基于消化内科疾病的关联识别方法及装置

本技术涉及关联识别，具体说是一种基于消化内科疾病的关联识别方法及装置。

背景技术：

1、在消化内科领域，消化内科疾病的关联识别一直是医疗工作者面临的重要挑战。传统的关联识别方法主要依赖医生的个人经验以及对患者症状、病史的初步判断，再结合有限的检查手段。然而，这种方式存在诸多局限性。一方面，消化内科疾病症状表现复杂多样且往往不具有特异性，许多疾病的早期症状相似，容易导致误诊和漏诊。例如，腹痛这一常见症状可能与胃溃疡、胆囊炎、阑尾炎、肠道炎症等多种疾病相关，仅凭单一的症状难以准确判断具体病因。另一方面，随着医学技术的不断发展，各种检查手段产生了海量的临床数据，但这些数据往往分散在医院的各个信息系统中，缺乏有效的整合和分析方法，医生难以在短时间内全面、准确地获取和利用这些数据来辅助诊断。因此构建一种能够有效整合知识和数据，并准确识别消化内科疾病关联识别的方案具有重要的现实意义和迫切的临床需求。

2、因此，如何克服上述存在的技术问题和缺陷成为需要重点解决的问题。

技术实现思路

1、为了克服现有技术中存在的上述问题，本技术提供了一种基于消化内科疾病的关联识别方法及装置，采用了如下的技术方案：

2、第一方面，本技术提供了一种基于消化内科疾病的关联识别方法，包括：

3、构建消化内科疾病的图数据结构；

4、基于图神经网络的信息传播和聚合过程，获取每个疾病节点在整个图数据结构中的综合特征表示；

5、获取待识别患者临床数据的特征向量与疾病节点特征向量之间的相似度，基于相似度值获取待识别患者与不同疾病之间的关联程度。

6、进一步地，所述构建消化内科疾病的图数据结构，包括：

7、基于不同渠道获取消化内科疾病的相关数据，并识别相关数据中的实体，其中实体包括的疾病实体、症状实体、检查实体和治疗实体；

8、基于聚类算法获取实体之间的关系；

9、将识别的实体作为节点，实体间的关系作为边，构建图数据结构。

10、进一步地，所述基于聚类算法获取实体之间的关系，具体内容包括：

11、基于每个实体描述其性质的特征，定义实体特征向量；

12、对实体特征向量进行标准化处理，获取标准化特征；

13、核心点判定：从数据集中任选一个未被访问的实体点p，计算p到其他所有实体点的距离，如果在p的邻域半径ε内，有至少minpts个实体点(包括p本身)，则p被标记为核心点；

14、簇的扩张：以核心点p为中心，找到核心点p邻域内的所有点，构成一个临时簇；对临时簇中的每个点检查它们是否为核心点，并将其邻域内符合条件的点也加入到临时簇中；通过不断递归进行，直到没有新的点可以加入到临时簇为止；

15、噪声点标记：对于既不是核心点，又没有被包含在任何簇中的点，标记为噪声点；

16、继续选择下一个未被访问的点，重复上述核心点判定、簇的扩张和噪声点标记的过程，直到所有的实体点都被访问过，获取实体的聚类结果；

17、分析每个簇内实体的共同特征，确定实体之间的紧密关系。

18、进一步地，所述基于图神经网络的信息传播和聚合过程，获取每个疾病节点在整个图数据结构中的综合特征表示，包括：

19、计算注意力系数：将图数据结构作为图神经网络的输入，在图神经网络的第一层对于每个疾病节点i和它的邻居节点j，将它们的特征向量hi和hj进行拼接，获取新的向量[hi||hj]，通过预设的线at([hi||hj])性变换及预设的激活函数获取注意力系数eij，其中注意力系数eij表示邻居节点j对疾病节点i的重要性。

20、进一步地，所述基于图神经网络的信息传播和聚合过程，获取每个疾病节点在整个图数据结构中的综合特征表示，还包括：

21、归一化：对于每个疾病节点i的所有邻居节点j的注意力系数eij进行归一化，得到注意力权重其中ni是节点i的邻居节点集合，每个邻居节点的注意力权重都在0到1之间，且同一疾病节点的所有邻居节点的注意力权重之和为1。

22、进一步地，所述基于图神经网络的信息传播和聚合过程，获取每个疾病节点在整个图数据结构中的综合特征表示，还包括：

23、信息聚合与节点更新：根据注意力机制αij对邻居节点的特征进行加权聚合，更新疾病节点的特征表示为其中w是一个可学习的权重矩阵，σ是激活函数(如relu)。通过这种方式，疾病节点能够根据邻居节点的重要性有选择地聚合信息，突出关键关联。

24、进一步地，所述基于图神经网络的信息传播和聚合过程，获取每个疾病节点在整个图数据结构中的综合特征表示，还包括：

25、将上一层输出的节点特征向量作为下一层的输入，重复上述计算注意力系数、归一化、信息聚合与节点更新的步骤，随着层数的增加，疾病节点能够融合更多跳邻居的信息；

26、将经过图神经网络所有层的信息传播和聚合后，最后一层输出的疾病节点特征向量就是在整个图数据结构中的综合特征表示。

27、第二方面，本技术还提供了一种基于消化内科疾病的关联识别装置，包括：

28、图数据结构构建模块，用于构建消化内科疾病的图数据结构。

29、综合特征表示获取模块，用于基于图神经网络的信息传播和聚合过程，获取每个疾病节点在整个图数据结构中的综合特征表示。

30、关联程度获取模块，用于获取待识别患者临床数据的特征向量与疾病节点特征向量之间的相似度，基于相似度值获取待识别患者与不同疾病之间的关联程度。

31、第三方面，本技术提供了一种电子设备，包括：

32、一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行如第一方面所述的方法。

33、第四方面，本技术提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面所述的方法。

34、第五方面，本技术提供了一种计算机程序，当所述计算机程序被计算机执行时，用于执行第一方面所述的方法。

35、在一种可能的设计中，第五方面中的程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。

36、本技术具有以下有益效果：

37、1.本技术通过构建消化内科疾病的图数据结构，将消化内科各种疾病之间的复杂关系，如病因关联、症状相似性、并发症关系等，以直观的图结构展示出来。相比于传统的表格或文本形式，图数据结构能够更清晰地呈现疾病之间的相互联系，便于医生和研究人员从整体上把握疾病的关系网络；本技术通过整合来自不同数据源的信息，如专业医学文献、临床指南、医院电子病历和专家经验等，将这些多维度、异构的数据转化为图数据结构中的节点和边，实现数据的统一表示和管理。

38、2.本技术通过基于图神经网络的信息传播和聚合过程，获取每个疾病节点在整个图数据结构中的综合特征表示，本技术通过图神经网络自动学习疾病节点之间的相互影响和关联，充分利用图的全局结构信息来生成每个疾病节点的特征表示，从而更全面、准确地描述疾病的特性；在消化内科疾病中，将患者的胃镜图像、病理报告文本、生理指标数值等多模态数据结合起来，通过图神经网络进行融合和学习，从而获得更丰富、更全面的疾病节点特征表示。

39、3.本技术通过获取待识别患者临床数据的特征向量与疾病节点特征向量之间的相似度，基于相似度值获取待识别患者与不同疾病之间的关联程度，为待识别患者提供个性化的疾病关联分析，通过将患者的临床数据特征与疾病节点特征进行相似度计算，可以准确地评估患者与不同消化内科疾病之间的潜在关联程度，为医生的决策提供了客观、量化的依据。本技术通过相似度值直观地反映患者与各种疾病的匹配程度，辅助医生在面对复杂的临床症状和多种可能的疾病判断时，更科学地判断患者最可能患有的疾病，减少误诊和漏诊的概率，提高诊断的准确性和可靠性。