【技术实现步骤摘要】
本专利技术涉及医疗人工智能的，尤其是涉及一种医疗大模型数据的增强方法、装置、电子设备和存储介质。
技术介绍
1、医疗临床事件(即医疗大模型数据)的建模与生成对于提升医疗大模型(如疾病预测、风险评估、个性化治疗推荐系统等)的训练效果与泛化能力极为重要。尤其适用于在真实数据有限、稀有疾病样本不足、数据分布偏移显著的医学场景中，进行数据的补充与质量增强。
2、传统的医疗大模型数据的建模与生成方法中，一方面，部分研究采用简单的随机采样或语言模型(如传统的rnn、lstm模型)来生成临床事件序列。具体为：使用标准rnn对病历时间序列进行建模，并预测未来临床事件。这类方法能够学习基本的时间序列模式，但由于未能充分建模医疗事件的异质性(诊断、治疗、检查类型不同)、并发性(多事件共现)以及病程阶段性演化，导致生成的临床事件序列往往缺乏医学逻辑一致性，无法保证临床合理性和可用性。
3、另一方面，一些近期研究引入了简单的基于transformer的生成模型(如med-bert衍生方法)，尝试在编码层面引入部分医疗本体(如疾病icd编...
【技术保护点】
1.一种医疗大模型数据的增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，对获取的历史临床数据进行向量嵌入表示，得到各临床事件的向量嵌入表示，并基于所述历史临床数据构建的医学知识图谱对各所述临床事件的向量嵌入表示进行结构增强，得到各临床事件的图谱增强表示，包括：
3.根据权利要求2所述的方法，其特征在于，基于各临床事件的图卷积嵌入表示对所述医学知识图谱中的各节点的多跳路径进行因果注意力加权，包括：
4.根据权利要求1所述的方法，其特征在于，采用多模块结构增强的临床事件自回归模型对各所述临床事件的图谱增强表示进行...
【技术特征摘要】
1.一种医疗大模型数据的增强方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，对获取的历史临床数据进行向量嵌入表示，得到各临床事件的向量嵌入表示，并基于所述历史临床数据构建的医学知识图谱对各所述临床事件的向量嵌入表示进行结构增强，得到各临床事件的图谱增强表示，包括：
3.根据权利要求2所述的方法，其特征在于，基于各临床事件的图卷积嵌入表示对所述医学知识图谱中的各节点的多跳路径进行因果注意力加权，包括：
4.根据权利要求1所述的方法，其特征在于，采用多模块结构增强的临床事件自回归模型对各所述临床事件的图谱增强表示进行临床事件自回归，包括：
5.根据权利要求1所述的方法，其特征在于，采用医学规则模板库对所述下一临床事件进行约束，包括：
【专利技术属性】
技术研发人员：杜邦，杨清霖，徐红霞，
申请(专利权)人：微医云杭州控股有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。