基于知识图谱的检验报告审核与临床意义辅助生成系统的制作方法
本发明涉及医疗检验智能审核,尤其涉及基于知识图谱的检验报告审核与临床意义辅助生成系统。
背景技术:
1、检验报告审核是临床实验室质量管理的关键环节。传统审核主要依赖检验人员人工完成,存在工作效率低下、判断结果不稳定、标准不统一等问题。随着检验医学的快速发展,临床实验室日均检验报告数量持续增长,人工审核模式在效率和准确性方面面临严峻挑战。
2、为应对上述问题,基于预设规则的自动审核系统逐步在临床实验室推广应用。该类系统由工作人员设定审核标准与逻辑规则,嵌入实验室信息系统后对检验报告进行自动审核。然而,规则审核系统主要签发无明显异常的结果,对于多指标联合判断、个体化差异分析以及复杂临床逻辑推理等情形,规则引擎难以覆盖。此外,现有知识图谱在检验报告审核中的应用主要集中于检验知识图谱的构建与检索,在推理深度和可解释性方面仍存在不足。
3、近年来,大语言模型与检索增强生成技术在体检报告解读中展现出潜力,能够从检验报告中识别潜在疾病风险并生成解读文本。但现有方法主要针对体检报告的整体解读,缺乏对检验指标之间关联关系以及人体解剖结构对称性等先验知识的系统建模,难以充分捕捉多指标联合异常模式及双侧对称结构病变的差异化特征。
4、综上,现有技术在检验报告审核中主要存在以下不足:(1)基于规则的系统难以处理多指标联合判断和复杂临床逻辑推理;(2)现有知识图谱与llm结合的方案缺乏对检验指标间关联关系及解剖结构对称性先验知识的系统性建模。
技术实现思路
1、本发明的一个目的在于提出基于知识图谱的检验报告审核与临床意义辅助生成系统,本发明结合双图分支构建、残差图卷积神经网络、节点级自适应门控、对称感知残差卷积及自配对正则化训练,描述从数据输入、双图分支构建、特征聚合与更新、门控动态调节、镜像节点对称约束、翻转增强与一致性约束、跨层特征融合到审核分类与临床文本生成的全过程,具备审核精度高、对称病变识别准、可解释性强和泛化性能稳定的优点。
2、根据本发明实施例的基于基于知识图谱的检验报告审核与临床意义辅助生成系统,包括:
3、数据输入模块,用于接收检验报告数据及解剖先验数据;
4、双图分支构建模块,用于以检验报告数据的数值相似性构建第一图分支,解剖先验数据中的镜像节点配对构建第二图分支,第二图分支中各镜像节点对共享对称约束超边;
5、残差图卷积层堆叠模块,以残差图卷积神经网络为架构,用于在双图分支上执行邻居聚合,生成各节点的第一聚合特征和第二聚合特征;
6、节点级自适应门控模块,用于为各节点生成第一门控权重和第二门控权重,第一门控权重调节第一聚合特征对节点更新的贡献,第二门控权重调节第二聚合特征对节点更新的贡献,根据镜像节点对中指标异常标记将第二门控权重设为0或1,单侧异常时设为0,双侧正常时设为1;
7、对称感知残差卷积模块,用于计算镜像节点对间的特征差异值作为对称一致性约束项,第二门控权重调节约束项的松弛强度;
8、自配对正则化训练模块,用于对第二图分支执行翻转增强,对翻转前后的节点特征输出施加一致性约束;
9、特征融合模块,用于对各残差图卷积层输出的聚合特征进行跨层拼接生成融合特征矩阵;
10、分类输出模块,用于对融合特征矩阵进行映射生成审核结果及临床描述文本。
11、可选的,所述数据输入模块中的检验报告数据及解剖先验数据具体包括:
12、检验报告数据包括:患者身份标识、患者年龄、患者性别、就诊科室、样本类型、样本采集时间、检验项目名称、检验项目测量值、检验项目单位、检验项目参考范围上限、检验项目参考范围下限、检验项目异常标记;
13、解剖先验数据包括:器官名称、器官在标准解剖学体位下的左右对称配对关系、镜像节点对之间的解剖距离阈值。
14、可选的,所述双图分支构建模块的构建第一图分支,第二图分支具体包括:
15、以检验报告数据中的检验项目作为第一图分支的节点,以两检验项目之间的数值相似度作为第一图分支中节点间边的权重,构建第一图分支;
16、数值相似度根据历史检验报告中两检验项目在同一患者同一次就诊批次中的共现频率与测量值相关性共同确定,测量值相关系数采用皮尔逊相关系数计算,将数值相似度归一化至[0,1]区间后作为第一图分支邻接矩阵中对应位置的值;
17、以检验报告数据中的检验项目、解剖先验数据中的解剖结构、以及与检验项目存在临床关联的疾病作为第二图分支的节点,以解剖先验数据中记载的器官在标准解剖学体位下的左右对称配对关系作为镜像节点配对依据;
18、以镜像节点之间的解剖距离小于预设阈值作为配对有效性判定条件,以镜像节点配对关系作为边连接构建第二图分支,第二图分支中每对镜像节点连接至同一条对称约束超边,对称约束超边同时连接镜像节点对及镜像节点对所对应的共同关联疾病节点;
19、其中镜像节点对所对应的共同关联疾病节点为镜像节点对中任意一侧节点所关联的疾病节点与另一侧节点所关联的疾病节点之间的交集或并集,当交集中存在疾病节点时将疾病节点作为共同关联疾病节点接入对称约束超边,
20、当交集中不存在疾病节点时将并集中的全部疾病节点作为共同关联疾病节点接入对称约束超边。
21、可选的,所述残差图卷积层堆叠模块的的生成各节点的第一聚合特征和第二聚合特征具体包括:
22、接收第一图分支和第二图分支,对第一图分支中的各节点,以节点自身的特征向量与邻接矩阵中记录的邻居节点特征进行加权求和作为消息传递结果,将消息传递结果经非线性激活函数映射后与节点自身的特征向量进行残差连接,得到此层输出的第一聚合特征;
23、对第二图分支中的各节点,以节点自身的特征向量与第二图分支中由镜像配对关系构建的邻接矩阵进行加权求和,将求和结果经非线性激活函数映射后与节点自身的特征向量进行残差连接,得到此层输出的第二聚合特征;
24、对各节点,将当前残差图卷积层输出的第一聚合特征和第二聚合特征分别作为下一残差图卷积层的输入特征,经n个残差图卷积层堆叠后,各节点获得经过n次残差图卷积操作更新后的第一聚合特征和第二聚合特征。
25、可选的,所述节点级自适应门控模块中的为各节点生成第一门控权重和第二门控权重具体包括:
26、节点级自适应门控模块对残差图卷积层堆叠模块输出的各节点第一聚合特征和第二聚合特征进行接收,对各节点,将第一聚合特征经第一全连接层映射至[0,1]区间输出第一门控权重,将第二聚合特征经第二全连接层映射至[0,1]区间输出第二门控权重,第一门控权重与第二门控权重之和为1;
27、各节点在每一残差图卷积层中进行特征更新时,将第一聚合特征与第一门控权重的乘积作为第一贡献分量,将第二聚合特征与第二门控权重的乘积作为第二贡献分量,将节点的上一层输入特征分别与第一贡献分量和第二贡献分量进行计算,得到节点在当前层的更新后特征。
28、可选的,所述节点级自适应门控模块中的根据镜像节点对中指标异常标记将第二门控权重设为0或1具体包括:
29、节点级自适应门控模块读取检验报告数据中与镜像节点对各节点对应的检验项目异常标记,异常标记由检验项目测量值与预设正常值范围比较后生成,测量值低于参考范围下限或高于参考范围上限时标记为异常,测量值处于参考范围下限与上限之间时标记为正常;
30、当镜像节点对中任意一个节点对应的检验项目异常标记为异常而另一个节点对应的检验项目异常标记为正常时,将镜像节点对所对应的第二门控权重赋值为0,同时将第一门控权重赋值为1,节点更新仅依赖第一聚合特征;
31、当镜像节点对中两个节点对应的检验项目异常标记均为正常时,将镜像节点对所对应的第二门控权重赋值为1,同时将第一门控权重赋值为0,节点更新仅依赖第二聚合特征;
32、节点级自适应门控模块将赋值后的第一门控权重和第二门控权重分别乘以对应的聚合特征后参与当前残差图卷积层的节点特征更新。
33、可选的,所述对称感知残差卷积模块的计算镜像节点对间的特征差异值作为对称一致性约束项具体包括:
34、从各残差图卷积层提取各节点的第二聚合特征,对第二图分支中每一镜像节点对,计算左侧节点第二聚合特征与右侧节点第二聚合特征之间的欧氏距离作为特征差异值,将特征差异值映射至[0,1]区间后作为镜像节点对在当前层的原始对称一致性约束值;
35、对称感知残差卷积模块接收节点级自适应门控模块输出的第二门控权重,将原始对称一致性约束值与第二门控权重相乘,得到加权后的对称一致性约束值;
36、对称感知残差卷积模块将所有镜像节点对在所有残差图卷积层上的加权后对称一致性约束值取均值,作为全局对称一致性约束损失项,将全局对称一致性约束损失项与分类输出模块的主损失函数相加,形成联合优化目标。
37、可选的,所述自配对正则化训练模块的对第二图分支执行翻转增强具体包括:
38、自配对正则化训练模块在训练阶段对第二图分支执行水平翻转增强,以镜像节点配对关系为基准,将第二图分支中各镜像节点对中左侧节点的特征与右侧节点的特征进行互换,保持节点之间的边连接关系和超边连接关系不变,生成翻转后的第二图分支;
39、自配对正则化训练模块将原始第二图分支和翻转后的第二图分支分别输入残差图卷积层堆叠模块,获得原始第二图分支对应的各节点第二聚合特征和翻转后第二图分支对应的各节点第二聚合特征;
40、自配对正则化训练模块对原始第二图分支中的各节点,在翻转后的第二图分支中定位节点对应的镜像配对节点,计算节点在原始第二图分支中的第二聚合特征与镜像配对节点在翻转后第二图分支中的第二聚合特征之间的均方误差,将所有节点的均方误差取均值作为一致性约束损失项,将一致性约束损失项与分类输出模块的主损失函数相加。
41、可选的,所述特征融合模块的对各残差图卷积层输出的聚合特征进行跨层拼接生成融合特征矩阵具体包括:
42、特征融合模块从各残差图卷积层提取各节点的第一聚合特征和第二聚合特征,获得n组特征矩阵,每组包含所有节点在当前层的第一聚合特征和第二聚合特征;
43、特征融合模块将n组特征矩阵沿特征维度进行拼接,以各节点的原始输入特征向量作为基准,将第1层至第n层中同一节点的第一聚合特征依次排列于基准特征之后,再将第1层至第n层中同一节点的第二聚合特征依次排列于第一聚合特征之后,形成节点的跨层融合特征向量;
44、特征融合模块将所有节点的跨层融合特征向量按节点顺序排列,构成融合特征矩阵。
45、可选的,所述分类输出模块的对融合特征矩阵进行映射生成审核结果及临床描述文本具体包括:
46、分类输出模块对融合特征矩阵执行全局平均池化,得到固定长度的全局特征向量,将全局特征向量输入第一全连接分类器,经softmax激活后输出各预设审核类别的概率分布,以概率最大值对应的类别作为审核分类结果,审核类别包括正常、异常待复核、危急值预警三个类别;
47、分类输出模块将全局特征向量与审核分类结果对应的类别嵌入向量进行拼接,将拼接后的向量输入基于transformer的解码器,解码器以自回归方式逐词生成临床描述文本,临床描述文本包含检验项目异常项列举、异常指标偏离程度描述、与镜像节点对的比对结果、以及基于比对结果的临床提示;
48、分类输出模块将审核分类结果和临床描述文本作为系统输出,审核分类结果以结构化标签形式输出,临床描述文本以自然语言形式输出。
49、本发明的有益效果是:
50、(1)本发明通过双图分支构建模块,将检验指标数值相似性关联与解剖结构镜像配对先验知识分离建模,使模型能够显式区分功能性关联与结构性关联,相比于单一图结构的检验报告审核方法,解决了多类型医学关联混杂建模导致的推理精度下降问题,在双侧对称器官相关的检验异常检测中敏感性提升。
51、(2)本发明通过节点级自适应门控模块,根据镜像节点对中单侧异常或双侧正常两种状态将第二门控权重设为0或1,使第二图分支在双侧正常时充分传递对称先验约束、在单侧异常时完全解除约束以保留单侧病变特征,相比于固定权重的多分支融合方法,解决了正常侧特征对异常侧特征的信息干扰问题。
52、(3)本发明通过对称感知残差卷积模块计算镜像节点对间的特征差异值作为对称一致性约束项,并由第二门控权重调节约束项的松弛强度,使网络在训练过程中显式学习双侧对称结构的内在规律,相比于无对称先验的图卷积网络,镜像节点对间的特征差异值降低,双侧正常样本的输出特征趋于一致。
53、(4)本发明通过自配对正则化训练模块对第二图分支执行翻转增强,并对翻转前后的节点特征输出施加一致性约束,使模型在训练过程中内化双侧对称结构的位置不变性,相比于仅依赖原始数据分布的模型,在镜像翻转后的输入数据上输出特征偏差减小,模型泛化能力提升。
54、(5)本发明通过残差图卷积层堆叠模块与跨层特征融合,将各层输出的聚合特征进行跨层拼接生成融合特征矩阵,使浅层局部结构信息与深层全局语义信息在分类输出模块中共同参与审核决策,相比于仅使用最后一层特征的方法,分类准确率提升。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com