินเตอร์เฟสฟังก์ชัน IMG

• kg/preple_data crawler ไฟล์

• kg/data/medical_rebuild.json ข้อมูลที่ประมวลผลขั้นสุดท้าย

• kg/build_medicalgraph.py สร้างฐานข้อมูลกราฟ neo4j

• MED_KG/EL_MODEL Entity Link Model

  • MED_KG/EL_MODEL/EMBEDDING WORD การเป็นตัวแทนของการเป็นตัวแทนของโรค/ยา/อาการพจนานุกรม

  • med_kg/el_model/entity_linking.py entity link script

• med_kg/med_kg django framework views และไฟล์การกำหนดค่า

• med_kg/เทมเพลตเทมเพลตของเฟรมเวิร์ก Django

• med_kg/ไฟล์ bootstrap front-end แบบคงที่

• med_kg/ner_model ชื่อโมเดลการจดจำเอนทิตี

  • med_kg/ner_model/รุ่นชื่อรหัสโมเดลการจดจำเอนทิตี

  • med_kg/ner_model/ข้อมูลข้อมูลสำหรับรูปแบบการฝึกอบรม

  • MED_KG/NER_MODEL/การสูญเสียฟังก์ชั่นการสูญเสียสำหรับรูปแบบการฝึกอบรม

  • MED_KG/NER_MODEL/OUTPUS/1101MEDSELLSNER-FINETUNE รุ่นปรับแต่งอย่างประณีต (ได้รับการฝึกฝน)

  • med_kg/ner_model/prev_trained_model แบบจำลอง pretrained สำหรับ pytorch

• เครื่องมือ med_kg/util เริ่มเย็น

• med_kg/สคริปต์โมเดลเพื่อโต้ตอบกับฐานข้อมูลกราฟ neo4j

• med_kg/medmodel คำถามและคำตอบ

  • med_kg/medmodel/question_classifier.py intent recognition script

  • med_kg/medmodel/question_parser.py สคริปต์ที่แปลงคำพูดและคำพูดที่ระบุไว้เป็นคำสั่งแบบสอบถามที่ระบุไว้

  • med_kg/medmodel/answer_search.py ​​Query กราฟกราฟเพื่อส่งคืนคำตอบ

  • พจนานุกรม MED_KG/MEDMODEL/DICT

1. การสร้างแผนที่ความรู้และยา

1. ประเภทเอนทิตีกราฟความรู้

หมายเลข '*' ระบุรายการที่เปลี่ยนแปลงตามโครงการดั้งเดิม

ประเภทเอนทิตี	ความหมายของจีน	จำนวนหน่วยงาน	ยกตัวอย่าง
ตรวจสอบ	รายการตรวจสอบวินิจฉัย	3,353	Bronchography; อาร์โธสโคป
แผนก	วิชาแพทย์	54	แผนกศัลยกรรมพลาสติก; แผนกไฟไหม้
โรค	โรค	8,807	thromboocytic vasculitis; หลอดเลือดโป่งพองของหน้าอก
ยา	ยา	3,828	ครีมริดสีดวงทวาร jingwanhong; ยาหยอดตาบรินซ์ซามีน
อาหาร	อาหาร	4,870	ซุปลูกมะเขือเทศและผัก หน่อไม้ตุ๋นด้วยเนื้อแกะ
ผู้ผลิต	ยาประเภทหลัก	17,201	แท็บเล็ตแท็บเล็ต penicillin v แท็บเล็ต painicillin v Qingyang dexamethasone acetate แท็บเล็ต
อาการ*	อาการของโรค	4,377	ยั่วยวนของเนื้อเยื่อเต้านม; เลือดออกลึกในเนื้อเยื่อสมอง
ทั้งหมด	ทั้งหมด	44,111	ประมาณ 44,000 หน่วยงาน

2. ความรู้ประเภทความสัมพันธ์ประเภทความสัมพันธ์

หมายเลข '*' ระบุรายการที่เปลี่ยนแปลงตามโครงการดั้งเดิม

ประเภทความสัมพันธ์เอนทิตี	ความหมายของจีน	จำนวนความสัมพันธ์	ยกตัวอย่าง
เป็นของ	เป็นของ	8,844	<นรีเวชวิทยาเป็นของสูติศาสตร์และนรีเวชวิทยา>
Common_drug	ยาทั่วไปสำหรับโรค	14,649	<Yangqiang, ใช้กันทั่วไป, phentolamine methanesulfonate dispersed tablets>
do_eat	กินอาหารเมื่อคุณป่วย	22,238	<การแตกหักของความอ่อนนุ่มเหมาะสำหรับการกินปลาสีดำ>
ยาเสพติด _of	ยาลดราคา	17,315	<penicillin v potassium taglets, ลดราคา, Tongyao Pharmaceutical penicillin v แท็บเล็ตโพแทสเซียม>
need_check	การทดสอบโรค	39,422	<ถุงลมโป่งพองข้างเดียว, การตรวจสอบที่จำเป็น, การพิมพ์ดีด>
ไม่กิน	หลีกเลี่ยงการกินอาหารเป็นโรค	22,247	<โรคริมฝีปากหลีกเลี่ยงการกินอัลมอนด์>
แนะนำ _drug	ยาที่แนะนำสำหรับโรค	59,467	<ริดสีดวงทวารผสม, ยาแนะนำ, ครีมริดสีดวงทวาร jingwanhong>
แนะนำ _eat	สูตรที่แนะนำสำหรับโรค	40,221	<Halvesting, สูตรที่แนะนำ, มะเขือเทศและซุปบอลเนื้อ>
has_symptom*	อาการของโรค	99,492	<มะเร็งเต้านมก่อน, อาการของโรค, เนื้อเยื่อเต้านมยั่วยวน>
acompany_with	โรคและโรค	12,029	<ไม่เพียงพอของการปิดวาล์วของแขนขาที่ต่ำกว่าของหลอดเลือดดำการจราจร, ภาวะแทรกซ้อนของโรค, thromboocytic vasculitis>
ทั้งหมด	ทั้งหมด	294,149	ขนาดความสัมพันธ์ประมาณ 300,000

3. ประเภทแอตทริบิวต์ความรู้กราฟ

ประเภทแอตทริบิวต์	ความหมายของจีน	ยกตัวอย่าง
ชื่อ	ชื่อโรค	โรคหลอดลมอักเสบ
แยกออกจากกัน	การแนะนำโรค	ยังเป็นที่รู้จักกันในชื่อโรคหอบหืดโรคหลอดลมอักเสบ ...
สาเหตุ	สาเหตุของโรค	คนทั่วไปรวมถึงไวรัส syncytial ...
ป้องกัน	มาตรการป้องกัน	ให้ความสนใจกับประวัติความเป็นมาของครอบครัวและเด็ก ๆ ...
Cure_lasttime	วงจรการรักษา	6-12 เดือน
Cure_way	วิธีการรักษา	"การรักษาด้วยยา", "การรักษาสนับสนุน"
หายไป	ความน่าจะเป็นของการรักษา	95%
easy_get	ผู้ที่มีความอ่อนไหวต่อโรค	ไม่มีฝูงชนที่เฉพาะเจาะจง

2. สร้างคำถามและคำตอบอัตโนมัติ

1. สนับสนุนประเภทคำถามและคำตอบ

ประเภทคำถาม	ความหมายของจีน	ถามตัวอย่าง	อธิบาย
โรค _symptom	อาการของโรค	โรคมะเร็งเต้านมคืออะไร?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
อาการ _disease	ค้นหาโรคที่เป็นไปได้ที่มีอาการที่รู้จัก	ปัญหาของน้ำมูกไหลคืออะไร?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
โรค _ause	สาเหตุของโรค	ทำไมบางคนถึงต้องทนทุกข์ทรมานจากการนอนไม่หลับ?	คุณสมบัติเอนทิตี
โรค _Acompany	ภาวะแทรกซ้อนของโรค	ภาวะแทรกซ้อนของโรคนอนไม่หลับคืออะไร?	ความสัมพันธ์ระหว่างหน่วยงานที่คล้ายกัน
โรค _not_food	อาหารที่ต้องการอาหารเพื่อหลีกเลี่ยงอาหาร	คนนอนไม่หลับควรกินอะไร?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
โรค _do_food	อาหารชนิดใดที่แนะนำสำหรับโรค	ฉันควรกินอะไรถ้าฉันมีหูอื้อ?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
food_not_disease	โรคอะไรดีที่สุดที่จะไม่กินอะไร	ใครคือคนที่ดีที่สุดในการกินน้ำผึ้ง?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
food_do_disease	โรคอะไรดีสำหรับอาหาร	เนื้อห่านมีประโยชน์อย่างไร?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
โรค _drug	ฉันควรใช้ยาอะไรสำหรับโรคใด ๆ	ฉันควรใช้ยาชนิดใดสำหรับโรคตับ?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
drug_disease	ยารักษาโรคอะไรได้บ้าง	โรคราก ISATIS สามารถรักษาโรคอะไรได้บ้าง?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
โรค _Check	การทดสอบใดที่จำเป็นสำหรับโรค	จะตรวจพบเยื่อหุ้มสมองอักเสบได้อย่างไร?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
check_disease	โรคใดที่สามารถตรวจพบได้ในการตรวจสอบ	สิ่งที่สามารถตรวจพบได้โดยจำนวนเซลล์เม็ดเลือดที่สมบูรณ์?	ความสัมพันธ์ระหว่างหน่วยงานต่าง ๆ
โรค _Revent	มาตรการป้องกัน	จะป้องกันการขาดไตได้อย่างไร?	คุณสมบัติเอนทิตี
โรค _lasttime	วงจรการรักษา	ต้องใช้เวลานานแค่ไหนในการเป็นหวัด?	คุณสมบัติเอนทิตี
โรค _cureway	วิธีการรักษา	วิธีรักษาความดันโลหิตสูง?	คุณสมบัติเอนทิตี
โรค _cureprob	ความน่าจะเป็นของการรักษา	มะเร็งเม็ดเลือดขาวสามารถหายได้หรือไม่?	คุณสมบัติเอนทิตี
โรค _easyget	ผู้ที่มีความอ่อนไหวต่อโรค	ใครมีแนวโน้มที่จะมีความดันโลหิตสูง?	คุณสมบัติเอนทิตี
โรค _desc	คำอธิบายโรค	โรคเบาหวานคืออะไร?	คุณสมบัติเอนทิตี
โรค _getprob (สิ่งที่ต้องทำ)	ความน่าจะเป็นของการเจ็บป่วย	ความชุกของโรคเบาหวานสูงแค่ไหน?	คุณสมบัติเอนทิตี

2.KBQA ของไปป์ไลน์

(1) การจดจำอ้างอิง: การจับคู่ตามพจนานุกรม + ner ตาม bert_crf ใช้เวลานานขึ้นทั้งคำพูดที่กล่าวถึง

(2) Entity Link: ขึ้นอยู่กับการจับคู่ความหมายของ Sbert การฝังพจนานุกรมจะถูกเก็บไว้การจับคู่พจนานุกรมระหว่างคำพูดและพจนานุกรมโดเมน เอนทิตีของผู้สมัครที่มีความคล้ายคลึงกัน top20 รวมคำที่ทับซ้อนกันและเอนทิตีของผู้สมัครที่มีความคล้ายคลึงกัน top20 และคำที่ทับซ้อนกับเวลาที่กล่าวถึงมากกว่าหรือเท่ากับครึ่งหนึ่งของความยาวของคำพูดซึ่งถือว่าเป็นเอนทิตีเป้าหมาย

• EG1: พูดถึงคำว่า "จาม" เอนทิตีเป้าหมาย "จาม" คำที่ทับซ้อนกัน: 2> = ครึ่งหนึ่งของความยาวของคำ: 1
• EG2: พูดถึงคำว่า "ตาแห้ง", เอนทิตีเป้าหมาย "ตาแห้ง", คำที่ทับซ้อนกัน: 2> = ครึ่งหนึ่งของความยาวของคำ: 2

(3) การรับรู้เจตนา: ขึ้นอยู่กับคำคำถาม + พจนานุกรมโดเมน ตัวอย่างเช่นในคำถาม "ดวงตาแห้งคืออะไร" คำพูด "อาการ: ตาแห้ง" และคำถามโรค "ความเจ็บป่วย" มีความเชื่อกันว่าความตั้งใจที่จะถามคำถามคืออาการ _disease: ค้นหาโรคที่เป็นไปได้ที่มีอาการที่รู้จัก

3. อินเทอร์เฟซส่วนหน้า

1. กิโลกรัม

1. พูดถึงการระบุตัวตน

การรวมวิธีการจับคู่พจนานุกรม Bert และโดเมนเพื่อให้ได้อาการในการสืบค้นกล่าวถึง "อาการบวมของเยื่อเมือกจมูก"

2. ลิงค์เอนทิตี

การจับคู่ของเอนทิตีเป้าหมาย "อาการบวมของเยื่อบุจมูก" กับประโยค Sbert นั้นใช้เพื่อให้ตรงกับเป้าหมาย "การบวมของเยื่อบุจมูก"

3. สอบถามโหนดเอนทิตี

4. สอบถามความสัมพันธ์ระหว่างหน่วยงาน

5. คำถาม & คำตอบ (รองรับคำถามและคำตอบที่รับรู้หลายเอนทิตีและลิงก์เอนทิตี)

ระบุคำอ้างอิงอย่างน้อยหนึ่งคำในคำถามเชื่อมโยงไปยังเอนทิตีอย่างน้อยหนึ่งรายการหรือมากกว่าและส่งคืนคำตอบแบบสอบถามเมื่อรวมกับผลลัพธ์ของการรับรู้เจตนา

4. อื่น ๆ

ข้อผิดพลาดนี้เกิดขึ้น:

 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.

อ้างถึง ⁵ , ใช้ฟังก์ชั่นโหลด def ของ ./site-package/torch/serialization.py เพื่อใช้ def load(f, map_location='cpu', pickle_module=pickle, **pickle_load_args): แทนที่จะเป็น def load(f, map_location=None, pickle_module=pickle, **pickle_load_args):

เชิงอรรถ

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-attempting-to-deserialize-object-on-a-cuda-device ↩