CN109166619A - 基于神经网络算法的中医智能诊断辅助***及方法 - Google Patents
基于神经网络算法的中医智能诊断辅助***及方法 Download PDFInfo
- Publication number
- CN109166619A CN109166619A CN201810815797.9A CN201810815797A CN109166619A CN 109166619 A CN109166619 A CN 109166619A CN 201810815797 A CN201810815797 A CN 201810815797A CN 109166619 A CN109166619 A CN 109166619A
- Authority
- CN
- China
- Prior art keywords
- disease
- symptom
- characteristic
- module
- bit vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Medical Preparation Storing Or Oral Administration Devices (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于神经网络算法的中医智能辅助***及方法,基于神经网络算法的中医智能辅助***,所述***包括:诊断信息收集转换模块:用于收集病人主诉的诊断相关的症状信息,并切割成描述性的症状语;症状匹配模块:用于转换为标准化的症状集;症状权重计算模块:用于计算出各式症状的鉴别权重值;诊断病性病位向量模块:用于计算出诊断病性病位向量;症型诊断模块:用于得到该诊断的主要症型;处方推荐模块:用于根据症型推荐处方。本发明通过存储在数据库中的主诉症状语中医病症的关联强度,通过一系列的分析方法能够快速确定病人的可能中医症型,然后根据中医症型症状快速推荐出治疗处方,方便医生更加准确地进行诊断,可靠性更高。
Description
技术领域
本发明涉及中医信息处理技术领域,具体涉及一种基于神经网络算法的中医智能辅助***及方法。
背景技术
随着基于数据与信息化***的快速发展,如何通过信息化手段快速提高基层医疗单位的医疗质量将是未来基层医疗机构与病人的核心诉求。***通过实现医生采集的四诊信息与中医病证的关联度与算法的使用等来解决诊所医生自身技术的局限性,并以建议处方解除病人痛苦。目前,针对主诉与疾病的相关性研究主要停留在理论层面,或者这些技术与方法只能解决某部分的问题。
发明内容
本发明的目的在于提供一种基于神经网络算法的中医智能辅助***及方法,解决如何通过信息化手段为基层医疗单位针对中医病症快速推荐出治疗处方的问题。
为解决上述的技术问题,本发明采用以下技术方案:
一种基于神经网络算法的中医智能辅助***,所述***包括:
诊断信息收集转换模块:用于收集病人主诉的诊断相关的症状信息,并根据症状信息执行自然语言切词,将症状信息切割成描述性的症状语;
症状匹配模块:用于利用神经网络算法将诊断信息收集转换模块得到的症状语与症状语库进行匹配,并转换为标准化的症状集;
症状权重计算模块:用于根据症状匹配模块得到的症状集与数据库中存储的症状症型映像计算出各式症状的鉴别权重值;
诊断病性病位向量模块:用于根据各式症状的鉴别权重值与诊断时的病性病位通过神经网络算法计算出诊断病性病位向量;
症型诊断模块:用于根据数据库中保存的中医症型与标准症状的权重值同症状权重计算模块得到的格式整个的鉴别权重值进行统合计算,并按照各症型中的权重总和进行排名,得到该诊断的主要症型;
处方推荐模块:用于通过主要症型找出相对应的所有处方,再从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断病性病位向量模块中得到的诊断病性病位向量进行相似度匹配,最后将匹配度最高的处方作为推荐。
作为优选,所述***还包括数据存储模块,用于存储中医症型、中医症型与症状的映像关系、中医症型所对应的所有处方、处方所对应的病性病位向量。
作为优选,所述中医症型所对应的所有处方是预先通过海量的临床医疗数据进行定量分析,并通过海量的临床医疗数据提供数据支持。
作为优选,所述病性病位向量中的病性病位是预先根据海量的临床医疗数据进行标准化定义。
一种基于神经网络算法的中医智能辅助方法,包括以下步骤:
S1:诊断信息收集转换模块收集病人主诉的诊断相关的症状信息,并根据症状信息执行自然语言切词,将症状信息切割成描述性的症状语;
S2:症状匹配模块利用神经网络算法将诊断信息收集转换模块得到的症状语与症状语库进行匹配,并转换为标准化的症状集;
S3:症状权重计算模块根据症状匹配模块得到的症状集与数据库中存储的症状症型映像计算出各式症状的鉴别权重值;
S4:诊断病性病位向量模块根据各式症状的鉴别权重值与诊断时的病性病位通过神经网络算法计算出诊断的病性病位向量;
S5:症型诊断模块根据数据库中保存的中医症型与标准症状的权重值同症状权重计算模块得到的格式整个的鉴别权重值进行统合计算,并按照各症型中的权重总和进行排名,得到该诊断的主要症型;
S6:处方推荐模块通过主要症型找出相对应的所有处方,再从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断病性病位向量模块中得到的诊断的病性病位向量进行相似度匹配,最后将匹配度最高的处方作为推荐。
作为优选,所述S3步骤采用TF-IDF算法计算各式症状的鉴别权重值,其计算公式是:TF-IDF(症状,症型) = (该症状出现于该症型的频次/该证型在所有症状的总频次)*LOG(1+总共的症型个数/该症状出现在多少症型中)。
作为优选,所述S6步骤得到推荐处方后还包括:
S7:根据得到的推荐处方从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断的病性病位向量进行对比,并提示该两种病性病位向量之间有差异的病性病位,供诊断医生进行微调。
与现有技术相比,本发明的有益效果是:
本发明通过存储在数据库中的主诉症状语中医病症的关联强度,通过一系列的分析方法能够快速确定病人的可能中医症型症状,然后根据中医症型症状快速推荐出治疗处方,方便经验不足的医生更加准确地进行诊断,可靠性更高。
附图说明
图1为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对本发明的***的一个实施例,一种基于神经网络算法的中医智能辅助***,所述***包括:
诊断信息收集转换模块:用于收集病人主诉的诊断相关的症状信息,并根据症状信息执行自然语言切词,将症状信息切割成描述性的症状语;
症状匹配模块:用于利用神经网络算法将诊断信息收集转换模块得到的症状语与症状语库进行匹配,并转换为标准化的症状集;
症状权重计算模块:用于根据症状匹配模块得到的症状集与数据库中存储的症状症型映像计算出各式症状的鉴别权重值;
诊断病性病位向量模块:用于根据各式症状的鉴别权重值与诊断时的病性病位通过神经网络算法计算出诊断病性病位向量;
症型诊断模块:用于根据数据库中保存的中医症型与标准症状的权重值同症状权重计算模块得到的格式整个的鉴别权重值进行统合计算,并按照各症型中的权重总和进行排名,得到该诊断的主要症型;
处方推荐模块:用于通过主要症型找出相对应的所有处方,再从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断病性病位向量模块中得到的诊断病性病位向量进行相似度匹配,最后将匹配度最高的处方作为推荐。
进一步地,针对本发明的***的另一个实施例,所述***还包括数据存储模块,用于存储中医症型、中医症型与症状的映像关系、中医症型所对应的所有处方、处方所对应的病性病位向量。
进一步地,针对本发明的***的另一个实施例,所述中医症型所对应的所有处方是预先通过海量的临床医疗数据进行定量分析,并通过海量的临床医疗数据提供数据支持。
进一步地,针对本发明的***的另一个实施例,所述病性病位向量中的病性病位是预先根据海量的临床医疗数据进行标准化定义。
参见图1,针对本发明的方法的一个实施例,一种基于神经网络算法的中医智能辅助方法,包括以下步骤:
S1:诊断信息收集转换模块收集病人主诉的诊断相关的症状信息,并根据症状信息执行自然语言切词,将症状信息切割成描述性的症状语;
S2:症状匹配模块利用神经网络算法将诊断信息收集转换模块得到的症状语与症状语库进行匹配,并转换为标准化的症状集;
S3:症状权重计算模块根据症状匹配模块得到的症状集与数据库中存储的症状症型映像计算出各式症状的鉴别权重值;
S4:诊断病性病位向量模块根据各式症状的鉴别权重值与诊断时的病性病位通过神经网络算法计算出诊断的病性病位向量;
S5:症型诊断模块根据数据库中保存的中医症型与标准症状的权重值同症状权重计算模块得到的格式整个的鉴别权重值进行统合计算,并按照各症型中的权重总和进行排名,得到该诊断的主要症型;
S6:处方推荐模块通过主要症型找出相对应的所有处方,再从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断病性病位向量模块中得到的诊断的病性病位向量进行相似度匹配,最后将匹配度最高的处方作为推荐。
进一步地,针对本发明的方法的另一个实施例,所述S3步骤采用TF-IDF算法计算各式症状的鉴别权重值,其计算公式是:TF-IDF(症状,症型) = (该症状出现于该症型的频次/该证型在所有症状的总频次)*LOG(1+总共的症型个数/该症状出现在多少症型中)。着眼点在利用TFIDF的公式,本身就是为了模拟所谓的鉴别度出发. 但因用此非线性公式所计算出来的值,在范围上, 是有指数级的, 因此会在以计算后的TF-IDF的大小,做出排序结果,并且限制范围在0至1 之间, 做为一种标准化Normalization的手段,最后会得到这鉴别权重值的矩阵。
进一步地,针对本发明的方法的另一个实施例,所述S6步骤得到推荐处方后还包括:
S7:根据得到的推荐处方从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断的病性病位向量进行对比,并提示该两种病性病位向量之间有差异的病性病位,供诊断医生进行微调。可选择一个差异范围,超过这个范围则提示医生,供医生进行微调。
通过这种微调的方式,可根据医生的经验对处方进行微调,在不断微调的过程中可不断优化处方。
另外针对复杂的病症,上述***中的症型诊断模块还用于根据该模块中匹配的主症症型和各式症状的鉴别权重分析出该主症症型出现的次症症型。
临床更复杂的病情时,会发现只有主症的诊断结论,是不能够很好地去解释全部输入进来的症状集, 这时组件会试着再寻找一个次症(类似西医的第二诊断), 以便在同时使用主症及次症时, 能够更好的解释所面临的临床病情。
主症和次症共同会覆盖一组临床上的完整症状组. 这个症状组会代入到事前训练好的症状对证素的神经网络, 以便得到一个病性病位向量. 这个向量会再去和符合的主证范围内的候选方剂库中的每个处方向量去做COS值为主的相似度匹配. 以便能在候选方剂中,再过滤出最适合的方剂。其实就是两个同维向量的內积值,即cos值为內积除以向量距离。
应用例一:通过一组症状,由智能辅助诊断***判断出风寒犯肺的中医证。
S1:用户(医生)发出启动一组四诊信息: [ 咳嗽,咯少量稀白痰,气喘,微有恶寒发热,鼻塞,流清涕,喉痒,或见身痛无汗,舌苔薄白,脉浮紧];StandardSyndrom组件在接收到病人四诊信息后,将由步骤S1来的医生输入信息,切割成一个个描述性的症状语[ (咳嗽) (咯少量稀白痰)(气喘)(微有恶寒发热)(鼻塞)(流清涕)(喉痒)(或见身痛无汗)(舌苔薄白)(脉浮紧)]。
S2:StandardSyndrom组件接下来会利用神经网络算法,去标定出最适匹配的标准症状词:[ (咳嗽) (痰少质稀)( 痰色白)(气喘)(恶寒)(发热)(鼻塞)( 鼻流清涕)(喉痒)(身痛)(无汗)(苔薄)(苔白)(脉浮)(脉紧)]。
S3:DiagnosisSystem组件接收从StandardSyndrom传递过来的标准化的症状集之后,根据海量医案数据计算出各式症状的鉴别权重值。
S4:DiagnosisSystem组件利用病性病位神经网络模型判定出来的向量,会是('寒', 0.97), ('外风', 0.92), ('表',0.86), ('肺', 0.80), ('闭',0.75), ('痰',0.64), ('气逆',0.49)。
S5:DiagnosisSystem组件会根据事前从海量的名老中医医案数据中,所学习到各式中医证与各标准症状的权重值,去和S4各式症状的鉴别权重值,去做统合计算.这时,即可将***内能够鉴别的近四百多个证去做出以总和权重为基准旳排名. 这时,***的Top3的排名分别为1.风寒袭肺证.2.风寒束表证.3.风寒闭肺证. 因为中医的证型互相之间也是关联性的,因此***找出最可能的三个证,在临床上的意义会较接近,有时是程度上的差异,如风寒袭肺证和风寒闭肺证之间.有时是发病病位上的微小区别,如风寒袭肺证和风寒束表证之间. 5.2这个案例,因为单一主证即可很好的解释近乎所有临床上看到的症状,所以结论也停留在一个主证即足够。
S6:PrescriptionDecision组件在DiagnosisSystem组件已经明确好中医上的主证为风寒袭肺证后,这组件会在这个中医主证下的可用方剂候选,去寻找;在所有归属于主证为风寒袭肺证的方剂库行搜索时, PrescriptionDecision组件会去利用这组四诊信息所代表的诊断的病性病位向量,与所有可用方剂候选的处方功效的病性病位向量去做匹配计算,最终将匹配度最高的处方; 对本次推荐处方,三拗汤加减,的向量计算,是将以下的药物组成(紫菀9g,枳壳9g,陈皮9g,杏仁9g,麻黄9g,半夏9g,桔梗9g,甘草9g),代入到基于数万首方剂的组成及功效而学习完后的神经网络模型,而得到处方功效的病性病位向量{"外风": 0.98, "闭": 0.52,"气滞":0.39, "肺":0.82, "痰":0.77, "寒":0.92}。
应用例二:通过一组症状,由智能辅助诊断***判断出临床上复杂的病情,需主证及次证合并后,才能完整诊断的案例。
S1:用户(医生)发出启动一组四诊信息. [ 言语不清,头晕,头痛,神疲倦怠,舌强语蹇,半身不遂,恶心呕吐,胸闷痞满,口干,口苦,纳呆,大便干结,右侧上下肢肌力减弱,右侧上下肢活动受限,舌体右歪斜,舌质红,舌黄厚腻,形体肥胖];StandardSyndrom组件在接收到病人四诊信息后,将由步骤1来的医生输入信息,切割成一个个描述性的症状语。
S 2: StandardSyndrom组件接下来会利用神经网络算法,去标定出最适匹配的标准症状词. [ (言语不清), (头晕), (头痛), (乏力), (舌强语謇), (半身不遂), (恶心), (呕吐), (胸脘痞闷), (口干),(口苦), (不欲饮食), (大便干结), (舌歪), (舌红), (苔黄), (苔腻), (苔厚), (形体肥胖)]。
S3:DiagnosisSystem组件接收从StandardSyndrom传递过来的标准化的症状集之后,根据海量医案数据计算出各式症状的鉴别权重值。
S4:DiagnosisSystem组件利用病性病位神经网络模型判定出来的向量,会是[('痰', 0.71), ('热', 0.47), ('大肠',0.36), ('肝', 0.27), ('动风',0.24), ('头',0.14), ('血瘀',0.09), ('湿', 0.08), ('气逆',0.08)]。
S5:***在综合总结输入进来的标准症状组及各式证与症状的权重值后,会发现单一主证能够解释的症状比例是不足够的. 这时,***会试着去为排名靠前的各个主证,去寻找可能的次证. 以便使搭配起来的主证及次证, 在综合权重上能够高, 且共同能解释的症状比例是足够的. 以这实施案例而言, Top3的排名分别为1. 风痰入络证 湿毒蕴结证 2.痰热内扰证 3.风痰上扰证 阴虚火旺证.***的第一推荐和第三推荐,都是在诊断结论上,具有主证和次证的,这是因为***在使用一个主证,如风痰入络证时,会发现有些与湿或毒相关的症状组,是无法被有效解释的, 因此会再试着去找出湿毒蕴结证,这个次证出来做搭配。
S6:PrescriptionDecision组件在DiagnosisSystem组件已经明确好中医上的主证为风痰入络证后,这组件会在这个中医主证下的可用方剂候选,去寻找;在搜索时,PrescriptionDecision组件会再次利用同样算法,最终将匹配度最高的处方, 对本次推荐处方, 温胆汤,自拟方 出处:郭振球名医医案的向量计算,是将以下的药物组成(菖蒲8g,法半夏8g,郁金10g,橘红10g,枳壳10g,茯苓12g,竹茹12g,僵蚕12g,鸡血藤12g,伸筋草12g,当归15g),代入到基于数万首方剂的组成及功效而学习完后的神经网络模型,而得到处方病性病位向量{ "动风": 0.46,"闭":0.17,"气滞":0.13,"热": 0.46,"痰":0.94,"湿":0.28,"血瘀": 0.22,"肝": 0.12 }。
在本说明书中所谈到的“一个实施例”、“另一个实施例”、 “实施例”、“优选实施例”等,指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说,结合任一实施例描述一个具体特征、结构或者特点时,所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (7)
1.一种基于神经网络算法的中医智能辅助***,其特征在于:所述***包括:
诊断信息收集转换模块:用于收集病人主诉的诊断相关的症状信息,并根据症状信息执行自然语言切词,将症状信息切割成描述性的症状语;
症状匹配模块:用于利用神经网络算法将诊断信息收集转换模块得到的症状语与症状语库进行匹配,并转换为标准化的症状集;
症状权重计算模块:用于根据症状匹配模块得到的症状集与数据库中存储的症状症型映像计算出各式症状的鉴别权重值;
诊断病性病位向量模块:用于根据各式症状的鉴别权重值与诊断时的病性病位通过神经网络算法计算出诊断病性病位向量;
症型诊断模块:用于根据数据库中保存的中医症型与标准症状的权重值同症状权重计算模块得到的格式整个的鉴别权重值进行统合计算,并按照各症型中的权重总和进行排名,得到该诊断的主要症型;
处方推荐模块:用于通过主要症型找出相对应的所有处方,再从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断病性病位向量模块中得到的诊断病性病位向量进行相似度匹配,最后将匹配度最高的处方作为推荐。
2.根据权利要求1所述的基于神经网络算法的中医智能辅助***,其特征在于:所述***还包括数据存储模块,用于存储中医症型、中医症型与症状的映像关系、中医症型所对应的所有处方、处方所对应的病性病位向量。
3.根据权利要求2所述的基于神经网络算法的中医智能辅助***,其特征在于:所述中医症型所对应的所有处方是预先通过海量的临床医疗数据进行定量分析,并通过海量的临床医疗数据提供数据支持。
4.根据权利要求2所述的基于神经网络算法的中医智能辅助***,其特征在于:所述病性病位向量中的病性病位是预先根据海量的临床医疗数据进行标准化定义。
5.一种基于神经网络算法的中医智能辅助方法,其特征在于:包括以下步骤:
S1:诊断信息收集转换模块收集病人主诉的诊断相关的症状信息,并根据症状信息执行自然语言切词,将症状信息切割成描述性的症状语;
S2:症状匹配模块利用神经网络算法将诊断信息收集转换模块得到的症状语与症状语库进行匹配,并转换为标准化的症状集;
S3:症状权重计算模块根据症状匹配模块得到的症状集与数据库中存储的症状症型映像计算出各式症状的鉴别权重值;
S4:诊断病性病位向量模块根据各式症状的鉴别权重值与诊断时的病性病位通过神经网络算法计算出诊断的病性病位向量;
S5:症型诊断模块根据数据库中保存的中医症型与标准症状的权重值同症状权重计算模块得到的格式整个的鉴别权重值进行统合计算,并按照各症型中的权重总和进行排名,得到该诊断的主要症型;
S6:处方推荐模块通过主要症型找出相对应的所有处方,再从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断病性病位向量模块中得到的诊断的病性病位向量进行相似度匹配,最后将匹配度最高的处方作为推荐。
6.根据权利要求5所述的基于神经网络算法的中医智能辅助方法,其特征在于:所述S3步骤采用TF-IDF算法计算各式症状的鉴别权重值,其计算公式是:TF-IDF(症状,症型) =(该症状出现于该症型的频次/该证型在所有症状的总频次)*LOG(1+总共的症型个数/该症状出现在多少症型中)。
7.根据权利要求5所述的基于神经网络算法的中医智能辅助方法,其特征在于:所述S6步骤得到推荐处方后还包括:
S7:根据得到的推荐处方从数据库中查找得到该处方的病性病位向量,然后将该处方的病性病位向量与诊断的病性病位向量进行对比,并提示该两种病性病位向量之间有差异的病性病位,供诊断医生进行微调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815797.9A CN109166619A (zh) | 2018-07-20 | 2018-07-20 | 基于神经网络算法的中医智能诊断辅助***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810815797.9A CN109166619A (zh) | 2018-07-20 | 2018-07-20 | 基于神经网络算法的中医智能诊断辅助***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109166619A true CN109166619A (zh) | 2019-01-08 |
Family
ID=64898196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810815797.9A Pending CN109166619A (zh) | 2018-07-20 | 2018-07-20 | 基于神经网络算法的中医智能诊断辅助***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109166619A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085313A (zh) * | 2019-04-08 | 2019-08-02 | 皮敏 | 一种基于智能中医机器人的数据库*** |
CN110335684A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 基于主题模型技术的中医智能辨证辅助决策方法 |
CN111091906A (zh) * | 2019-10-31 | 2020-05-01 | 中电药明数据科技(成都)有限公司 | 一种基于真实世界数据的辅助医疗诊断方法及*** |
CN111462895A (zh) * | 2020-03-30 | 2020-07-28 | 安徽科大讯飞医疗信息技术有限公司 | 辅助诊断方法及*** |
CN111599486A (zh) * | 2020-05-12 | 2020-08-28 | 成都睿明医疗信息技术有限公司 | 一种基于数据匹配的中医处方推荐排序方法 |
CN111816305A (zh) * | 2020-08-05 | 2020-10-23 | 沈国忠 | 一种基于人工智能的感冒中成药推荐方法 |
CN112185503A (zh) * | 2020-09-14 | 2021-01-05 | 深圳金草健康科技有限公司 | 一种中医智能辅诊***及方法 |
CN112420191A (zh) * | 2020-11-23 | 2021-02-26 | 北京麦岐科技有限责任公司 | 一种中医辅助决策***及方法 |
CN113241173A (zh) * | 2021-05-12 | 2021-08-10 | 华中科技大学 | 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和*** |
US20220114346A1 (en) * | 2020-10-12 | 2022-04-14 | Oracle International Corporation | Multi case-based reasoning by syntactic-semantic alignment and discourse analysis |
CN114628001A (zh) * | 2022-03-16 | 2022-06-14 | 平安科技(深圳)有限公司 | 基于神经网络的处方推荐方法、***、设备及存储介质 |
CN115424696A (zh) * | 2022-11-04 | 2022-12-02 | 之江实验室 | 一种基于迁移学习的中医罕见病中药处方生成方法和*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825064A (zh) * | 2016-03-22 | 2016-08-03 | 施弘 | 日常性中医疗法智能咨询*** |
CN107578818A (zh) * | 2017-08-25 | 2018-01-12 | 广州宝荣科技应用有限公司 | 一种基于深度学习的辅助开方方法及装置 |
-
2018
- 2018-07-20 CN CN201810815797.9A patent/CN109166619A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825064A (zh) * | 2016-03-22 | 2016-08-03 | 施弘 | 日常性中医疗法智能咨询*** |
CN107578818A (zh) * | 2017-08-25 | 2018-01-12 | 广州宝荣科技应用有限公司 | 一种基于深度学习的辅助开方方法及装置 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110085313A (zh) * | 2019-04-08 | 2019-08-02 | 皮敏 | 一种基于智能中医机器人的数据库*** |
CN110335684A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 基于主题模型技术的中医智能辨证辅助决策方法 |
CN111091906B (zh) * | 2019-10-31 | 2023-06-20 | 中电药明数据科技(成都)有限公司 | 一种基于真实世界数据的辅助医疗诊断方法及*** |
CN111091906A (zh) * | 2019-10-31 | 2020-05-01 | 中电药明数据科技(成都)有限公司 | 一种基于真实世界数据的辅助医疗诊断方法及*** |
CN111462895A (zh) * | 2020-03-30 | 2020-07-28 | 安徽科大讯飞医疗信息技术有限公司 | 辅助诊断方法及*** |
CN111462895B (zh) * | 2020-03-30 | 2024-04-05 | 讯飞医疗科技股份有限公司 | 辅助诊断方法及*** |
CN111599486A (zh) * | 2020-05-12 | 2020-08-28 | 成都睿明医疗信息技术有限公司 | 一种基于数据匹配的中医处方推荐排序方法 |
CN111816305A (zh) * | 2020-08-05 | 2020-10-23 | 沈国忠 | 一种基于人工智能的感冒中成药推荐方法 |
CN112185503A (zh) * | 2020-09-14 | 2021-01-05 | 深圳金草健康科技有限公司 | 一种中医智能辅诊***及方法 |
US20220114346A1 (en) * | 2020-10-12 | 2022-04-14 | Oracle International Corporation | Multi case-based reasoning by syntactic-semantic alignment and discourse analysis |
CN112420191A (zh) * | 2020-11-23 | 2021-02-26 | 北京麦岐科技有限责任公司 | 一种中医辅助决策***及方法 |
CN113241173A (zh) * | 2021-05-12 | 2021-08-10 | 华中科技大学 | 一种用于慢性阻塞性肺疾病的中医辅助诊疗方法和*** |
CN114628001A (zh) * | 2022-03-16 | 2022-06-14 | 平安科技(深圳)有限公司 | 基于神经网络的处方推荐方法、***、设备及存储介质 |
CN115424696A (zh) * | 2022-11-04 | 2022-12-02 | 之江实验室 | 一种基于迁移学习的中医罕见病中药处方生成方法和*** |
CN115424696B (zh) * | 2022-11-04 | 2023-02-03 | 之江实验室 | 一种基于迁移学习的中医罕见病中药处方生成方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166619A (zh) | 基于神经网络算法的中医智能诊断辅助***及方法 | |
CN109102899A (zh) | 基于机器学习与大数据的中医智能辅助***及方法 | |
CN104915561B (zh) | 疾病特征智能匹配方法 | |
CN110516161A (zh) | 一种推荐方法及装置 | |
Yao et al. | A topic modeling approach for traditional Chinese medicine prescriptions | |
CN110838368B (zh) | 一种基于中医临床知识图谱的主动问诊机器人 | |
CN110929511B (zh) | 一种基于语义相似性的个性化中医诊疗信息和中药信息智能匹配方法 | |
CN111091906B (zh) | 一种基于真实世界数据的辅助医疗诊断方法及*** | |
US20100280350A1 (en) | Chinese medicine tele-diagnostics and triage system | |
CN117056493B (zh) | 基于病历知识图谱的大语言模型医疗问答*** | |
CN110335684A (zh) | 基于主题模型技术的中医智能辨证辅助决策方法 | |
Huan et al. | Deep convolutional neural networks for classifying body constitution based on face image | |
CN110459321A (zh) | 一种基于证素的中医辅助诊断*** | |
CN110619962A (zh) | 一种医患共享的网络医疗服务*** | |
CN109920535A (zh) | 一种移动中医辨证分析方法及装置 | |
US20120124051A1 (en) | Ontological information retrieval system | |
CN110083708A (zh) | 一种基于知识图谱的医疗实体关联分析方法 | |
Huang et al. | A traditional Chinese medicine syndrome classification model based on cross-feature generation by convolution neural network: model development and validation | |
TW201040756A (en) | Chinese medicine intelligent formulary system | |
Qiu et al. | Egocentric image captioning for privacy-preserved passive dietary intake monitoring | |
CN115376648A (zh) | 一种智能处方生成装置和智能处方生成*** | |
CN114255851A (zh) | 基于超图神经网络的中草药方剂推荐方法 | |
CN110827990B (zh) | 一种基于知识图谱的伤寒辨证推理*** | |
Huan et al. | Multilevel and multiscale feature aggregation in deep networks for facial constitution classification | |
CN111128388A (zh) | 一种值域数据匹配方法、装置及相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |