CN111599433B - 一种药材的辅助开方方法、装置、存储介质及终端 - Google Patents
一种药材的辅助开方方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN111599433B CN111599433B CN202010291821.0A CN202010291821A CN111599433B CN 111599433 B CN111599433 B CN 111599433B CN 202010291821 A CN202010291821 A CN 202010291821A CN 111599433 B CN111599433 B CN 111599433B
- Authority
- CN
- China
- Prior art keywords
- medicinal material
- training data
- model
- data
- auxiliary
- 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.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 208000024891 symptom Diseases 0.000 claims abstract description 100
- 239000003814 drug Substances 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 119
- 239000013598 vector Substances 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 4
- 238000003759 clinical diagnosis Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 244000131316 Panax pseudoginseng Species 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 239000012567 medical material Substances 0.000 description 4
- 241000756943 Codonopsis Species 0.000 description 3
- 235000003181 Panax pseudoginseng Nutrition 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000002594 Solanum nigrum Nutrition 0.000 description 3
- 240000002307 Solanum ptychanthum Species 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 2
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 2
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 2
- 239000009636 Huang Qi Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 229940126678 chinese medicines Drugs 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000045403 Astragalus propinquus Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000007126 Codonopsis pilosula Species 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 235000006533 astragalus Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002888 effect on disease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 235000008216 herbs Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 239000002398 materia medica Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229940126680 traditional chinese medicines Drugs 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medicinal Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种药材的辅助开方方法、装置、存储介质及终端,所述方法包括:接收用户输入的症状描述文本信息;将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;将所述推荐药材集合在显示界面进行展示。因此,采用本申请实施例,可以辅助临床医生针对病人的症状进行配药,提高临床诊断效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种药材的辅助开方方法、装置、存储介质及终端。
背景技术
中医作为中国传统文化的重要组成部分,拥有悠久的历史和深厚的底蕴。在中医数千年的发展过程中,人们对中药材的属性和功效有了深刻的认识,在此基础上发展了若干对疾病治疗具有显著效果的经典方剂。随着人工智能技术,特别是自然语言处理技术的发展,将先进的人工智能技术应用于海量的中医医案数据分析,从中提取出中医几千年发展过程中沉淀下来的症状和药材之间的关系,并将相关技术应用于临床,辅助广大临床医生针对病人的症状进行配药具有重要价值。
目前辅助广大临床医生针对病人的症状进行配药的中医辅助开方方法,主要是通过计算文本相似性,找到跟症状相似性最高的方剂。由于目前这种中医辅助开方方法是只能在固定的方剂集合中选取方剂,而且方剂的药材组成是固定不变的,不能完全适应不同疾病症状的变化,从而导致降低了临床诊断效率。
发明内容
本申请实施例提供了一种药材的辅助开方方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种药材的辅助开方方法,所述方法包括:
接收用户输入的症状描述文本信息;
将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
将所述推荐药材集合在显示界面进行展示。
可选的,所述基于所述药材集合生成推荐药材集合,包括:
获取所述药材集合中各药材的优先级;
根据所述优先级的高低顺序生成推荐药材集合。
可选的,所述获取所述药材集合中各药材的优先级,包括:
获取所述药材集合中各药材的概率值;
根据所述各药材的概率值确定所述各药材的优先级。
可选的,所述接收针对用户输入的症状描述文本信息之前,还包括:
构建训练数据集,所述训练数据集包括第一训练数据和第二训练数据;
将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集;
采用深度神经网络算法创建辅助开方模型;
利用所述预处理后的训练数据集对所述辅助开方模型进行训练,生成训练后的辅助开方模型;其中,
对所述辅助开方模型进行训练时采用随机权值平均、权值剪枝和梯度裁剪技术优化所述辅助开方模型。
可选的,所述将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集,包括:
获取所述第一训练数据中的字符;
将所述第一训练数据中的字符输入预先训练的字向量模型中生成字向量;
获取所述第二训练数据中的历史医案数据;
获取所述历史医案数据中的药材名称以及症状描述信息;
将所述药材名称按照预设规则进行转换生成标准药材名称;
将所述标准药材名称和所述症状描述信息配对后生成配对数据;
将所述字向量和所述配对数据作为预处理后的训练数据集。
可选的,所述获取所述第一训练数据中的字符之前,还包括:
创建字向量模型;
采用gensim工具包中CBOW模型对所述字向量模型训练后生成训练后的字向量模型。
可选的,所述辅助开方模型通过文本分类得到和所述症状描述文本信息相关的药材。
第二方面,本申请实施例提供了一种药材的辅助开方装置,所述装置包括:
信息接收模块,用于接收用户输入的症状描述文本信息;
第一集合生成模块,用于将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
第二集合生成模块,用于基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
药材展示模块,用于将所述推荐药材集合在显示界面进行展示。
第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,用户终端首先接收用户输入的症状描述文本信息,再将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合,然后基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量,最后将所述推荐药材集合在显示界面进行展示。由于本申请充分利用了深度学习技术的表示学习能力,可以从症状描述直接生成方剂的药材集合,克服了传统方法方剂成分固定的问题,能够更好的发现症状与中药材之间的关系,针对不同的症状生成最匹配的药材组合,可以辅助临床医生针对病人的症状进行配药,提高临床诊断效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种药材的辅助开方方法的流程示意图;
图2是本申请实施例提供的一种RNN链式网络示意图;
图3是本申请实施例提供的一种辅助开方***整体结构图;
图4是本申请实施例提供的另一种药材的辅助开方方法的流程示意图;
图5是本申请实施例提供的一种辅助开方***神经网络结构图;
图6是本申请实施例提供的一种LSTM网络结构图;
图7是本申请实施例提供的一种辅助开方***注意力机制示意图;
图8是本申请实施例提供的一种药材的辅助开方装置的装置示意图;
图9是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止,针对中医辅助开方方法,目前主要是通过计算文本相似性,找到跟症状相似性最高的方剂。由于目前这种中医辅助开方方法是只能在固定的方剂集合中选取方剂,而且方剂的药材组成是固定不变的,不能完全适应不同疾病症状的变化,从而导致降低了临床诊断效率。为此,本申请提供了一种药材的辅助开方方法、装置、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,由于本申请充分利用了深度学习技术的表示学习能力,可以从症状描述直接生成方剂的药材集合,克服了传统方法方剂成分固定的问题,能够更好的发现症状与中药材之间的关系,针对不同的症状生成最匹配的药材组合,可以辅助临床医生针对病人的症状进行配药,提高临床诊断效率,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图7,对本申请实施例提供的药材的辅助开方方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的药材的辅助开方装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。其中,本申请实施例中的药材的辅助开方装置可以为用户终端,包括但不限于:个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称,例如:用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant,PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1,为本申请实施例提供了一种药材的辅助开方方法的流程示意图。如图1所示,本申请实施例的所述方法可以包括以下步骤:
S101,接收用户输入的症状描述文本信息;
其中,症状描述文本信息为临床医生通过对病人进行诊断后输入到客户端的病人症状文本信息,例如头痛、咳嗽、发烧等症状信息。
在一种可能的实现方式中,当有病人进行看病时,临床医生通过和病人进行沟通后了解病人的症状信息,然后将病人的具体症状信息全部输入到客户端,通过触发客户端按键确定信息进行信息处理,当客户端按键触发后,客户端生成包含病人症状信息的指令通过有线或者无线发送至服务器进行信息处理。
S102,将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
其中,辅助开方模型是利用深度神经网络算法创建的数学模型,采用预先构建的训练数据对该数学模型进行模型训练,训练结束后生成具备根据病人症状信息生成药材集合的辅助开方模型。药材集合是根据辅助开方模型对病人的症状文本信息进行处理后生成的不同药材。
通常,用于构建辅助开方模型的深度神经网络算法包含一个循环神经网络模型(Recurrent Neural Network,RNN)模块和一个注意力模块,并在模型优化的过程中采用随机权值平均、权值剪枝与梯度裁剪技术。其中RNN是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network),RNN链式网络示意图例如图2所示,例如将x0、x1、x2、xt等输入元素输入全连接的循环单元中生成元素h0、h1、h2、ht等。
在一种可能的实现方式中,当服务器接收到来自客户端发送的病人症状信息时,服务器通过内部设定程序调用预先训练的辅助开方模型,通过文本分类的方法得到跟症状描述相关的药材,然后将接收到的病人症状信息输入至辅助开方模型中进行信息处理,处理结束后针对病人症状生成药材集合数据信息。
S103,基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
其中,推荐药材集合是从药材集合中选取的若干最佳药材。
在一种可能的实现方式中,服务器当生成药材集合数据时,通过内部设定的概率值计算程序对药材集合中各药材进行概率值计算得到各药材对应的概率值大小,再根据药材集合中各药材对应的概率值,从概率值最高的药材依次选取预设数量的药材作为推荐药材,当推荐药材数据生成结束后,服务器通过有线或者无线的方式将推荐药材集合中各药材发送至客户端进行显示。
S104,将所述推荐药材集合在显示界面进行展示。
在本申请实施例中,例如图3所示,图3是本申请实施例提到的药材的辅助开方总体结构示意图,首先将通用语料库和中医语料库中的文字输入gensim工具包进行处理后生成字向量,再从中医医案中提取医案中药材名称和症状数据,然后根据中药材名称标准将中医医案中的药材名称进行预处理后和症状数据进行匹配后得到症状对应方剂数据集,最后将字向量和症状对应方剂数据集输入创建的辅助开方模型中进行训练,训练结束后生成辅助开方***,当辅助开方***接收到患者症状描述时,根据患者症状描述生成推荐药材列表。
在本申请实施例中,用户终端首先接收用户输入的症状描述文本信息,再将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合,然后基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量,最后将所述推荐药材集合在显示界面进行展示。由于本申请充分利用了深度学习技术的表示学习能力,可以从症状描述直接生成方剂的药材集合,克服了传统方法方剂成分固定的问题,能够更好的发现症状与中药材之间的关系,针对不同的症状生成最匹配的药材组合,可以辅助临床医生针对病人的症状进行配药,提高临床诊断效率。
请参见图4,为本申请实施例提供的一种药材的辅助开方方法的流程示意图。本实施例以药材的辅助开方方法应用于用户终端中来举例说明。该药材的辅助开方方法可以包括以下步骤:
S201,构建训练数据集,所述训练数据集包括第一训练数据和第二训练数据;
其中,训练数据集是用于训练字向量和辅助开方模型的数据。第一训练数据是用于训练字向量的通用语料数据和中医语料数据,数据主要来自于***和各种中医典籍。第二训练数据是用于训练辅助开方模型的“症状-方剂”配对数据以及中药材名称标准名及别名数据集,配对数据来自于各种公开医案书籍,中药材名称标准名及别名数据集来自于权威书籍,例如《中华本草》、《中国药典》等。
在一种可行的实现方式中,首先从***和各种中医典籍中采集通用语料数据和中医语料数据,然后从各种公开医案书籍中采集配对数据,最后从《中华本草》、《中国药典》等著作中采集中药材名称标准名及别名数据集。
S202,将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集;
在本申请实施例中,用户终端首先获取第一训练数据中的字符,再将第一训练数据中的字符输入预先训练的字向量模型中生成字向量,然后获取第二训练数据中的历史医案数据,再获取历史医案数据中的药材名称以及症状描述信息,再将药材名称按照预设规则进行转换生成标准药材名称,将标准药材名称和症状描述信息配对后生成配对数据,最后将字向量和配对数据作为预处理后的训练数据集。
在一种可能的实现方式中,在通用语料数据和中医语料数据预处理中,用户终端将繁简体文字转换、去除文本中的特殊符号、统一标点符号、去除各种注释文。在配对数据以及中药材名称标准名及别名数据集进行数据预处理时,用户终端从每条医案数据中提取症状描述信息,从方剂信息中去除药材的剂量信息,只保留药材名称,并将药材名称通过构建的药材名称数据集全部转换为标准名称。需要说明的是通用语料数据和中医语料数据是第一训练数据,配对数据以及中药材名称标准名及别名数据集为第二数据。
S203,采用深度神经网络算法创建辅助开方模型;
在本申请实施例中,辅助开方模型为深度神经网络模型,例如图5所示,将症状文本输入辅助开方模型后症状文本依次通过辅助开方模型的Embedding层、LSTM网络层、注意力层和分类层,经过辅助开方模型中的各层处理后输出药材名称。
具体的,辅助开方模型中的深度神经网络模型的核心是一个多标签文本分类神经网络,在本例中采用一个长短时记忆(LSTM)网络层来实现对文本信息的特征提取,LSTM网络层结构图例如图6所示,LSTM是循环神经网络(RNN)的一种特殊实现方式,其链式的网络结构使得其可以有效处理序列型数据,因为在RNN这种链式结构网络中,当前的输入会受到之前输入信息的影响,通过记忆前面的信息,就可以实现序列文本信息的关联学习。LSTM的核心是单元状态(cell state),主要用来保持整个模型的记忆信息,至于在每个时刻如何从输入信息和记忆信息中整合提取有效信息,主要由三个门控制,分别是:输入门、输出门和遗忘门。三个门的输入信息均为上一时刻的隐藏状态信息与当前时刻的输入。遗忘门用于控制加入单元状态的信息,输入门用于控制当前时刻的输入信息,输出门用于控制当前时刻的输出信息。
通常,传统的LSTM网络只能利用当前时刻之前的信息预测下一时刻的信息,但是在症状分类中,症状之间的描述顺序有时并没有明显的先后关系,因此,在本申请实施例中,采用了双向LSTM网络。双向LSTM就是同时以文本的开头和结尾作为输入,可以看成两个并行运行的单向LSTM网络,这样,在每一个时刻我们都可以同时获得当前时刻之前和之后的信息用于预测,能够更好的从症状描述中抽取隐藏特征。
其中,例如图5所示,在LSTM网络层的输出和分类层的输入之间,还引入了一个注意力网络层,注意力网络层的注意力机制示意图例如图7所示,通过这一层让模型能够学会对输入的症状进行重点关注,模拟临床症状描述中的主症和兼症的表述方式。注意力网络通过线性映射实现,模型通过学习线性映射的权重向量,能够学到文本中的关键语义信息,有助于提升分类正确率。
S204,利用所述预处理后的训练数据集对所述辅助开方模型进行训练,生成训练后的辅助开方模型;
在一种可能的实现方式中,基于步骤S202可得到预处理后的第一训练数据和第二训练数据,基于步骤S203可得到创建的辅助开方模型,然后利用预处理后的第一训练数据和第二训练数据对辅助开方模型进行训练,训练结束后生成具备诊断功能的辅助开方模型,诊断功能至少包括根据病人症状自动生成推荐药材。
进一步地,开方模型训练过程中还引入一些能够提高加快模型训练收敛速度和提高模型泛化性能的优化方法,包括随机权值平均、权值剪枝和梯度裁剪等技术。随机权值平均方法,能够使得在不增加模型推理时间的情况下,提高模型的泛化能力。通过在模型的不同阶段引入权值剪枝,可以在模型训练过程中降低过拟合程度。梯度裁剪的引入,可以在训练过程中提高模型的稳定性,并加快收敛速度。
进一步地,采用top5正确率作为模型性能评价标准,也就是以预测概率最大的5个标签与真实标签进行比较,并计算预测正确率。
S205,接收用户输入的症状描述文本信息;
具体可参见步骤S101,此处不再赘述。
S206,将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
具体可参见步骤S102,此处不再赘述。
S207,获取所述药材集合中各药材的优先级;
其中,优先级是根据计算出的药材集合中各药材的概率值进行排序得到的优先级高低顺序,药材概率值越大对应的优先级越高。
S208,根据所述优先级的高低顺序生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
在一种可能的实现方式中,例如表1所示,由表1可以看出中药集合中
三七 | 龙葵 | 白兰花 | 人参 | 党参 | 黄芪 |
10/100 | 22/100 | 13/100 | 20/100 | 28/100 | 17/100 |
三七的概率值为10/100,龙葵的概率值为22/100,白兰花的概率值为13/100,人参的概率值为20/100,党参的概率值为28/100,黄芪的该录制为17/100,根据优先级的高低顺序进行排列,优先级为党参>龙葵>人参>黄芪>白兰花>三七。当设定根据优先级高低推荐三味中药时,推荐中药分别是党参、龙葵和人参。此处推荐的数量可根据实际场景自行设定,此处不做限制。
S209,将所述推荐药材集合在显示界面进行展示。
具体可参见步骤S104,此处不再赘述。
在本申请实施例中,用户终端首先接收用户输入的症状描述文本信息,再将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合,然后基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量,最后将所述推荐药材集合在显示界面进行展示。由于本申请提供的中医辅助开方方法充分利用了深度神经网络的表示学习能力,避免了在模型中过多引入人类经验知识,而是通过高质量的标注数据进行端到端的模型训练,通过模型自动从症状描述中获取关键信息,预测具有治疗效果的相关药材,从而可以辅助临床医生针对病人的症状进行配药,提高临床诊断效率。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图8,其示出了本发明一个示例性实施例提供的药材的辅助开方装置的结构示意图。该药材的辅助开方装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括信息接收模块10、第一集合生成模块20、第二集合生成模块30和药材展示模块40。
信息接收模块10,用于接收用户输入的症状描述文本信息;
第一集合生成模块20,用于将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
第二集合生成模块30,用于基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
药材展示模块40,用于将所述推荐药材集合在显示界面进行展示。
需要说明的是,上述实施例提供的药材的辅助开方装置在执行药材的辅助开方方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的药材的辅助开方装置与药材的辅助开方方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,用户终端首先接收用户输入的症状描述文本信息,再将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合,然后基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量,最后将所述推荐药材集合在显示界面进行展示。由于本申请提供的中医辅助开方方法充分利用了深度神经网络的表示学习能力,避免了在模型中过多引入人类经验知识,而是通过高质量的标注数据进行端到端的模型训练,通过模型自动从症状描述中获取关键信息,预测具有治疗效果的相关药材,从而可以辅助临床医生针对病人的症状进行配药,提高临床诊断效率。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的药材的辅助开方方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例所述的药材的辅助开方方法。
请参见图9,为本申请实施例提供了一种终端的结构示意图。如图9所示,所述终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作***、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作***的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图9所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及药材的辅助开方应用程序。
在图9所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的药材的辅助开方应用程序,并具体执行以下操作:
接收用户输入的症状描述文本信息;
将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
将所述推荐药材集合在显示界面进行展示。
在一个实施例中,所述处理器1001在执行所述基于所述药材集合生成推荐药材集合时,具体执行以下操作:
获取所述药材集合中各药材的优先级;
根据所述优先级的高低顺序生成推荐药材集合。
在一个实施例中,所述处理器1001在执行所述获取所述药材集合中各药材的优先级时,具体执行以下操作:
获取所述药材集合中各药材的概率值;
根据所述各药材的概率值确定所述各药材的优先级。
在一个实施例中,所述处理器1001在执行所述接收针对用户输入的症状描述文本信息之前之前时,还执行以下操作:
构建训练数据集,所述训练数据集包括第一训练数据和第二训练数据;
将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集;
采用深度神经网络算法创建辅助开方模型;
利用所述预处理后的训练数据集对所述辅助开方模型进行训练,生成训练后的辅助开方模型;其中,
对所述辅助开方模型进行训练时采用随机权值平均、权值剪枝和梯度裁剪技术优化所述辅助开方模型。
在一个实施例中,所述处理器1001在执行所述将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集时,具体执行以下操作:
获取所述第一训练数据中的字符;
将所述第一训练数据中的字符输入预先训练的字向量模型中生成字向量;
获取所述第二训练数据中的历史医案数据;
获取所述历史医案数据中的药材名称以及症状描述信息;
将所述药材名称按照预设规则进行转换生成标准药材名称;
将所述标准药材名称和所述症状描述信息配对后生成配对数据;
将所述字向量和所述配对数据作为预处理后的训练数据集。
在一个实施例中,所述处理器1001在执行所述获取所述第一训练数据中的字符之前时,还执行以下操作:
创建字向量模型;
采用gensim工具包中CBOW模型对所述字向量模型训练后生成训练后的字向量模型。
在本申请实施例中,用户终端首先接收用户输入的症状描述文本信息,再将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合,然后基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量,最后将所述推荐药材集合在显示界面进行展示。由于本申请提供的中医辅助开方方法充分利用了深度神经网络的表示学习能力,避免了在模型中过多引入人类经验知识,而是通过高质量的标注数据进行端到端的模型训练,通过模型自动从症状描述中获取关键信息,预测具有治疗效果的相关药材,从而可以辅助临床医生针对病人的症状进行配药,提高临床诊断效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (8)
1.一种药材的辅助开方方法,其特征在于,所述方法包括:
接收用户输入的症状描述文本信息;
将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
将所述推荐药材集合在显示界面进行展示;其中,
所述接收针对用户输入的症状描述文本信息之前,还包括:
构建训练数据集,所述训练数据集包括第一训练数据和第二训练数据;其中,
所述第一训练数据是用于训练字向量的通用语料数据和中医语料数据,所述第二训练数据是用于训练辅助开方模型的“症状-方剂”配对数据以及中药材名称标准名及别名数据集;
将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集;其中,
所述将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集,包括:
获取所述第一训练数据中的字符;
将所述第一训练数据中的字符输入预先训练的字向量模型中生成字向量;
获取所述第二训练数据中的历史医案数据;
获取所述历史医案数据中的药材名称以及症状描述信息;
将所述药材名称按照预设规则进行转换生成标准药材名称;
将所述标准药材名称和所述症状描述信息配对后生成配对数据;
将所述字向量和所述配对数据作为预处理后的训练数据集;
采用深度神经网络算法创建辅助开方模型;
利用所述预处理后的训练数据集对所述辅助开方模型进行训练,生成训练后的辅助开方模型;其中,
对所述辅助开方模型进行训练时采用随机权值平均、权值剪枝和梯度裁剪技术优化所述辅助开方模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述药材集合生成推荐药材集合,包括:
获取所述药材集合中各药材的优先级;
根据所述优先级的高低顺序生成推荐药材集合。
3.根据权利要求2所述的方法,其特征在于,所述获取所述药材集合中各药材的优先级,包括:
获取所述药材集合中各药材的概率值;
根据所述各药材的概率值确定所述各药材的优先级。
4.根据权利要求1所述的方法,其特征在于,所述获取所述第一训练数据中的字符之前,还包括:
创建字向量模型;
采用gensim工具包中CBOW模型对所述字向量模型训练后生成训练后的字向量模型。
5.根据权利要求1所述的方法,其特征在于,所述辅助开方模型通过文本分类得到和所述症状描述文本信息相关的药材。
6.一种药材的辅助开方装置,其特征在于,所述装置包括:
信息接收模块,用于接收用户输入的症状描述文本信息;
第一集合生成模块,用于将所述症状描述文本信息输入预先训练的辅助开方模型中,生成药材集合;
第二集合生成模块,用于基于所述药材集合生成推荐药材集合,所述药材集合中药材数量大于或等于所述推荐药材集合中药材数量;
药材展示模块,用于将所述推荐药材集合在显示界面进行展示;其中,
所述药材的辅助开方装置还具体用于:
构建训练数据集,所述训练数据集包括第一训练数据和第二训练数据;其中,
所述第一训练数据是用于训练字向量的通用语料数据和中医语料数据,所述第二训练数据是用于训练辅助开方模型的“症状-方剂”配对数据以及中药材名称标准名及别名数据集;
将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集;其中,所述将所述第一训练数据和第二训练数据进行预处理后生成预处理后的训练数据集,包括:
获取所述第一训练数据中的字符;
将所述第一训练数据中的字符输入预先训练的字向量模型中生成字向量;
获取所述第二训练数据中的历史医案数据;
获取所述历史医案数据中的药材名称以及症状描述信息;
将所述药材名称按照预设规则进行转换生成标准药材名称;
将所述标准药材名称和所述症状描述信息配对后生成配对数据;
将所述字向量和所述配对数据作为预处理后的训练数据集;
采用深度神经网络算法创建辅助开方模型;
利用所述预处理后的训练数据集对所述辅助开方模型进行训练,生成训练后的辅助开方模型;其中,
对所述辅助开方模型进行训练时采用随机权值平均、权值剪枝和梯度裁剪技术优化所述辅助开方模型。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~5任意一项的方法步骤。
8.一种终端,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~5任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291821.0A CN111599433B (zh) | 2020-04-14 | 2020-04-14 | 一种药材的辅助开方方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010291821.0A CN111599433B (zh) | 2020-04-14 | 2020-04-14 | 一种药材的辅助开方方法、装置、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111599433A CN111599433A (zh) | 2020-08-28 |
CN111599433B true CN111599433B (zh) | 2023-11-03 |
Family
ID=72192169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010291821.0A Active CN111599433B (zh) | 2020-04-14 | 2020-04-14 | 一种药材的辅助开方方法、装置、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111599433B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112466436B (zh) * | 2020-11-25 | 2024-02-23 | 北京小白世纪网络科技有限公司 | 基于循环神经网络的智能中医开方模型训练方法及装置 |
CN117216407B (zh) * | 2023-10-24 | 2024-04-02 | 北京同仁堂互联网医院管理有限公司 | 一种中药饮片的辅助开立方法、装置、设备及可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899072A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 中药药方推荐方法、装置、计算机设备和存储介质 |
CN108899070A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 处方推荐生成方法、装置、计算机设备和存储介质 |
CN109036508A (zh) * | 2018-05-31 | 2018-12-18 | 平安医疗科技有限公司 | 一种中医医疗信息处理方法、装置、计算机设备和存储介质 |
CN109087691A (zh) * | 2018-08-02 | 2018-12-25 | 科大智能机器人技术有限公司 | 一种基于深度学习的非处方药品推荐***和推荐方法 |
CN110782996A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 医疗数据库的构建方法、装置、计算机设备和存储介质 |
-
2020
- 2020-04-14 CN CN202010291821.0A patent/CN111599433B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108899072A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 中药药方推荐方法、装置、计算机设备和存储介质 |
CN108899070A (zh) * | 2018-05-31 | 2018-11-27 | 平安医疗科技有限公司 | 处方推荐生成方法、装置、计算机设备和存储介质 |
CN109036508A (zh) * | 2018-05-31 | 2018-12-18 | 平安医疗科技有限公司 | 一种中医医疗信息处理方法、装置、计算机设备和存储介质 |
CN109087691A (zh) * | 2018-08-02 | 2018-12-25 | 科大智能机器人技术有限公司 | 一种基于深度学习的非处方药品推荐***和推荐方法 |
CN110782996A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技(深圳)有限公司 | 医疗数据库的构建方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111599433A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111599433B (zh) | 一种药材的辅助开方方法、装置、存储介质及终端 | |
Gu et al. | Visualizing the intellectual structure and evolution of electronic health and telemedicine research | |
CN109599185B (zh) | 疾病数据处理方法、装置、电子设备及计算机可读介质 | |
WO2022267678A1 (zh) | 视频问诊方法、装置、设备及存储介质 | |
CN107526932A (zh) | 科室挂号指导方法和终端设备 | |
CN108417272B (zh) | 带时序约束的相似病例推荐方法及装置 | |
CN108717441B (zh) | 问题模板所对应的谓词的确定方法及装置 | |
WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
CN108198603A (zh) | 一种基于个人体检信息的营养饮食推荐方法 | |
CN106844351A (zh) | 一种面向多数据源的医疗机构组织类实体识别方法及装置 | |
CN112331298A (zh) | 开具药方的方法、装置、电子设备及存储介质 | |
CN111967334B (zh) | 一种人体意图识别方法、***以及存储介质 | |
CN114765075A (zh) | 药品推荐方法、装置及***、电子设备及存储介质 | |
Gupta et al. | Artificial intelligence in public health: opportunities and challenges | |
CN113657105A (zh) | 基于词汇增强的医学实体抽取方法、装置、设备及介质 | |
CN114582487A (zh) | 基于中医知识图谱的中医辅助诊疗的方法及*** | |
CN113658662A (zh) | 基于用药大数据的配药方法、装置、设备及存储介质 | |
CN110088748B (zh) | 问题生成方法和装置、问诊***、计算机可读存储介质 | |
CN114708976A (zh) | 辅助诊断技术的方法、装置、设备及存储介质 | |
WO2022227171A1 (zh) | 关键信息提取方法、装置、电子设备及介质 | |
CN111785340B (zh) | 一种医疗数据处理方法、装置、设备及存储介质 | |
JP2023550212A (ja) | 医薬品コードを決定するための方法、装置、電子機器及びコンピュータ媒体 | |
CN113724830A (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
WO2024109097A1 (zh) | 专利文本的知识图谱创建方法、装置、存储介质及设备 | |
CN115659987A (zh) | 基于双通道的多模态命名实体识别方法、装置以及设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220222 Address after: 100166 Room 201, unit 2, building 9, holiday Scenic Area C, No. 2, Dawayao North Road, Fengtai District, Beijing Applicant after: Cui Heshan Address before: No. 5014-107, floor 5, No. 36, Haidian Avenue, Haidian District, Beijing 100080 Applicant before: Beijing Jueming Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |