(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210291079.2 (22)申请日 2022.03.23 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 吕旭东　李梦阳　段会龙　蔡海领　 (74)专利代理 机构 杭州天勤知识产权代理有限 公司 33224 专利代理师 曹兆霞 (51)Int.Cl. G16H 50/70(2018.01) G16H 10/60(2018.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图神经网络的电子病历检索方法 及装置 (57)摘要 本发明公开了一种基于图神经网络的电子 病历检索方法， 包括： 获得电子病历中医疗实体 的共现矩阵， 将医疗实体与祖先医疗实体的共现 信息加入到医疗实体共现矩 阵得到增强医疗实 体共现矩阵， 采用GloVe模型提取每个医疗实体 向量表示和患者向量表示， 电子病历异构图包括 医疗实体节点， 患者节点， 医疗实体间链接真实 关系和患者与医疗实体链接真实关系； 将电子病 历异构图输入至图神经网络分别得到患者节点 输出向量表 示和医疗实体节点输出向量表示， 患 者与医疗实体链接关系概率； 医疗实体间链接关 系概率； 利用总损失函数训练图神经网络， 更新 参数得到最终图神经网络； 该方法能够准备预测 患者与医疗实体的关联概 率。 权利要求书3页 说明书6页 附图2页 CN 114639483 A 2022.06.17 CN 114639483 A 1.一种基于图神经网络的电子病历检索方法， 其特 征在于， 包括： (1)获得电子病历中医疗实体的共现矩阵， 遍历医疗本体知识ICD编码得到医疗实体对 应的多个祖先医疗实体， 将医疗实体与祖先医疗实体的共 现信息加入到医疗实体共现矩阵 得到增强医疗实体共现矩阵， 基于增强医疗实体共现矩阵采用GloVe模型提取每个医疗实 体向量表示， 将与患者关联的多个医疗实体向量表示的聚合结果作为患者向量表示； (2)构建电子病历异构图， 电子病历异构图包括医疗实体节点， 患者节点， 医疗实体间 链接真实关系和患者与医疗实体链接真实关系； 其中， 将每个医疗实体向量表示作为每个医疗实体节点的初始属性， 将每个患者向量 表示作为每个患者节 点的初始属性， 将相关的医疗实体进 行连接得到医疗实体间链接 真实 关系， 将关联的医疗实体和患者进行 连接得到患者与医疗实体链接真实关系； (3)将电子病历异构图输入至GraphSAGE图神经网络分别得到患者节点输出向量表示 和医疗实体节点输出向量表示； 基于患者节点输出向量表示和医疗实体节点输出向量表示 采用激活函数得到患者与医疗实体链接 关系概率； 基于医疗实体节点输出向量表示采用激 活函数得到医疗实体间链接关系概 率； (4)构建总损失函数， 总损失函数包括第一损失函数、 第 二损失函数和多任务加权损失 函数； 通过患者与医疗实体链接真实关系和患者与医疗实体链接关系概率的交叉熵构建第 一损失函数； 通过医疗实体间链接真实关系和医疗实体与医疗实体链接关系概率的交叉熵构建第 二损失函数； 通过第一损失函数的损失值和第二损失函数的损失值构建多任务加权损失函数； (5)利用总损失函数训练GraphSAGE图神 经网络， 更新参数得到最终GraphSAGE图神 经 网络； (6)应用时， 将医疗实体向量表示和患者向量表示输入至最终GraphSAGE图神经网络预 测得到医疗实体与患者的关联概 率。 2.根据权利要求1所述的基于图神经网络的电子病历检索方法， 其特征在于， 获得电子 病历中医疗实体的共现矩阵包括： 将每个患者在每次就诊记录中每两个医疗实体出现的频次积作为每两个医疗实体的 共现信息， 基于每两个医疗实体的共现信息构建了每次就诊记录共现矩阵， 将每个患者的 多次就诊记录共现矩阵进 行加和得到每个患者电子病历共 现矩阵， 将多个患者电子病历共 现矩阵进行加 和得到电子病历中 医疗实体的共现矩阵。 3.根据权利要求1所述的基于图神经网络的电子病历检索方法， 其特征在于， 遍历医疗 本体知识ICD编码得到医疗实体对应的多个祖 先医疗实体， 包括： 将每个医疗实体作为叶子节点， 通过自下而上的遍历医疗本体知识ICD编码得到叶子 节点对应的多个祖先节点， 提取多个祖先节点对应的医疗实体得到祖先医疗实体， 并得到 在医疗本体知识ICD编码 中每个医疗实体与祖先医疗实体的共现信息， 将该共现信息加入 到医疗实体共现矩阵， 以扩展医疗实体共现矩阵。 4.根据权利要求1所述的基于图神经网络的电子病历检索方法， 其特征在于， 基于增强 医疗实体共现矩阵采用Gl oVe模型提取每 个医疗实体向量表示， 包括：权　利　要　求　书 1/3 页 2 CN 114639483 A 2设定每个 医疗实体的初始向量表示， 输入至GloVe模型， 通过目标函数训练得到每个 医 疗实体向量表示， 其中， 目标函数J为： 其中， Mij为增强医疗实体共现矩阵中的第i实体向量与第j实体向量的共现积， |D|为医 疗实体的数量， ej为第j个医疗实体的向量表 示， ei为第i个医疗实体的向量表 示， bi为第i个 医疗实体的偏置参数， bj为第j个医疗实体的偏置参数。 5.根据权利要求1所述的基于图神经网络的电子病历检索方法， 其特征在于， 将与患 者 关联的多个医疗实体向量表示的聚合结果作为患者向量表示， 聚合操作包括求和、 平均、 最 大值或最小值。 6.根据权利要求1所述的基于图神经网络的电子病历检索方法， 其特征在于， 将电子病 历异构图输入至 GraphSAGE图神经网络 分别得到患者节 点输出向量表 示和医疗实体节点输 出向量表示， 包括： 将当前层邻 居节点向量表示与患者节点上一层输出向量表示进行GraphSAGE中的Mean   aggregat or聚合得到患者节 点输出向量表 示， 通过当前层邻居节 点向量表 示与医疗实体节 点上一层输出 向量表示进行GraphSAGE中的Mean  aggregator聚合得到医疗实体节点输出 向量表示； 其中， 当前层邻居节点向量表示 为： 其中， r为医疗实体间链接真实关系或患者与医疗实体链接真实关系， R为链接真实关 系的集合， u为邻居节点， v为当前节点， N(r)(v)为当前节点v在r链接真实关系上的邻居节 点， 为上一层的邻居节点向量表示， l为当前层， AGGREGATE( ·)为将当前节点v的邻居 信息合并在一 起的聚合 运算； 医疗实体节点输出向量表示 为： 其中， 为上一层医疗实体节点 d的向量表示， Wd为医疗实体节点d的权重参数， MEAN (·)为取平均值 函数， σ(·)为激活函数； 患者节点输出向量表示 为： 其中， 为上一层患者节点p的向量表示， Wp为患者节点p的权 重参数。 7.根据权利要求1所述的基于图神经网络的电子病历检索方法， 其特征在于， 多任务加 权损失函数L 为：权　利　要　求　书 2/3 页 3 CN 114639483 A 3