高血压超关系知识图谱建模及用药决策推理实践

传统的知识建模方法在医学场景下面临着知识复杂性高、难以通过传统三元组的方式精确表达等问题,需要研究新的本体对医学知识进行建模。该文提出一种应用于高血压领域的三层超关系知识图谱模型(Triple-view Hypertension Hyper-relational Knowledge Graph,THH-KG),该方法基于超关系知识图谱模型搭建计算层、概念层、实例层三层图谱架构,实现多元的医学逻辑规则、概念知识和实例知识的联合表达。此外,该文还提出了在普通图数据库中超关系知识图谱的通用存储方法,且基于该方法设计了高血压知识图谱推理解释引擎(Hypertension Knowledge Graph Reasoning Engine,HKG-RE),实现了基于医学规则的用药推荐辅助决策应用。上述方法在对108位真实高血压患者的用药推荐实验中正确率达到了97.2%。

基于双模态深度学习模型诊断及鉴别诊断nAMD和PVC的研究

目的:研究开发基于双模态深度学习算法的自动区分眼底影像和光学相干断层扫描(OCT)影像的智能辅助诊断系统Wet-AMD-Net,用于新生血管性年龄相关性黄斑变性(nAMD)和息肉状脉络膜血管病变(PCV)的诊断及鉴别诊断。方法:选取临床确诊的nAMD患者和PCV患者共56例纳入研究,所有患者均进行彩色眼底照相和OCT检查,筛选体征典型和图像分辨率高的影片图像,分别对图像中的异常征象进行人工标注和分类,采用VGG16卷积神经网络构建智能模型,用小样本进行训练,然后对模型的同构和异构以及不同的融合策略进行对比实验并与人工实验对比。结果:本研究共纳入56例患者的123张彩色眼底影像和545张OCT影像,VGG16卷积神经网络的F1值、Kappa值、ROC曲线下面积(AUROC)、召回率、精确度分别达到0.9798、0.9550、0.9881、0.9792、0.9821,超过了4位眼科临床医生的平均水平。结论:基于双模态深度学习算法的智能辅助诊断系统结合眼底影像和OCT图像可准确诊断nAMD和PCV并实现二者的互相鉴别,表现出良好的诊断效能,为临床提供了新的诊断工具。