《Biomedical Signal Processing and Control》:An iterative knowledge extraction and dual-channel fusion framework for clinical differential diagnosis
编辑推荐:
•涵盖脑、心、肺三大系统易混淆疾病的中文EMR数据集。•迭代式抽取-验证-精炼机制构建患者特异性知识子图。•BERT与TransE双通道融合,实现症状-病理生理学因果推理。•KIDF在鉴别诊断任务中表现优异,消融实验予以验证。引言本文针对基于电子病历(EMR)的常见临床疾病智
- •
涵盖脑、心、肺三大系统易混淆疾病的中文EMR数据集。
- •
迭代式抽取-验证-精炼机制构建患者特异性知识子图。
- •
BERT与TransE双通道融合,实现症状-病理生理学因果推理。
- •
KIDF在鉴别诊断任务中表现优异,消融实验予以验证。
引言
本文针对基于电子病历(EMR)的常见临床疾病智能鉴别诊断这一挑战性问题展开研究,其核心难点在于不同系统性疾病往往呈现出高度重叠的非特异性临床症状。例如,图1中所示的"胸闷"症状,既可能提示冠心病所致的心肌缺血,也可能提示慢性阻塞性肺疾病引起的呼吸道梗阻,还可能是心力衰竭导致的循环衰竭。此外,病历文本的自由文本性质以及医学知识的隐含性,使得关键诊断线索稀疏地分布在不结构化的叙事中,极大增加了自动化模型准确识别潜在病因的难度[1]。
现有研究主要遵循三种范式。第一种是纯文本驱动范式,直接利用BERT[2]、RoBERTa[3]等预训练语言模型对原始病历进行端到端分类。此类方法虽然能有效捕捉文本语义模式,但其推理过程缺乏对医学逻辑的显式建模,导致对复杂临床表现的泛化能力有限。在文本驱动范式的基础上,研究者通过引入外部医学知识图谱(KG)[4]和图神经网络[5]等注入领域特定常识,增强了模型对医学逻辑的理解和泛化能力。然而,静态通用知识图谱难以与特定病历精确对齐,且无法可靠地从文本中提取患者特异性状况以构建推理子图,导致知识融合的增益不稳定。第三种方法则是直接使用大语言模型(LLM)进行诊断,利用其指令理解和推理能力[6]。尽管LLM在开放域展现出强大潜力,但在专业医疗场景中面临事实准确性不足、诊断过程不可控以及潜在幻觉等风险。
上述方法的共同局限性在于未能将离散的病历叙事转化为连贯的、基于知识的逻辑推理。例如,当面对一位主诉"阵发性夜间呼吸困难"且病史记录有"二尖瓣狭窄"的患者时,纯文本模型可以识别这些术语与"心脏病"之间的统计关联。然而,它无法构建病理生理学因果链:"二尖瓣狭窄导致左心房压力升高,进而引起肺静脉充血,表现为夜间阵发性呼吸困难"。基于静态知识图谱的方法理论上存储了此类通用医学关系,但缺乏针对该病历的上下文感知和动态推理能力。因此,它们难以自动且准确地将文本片段与知识实体进行对齐并激活相关通路,从而形成诊断证据。由此,现有诊断推理方法往往局限于表层关联或静态知识投射,无法实现深层次、可解释的临床逻辑融合。
为应对这一挑战,本文提出了知识增强的迭代诊断框架(KIDF)。该框架的核心创新在于设计了两个协同模块,直接解决先前范式的局限性:(1) 医学知识图谱抽取模块——不同于静态知识图谱,该模块利用大语言模型的语义理解能力,结合基于规则的验证和精炼机制,从病历中动态构建患者特异性知识子图。(2) 双通道异构融合模块——不同于简单的拼接方法,该模块通过并行的BERT通道和TransE通道,将文本语义与知识结构深度整合,实现从症状到病理生理学的显式因果推理。这种双重方法赋予了模型兼具深度文本理解和显式知识推理的能力,而现有方法缺乏这种组合。本文的主要贡献如下:
- •
我们构建了一个专门针对症状重叠常见疾病复杂鉴别诊断的中文EMR数据集。与聚焦单一系统或广泛ICD编码的现有公开数据集不同,我们的数据集包含15,999条真实记录,涵盖脑、心、肺系统14类易混淆疾病,具有疾病分期和关联症状的细粒度标注,并保留了原始临床叙事。
- •
我们设计了一个集成医学知识抽取与文本语义的知识增强诊断框架。基于Qwen-2.5的规则验证器驱动的迭代式抽取-验证-精炼机制构建患者特异性知识子图,捕获关键医学三元组。BERT与TransE双通道融合模块实现从症状到病理生理学的因果推理。这使得模型能够将患者表现与疾病机制关联,从而更好地区分症状相似的疾病。
- •
实验结果验证了所提方法的有效性。在构建的CCD-EMR(中文临床文档–电子病历)数据集上,KIDF模型在准确率(Acc.)和宏平均F1分数(Macro-F1)上均显著优于所有基线模型。全面的消融分析验证了迭代知识抽取和双通道融合等核心组件的必要性。
章节摘要
相关工作
临床文本诊断可抽象为一个多阶段推理过程,涵盖文本理解、语义解析、医学知识关联,最终形成诊断决策[7]。该领域近年来的研究可基于核心技术方法分为三种主流范式:(1) 基于纯文本编码的判别模型,(2) 融合外部知识的增强模型,(3) 基于LLM的生成式推理框架。
疾病诊断数据集
大规模高质量公开数据集是基于电子病历的智能诊断研究发展的基石。国际上,MIMIC-III[28]、eICU[29]等ICU数据库提供了大量结构化或半结构化的重症监护记录,显著推动了重症预测和死亡风险建模等任务的研究。在中文领域,CCDD[30]和CHIP2020等数据集也已发布,
实验方法
在本章中,我们设计了知识增强的迭代诊断框架(KIDF)以解决常见临床疾病的智能鉴别诊断任务。如图4所示的模型框架由三个主要组件构成:医学知识三元组抽取、文本语义与知识图谱融合模块,以及混合特征分类器。
基线与实验设置
为全面评估所提KIDF模型在临床鉴别诊断任务中的有效性,本研究系统构建了一个涵盖从传统机器学习到前沿深度学习以及LLM全谱系技术的对照组。所选基线模型具体包括以下类别:
- •
传统机器学习方法:基于TF-IDF特征的线性支持向量机(SVM)[38]代表了经典
案例研究
为直观展示KIDF模型相对于基线方法的诊断优势,我们从CCD-EMR测试集中选取了两个代表性案例进行分析。如图7所示,案例1的真实标签为"急性支气管炎"。KIDF以98.6%的置信度正确预测,而BERT以20.4%的置信度将其误分类为"慢阻肺",Bi-LSTM虽预测正确但置信度仅为23.8%。
KIDF从文本中捕获了关键证据:症状("咳嗽"、"咯痰"、"发热"、
局限性
本文提出了一个面向临床鉴别诊断的知识增强迭代诊断框架,并在自建的CCD-EMR数据集上取得了令人鼓舞的结果。然而,在数据构建、模型设计和实验验证方面仍存在若干值得注意的局限性。
首先,使用Qwen-2.5进行自动化数据清洗和结构化可能引入LLM固有的偏差。为缓解此风险,我们采用了结构化提示设计和格式约束输出
结论
本文针对临床症状重叠疾病的鉴别诊断挑战展开研究。KIDF框架表明,将结构化医学知识显式纳入临床文本推理是提高判别准确性的一个有前景的方向。这些发现凸显了知识增强方法在临床鉴别诊断以及其他需要深度整合的医学推理任务中的潜力
CRediT作者贡献声明
张志强:写作–审阅与编辑、监督。王伟杰:写作–初稿撰写、验证、软件、调查、形式分析。李冰:写作–审阅与编辑、方法论、概念构思。孙永康:形式分析、数据管理。刘亚楠:方法论、概念构思。王建有:可视化、方法论。
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
致谢
本研究得到国家自然科学基金资助(项目号61972336、62306267),浙江省自然科学基金资助(项目号LY23F020001),浙江省"尖兵"计划(编号2024C01034、编号2025C01010),浙江省"领雁"计划(编号2026C02A2002)。
张志强|王伟杰|李冰|孙永康|刘亚楠|王建有