知识图谱和深度学习在医疗中的应用

1、,知识图谱和深度学习,在诊疗流程中的应用,深度学习与医疗,01,医学知识图谱,深度学习生成自然语言文本,深度学习在临床医疗中的应用,CONTENT,02,03,04,第一章 深度学习与医疗,人工智能 - 医疗的概述,智能导诊 智能问诊,问答系统 智能健康管理,语音电子 推荐用药,智能影像 科研系统,医疗应用,自然语言处理,机器学习,深度学习,人工智能,抽取,转换,存储,加载,ETL工具,核心技术,患者主索引,HIS数据,PACS数据,LIS数据,EMR数据,取之于医生,用之于医生,用之于患者,取之于患者,大数据+AI 服务 患者 大数据+AI 辅助 医生,人工智能在医疗领域的两大挑战,自然语言

2、处理与机器视觉,医疗自由文本识别,人工智能辅助阅片,传统文本处理方式与深度学习的对比,传统的文本处理方法,文本预处理,特征提取,文本表示,分类器,训练集,特征工程,基于卷积神经网络的深度学习的文本处理方法,第二章 医学智能分析的基础： 医学知识图谱,知识图谱 KG,Kg表示形式,特点 动态、清晰、直观 有效展示数据内部结构 有效展示数据之间关系 功能 知识推理 基于逻辑（Logic）的推理 基于分布式表达方法 （Distributed Representation）,知识图谱应用,商业搜索引擎,问答系统,电商平台,社交平台,医疗、教育、生物研究等领域,知识图谱 KG,方案-知识图谱,通过 SP

3、O三元组 的形式表示知识 知识图谱中包含 点与边 的信息（包含不同的含义）,医疗知识图谱,点 含义包含： 疾病、药物、症状、辅 助检查、 科室、手术、部位等 边 含义包含： 类别、临床表现、病因、 发病机制、 科室、预防、药动学、 药理作用、鉴别、诊断 等,疾病,多尿 症状,类型 糖尿病,知识图谱 KG-医疗知识图谱构建框架,医学智能分析的基础医学知识图谱,疾病,部位,科室,手术,症状,关系 相关症状 相关药物 相关检查 可能疾病 诊断标准 治疗方案 鉴别诊断 一级科室 其他,关系数,150万,AI推断基础,实体,第三章 深度学习生成 自然语言文本,Encoder-Decoder Framew

4、ork,Encoder-Decoder Framework,At training time, the model is trained to maximize the likelihood of the next ground-truth word given the previous ground-truth word. At inference time, the model is expected to generate the entire sequence from scratch. This discrepancy makes generation brittle, as err

5、ors may accumulate along the way.,Hierarchical RNN Framework,Image,CNN,s0,1,1,Eof,Topic,Topic,LSTM,LSTM,LSTM,LSTM,LSTM,LSTM,LSTM,LSTM,w0,w1,w2,w3,w1,w2,w3,Eof,Sentence LSTM,Word LSTM,1,1,Topic Eof,Topic Eof,h,第四章 深度学习在临床 医疗中的应用,应用一：智能导诊机器人,发展环境：智能导诊是AI各大应用中的热门，技术相对成熟。医疗领域的导诊机器人主要基于人脸识别、语音识别、远 场识别等技术

6、，通过人机交互，执行包括挂号、科室分布及就医流程引导、身份识别、数据分析、知识普及等功能。,应用二：文本病例的后结构化,Medications,Diseases,Modifiers,Symptoms,NEJM Medical Concept Annotations Attribute extractions,应用三：描述性诊断的后编码,ICD,诊断,I10,高血压病,R50,发热,I63,脑梗死,人工智能后结构化引擎,应用四：机器人随访,应用五：患者自我诊断,发展环境：医患沟通效率低与医生供给不足是医疗领域的两大难题， 深度基于学习技术的智能问诊在解决这两大难题方面有巨大的潜 力； 智能问诊系统包含“预问诊”和“自诊”两大功能。“预问诊”就是 在患者完成挂号后的等待时间内，通过交