-
公开(公告)号：CN114581250B
公开(公告)日：2025-02-28
申请号：CN202210085212.9
申请日：2022-01-25
Applicant: 厦门理工学院
IPC: G06Q40/08 , G06F40/30 , G06F18/241 , G06F18/25 , G06N3/0442 , G06N3/084 , G06Q30/018
Abstract: 本发明实施例提供一种医保欺诈的识别方法、装置、设备和存储介质，涉及医疗大数据技术领域。其中，这种识别方法包含步骤S1至步骤S5。S1、获取医疗数据，并根据医疗数据构建医保异构图。S2、基于不同轨迹的多语义元路径，获取医保异构图中的各目标节点在不同轨迹下的邻居节点，并将各目标节点在不同轨迹下的邻居节点分别和各目标节点融合，以获得各目标节点在不同轨迹下的语义表示。S3、将各目标节点在不同轨迹下的语义表示进行融合，生成各目标节点的空间节点。S4、基于时间顺序，获取各目标节点的空间节点的时间序列。S5、根据时间序列，通过双向长短期记忆模型，对各个目标节点进行分类，以判断医保异构图中的各个目标节点是否为医保欺诈。
-
公开(公告)号：CN117649301A
公开(公告)日：2024-03-05
申请号：CN202311344288.X
申请日：2023-10-17
Applicant: 厦门理工学院
IPC: G06Q40/08 , G06F16/901 , G06F18/22 , G06N3/0464 , G06N3/045 , G06N3/042
Abstract: 本发明提供了一种医疗保险欺诈检测方法、装置、设备及可读存储介质，构建基于医保数据集的多种异构图，包括扩散图、拓扑图、特征图语义图；采用置信度融合优化器对基础视图进行了优化，引入共享参数的多通道语义图卷积有效融合不同类型的元路径语义图。引入自适应注意力机制，以便为不同视图分配权重，从而更全面地融合来自多视图的信息，准确地描述医保数据的丰富特征。采用三种不同的损失函数进行端到端的模型训练，充分发挥多视图数据的互补优势，从而增强欺诈检测模型鲁棒性和泛化能力。充分应用该方法于真实医保数据集，对其在实际场景中的全面效用进行了深入验证。该方法在提升准确率和召回率方面取得了显著成效。
-
公开(公告)号：CN117457064A
公开(公告)日：2024-01-26
申请号：CN202311452091.8
申请日：2023-11-02
Applicant: 厦门理工学院
IPC: G16B15/30 , G16B40/00 , G16C20/50 , G16C20/10 , G16C20/70 , G06F18/2433 , G06F18/214 , G06F18/21 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/048
Abstract: 本发明公开一种基于图结构自适应的药物‑药物相互作用预测方法及装置，方法包括：获取待预测的药物组合，并根据药物组合生成图结构的DDI元组；将DDI元组输入至软掩码自适应图神经网络，以利用软掩码自适应图神经网络提取DDI元组的子结构信息；通过子结构注意力模块对子结构信息进行更新，得到子结构潜在特征；根据子结构潜在特征获得子结构相关性；根据子结构潜在特征以及子结构相关性，采用子结构相互作用的计算得分作为药物组合相互作用的预测分数。本实施例可以表征任意大小子图，同时从药物化学子结构中提取更有益的信息。另外利用核心化学子结构之间的相关性识别具有相互作用的子结构信息，增强了药物的最终特征表示并提高DDI的预测精度。
-
公开(公告)号：CN116977096A
公开(公告)日：2023-10-31
申请号：CN202310997794.2
申请日：2023-08-09
Applicant: 厦门理工学院
IPC: G06Q40/08 , G06F18/24 , G06N3/0895
Abstract: 本发明提供了一种医疗保险的欺诈检测方法、装置、设备及可读存储介质，先通过接收图数据,并使用多层感知机计算所述图数据中的节点属性以生成软标签矩阵；接着将所述软标签矩阵与网络拓扑结构进行计算,以生成块矩阵；再接着根据所述块矩阵和所述软标签生成带权邻接矩阵，并将所述带权邻接矩阵替换所述图数据的邻接矩阵；最后生成更新后的所述图数据，在每个视图下的带权邻接矩阵进行图卷积传播并进行分类聚合操作，以生成节点嵌入结果,其中,所述节点嵌入结果用于判断图数据是否存在医疗保险的欺诈行为。
-
公开(公告)号：CN116469581A
公开(公告)日：2023-07-21
申请号：CN202310516147.5
申请日：2023-05-09
Applicant: 厦门理工学院
Abstract: 本发明实施例提供一种基于遗传算法的医患共同决策代理协商方法和装置，涉及医患共同决策技术领域。其中，这种医患共同决策代理协商方法包括步骤S1至步骤S4。S1、获取医生和患者的偏好信息。其中，偏好信息包括医生和患者对各个协商议题的权重和效用函数。S2、根据医生和患者的偏好信息，构建医生Agent代理模型和患者Agent代理模型。其中，代理模型包含基于遗传算法构建的对手模型。S3、根据医生Agent代理模型和患者Agent代理模型，采用交替报价协议，构建SDM自动协商模型。S4、根据SDM自动协商模型进行模拟协商，获取协商结果。该方法能够表达用户的不确定性信息。有效预测对手信息构建对手模型，利用其优化协商模型性能。协商成功率和收敛速度表现良好。
-
Patent Agency Ranking
公开(公告)号：CN114463141A
公开(公告)日：2022-05-10
申请号：CN202210121924.1
申请日：2022-02-09
Applicant: 厦门理工学院
Abstract: 本发明涉及一种基于多层注意力机制图神经网络的医保欺诈检测算法，包含下述步骤：S1建立医疗保险欺诈检测AHIN模型；S2选取语义路径并寻找邻居节点；S3构建基于图神经网络的检测MHAMFD模型；S4获取待测年份数据或测试集中数据，输入MHAMFD模型中预测医保欺诈者。本发明通过对节电、路径、子图、不同时间多层注意力极值，构建基于图神经网络的检测MHAMFD模型，挖掘了AHIN中各个实体节点丰富交互关系，解决了一些医保欺诈检测方法忽略了多次就诊的异常行为特征的问题，同时减少了噪声节点、路径数据对最终预测任务的影响，为解决医保欺诈检测问题提供了理论基础。
-
公开(公告)号：CN119296636B
公开(公告)日：2025-03-18
申请号：CN202411833234.4
申请日：2024-12-13
Applicant: 厦门理工学院
Abstract: 本发明提供的基于软掩码双视图学习的药物对相互作用预测方法及装置，涉及药物相互作用预测技术领域。本发明通过获取待预测的两种药物的分子视图数据与其相互作用关系类型，组成三元组，并生成药物对的二分图；将三元组与二分图输入MSMDL编码器，输出对应药物的新节点嵌入；其中，所述MSMDL编码器为K层，每一层的输出结果分别输入下一层MSMDL编码器与自注意力图池化层，通过自注意力图池化层生成图级表示，得到子结构特征嵌入；将每一层子结构特征嵌入一同作为共同注意力机制层的输入，得到每一层的子结构特征嵌入之间相互作用的重要性；最后通过解码器输出DDI预测概率。本发明整合了药物的局部和全局信息，提高了药物对相互作用预测的准确性。
-
公开(公告)号：CN115910232A
公开(公告)日：2023-04-04
申请号：CN202211116083.1
申请日：2022-09-14
Applicant: 厦门理工学院
IPC: G16C20/30 , G16C20/70 , G16C20/80 , G16H70/40 , G06F18/2415 , G06F18/214 , G06F18/22 , G06N3/0455 , G06N3/08
Abstract: 本发明提供多视图的药物对反应预测方法、装置、设备和存储介质，涉及药物对反应预测领域。药物对反应预测方法包含S1获取待预测药物的特征信息和已知反应信息。S2根据已知反应信息构建邻接视图。S3根据已知反应信息构建网络，并构建扩散视图。S4根据特征信息，构建药物特征矩阵和KNN视图。S5通过节点级别的注意力网络，将药物特征矩阵分别和邻接视图、扩散视图，以及KNN视图进行深度融合，获取三个视图级别嵌入向量。S6融合三个视图级别嵌入向量，获取各个药物的嵌入表示。S7将各个药物的嵌入表示进行组合，获得多个药物对向量。S8以已知反应类型的药物对向量为训练集，训练分类模型。S9将未知反应类型的药物对向量输入分类模型，获取预测反应类型。
-
公开(公告)号：CN115859199A
公开(公告)日：2023-03-28
申请号：CN202211253233.3
申请日：2023-01-17
Applicant: 厦门理工学院
IPC: G06F18/2433 , G06F18/22 , G06F18/25 , G06F16/901 , G06N3/0464 , G06N3/048 , G06Q40/08
Abstract: 本发明实施例提供一种医保欺诈检测方法及其嵌入向量生成方法、装置和介质，涉及医疗保险技术领域。嵌入向量生成方法包含S1、获取医保数据，并根据医保数据构建医保异质图G。S2、根据医保数据和医保异质图，获取特征图。S3、根据医保异质图，获取拓扑图。S4、根据医保异质图，获取语义图。S5、将特征图、拓扑图和语义图，分别输入单图卷积神经网络模型中，获取特征空间节点嵌入ZF、拓扑空间节点嵌入ZT和语义空间节点嵌入ZS。S6、将特征图、拓扑图和语义图两两组合后，分别输入一个共享参数的公共卷积神经网络模型中，获取拓扑特征节点嵌入ZCTF、特征语义节点嵌入ZCFS和拓扑语义节点嵌入ZCTS。S7、将步骤S5和步骤S6得到的节点嵌入融合，获取最终嵌入向量表示。
-
公开(公告)号：CN114694791A
公开(公告)日：2022-07-01
申请号：CN202210094695.9
申请日：2022-01-26
Applicant: 厦门理工学院 , 厦门精配软件工程有限公司
Abstract: 本发明实施例提供一种药物相互作用的预测方法、装置、设备和存储介质，涉及医药技术领域。其中，预测方法包含步骤S1至S9。S1获取多种药物的特征和药物之间的反应类型。S2根据多种药物的特征构建药物特征矩阵。S3根据多种药物之间的反应类型构建药物邻接图。S4通过深度神经网络从药物特征矩阵中提取不同层次的药物特征信息。S5通过卷积神经网络从药物邻接图中提取不同层次的邻居拓扑结构信息。S6融合特征向量和结构向量，获得各个药物的最终嵌入表示。S7将各个药物的最终嵌入表示进行组合，以获得多个药物对向量。S8以药物对的反应类型作为标签，以药物对向量作为训练数据集，训练得到分类模型。S9通过分类模型，预测未知药物对的相互作用类型。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.022 seconds)
