(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 202210570384.5 (22)申请日 2022.05.24 (71)申请人 山东海量信息技 术研究院 地址 250098 山东省济南市高新 技术开发 区国家信息通信国际创新园 申请人 济南大学 (72)发明人 杨晓晖　臧振宇　曲守宁　冯志全　 田京兰　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 黄海丽 (51)Int.Cl. G16H 50/30(2018.01) G16H 10/60(2018.01) G16H 50/70(2018.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/36(2019.01) G06F 16/35(2019.01) (54)发明名称 基于异质信息网络的疾病预测系统 (57)摘要 本发明公开了基于异质信息网络的疾病预 测系统， 包括： 获取模块， 其被配置为： 获取待预 测患者的当前电子病历； 疾病预测模块， 其被配 置为： 将待预测患者的当前电子病历， 输入到训 练后的疾病预测模型中， 输出疾病预测结果； 其 中， 疾病预测模型的工作原理为： 对待预测患者 的当前电子病历进行数据扩充， 基于扩充后的数 据构建电子病历异质图； 在电子病历异质图上， 基于元路径的学习表示进行电子病历的嵌入表 示， 通过注意力机制进行元路径邻居节点的聚 合； 最终实现对待预测患者的疾病预测。 以便准 确预测患者是否存在潜在疾病， 对患者做出准确 地预测。 权利要求书3页 说明书5页 附图3页 CN 114883001 A 2022.08.09 CN 114883001 A 1.基于异质信息网络的疾病预测系统， 其特 征是， 包括： 获取模块， 其被 配置为： 获取待预测患者的当前电子病历； 疾病预测模块， 其被配置为： 将待预测患者的当前电子病历， 输入到训练后的疾病预测 模型中， 输出疾病预测结果； 其中， 疾病预测模型的工作原 理为： 对待预测患 者的当前电子病历进行数据扩充， 基于 扩充后的数据构建电子病历异质图； 在电子病历异质图上， 基于元路径的学习表示进行电 子病历的嵌入表示， 通过注意力机制进行元路径邻居节点的聚合； 最终实现对待预测患者 的疾病预测。 2.如权利要求1所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述对待预测患 者的当前电子病历进行 数据扩充， 基于扩充后的数据构建电子病历异质图； 具体包括： 构建基于医学知识库的医学概念图； 其中， 医学概念图中包含症状和疾病名称两种节 点， 每种疾病节点与其对应的症状节点 通过边进行 连接； 构建全员电子病历图； 其中， 电子病历图中包含患 者、 症状、 疾病三种节点， 患者与其对 应的症状之间通过边连接， 症状与其对应的疾病之间通过边连接； 基于医学概念图和全员电子病历图对待预测患 者的电子病历进行数据扩充， 得到电子 病历异质图。 3.如权利要求1所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述对待预测患 者的当前电子病历进行数据扩充， 基于扩充后的数据构建电子病历异质图之后； 在电子病 历异质图上， 基于元路径的学习表示进行电子病历的嵌入表示之前； 还 包括： 对电子病历异质图进行分解， 得到若干个二部 图； 对二部 图中每个节点的邻居节点进 行随机采样； 对邻居节点的采样信息进行聚合操作， 完成数据更新。 4.如权利要求3所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述对邻居节点 的采样信息进行聚合操作， 具体包括： 根据每个节点一阶邻居特征 计算权重信息， 对每个节点的一阶邻居特征进行信息聚 合操作， 并对图中的所有节点执 行相同的操作： 其中， sigmod为激活函数， αi,j为节点， W 为权重系数； 通过每一节点的一阶邻居信息聚合后， 接下来将每一阶信息进行串联， 达到信息在多 阶节点的传递目的， 传递公式如下： 其中， 表示更新后节点第l层的信息， W表示权重系数， 表示节点第l ‑1层的信 息， 表示未更新时第l层的节点信息， | |表示信息的传递。 5.如权利要求1所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述在电子病历 异质图上， 基于元路径的学习表示进行电子病历的嵌入表示； 具体包括： 将每个二部 图进行非线性激活操作； 然后， 使用每个节点的上下文节点实体嵌入到非 线性激活操作的结果中， 得到最终的嵌入表示。权　利　要　求　书 1/3 页 2 CN 114883001 A 26.如权利要求5所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述使用每个节 点的上下文节点实体嵌入到非线性激活操作的结果中， 其中， 嵌入表达公式如下： 其中， W表示投影权重矩阵， 所述投影权重矩阵通过随机初始化， 然后不断迭代进行矩 阵更新调整， Zv为节点v的最终嵌入表示， hv表示节点信 息， σ 表示激活函数， G表示所有节点 集合。 7.如权利要求1所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述通过注意力 机制进行 元路径邻居节点的聚合； 具体包括： 通过注意力机制， 学习不同节点间基于不同元路径的权重， 基于权重将不同类型节点 特征投影到统一特 征空间。 8.如权利要求1所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述通过注意力 机制进行 元路径邻居节点的聚合； 具体包括： 将不同类型节点的特征投影到同一特征空间， 使用注意机制来学习不同节点间基于不 同元路径下的权 重； 给定一个节点对， 计算不同元路径下该节点对连接的概率， 求出不同元路径对首节点 的权重概率信息； 其中， Ci,j为获得的概 率计算， Zi与Zj表示患者节点与目标节点。 9.如权利要求1所述的基于异质信 息网络的疾病预测系统， 其特征是， 所述最终实现对 待预测患者的疾病预测； 具体包括： 在每条元路径下 学习节点的邻居信息， 获得基于元路径下节点的信息表示； 所述在每条元路径下学习节点的邻居信息， 获得基于元路径下节点的信息表示； 具体 为： αT＝σ(∑j∈Nαj·Zv)                       (5) 其中， σ 代表非线性激活函数， αT则为学习到的不同元路径信息表示； Zv为节点v的最终 嵌入表示， αj表示在不同元路径下的权 重； 对学习到的信息表示αT进行归一化操作， 获得标准的信息表示α， 并将其作为公式(6)的 输入值， 进行最终的结果预测： 将包含在症状、 疾病和患者节点中的信息进行表达， 输出 预测疾病。 10.如权利要求1所述的基于异质信息网络的疾病预测系统， 其特征是， 所述训练后的 疾病预测模型； 训练过程包括： 构建训练集； 其中， 训练集 为已知疾病类型 标签的电子病历； 将训练集， 输入到疾病预测模型中， 对模型进行训练， 当模型的损失函数值不再降低， 或者迭代 次数达到最小值时， 停止训练， 得到训练后的疾病预测模型； 所述损失函数， 采用 负对数似然损失函数； 其中， 负对数似然损失函数， 公式表达如下：权　利　要　求　书 2/3 页 3 CN 114883001 A 3