基于医学知识图谱的疾病类别评估装置及方法

1.本发明涉及计算机技术领域，尤其涉及一种基于医学知识图谱的 疾病类别评估装置及方法。


背景技术：

2.目前基于移动互联网技术和移动智能终端，医疗互联网化进程加 快，我国三大运营商移动用户总数达15.98亿用户，其中，我国互联网 医疗用户2015年突破1亿，2017年达到3.8亿人。根据中商产业研究 院发布的《2018
‑
2022年移动医疗行业市场前景及投资机会研究报告》 数据，得益于知识付费时代和医药电商政策放开，互联网医疗产业市 场规模快速增长，2017年达到231.4亿元，预计2020年互联网医疗市 场规模将超越1000亿元。随着移动智能终端的普及，不断涌现的种类 繁多的移动医疗软件，将为医院和百姓提供更为便捷的医疗资讯和诊 疗服务。其中，医疗信息查询、网上预约挂号用户使用率最高，分别 达到10.8％、10.4％，其次为网上咨询问诊、网购药品/医疗器械/健康 产品、运动健身管理，占网民比例在6％左右。在《关于促进“互联网 +医疗健康”发展的意见》颁布实施后，我国主要医疗机构都相继建立 其互联网医院，各互联网医疗机构也风起云涌，互联网医疗已经覆盖 了临床医学的多个学科，包括内、外、妇、儿、康复、护理、监护、 影像、口腔、五官、精神病、皮肤、心理以及医学教育等。但是主要 开展了以挂号与轻问诊等形式的互联网医疗业务，也取得了一些重要 进展。当前我国发展的互联网医疗，基本上集中在医疗业务流程优化、 轻问诊环节，遇到突发重大公共卫生事件几乎就束手无策。随着大数 据、人工智能等前沿技术在互联网医疗中的运用，互联网医疗将在医 疗体系中发挥越来越大的作用，也有望在应对大规模突发疫情时发挥 关键作用。
3.

技术实现要素：

4.针对现有技术中存在的问题，本发明实施例提供一种基于医学知 识图谱的疾病类别评估装置及方法。
5.第一方面，本发明实施例提供一种基于医学知识图谱的疾病类别 评估装置，包括：
6.获取模块，用于获取n维病状特征；
7.确定模块，用于将所述n维病状特征输入至基于医学知识图谱的 疾病类别评估模型，得到与所述n维病状特征对应的所属疾病类别； 其中，所述基于医学知识图谱的疾病类别评估模型为采用n维病状特 征样本作为输入数据，以及与所述n维病状特征样本对应的所属疾病 类别作为输出数据，输出数据是基于机器学习算法训练得到的。
8.进一步地，所述基于医学知识图谱的疾病类别评估模型具体包括：
9.数据标注模块，用于提取k个类别的疾病样本的n维病状特征；
10.模型训练模块，用于基于所述k个类别的疾病样本的n维病状特 征，采用高斯核函
数的成对分类的多分类支持向量机算法构建分类模 型进行模型训练；
11.知识图谱检索模块，用于基于预设的医学知识图谱通过关键字段 进行知识检索，确定与所述关键字段对应的n维病状特征；
12.评估模块，用于将与所述关键字段对应的n维病状特征输入到所 述分类模型进行评估，确定与所述n维病状特征样本对应的所属疾病 类别。
13.进一步地，所述医学知识图谱存储有图数据库；
14.相应地，所述知识图谱检索模块，具体用于：
15.基于图数据库通过关键字段进行知识检索；
16.所述图数据库返回与所述关键字段关联的节点和属性；
17.基于与所述关键字段关联的节点和属性确定与所述关键字段对应 的n维病状特征。
18.进一步地，所述装置，还包括：
19.数据查询模块，用于基于医学知识数据库随机抽取数据，将抽取 到的数据导入到标注平台中；
20.先验标注模块，用于基于所述标注平台预设的标注规则对导入的 数据进行标注；
21.数据保存模块，用于将标注好的数据保存到已标注的数据库中。
22.进一步地，所述评估模块，具体用于：
23.将与所述关键字段对应的n维病状特征按照训练过程中记录的每 一类独立模型对应的病状特征记录表输入到所述分类模型进行评估计 算，并对每一类独立模型的预测结果进行投票决策，确定与所述n维 病状特征样本对应的评估分值；
24.基于所述评估分值确定所属疾病类别。
25.进一步地，所述基于医学知识图谱的疾病类别评估模型，还包括：
26.数据采集模块，用于基于医学知识数据库采集医学数据；
27.数据清洗模块，用于对医学知识数据库采集到的医学数据进行数 据清洗。
28.进一步地，还包括：
29.基于知识抽取模块、知识融合模块和知识存储模块构建医学知识 图谱；其中，所述知识抽取模块用于提取k个类别的疾病样本的n维 病状特征数据之间的关联关系；所述知识融合模块用于基于k个类别 的疾病样本的n维病状特征数据之间的关联关系提取不同关系的相似 性及差异性，并基于不同关系的相似性及差异性进行合并或区分；所 述知识存储模块用于对知识抽取模块和知识融合模块中的数据进行存 储。
30.第二方面，本发明实施例提供了一种基于医学知识图谱的疾病类 别评估方法，包括：
31.获取n维病状特征；
32.将所述n维病状特征输入至基于医学知识图谱的疾病类别评估模 型，得到与所述n维病状特征对应的所属疾病类别；其中，所述基于 医学知识图谱的疾病类别评估模型为采用n维病状特征样本作为输入 数据，以及与所述n维病状特征样本对应的所属疾病类别作为输出数 据，输出数据是基于机器学习算法训练得到的。
33.进一步地，所述基于医学知识图谱的疾病类别评估模型，包括：
34.提取k个类别的疾病样本的n维病状特征；
35.基于所述k个类别的疾病样本的n维病状特征，采用高斯核函数 的成对分类的多分类支持向量机算法构建分类模型进行模型训练；
36.基于预设的医学知识图谱通过关键字段进行知识检索，确定与所 述关键字段对应的n维病状特征；
37.将与所述关键字段对应的n维病状特征输入到所述分类模型进行 评估，确定与所述n维病状特征样本对应的所属疾病类别。
38.进一步地，所述医学知识图谱存储有图数据库；
39.相应地，基于预设的医学知识图谱通过关键字段进行知识检索， 确定与所述关键字段对应的n维病状特征，具体包括：
40.基于图数据库通过关键字段进行知识检索；
41.所述图数据库返回与所述关键字段关联的节点和属性；
42.基于与所述关键字段关联的节点和属性确定与所述关键字段对应 的n维病状特征。
43.第三方面，本发明实施例还提供了一种电子设备，包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处 理器执行所述程序时实现如上第二方面所述的基于医学知识图谱的疾 病类别评估方法的步骤。
44.第四方面，本发明实施例还提供了一种非暂态计算机可读存储介 质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上 第二方面所述的基于医学知识图谱的疾病类别评估方法的步骤。
45.由上述技术方案可知，本发明实施例提供的基于医学知识图谱的 疾病类别评估装置及方法，通过获取模块，用于获取n维病状特征； 通过确定模块，用于将所述n维病状特征输入至基于医学知识图谱的 疾病类别评估模型，得到与所述n维病状特征对应的所属疾病类别； 其中，所述基于医学知识图谱的疾病类别评估模型为采用n维病状特 征样本作为输入数据，以及与所述n维病状特征样本对应的所属疾病 类别作为输出数据，基于机器学习算法训练得到的。本实施例能够借 助大数据及人工智能技术弥补在线优质医疗资源不足的现状，并为远 程问诊提供有效支援。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通 技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图 获得其他的附图。
47.图1为本发明一实施例提供的基于医学知识图谱的疾病类别评估 装置的结构示意图；
48.图2为本发明另一实施例提供的基于医学知识图谱的疾病类别评 估装置的结构示意图；
49.图3为本发明一实施例提供的基于医学知识图谱的疾病类别评估 方法的流程示意图；
50.图4为本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
51.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结 合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地 描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的 实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创 造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。 下面将通过具体的实施例对本发明提供的基于医学知识图谱的疾病类 别评估装置进行详细解释和说明。
52.图1为本发明一实施例提供的基于医学知识图谱的疾病类别评估 装置的结构示意图，如图1所示，该方法包括：获取模块201和确定 模块202，其中：
53.其中，获取模块201，用于获取n维病状特征；
54.确定模块202，用于将所述n维病状特征输入至基于医学知识图 谱的疾病类别评估模型，得到与所述n维病状特征对应的所属疾病类 别；其中，所述基于医学知识图谱的疾病类别评估模型为采用n维病 状特征样本作为输入数据，以及与所述n维病状特征样本对应的所属 疾病类别作为输出数据，输出数据是基于机器学习算法训练得到的。
55.在本实施例中，需要说明的的是，n维病状特征如头晕、头痛、 发热、眼睛干涩、眼睛红肿、眼花、流眼泪、鼻子不通气、鼻头肿胀、 以及胃疼、岔气、胸闷、酸痛、等等身体不适症状，即视为n维病状 特征。
56.在本实施例中，需要说明的的是，基于医学知识图谱的疾病类别 评估模型依靠医学知识图谱与临床知识库构建而成，如中医药知识图 谱、中文医学知识图谱cmekg2.0版(由鹏城实验室人工智能研究中 心智慧健康医疗课题组、北京大学计算语言学研究所、郑州大学自然 语言处理实验室共同构建的中文医学知识图谱)、及生物医学知识图 谱等等，如快杏方(just for health)研发的临床知识库查询系统(临床 知识库查询系统是一个集成了国内外权威医药信息源的数据库查询平 台，
57.系统收载了临床用药所需的各类信息，如药品说明书、临床指南、中 医方剂大全等等，是医生、药师等医疗卫生技术人员获取医药信息的 有效工具)、临床诊疗知识库v3.2及人卫临床知识库等等。
58.在本实施例中，将所述n维病状特征输入至基于医学知识图谱的 疾病类别评估模型，得到与所述n维病状特征对应的所属疾病类别； 其中，所述基于医学知识图谱的疾病类别评估模型为采用n维病状特 征样本作为输入数据，以及与所述n维病状特征样本对应的所属疾病 类别作为输出数据，基于机器学习算法训练得到的。举例来说，将恶 心、呕吐、腹泻三维病状特征输入至基于医学知识图谱的疾病类别评 估模型，得到与所述三维病状特征对应的所属疾病类别即肠胃炎；举 例来说，将“恶心”、“呕吐”，甚至可能会存在有“嗜睡”，并且 也会造成有“尿频”、“尿急”五维病状特征输入至基于医学知识图 谱的疾病类别评估模型，得到与所述五维病状特征对应的所属疾病类 别即怀孕，在该实例中需要说明的是，怀孕不能严格属于一种疾病类 别，但由于怀孕存在一些最初症状，基于机器学习算法训练得到的疾 病类别评估模型即可适用。
59.在本实施例中，需要说明的是，基于医学知识图谱的疾病类别评 估模型，可以包括数据标注模块、模型训练模块、知识图谱检索模块 及评估模块中的一种或多种，其中，数据标注模块，用于提取不同类 别的疾病样本的多维度信息，从而建立基础标准，作为模型
训练的基 础数据；模型训练模块，采用成对分类的多分类支持向量机算法，以 疾病多维度特征为输入，以疾病种类为输出训练模型；知识图谱检索 模块，用于通过疾病名称、关键字、字段等，从知识图谱数据库中检 索出该疾病名称或关键字或字段的相关多维度特征；评估模块，用于 根据输入该疾病多维度特征，经过评估模型计算，输出该疾病大概率 所属的疾病类别。
60.由上面技术方案可知，本发明实施例提供的基于医学知识图谱的 疾病类别评估装置，通过获取模块，用于获取n维病状特征；通过确 定模块，用于将所述n维病状特征输入至基于医学知识图谱的疾病类 别评估模型，得到与所述n维病状特征对应的所属疾病类别；其中， 所述基于医学知识图谱的疾病类别评估模型为采用n维病状特征样本 作为输入数据，以及与所述n维病状特征样本对应的所属疾病类别作 为输出数据，输出数据是基于机器学习算法训练得到的。本实施例能 够借助大数据及人工智能技术弥补在线优质医疗资源不足的现状，并 为远程问诊提供有效支援。如解决某疫情或大规模疾病情形下，出现 优质医疗资源被调往线下救治患者的情况，依靠本装置即能够弥补在 线优质医疗资源不足，并为远程问诊提供智力支援。
61.在上述实施例基础上，在本实施例中，所述基于医学知识图谱的 疾病类别评估模型具体包括：
62.数据标注模块，用于提取k个类别的疾病样本的n维病状特征；
63.模型训练模块，用于基于所述k个类别的疾病样本的n维病状特 征，采用高斯核函数的成对分类的多分类支持向量机算法构建分类模 型进行模型训练；
64.知识图谱检索模块，用于基于预设的医学知识图谱通过关键字段 进行知识检索，确定与所述关键字段对应的n维病状特征；
65.评估模块，用于将与所述关键字段对应的n维病状特征输入到所 述分类模型进行评估，确定与所述n维病状特征样本对应的所属疾病 类别。
66.在本实施例中，需要说明的是：
67.所述数据标注模块，提取不同类别的疾病样本的多维度信息，建 立基础标准，作为模型训练的基础数据；
68.所述模型训练模块，即现将已知k个不同类别的疾病样本数据， 提取其n维信息，采用高斯核函数的成对分类的多分类支持向量机方 法构建具体的分类模型，实现输入数据特征等信息，输出所属疾病类 别的评估模型，且该算法可以实现小数据量下疾病类别确认率评价模 型的训练。
69.所述知识图谱检索模块，是对已构建的医学知识图谱根据关键字 进行知识检索，返回疾病的医学知识图谱各维度信息。
70.所述评估模块，用于将由知识图谱检索模块查询到的疾病相关各 维度数据信息，输入到训练模块训练完成的多分类支持向量机评估模 型，并输出该疾病大概率所属的疾病类别。
71.在本实施例中，需要说明的是，多分类支持向量机是一类按监督 学习方式对数据进行多元分类的广义线性分类器，其决策边界是对学 习样本求解的最大边距超平面。
72.这里具体说明成对的多分类支持向量机投票模型的模型构建步 骤。
73.首先，输入已知疾病的样本集，假设其样本数为m，疾病的特征 维度为n，已知k种
疾病，即样本集
74.因为支持向量机是一种二元分类方法，而本实施例需要将样本集 分为k类(即k种疾病)，这里采用成对分类的多分类支持向量机方 法。在每两类之间都构造一个二元支持向量机，本实施用d
ij
表示第i 种疾病类与第j种疾病类之间的二元支持向量机决策边界，因此本实施 例便用个决策边界将训练集分成了k类。
75.由于对于疾病的样本集而言，无法确定其一定线性可分，因此本 实施先用一个线性变换函数将n维度特征映射到高维度的线性可 分空间中。而这个线性变换选取高斯核函数：
[0076][0077]
因此，在高维度线性可分空间中，本实施的支持向量机的优化问 题转换为：
[0078][0079]
求解这个问题，本实施例便将已知的疾病样集作为训练集分类成k 类，对于一个新来的位置疾病的数据，本实施只需要将其放到模型中， 便可推测其所属疾病分类。
[0080]
针对现有技术缺乏对医学知识的深层次挖掘和分析，难以提升评 估疾病所属疾病类别的准确率的问题，本发明实施例提供的基于医学 知识图谱的疾病类别评估装置，通过数据标注模块，提取不同类别的 疾病样本的多维度信息，建立基础标准，作为模型训练的基础数据； 通过模型训练模块，以疾病多维度特征为输入，以已知的不同种类的 疾病的数据集训练模型，使用成对分类的多分类支持向量机方法训练 分类模型；通过知识图谱检索模块，根据疾病名称，从知识图谱数据 库中检索出该疾病的相关多维度特征；评估模块，根据输入该疾病多 维度特征，经过评估模型计算，输出该疾病大概率所属的疾病类别， 从而提高在线确定疾病类别的正确率。
[0081]
在上述实施例基础上，在本实施例中，所述医学知识图谱存储有 图数据库；
[0082]
相应地，所述知识图谱检索模块，具体用于：
[0083]
基于图数据库通过关键字段进行知识检索；
[0084]
所述图数据库返回与所述关键字段关联的节点和属性；
[0085]
基于与所述关键字段关联的节点和属性确定与所述关键字段对应 的n维病状特征。
[0086]
在本实施中，需要说明的是，针对知识图谱检索模块，本发明实 施例提供的基于医学知识图谱的疾病类别评估装置通过输入疾病名称 关键字，在知识图谱存储的图数据库中，进行查找，返回和该疾病节 点关联的节点、属性等信息，从而确定与所述关键字段对应的n维病 状特征。
[0087]
在上述实施例基础上，在本实施例中，所述装置，还包括：
[0088]
数据查询模块，用于基于医学知识数据库随机抽取数据，将抽取 到的数据导入到标注平台中；
[0089]
先验标注模块，用于基于所述标注平台预设的标注规则对导入的 数据进行标注；
[0090]
数据保存模块，用于将标注好的数据保存到已标注的数据库中。
[0091]
在本实施例中，需要说明的是，本发明实施例提供的基于医学知 识图谱的疾病类别评估装置，通过数据查询模块、先验标注模块以及 数据保存模块用于执行数据查询、先验标注、数据保存三个步骤。数 据查询，通过从医学知识数据库中随机抽取为进行标注的数据，将数 据导出到标注平台中；先验标注，通过标注平台的标注规则，医学专 家根据打分规则对数据进行标注；数据保存，标注好的医学疾病数据， 将通过标注平台将数据保存到已标注的疾病数据库中。
[0092]
在上述实施例基础上，在本实施例中，所述评估模块，具体用于：
[0093]
将与所述关键字段对应的n维病状特征按照训练过程中记录的每 一类独立模型对应的病状特征记录表输入到所述分类模型进行评估计 算，并对每一类独立模型的预测结果进行投票决策，确定与所述n维 病状特征样本对应的评估分值；基于所述评估分值确定所属疾病类别。
[0094]
在本实施例中，举例来说，评估模块用于执行特征提取和评估打 分两个步骤，即通过将知识图谱检索模块检索出的疾病相关数据进行 特征提取以后，按照训练过程中记录的每个独立模型对应的数据特征 记录表，将提取的特征数据输入到对应的训练模块的分类器模型中， 进行评估计算，并对所有独立模型的预测结果进行投票决策，最终输 出疾病评估分值，从而基于所述评估分值确定所属疾病类别。如输出 发烧疾病评估分值50分，输出感冒疾病评估分值60分，输出热伤风 疾病评估分值70分，则确定所属疾病类别为热伤风。
[0095]
在上述实施例基础上，在本实施例中，所述基于医学知识图谱的 疾病类别评估模型，还包括：
[0096]
数据采集模块，用于基于医学知识数据库采集医学数据；
[0097]
数据清洗模块，用于对医学知识数据库采集到的医学数据进行数 据清洗。
[0098]
在上述实施例基础上，在本实施例中，还包括：
[0099]
基于知识抽取模块、知识融合模块和知识存储模块构建医学知识 图谱；其中，所述知识抽取模块用于提取k个类别的疾病样本的n维 病状特征数据之间的关联关系；所述知识融合模块用于基于k个类别 的疾病样本的n维病状特征数据之间的关联关系提取不同关系的相似 性及差异性，并基于不同关系的相似性及差异性进行合并或区分；所 述知识存储模块用于对知识抽取模块和知识融合模块中的数据进行存 储。
[0100]
为了更好的理解本方案，下面结合图2进一步阐述本发明的内容， 但本发明不仅仅局限于下面的实施例。
[0101]
基于数据采集模块、数据清洗模块和数据标注模块构成数据预处 理模块；基于知识抽取模块、知识融合模块和知识存储模块构成知识 图谱生成模块；基于模型训练模块、匹配模块、查找模块、评估模块 构成推理模块。
[0102]
具体的，通过数据预处理模块与用户进行交互，并进行数据采集， 数据清洗，数据标注等，提取不同类别的疾病样本的多维度信息，建 立基础标准，作为模型训练的基础数据，为后续知识图谱构建做准备。 通过知识图谱生成模块，完成知识抽取，知识融合，知识存储等。通 过推理模块完成模型训练，特征匹配，特征查找，通过模型训练模块， 以疾病多维度特征为输入，以已知的不同种类的疾病的数据集训练模 型，使用成对分类的多分类支持向量机方法训练分类模型；通过知识 图谱检索模块，根据疾病名称，从知识图谱数据库
中检索出该疾病的 相关多维度特征；评估模块，根据输入该疾病多维度特征，经过评估 模型计算，输出该疾病大概率所属的疾病类别。并对结果进行合理评 估，生成疾病结果。其中，数据采集模块，对用户交互数据以及其他 医学数据进行采集。数据清洗模块，对采集到的数据进行基本的清洗。 数据标注模块，提取不同类别的疾病样本的多维度信息，建立基础标 准，作为模型训练的基础数据。知识抽取模块，提取不同类型疾病样 本的特征数据之间的关联关系。知识融合模块，提取不同关系之间的 相似性及差异性，对数据进行合并或区分。知识存储模块，对处理后 的知识进行数据存储。模型训练模块，即现将已知k个不同类别的疾 病样本数据，提取其n维信息，采用高斯核函数的成对分类的多分类 支持向量机方法构建具体的分类模型，实现输入数据特征等信息，输 出所属疾病类别的评估模型，且该算法可以实现小数据量下疾病确认 率评价模型的训练。知识图谱查找模块，是对已构建的医学知识图谱 根据关键字进行知识检索，返回疾病的医学知识图谱各维度信息。评 估模块，用于将由知识图谱检索模块查询到的疾病相关各维度数据信 息，输入到训练模块训练完成的多分类支持向量机评估模型，并输出 该疾病大概率所属的疾病类别。
[0103]
图3为本发明一实施例提供的基于医学知识图谱的疾病类别评估 方法的流程示意图，如图3所示，该方法包括：
[0104]
步骤101：获取n维病状特征。
[0105]
步骤102：将所述n维病状特征输入至基于医学知识图谱的疾病 类别评估模型，得到与所述n维病状特征对应的所属疾病类别；其中， 所述基于医学知识图谱的疾病类别评估模型为采用n维病状特征样本 作为输入数据，以及与所述n维病状特征样本对应的所属疾病类别作 为输出数据，输出数据是基于机器学习算法训练得到的。
[0106]
在上述实施例基础上，在本实施例中，所述基于医学知识图谱的 疾病类别评估模型，包括：
[0107]
提取k个类别的疾病样本的n维病状特征；
[0108]
基于所述k个类别的疾病样本的n维病状特征，采用高斯核函数 的成对分类的多分类支持向量机算法构建分类模型进行模型训练；
[0109]
基于预设的医学知识图谱通过关键字段进行知识检索，确定与所 述关键字段对应的n维病状特征；
[0110]
将与所述关键字段对应的n维病状特征输入到所述分类模型进行 评估，确定与所述n维病状特征样本对应的所属疾病类别。
[0111]
在上述实施例基础上，在本实施例中，所述医学知识图谱存储有 图数据库；
[0112]
相应地，基于预设的医学知识图谱通过关键字段进行知识检索， 确定与所述关键字段对应的n维病状特征，具体包括：
[0113]
基于图数据库通过关键字段进行知识检索；
[0114]
所述图数据库返回与所述关键字段关联的节点和属性；
[0115]
基于与所述关键字段关联的节点和属性确定与所述关键字段对应 的n维病状特征。
[0116]
本发明实施例提供的基于医学知识图谱的疾病类别评估方法具体 可以用于上述实施例的基于医学知识图谱的疾病类别评估装置，其技 术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。
[0117]
基于相同的发明构思，本发明实施例提供一种电子设备，参见图4， 电子设备具体包括如下内容：处理器301、通信接口303、存储器302 和通信总线304；
[0118]
其中，处理器301、通信接口303、存储器302通过通信总线304 完成相互间的通信；通信接口303用于实现各建模软件及智能制造装 备模块库等相关设备之间的信息传输；处理器301用于调用存储器302 中的计算机程序，处理器执行计算机程序时实现上述各装置实施例所 提供的装置，例如，处理器执行计算机程序时实现下述步骤：获取n 维病状特征；将所述n维病状特征输入至基于医学知识图谱的疾病类 别评估模型，得到与所述n维病状特征对应的所属疾病类别；其中， 所述基于医学知识图谱的疾病类别评估模型为采用n维病状特征样本 作为输入数据，以及与所述n维病状特征样本对应的所属疾病类别作 为输出数据，输出数据是基于机器学习算法训练得到的。
[0119]
基于相同的发明构思，本发明又一实施例还提供一种非暂态计算 机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执 行时实现以执行上述各装置实施例提供的装置，例如，获取n维病状 特征；将所述n维病状特征输入至基于医学知识图谱的疾病类别评估 模型，得到与所述n维病状特征对应的所属疾病类别；其中，所述基 于医学知识图谱的疾病类别评估模型为采用n维病状特征样本作为输 入数据，以及与所述n维病状特征样本对应的所属疾病类别作为输出 数据，输出数据是基于机器学习算法训练得到的。
[0120]
以上所描述的方法实施例仅仅是示意性的，其中作为分离部件说 明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件 可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以 分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全 部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创 造性的劳动的情况下，即可以理解并实施。
[0121]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解 到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然 也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现 有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软 件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光 盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机， 服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的 装置。
[0122]
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能 理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数 量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少 一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两 个，三个等，除非另有明确具体的限定。
[0123]
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来 将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或 者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且， 术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从 而使得包括一系列要素的过程、装置、物品或者设备不仅包括那些要 素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、 装置、物品或者设备所固有的要素。在没有更多限制的情况下，由语 句“包括一个
……”
限定的要素，并不排除在包括要素的过程、装置、 物品或者设备中还存在另外的相同要素。
[0124]
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施 例”、“示例”、“具
体示例”、或“一些示例”等的描述意指结合该实施例 或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一 个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须 针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料 或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此 外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描 述的不同实施例或示例以及不同实施例或示例的特征进行结合和组 合。
[0125]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而 非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领 域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技 术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修 改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案 的精神和范围。