162 计算机应用与软件 2018 年笔记了解病人情况 IBM Watson [2] 主要依据医学文献关联症状和诊断结果 Babylon 人工智能健康咨询系 [3] 统根据用户与在线人工智能系统对话列举的症状给出初步诊断结果随着人们对健康的关注, 国内使用搜索引擎和浏览健康网站了解健康问题

Size: px

Start display at page:

Download "162 计算机应用与软件 2018 年笔记了解病人情况 IBM Watson [2] 主要依据医学文献关联症状和诊断结果 Babylon 人工智能健康咨询系 [3] 统根据用户与在线人工智能系统对话列举的症状给出初步诊断结果随着人们对健康的关注, 国内使用搜索引擎和浏览健康网站了解健康问题"

康焕焦
5 years ago
Views:

1 第 35 卷第 2 期计算机应用与软件 Vol 35 No 年 2 月 ComputerApplicationsandSoftware Feb.2018 基于病情自述和知识图谱的疾病辅助诊断 1 张利萍邢 1,2 凯周 3 慧 2 芮伟康丁 1 ( 中国科学技术大学苏州研究院江苏苏州 ) 1 玲 2 ( 中国科学技术大学计算机学院安徽合肥 ) 3 ( 苏州工业园区疾病防治中心江苏苏州 ) 摘要病情自述是网络疾病咨询中普遍的信息形式为了从这些不规范的数据中发现隐含疾病知识和用户语义提出一种无监督学习方法构建知识图谱, 并基于此进行疾病辅助诊断从同一疾病的病情自述提取特征关键词, 使用特征关键词的概率关联和语义关联构建特征关联网络在特征关联网络中找出描述疾病时常用的特征团模式, 基于特征团的语义关系构建知识图谱 ; 从知识图谱上抽取结构化特征, 利用结构化特征与病情自述文本的 Jaccard 系数完成病情自述的文本表示 ; 利用 SVM 实现病情自述的分类识别, 结果分类的微平均和宏平均都在 80% 以上研究能够用于疾病结构化知识发现和用户意图分析, 初步诊断病情自述疾病类型关键词病情自述知识图谱结构化特征文本表示辅助诊断中图分类号 TP39 文献标识码 A DOI: /j.isn x DISEASEAUXILIARYDIAGNOSISBASEDONDISEASEREADME ANDKNOWLEDGEGRAPH ZhangLiping 1 XingKai 1,2 ZhouHui 3 RuiWeikang 2 DingLing 1 1 (SuzhouResearchInstitute,UniversityofScienceandTechnologyofChina,Suzhou215123,Jiangsu,China) 2 (SchoolofComputerScienceandTechnology,UniversityofScienceandTechnologyofChina,Hefei230022,Anhui,China) 3 (DiseasePreventionandControlCenter,SuzhouIndustrialPark,Suzhou215021,Jiangsu,China) Abstract Diseasereadmeisprevalentform inonlineconsultation.anunsupervisedmethodtoconstructknowledge graphwasproposedtodiscoverlatentdiseaseknowledgeandusersemanticsandasistdiagnosis.firstofal,extract featurekeywordsfrom samediseasereadmeandconstructfeaturenetwithprobabilityandsemanticrelation.after discoveringthefrequentfeaturecliqueusedindescribingdiseasefrom thefeaturenet,theknowledgegraphwas constructedthroughthesemanticrelationbetweentwofeaturecliques.then,thestructuredfeaturewasextractedfrom knowledgegraphandthetextrepresentationofdiseasereadmewascompletedbycomputingjaccardindexbetweenevery structuredfeatureanddiseasereadme.attheend,themicro averageandmacro averagebothexceed80% byclasifying diseasereadmewithsvm.researchcanbeusedtodiscoverdiseasestructuredknowledge,analyseuserintendsand asistdiagnosisinitialyfordiseasereadme. Keywords Diseasereadme Knowledgegraph Structuredfeature Textrepresentation Auxiliarydiagnosis 0 引言医疗诊断在大数据驱动下朝着智能化方向发展人工智能可以通过对医疗数据智能化的推理和表示辅助诊断和治疗因医疗文本是医疗数据中应用最广泛的一种形式, 很多人工智能医疗辅助诊断研究基于医疗文本如 Apixio 的 iris [1] 主要利用医生诊断记录和收稿日期 : 国家自然科学基金项目 ( , ); 苏州市科技计划项目产业技术创新专项 ( 民生科技 SS201509); 苏州市科教兴卫青年科技项目 (KJXW ) 张利萍, 硕士生, 主研领域 : 医疗数据挖掘邢凯, 副教授周慧, 硕士芮伟康, 硕士生丁玲, 硕士生

2 162 计算机应用与软件 2018 年笔记了解病人情况 IBM Watson [2] 主要依据医学文献关联症状和诊断结果 Babylon 人工智能健康咨询系 [3] 统根据用户与在线人工智能系统对话列举的症状给出初步诊断结果随着人们对健康的关注, 国内使用搜索引擎和浏览健康网站了解健康问题的网民分别是 69.3% 和 75.6% [4] 统计好大夫在线网络咨询的数据, 每天有 3 万多病情描述产生, 一年有近千万的数据病情自述是患者对自身疾病症状或健康情况的描述, 包含了潜在的疾病知识这样规模的不规范数据仅靠人工来判读效率低代价高昂利用机器学习的手段进行疾病知识发现特征构建和智能辅助判别是未来的趋势知识发现实质上是一系列任务, 包括内容分析 [5], 查询与推荐 [6] [7], 文本分类和文本聚类 [8] 虽然典型的 LDA [9] 主题模型可以用于从海量文本中发现结构化知识, 但在短文本上效果不好在文本知识挖掘中, [10] 出现很多研究开始将图论统计和图模型等结合其中知识图谱在医疗文本挖掘和辅助推理中受到关注和研究微软 Azure 是一款人工智能医疗辅助服务, 通过健康搜索数据建立用户搜索意图知识库, 将医疗知识库和用户搜索意图知识库结合完成知识图谱构建, 让机器理解问题进行语义计算, 提供辅助问诊和自 [11] 动问答 Hyland 等使用概率生成模型将无结构化的文本统一到结构化的知识图谱, 推理医疗实体间概 [12] 率关系 Salid 等则使用 Wiki 临床医疗相关页面内容构建有向知识图谱, 每个节点是与疾病和医疗状况相关的一些症状, 利用知识驱动和深度学习结合的方 [13] 法提供诊断治疗等相关的方案 Shi 等提出一种模型对异构医学文本组织融合形成概念图谱, 基于语义推理从知识图谱上自动获取知识实现了很好的推理结果智能诊断需要医疗知识支持和对用户语义的理解, 所以对病情自述的挖掘具有研究意义病情自述是用户对疾病的描述, 体现用户认知的最佳个性化数据病情自述包含了疾病引起的特征 ( 症状病因等 ) 和描述疾病时的文本特征通过同一疾病的病情自述的研究, 可以发现该疾病的疾病知识和描述特征而每个有效的描述都是几个特征以团的形式的组合频繁出现的特征团可以作为判别疾病类型的知识依据基于特征团的语义关联, 我们提出为各类疾病构建知识图谱从知识图谱上抽取疾病的结构化特征, 使用它对病情自述进行文本表示, 并进行病情自述的疾病类型分类最后实验构建了 6 种疾病的知识图谱, 并对其进行分类识别研究分类结果微平均和宏平均都在 80%, 可以用于疾病辅助诊断知识图谱构建过程是无监督的, 适合影评和商品评论等文本的特征结构化分析和用户语义挖掘基于知识图谱进行的病情自述分类可以用于初步诊断病情自述的疾病, 从而服务于疾病知识推荐 1 特征关联网络一般的文本语义网络是根据特征共现构建, 而同一类型的文本, 如病情自述, 特征还具有一定的概率关联关系每种疾病的病情自述包含了其特有的症状和特征描述疾病时, 特征之间存在概率和语义的关联为了挖掘特征出现的模式, 基于同一疾病的病情自述文本, 为其构建特征关联网络, 具体的过程如下 1.1 文本预处理选择同一疾病的病情自述文本集为了提取疾病相关的所有可能特征关键词, 首先对文本数据进行清洗, 剔除重复和无效的病情自述文本然后使用中科院的 NLPIR 汉语分词系统分词和词性标注为保证疾病词和症状词能正确分词, 导入准备的疾病和症状词典, 然后去除停用词和无意义的单字, 得到初步的特征关键词集合在该疾病病情自述文本集合中, 计算关键词集中每个词的 TF IDF 值发现大量词 TF IDF 高, 但是与疾病是没有关系的根据标注的词性分析, 与疾病相关的词性主要有名词 n 形容词 a/an 动词 v 以及发现的新词通过词性过滤词集, 对符合词性的词 TF IDF 排序, 如图 1 所示, 颈椎病病情自述集合中提取的关键词的 TF IDF 折线图, 其中 ( 脖子, ),( 麻木,0.0460) 根据词性过滤后的特征关键词,TF IDF 越高, 与疾病特征相关度越大在这个过程中, 我们得到了一个疾病描述时所有相关特征词这些特征词总结了疾病的相关症状和潜在特征词图 1 通过词性过滤后的关键词 TF IDF 值 1.2 概率关联和语义关联特征或者症状的出现是疾病辅助诊断的关键信息对于不同疾病病情自述, 特征词不同, 特征出现的模式也不同对于同一疾病的病情自述文本, 在得到特征关键词之后, 为了挖掘该疾病描述的特征关键词

3 第 2 期张利萍等 : 基于病情自述和知识图谱的疾病辅助诊断 163 之间的模式, 我们从概率关联和语义关联建立疾病特征关联网络若一个疾病的特征关键词集是 W, 关键词 wi W,wj W, 那么 wi 出现时 wj 出现的概率 p(wj wi) 如公式所示 : p(wj wi)= c(wi,wj) (1) c(wi) 式中 :p(wj wi) 是 wi 到 wj 的有向的概率关联度 ; c(wi,wj) 是 wi 和 wj 关键词对共现次数,c(wi) 是词 wi 的词频比如颈椎与麻木共同出现的短文本数是 47, 颈椎词频为 443, 麻木词频为 148 p( 颈椎麻木 )=47/148, 而 p( 麻木颈椎 )=47/443 根据概率中值过滤低概率关联的特征词对如果特征词对之间相互的有向关联都被过滤掉, 那么他们之间的概率关联度不高, 去除关联如果两个关键词总是一起共现, 共现次数少, 词频都相对低, 那么对疾病描述属于弱语义, 就是与疾病不相干的词基于概率关联构建特征关联网络 FG =(W,E,K) 图的节点是特征词,W 是节点集,E 是边集, 边代表特征词对存在共现关系且满足概率关联对于存在概率关联的关键词 wi 和 wj, 三元组 <wi,wj,k> 表示 wi 和 wj 共现次数为 k,k K 作为边的权值比如存在概率关联的颈椎与麻木共同出现的短文本数是 47, 颈椎与脖子共同出现的短文本数是 30 根据 FG 中 K 的中值去除共现数少于中值的特征词之间的边, 得到最终的特征关联网络, 此时疾病特征词的语义关系更明显, 与单纯地使用特征共现得到的语义网络相比更适合同类文本特征关联如图 2, 给出了一个颈椎病的部分特征词的关联网络图 2 颈椎病病情自述的特征关联网络 2 知识图谱构建和结构化特征抽取不同疾病类型的病情自述文本对应的特征关联网络是其疾病特征和特征关系的表现基于特征关联网络, 可以发现描述一个疾病时所用特征和特征出现的团模式每个团可以作为一个疾病判别知识, 团之间存在一定的语义关联基于此为每类病情自述建立可视化的疾病知识图谱从而利用知识图谱进行知识发现和推理 2.1 特征词团图论中, 一个 clique 是无向图 G 中的完全子图如果一个 clique 不被其他 clique 包含, 就称为图 G 的极大团顶点最多的极大团是图 G 的最大团术语 clique 来自文献 [14], 在社交网络中使用完全子图来模拟社交团体, 团体内的人彼此认识在文本数据挖掘方面, 我们曾提出使用 clique 在人物关系的关键词 [15] 网络中找出核心的人物关系词这里使用 clique 找出病人对同一疾病描述时所用特征的团模式在特征关联网络中, 首先找到频繁特征词团频繁特征词团是特征关联网络的一个完全子图, 团内的特征词共同出现描述病情每个特征词团呈现了描述疾病时使用的特征词之间的关联性和语义关系在特征关联网络 FG 中, 使用 python 提供的 network 包的 find_cliques 找出节点数在 3 以上的极大 clique, 且 clique 中所有特征词在文本中共现这是因为一个有效的疾病描述文本要包含 3 个以上的特征词如颈椎病病例自述文本的几个特征词团 :3 clique[ 颈椎, 电脑, 脖子 ];4 clique[ 棉花, 无力, 麻木, 上肢 ]; 6 clique[ 颈椎, 响声, 低头, 转头, 声音, 僵硬 ] 等特征词团的词常被一起使用来描述疾病的词组, 可以作为疾病类型推理判别时的知识 2.2 知识图谱特征词团是病情自述文本所使用特征的多样性模式团之间可能存在多个相同特征词, 当两个团之间相同特征词数相对每个特征词团中特征词数占权值较大时, 团之间存在语义关系根据团之间的这种语义建立知识图谱 KG =(C,E,W) 每个节点是一个特征词团,C 是特征团的集合每个有向边是两个团之间相对语义关联, 有向边集为 E 关键词团 ci C,cj C, 如果 ci 与 cj 相同特征个数不等 0, 那么三元组 <ci,cj, wij> 是 ci->cj 的有向边, 其中 wij W 是 ci 与 cj 的有向关联度, 计算如公式所示 : ci cj wij= (2) cj 这种方法建立了特征词团的有向知识图谱疾病特征团数节点数 Size(cliques), 过滤入度小于 Size (cliques)/10 的节点根据 W 求中值, 过滤小于中值的有向边, 当特征词间两条有向边都存在, 两条有向边转成一条无向边最终完成知识图谱构建, 如图 3, 给出了颈椎病的部分知识图谱展示疾病知识图谱构建

4 164 计算机应用与软件 2018 年过程是无监督的, 适用于所有疾病类型的病情自述文本同时可以用于同类文本, 如同一电影影评, 同一商品评论的特征结构化图 3 知识图谱形式 3 非结构化的病情自述文本结构化表示 3.2 结构化表示经典的文本表示法是向量空间模型因为病情自述的疾病特征太多, 特征稀疏, 分类效果不好这里我们提出使用知识图谱得到所有疾病的结构化特征去完成病情自述的结构化表示计算每个结构化特征与病情自述的 Jacard 相似系数设病情自述文本 d, 疾病相关的特征词有 m 个,d 可以表示成 d=(w1,w2,, wm), 其中特征词是无序的计算 d 与第 j 个 topic 的 Jaccard 相似度 J(d,topicj), 如式 (3): d topicj J(d,topicj)= (3) d topicj 式中 :J(d,topicj) 记作 Jj 分子是 d 和第 j 个 topic 共同的特征词数, 分母是两者包含的所有特征词假设有 K 个结构化特征, 病情自述文本表示为 d = (J1,J2,,Jj,,JK) 3.1 结构化特征抽取通过知识图谱的构建得到了一类疾病常用的特征和描述该疾病时常用特征模式间的关系分析疾病知识图谱可以发现, 特征团因过滤了低语义关联的边在知识图谱上出现了小世界现象, 一些特征团通过相同的特征词关联相互连通, 而与其他团分离, 以一个独立的子图出现根据连通子图, 分解知识图谱合并特征团内的特征, 能够完成结构化特征抽取得到的结构化的特征类似于话题形式, 每个结构化特征记作 top ic, 最终抽取的疾病的结构化特征记作 topics 从每个疾病的知识图谱上进行结构化特征抽取的算法过程如下 : 算法基于知识图谱抽取疾病结构化 Input: 疾病知识图谱 KG Begin: repeat 1) 从 KG 中划分连通子图, 节点数在 1 和 30 之间, 摘除子图 g; 2) 合并 g 中所有特征词团的关键词得到话题 topic, 加入 topics; 3) 处理 DG 中因摘除子图出现的孤立节点 ; untildg 为空 End. Output:topics 通过知识图谱中连通图的划分和特征团的合并, 得到了结构化的特征知识每个结构化特征内部的所有特征词存在语义的关联维度低, 可以用作病情自述文本的表示 4 病情自述的辅助诊断和评估病情自述文本辅助诊断是根据病情自述文本包含的特征判断其可能的疾病类型基于确诊的病情自述训练分类器, 能用于对新的样本进行疾病辅助判别无论对一个疾病的识别, 还是多个疾病的识别, 实质是文本的分类问题所研究的类为正样本, 其他类为负样本, 设 TP: 正确分类的正样本数 ;TN: 正确分类的负样本数 ;FP: 负样本误分类为正样本数 ;FN: 正样本误分类为负样本数对该类识别的评估参数有准确度 Accuracy 精确度 Precision 召回率 Recal 和 F1 值四个方面, 计算如下 : (a)acuracy=(tp+tn)/(tp+fp+tn+fn) (b)recal=tp/(tp+fn) (c)precision=tp/(tp+fp) (d)f1 =(2 Precision Recal)/(Precision+ Recal) 对于二分类的评估, 不能单独考虑分类准确率, 要基于以上四个标准参数对多分类结果的评估, 单从准确率评估也是不合理的要从整体的分类正确率和每个类的分类评估进行引入两个参数 : 微平均 Mi cro average 和宏平均 Macro average [16] 微平均也就是整个分类的准确率, 是正确识别的样本数与整体测试样本数的百分比宏平均根据每个类的 F1 求算术平均得到

5 第 2 期张利萍等 : 基于病情自述和知识图谱的疾病辅助诊断实验与结果 5.1 实验数据和实验设置抓取好大夫网站中网络咨询服务中已经确诊的 6 种疾病的病情自述文本 : 颈椎病 1878 例高血压 1826 例冠心病 1919 例老年性白内障 1320 例新生儿黄疸 1849 例腰椎间盘突出 1936 例每类文本选择 1000 例分别构建知识图谱基于知识图谱抽取结构化特征, 每个疾病因为特征和特征模式不同, 得到的结构化特征个数也不同, 分别是颈椎病 7 个高血压 9 个冠心病 11 个老年性白内障 2 个新生儿黄疸 11 个腰椎间盘突出 9 个如颈椎病的特征形式见表 1 6 种疾病得到 49 个结构化特征将其余病情自述的样本进行成结构化表示, 每个结构化特征是一个 fea ture, 形成 49 维的数据, 作为疾病判别的实验样本实验 1, 对一个疾病的识别一类疾病为正样本, 其他几类疾病随机抽样为负样本, 使用 SVM 训练分类器对比实验设置三种, 一组使用 LDA 生成结构化知识, 即话题, 每个疾病的话题个数设置与我们提取的该疾病的结构化特征数一样, 然后使用相同方法结构化表示病情自述, 使用 SVM 分类另外两组用空间向量模型表示文本, 分别使用 SVM 和 KNN 分类实验 2, 对多个疾病的分类识别利用 SVM 分类 6 种病情自述文本表 1 颈椎病病情自述文本的结构化特征 1{ 按摩, 胳膊, 疼痛, 减轻, 脖子, 脱出, 针灸, 椎间盘 } 2{ 曲度, 变窄, 颈椎, 颈髓, 生理, 低头, 椎间隙, 膨出, 椎体, 麻木, 骨质增生, 椎管, 受压, 信号, 减低, 变直, 变形, 脊髓, 椎间盘, 狭窄 } 3{ 声音, 响声, 颈椎, 低头, 转头, 拉伸, 僵硬, 高三, 双肩, 牙齿 } 4{ 无力, 走路, 右脚, 右手, 下肢, 棉花, 麻木, 上肢 } 5{ 学生, 低头, 颈椎, 脊椎, 正骨, 仰头 } 6{ 针刺, 变性, 颈椎, 椎间盘 } 7{ 颈椎, 颈椎病, 脖子, 电脑, 按压, 酸胀 } 5.2 实验结果实验 1 结果和分析对实验样本随机划分训练集和测试集从训练样本中选择颈椎病为正样本, 其他 5 个疾病抽样的总数与正样本相同, 为负样本采用几种分类方法, 分类结果对比见表 2 结果表明, 基于知识图谱提取的结构化特征表示病情自述进行的分类结果比基于向量空间模型表示的分类结果好基于 LDA 提取的话题表示病情自述文本的分类结果最差说明提出的无监督知识图谱得到的结构化特征表示病情自述在疾病识别任务中具有优势为了保证实验的鲁棒性, 进行了多个疾病的多次相同实验, 我们的方法其实验结果稳定, 每个疾病识别率都在 80% 以上表 2 不同分类方法比较 % 分类方法 Accuracy Precision Recal F1 Proposedmethod LDA SVM VSM SVM VSM KNN 实验 2 结果和分析实验样本随机 2:1 划分训练样本和测试样本, 使用训练样本, 训练 SVM 多分类器首先使用 libsvm 库提供的方法得到 cost 和 gamma 最优参数设置 cost= 100,gamma=0.01 然后对 6 种病情自述文本的测试样本分类, 结果如表 3, 预测类型对应行, 行和是预测为该类的样本数实际类型对应列, 列和是该类实际测试样本数表 3 6 种疾病分类判别结果根据表 3, 计算多分类的微平均和宏平均对分类进行评估整个的分类正确率, 即微平均值是 83.4% 对每个类计算其召回率 Recal, 精确度 Precision 和 F1, 结果见表 4 对所有类的 F1 求算术均值得到多分类的宏平均值 84% 多次实验结果稳定表 4 6 种疾病判别结果评估类别疾病 Precision Recal F1 1 颈椎病老年性白内障冠心病新生儿黄疸腰椎间盘突出高血压对分类后的样本进行人工审核, 经过专业分析, 整体分类结果可以或能被接受应用于病情自述文本疾病类型的辅助诊断根据进一步分析发现, 一类误诊样本中, 多被判为四类, 四类误诊样本中多被判成一类,

6 166 计算机应用与软件 2018 年而两种疾病, 颈椎病和腰椎间盘突出具有医疗联系同样, 在三类和六类中也有这种现象, 而冠心病和高血压医疗中属于一种常见的并发性疾病对于整体的疾病分类率来说, 识别效果可以用于辅助诊断, 而且在这样的研究中, 可以发现疾病和疾病间的关系因此根据病人病情描述状况, 可以提供病人可能相关的疾病诊断信息, 进行个性化疾病知识推荐 6 结语随着人们对健康的关注, 很多网民会通过网络咨询疾病问题, 产生了海量的病情描述文本针对病情自述文本的多样性, 本文提出了基于一种为确诊同一疾病的病情自述文本创建疾病知识图谱的方法, 该过程是无监督的知识图谱是根据病情描述时的特征团模式进行的知识关联, 能够表现疾病的特征和描述疾病的常用模式关系然后, 基于知识图谱提取结构化特征完成病情自述文本结构化文本表示实验疾病判别的结果取得了预期的效果基于知识图谱完成的结构化表示, 是一种新的结构化知识提取方法, 不仅可以用于病情自述结构化知识提取, 也可用于同类或同样电影的影评同类或同一商品的评论的特征分析和结构化特征抽取从疾病判别多分类结果看, 整体的准确率和识别率符合疾病诊断特点, 可用于识别病情自述文本, 进行初步诊断本文是对病情自述的智能诊断研究, 其中知识图谱构建和结构化特征抽取的方法具有一般性, 适合同类文本的知识挖掘研究参考文献 [1] HodsonH.Googleknowsyourils[J].NewScientist,2016, 230(3072): [2]NetiC,EbadolahiS,KohnM,etal.IBMWatson+Dataana lytics:abigdataanalyticsapproachforalearninghealthcare system[z].newsleter,2016. [3] MiddletonK,ButM,HammerlaN,etal.Sortingoutsymp toms:designandevaluationofthebabyloncheck automated triagesystem[j].arxivpreprintarxiv: ,2016. [4] 苏春艳. 当患者成为行动者 : 新媒体时代的医患互动研究 [J]. 国际新闻界,2015,37(11): [5]JiangD,LeungKW T,NgW.Fasttopicdiscoveryfromweb searchstreams[c]//proceedingsofthe23rdinternational conferenceonworldwideweb.acm,2014: [6]ZhouTC,LyuMRT,KingI,etal.Learningtosuggestques tionsinsocialmedia[j].knowledgeandinformationsys tems,2015,43(2): [7] ChenM,ShenD,ShenD.Shorttextclasificationimproved bylearningmulti granularitytopics[c]//internationaljoint ConferenceonArtificialInteligence.AAAIPres,2011: [8] JinO,LiuNN,ZhaoK,etal.Transferingtopicalknowledge fromauxiliarylongtextsforshorttextclustering[c]//pro ceedingsofthe20thacm internationalconferenceoninfor mationandknowledgemanagement.acm,2011: [9] BleiD M,NgA Y,JordanM I.Latentdirichletalocation [J].JournalofmachineLearningresearch,2003,3(1): [10] LuY,ZhaiC.Opinionintegrationthroughsemi supervised topicmodeling[c]//proceedingsofthe17thinternational conferenceonworldwideweb.acm,2008: [11] HylandSL,KaraletsosT,R?tschG.KnowledgeTransfer withmedicallanguageembeddings[j].arxivpreprintarx iv: ,2016. [12]HasanSA,ZhaoS,DatlaV,etal.Clinicalquestionanswer ingusingkey valuememorynetworksandknowledgegraph [Z].TREC,2016. [13] ShiL,LiS,YangX,etal.SemanticHealthKnowledge Graph:Semantic Integration of Heterogeneous Medical KnowledgeandServices[Z].BioMedResearchInternation al,2017. [14] LuceRD,PeryAD.Amethodofmatrixanalysisofgroup structure[j].psychometrika,1949,14(2): [15] 刘锦文, 邢凯, 芮伟康, 等. 基于信息关联拓扑的互联网社交关系挖掘 [J]. 计算机应用,2016,36(7): [16] CalvoR A,LeeJM.Copingwiththenews:themachine learningway[c]//proceedingsofausweb2003conference, GoldCoast ( 上接第 79 页 ) [6] TrackingDataChanges[EB/OL].MicrosoftMSDNlibrary, 2016[ ].htps://msdn.microsoft.com/en us/library/bb aspx#. [7] 王丽君, 李萌, 徐卓然, 等. 变化数据捕获研究及基于 SQL SERVER 的开发与应用 [J]. 南华大学学报 ( 自然科学版 ),2011,25(3): [8] 陈什, 耿浩, 朱岩. 基于 MSF 的数据库同步技术在监控系统中的应用 [J]. 微计算机应用,2011,32(8): [9] CHANGETABLE[EB/OL].MicrosoftMSDNlibrary,2016 [ ].htps://msdn.microsoft.com/en us/li brary/bb aspx#. [10] AboutSQLite[EB/OL].SQLiteHome,[ ]. htps://

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位自然科学版文章编号视网膜图像中视盘的快速自动定位方法赵晓芳林土胜李碧摘要基于眼底视网膜血管的分布结构及视盘本身的特点提出一种快速自动定位视盘的方法首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标最后把视盘限定在以粗定位的视盘为中心的一个小窗口内用变换精确定位视盘中心该方法不需要事先分割视网膜血管也不需要对算法进行训练