CN111816301A - 医疗问诊辅助方法、装置、电子设备及介质 - Google Patents
医疗问诊辅助方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111816301A CN111816301A CN202010645468.1A CN202010645468A CN111816301A CN 111816301 A CN111816301 A CN 111816301A CN 202010645468 A CN202010645468 A CN 202010645468A CN 111816301 A CN111816301 A CN 111816301A
- Authority
- CN
- China
- Prior art keywords
- disease
- entity
- text
- information
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 201000010099 disease Diseases 0.000 claims abstract description 267
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 267
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 90
- 230000015654 memory Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000003745 diagnosis Methods 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 17
- 208000024891 symptom Diseases 0.000 claims description 14
- 230000007787 long-term memory Effects 0.000 claims description 12
- 230000006403 short-term memory Effects 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012015 optical character recognition Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及人工智能,提供一种医疗问诊辅助方法、装置、电子设备及介质。其方法能够确定待诊断用户,获取待诊断用户的病情文本信息及病情图像信息,识别病情文本信息中的实体,得到目标文本实体,从预先构建的文本知识图谱中确定与目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与病情图像信息相关联的第二疾病实体,融合第一疾病实体及第二疾病实体,得到目标集合,确定目标集合中每个疾病实体的概率,将概率最大的疾病实体确定为待诊断用户的主疾病,并根据概率从目标集合中确定待诊断用户的候选疾病。本发明能够提高问诊辅助的准确度。此外,本发明还涉及区块链技术,所述主疾病及所述候选疾病可存储于区块链中。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种医疗问诊辅助方法、装置、电子设备及介质。
背景技术
由于现有的疾病诊断方法主要依据医生根据个人经验来完成诊断,同时经验丰富的资深医生较少,为此,目前无法满足数目庞大的就诊需求。随着人工智能的高速发展以及医院信息化的发展,智能辅助问诊方式也随之产生,然而,这种方式只针对文本信息进行分析,忽略了医疗场景中图像信息的分析(例如,心电图),从而导致问诊辅助的准确度较低。
发明内容
鉴于以上内容,有必要提供一种医疗问诊辅助方法、装置、电子设备及介质,不仅能够提高问诊辅助的准确度,还能够提高医护人员的问诊效率。
一种医疗问诊辅助方法,所述医疗问诊辅助方法包括:
当接收到医疗问诊辅助请求时,根据所述医疗问诊辅助请求确定待诊断用户;
获取所述待诊断用户的病情文本信息及病情图像信息;
识别所述病情文本信息中的实体,得到目标文本实体;
从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体;
融合所述第一疾病实体及所述第二疾病实体,得到目标集合;
确定所述目标集合中每个疾病实体的概率;
将概率最大的疾病实体确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
根据本发明优选实施例,所述根据所述医疗问诊辅助请求确定待诊断用户包括:
从线程连接池中获取任意闲置线程;
利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体,得到所述医疗问诊辅助请求携带的数据信息;
获取预设标签,并从所述数据信息中获取与所述预设标签对应的信息,作为身份识别码;
利用所述身份识别码确定所述待诊断用户。
根据本发明优选实施例,所述获取所述待诊断用户的病情文本信息及病情图像信息包括以下一种或者多种方式的组合:
从第一预设网站中下载与所述身份识别码对应的文件,作为所述病情文本信息,并从第二预设网站中下载与所述身份识别码对应的文件,作为所述病情图像信息;及/或
利用光学字符识别算法识别所述待诊断用户的病历本,得到所述病情文本信息,并控制医疗仪器采集所述待诊断用户的病情图像信息。
根据本发明优选实施例,所述识别所述病情文本信息中的实体,得到目标文本实体包括:
对所述病情文本信息进行分词处理,得到多个分词;
将每个分词转换为词向量,并依照每个分词在所述病情文本信息中的顺序组合所述词向量,得到与所述病情文本信息对应的向量序列;
利用双向长短期记忆网络对所述向量序列进行特征抽取,得到正向长短期记忆网络中每个分词对应的第一特征向量,及反向长短期记忆网络中每个分词对应的第二特征向量;
拼接所述第一特征向量及所述第二特征向量,得到每个分词对应的目标向量;
将每个目标向量乘以预设权重矩阵,并加上预设偏置值,得到每个分词的分数向量,所述分数向量中的每个元素表征每个分词对应标签的分数;
对于每个分数向量,将分数最高的元素对应的标签确定为每个分词的目标标签,得到所述病情文本信息中的多个目标标签;
从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体,并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体;
组合所述第一文本实体及所述第二文本实体,得到所述目标文本实体。
根据本发明优选实施例,在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前,所述医疗问诊辅助方法还包括:
利用网络爬虫技术获取多个检查图像,并获取与所述多个检查图像对应的多个检查疾病;
对所述多个检查图像进行对齐处理,得到多个对齐图像;
基于每个对齐图像中的像素,将每个对齐图像转换为图像向量,并将每个检查疾病转换为文本向量;
计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度;
基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
根据本发明优选实施例,所述确定所述目标集合中每个疾病实体的概率包括:
从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体,并获取每个疾病实体与所述关联文本实体的第一关联度;
从所述图像知识图谱中获取与每个疾病实体对应的关联图像,并获取每个疾病实体与所述关联图像的第二关联度;
将所述第一关联度乘以所述第二关联度,得到每个疾病的目标数值,所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率;
计算所述目标集合中所有疾病实体的目标数值的总和,得到总值;
将每个疾病的目标数值除以所述总值,得到每个疾病实体的概率。
根据本发明优选实施例,在将概率最大的疾病确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定候选疾病之后,所述医疗问诊辅助方法还包括:
获取所述待诊断用户的用户信息,并根据所述用户信息、所述主疾病及所述候选疾病生成待确认信息;
将所述待确认信息发送至指定联系人的终端设备;
当在预设时间内接收到所述终端设备发出的确认信息时,从所述确认信息中提取确诊疾病;
根据所述用户信息及所述确诊疾病生成诊断报告;
采用对称加密算法对所述诊断报告进行加密处理,得到密文;
存储所述用户信息与所述密文的映射关系,并将所述密文发送至所述待诊断用户的客户端。
一种医疗问诊辅助装置,所述医疗问诊辅助装置包括:
确定单元,用于当接收到医疗问诊辅助请求时,根据所述医疗问诊辅助请求确定待诊断用户;
获取单元,用于获取所述待诊断用户的病情文本信息及病情图像信息;
识别单元,用于识别所述病情文本信息中的实体,得到目标文本实体;
所述确定单元,还用于从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体;
融合单元,用于融合所述第一疾病实体及所述第二疾病实体,得到目标集合;
所述确定单元,还用于确定所述目标集合中每个疾病实体的概率;
所述确定单元,还用于将概率最大的疾病实体确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述医疗问诊辅助方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述医疗问诊辅助方法。
由以上技术方案可以看出,本发明分析待诊断用户的病情文本信息及病情图像信息时,由于加入了病情图像信息的分析,因此不再局限于对文本信息的分析,能够提高问诊辅助的准确度,进而通过文本知识图谱及图像知识图谱能够全面获取到包含第一疾病实体及第二疾病实体的目标集合,提高了全面性。此外,通过分析目标集合中每个疾病实体的概率,并将概率最大的疾病实体确定为主疾病,同时从所述目标集合中选取出候选疾病,以便医护人员再次确认确诊疾病,可见,本发明能够为医护人员提供问诊辅助,进而能够提高医护人员的问诊效率。
附图说明
图1是本发明医疗问诊辅助方法的较佳实施例的流程图。
图2是本发明医疗问诊辅助装置的较佳实施例的功能模块图。
图3是本发明实现医疗问诊辅助方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明医疗问诊辅助方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述医疗问诊辅助方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
在本发明的至少一个实施例中,所述医疗问诊辅助方法应用于人工智能领域中。
S10,当接收到医疗问诊辅助请求时,根据所述医疗问诊辅助请求确定待诊断用户。
在本发明的至少一个实施例中,所述医疗问诊辅助请求可以由医护人员触发,也可以在预设时间定时触发,本发明对此不作限制。
进一步地,所述医疗问诊辅助请求携带的信息包括,但不限于:身份识别码、预设标签等。
在本发明的至少一个实施例中,所述电子设备根据所述医疗问诊辅助请求确定待诊断用户包括:
从线程连接池中获取任意闲置线程;
利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体,得到所述医疗问诊辅助请求携带的数据信息;
获取预设标签,并从所述数据信息中获取与所述预设标签对应的信息,作为身份识别码;
利用所述身份识别码确定所述待诊断用户。
由于所述身份识别码具有唯一性,因此,通过所述身份识别码能够准确确定所述待诊断用户,另外,通过从线程连接池中直接获取闲置线程解析所述医疗问诊辅助请求,由于节省了线程的创建时间,因此,提高了所述医疗问诊辅助请求的解析速度,进而提高所述待诊断用户的确定效率。
S11,获取所述待诊断用户的病情文本信息及病情图像信息。
在本发明的至少一个实施例中,所述病情文本信息包括所述待诊断用户与医护人员沟通的症状信息,以及所述待诊断用户的体征信息。进一步地,所述病情图像信息包括,但不限于:所述待诊断用户的心电图、彩超图像等。
在本发明的至少一个实施例中,所述电子设备获取所述待诊断用户的病情文本信息及病情图像信息包括以下一种或者多种方式的组合:
(1)从第一预设网站中下载与所述身份识别码对应的文件,作为所述病情文本信息,并从第二预设网站中下载与所述身份识别码对应的文件,作为所述病情图像信息;
(2)利用光学字符识别算法识别所述待诊断用户的病历本,得到所述病情文本信息,并控制医疗仪器采集所述待诊断用户的病情图像信息。
通过上述实施方式,能够准确获取到所述待诊断用户的病情文本信息及病情图像信息。
S12,识别所述病情文本信息中的实体,得到目标文本实体。
在本发明的至少一个实施例中,所述目标文本实体包括症状实体以及体征实体。
在本发明的至少一个实施例中,所述电子设备识别所述病情文本信息中的实体,得到目标文本实体包括:
对所述病情文本信息进行分词处理,得到多个分词;
将每个分词转换为词向量,并依照每个分词在所述病情文本信息中的顺序组合所述词向量,得到与所述病情文本信息对应的向量序列;
利用双向长短期记忆网络对所述向量序列进行特征抽取,得到正向长短期记忆网络中每个分词对应的第一特征向量,及反向长短期记忆网络中每个分词对应的第二特征向量;
拼接所述第一特征向量及所述第二特征向量,得到每个分词对应的目标向量;
将每个目标向量乘以预设权重矩阵,并加上预设偏置值,得到每个分词的分数向量,所述分数向量中的每个元素表征每个分词对应标签的分数;
对于每个分数向量,将分数最高的元素对应的标签确定为每个分词的目标标签,得到所述病情文本信息中的多个目标标签;
从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体,并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体;
组合所述第一文本实体及所述第二文本实体,得到所述目标文本实体。
其中,所述目标标签可以为B-PER、E-PER、B-ORG、I-ORG、E-ORG、B-EVE、I-EVE、E-EVE、O等。
通过将分数最高的标签确定为目标标签,能够准确确定出所述病情文本信息中的多个目标标签,进而通过所述预设症状库及所述预设体征库中的实体与所述多个目标标签的关系,能够准确确定所述目标文本实体。
S13,从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体。
在本发明的至少一个实施例中,所述文本知识图谱中包括文本实体与疾病实体的关联度。
进一步地,所述图像知识图谱包括检查图像与检查疾病的关联度。
在本发明的至少一个实施例中,在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前,所述医疗问诊辅助方法还包括:
利用网络爬虫技术获取多个检查图像,并获取与所述多个检查图像对应的多个检查疾病;
对所述多个检查图像进行对齐处理,得到多个对齐图像;
基于每个对齐图像中的像素,将每个对齐图像转换为图像向量,并将每个检查疾病转换为文本向量;
计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度;
基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
通过对检查图像进行对齐处理,能够避免检查图像因出现倾斜等问题导致生成的图像向量不准确,进而提高图像向量转换的准确度。
在本发明的至少一个实施例中,所述从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体包括:
将所述病情图像信息转换为病情图像向量;
从所述图像知识图谱中获取所有疾病中每个疾病对应的疾病向量;
计算所述病情图像向量与每个疾病向量的相似度;
选取相似度大于预设阈值的疾病向量,作为目标疾病向量,并将所述目标疾病向量对应的疾病确定为所述第二疾病实体。
S14,融合所述第一疾病实体及所述第二疾病实体,得到目标集合。
在本发明的至少一个实施例中,所述目标集合中的元素包括所述第一疾病实体及所述第二疾病实体。
S15,确定所述目标集合中每个疾病实体的概率。
在本发明的至少一个实施例中,所述电子设备确定所述目标集合中每个疾病实体的概率包括:
从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体,并获取每个疾病实体与所述关联文本实体的第一关联度;
从所述图像知识图谱中获取与每个疾病实体对应的关联图像,并获取每个疾病实体与所述关联图像的第二关联度;
将所述第一关联度乘以所述第二关联度,得到每个疾病的目标数值,所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率;
计算所述目标集合中所有疾病实体的目标数值的总和,得到总值;
将每个疾病的目标数值除以所述总值,得到每个疾病实体的概率。
S16,将概率最大的疾病实体确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
需要强调的是,为进一步保证上述主疾病及上述候选疾病的私密和安全性,上述主疾病及上述候选疾病还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述电子设备根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病包括:
将所述目标集合中所有疾病实体按照概率从大至小的顺序进行排序,得到目标队列;
从所述目标队列中提取前N个疾病实体,作为目标疾病实体,其中,所述N的取值为配置值;
将所述主疾病从所述目标疾病实体中删除,得到所述候选疾病。
通过上述实施方式,能够快速确定出所述候选疾病。
在本发明的至少一个实施例中,在将概率最大的疾病确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定候选疾病之后,所述医疗问诊辅助方法还包括:
获取所述待诊断用户的用户信息,并根据所述用户信息、所述主疾病及所述候选疾病生成待确认信息;
将所述待确认信息发送至指定联系人的终端设备;
当在预设时间内接收到所述终端设备发出的确认信息时,从所述确认信息中提取确诊疾病;
根据所述用户信息及所述确诊疾病生成诊断报告;
采用对称加密算法对所述诊断报告进行加密处理,得到密文;
存储所述用户信息与所述密文的映射关系,并将所述密文发送至所述待诊断用户的客户端。
通过分析所述确认信息,能够确保所述诊断报告的准确性,提高问诊辅助的准确度。
由以上技术方案可以看出,本发明分析待诊断用户的病情文本信息及病情图像信息时,由于加入了病情图像信息的分析,因此不再局限于对文本信息的分析,能够提高问诊辅助的准确度,进而通过文本知识图谱及图像知识图谱能够全面获取到包含第一疾病实体及第二疾病实体的目标集合,提高了全面性。此外,通过分析目标集合中每个疾病实体的概率,并将概率最大的疾病实体确定为主疾病,同时从所述目标集合中选取出候选疾病,以便医护人员再次确认确诊疾病,可见,本发明能够为医护人员提供问诊辅助,进而能够提高医护人员的问诊效率。
如图2所示,是本发明医疗问诊辅助装置的较佳实施例的功能模块图。所述医疗问诊辅助装置11包括确定单元110、获取单元111、识别单元112、融合单元113、处理单元114、转换单元115、计算单元116、生成单元117、发送单元118、提取单元119及加密单元120。本发明所称的模块/单元是指一种能够被处理器13所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到医疗问诊辅助请求时,确定单元110根据所述医疗问诊辅助请求确定待诊断用户。
在本发明的至少一个实施例中,所述医疗问诊辅助请求可以由医护人员触发,也可以在预设时间定时触发,本发明对此不作限制。
进一步地,所述医疗问诊辅助请求携带的信息包括,但不限于:身份识别码、预设标签等。
在本发明的至少一个实施例中,所述确定单元110根据所述医疗问诊辅助请求确定待诊断用户包括:
从线程连接池中获取任意闲置线程;
利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体,得到所述医疗问诊辅助请求携带的数据信息;
获取预设标签,并从所述数据信息中获取与所述预设标签对应的信息,作为身份识别码;
利用所述身份识别码确定所述待诊断用户。
由于所述身份识别码具有唯一性,因此,通过所述身份识别码能够准确确定所述待诊断用户,另外,通过从线程连接池中直接获取闲置线程解析所述医疗问诊辅助请求,由于节省了线程的创建时间,因此,提高了所述医疗问诊辅助请求的解析速度,进而提高所述待诊断用户的确定效率。
获取单元111获取所述待诊断用户的病情文本信息及病情图像信息。
在本发明的至少一个实施例中,所述病情文本信息包括所述待诊断用户与医护人员沟通的症状信息,以及所述待诊断用户的体征信息。进一步地,所述病情图像信息包括,但不限于:所述待诊断用户的心电图、彩超图像等。
在本发明的至少一个实施例中,所述获取单元111获取所述待诊断用户的病情文本信息及病情图像信息包括以下一种或者多种方式的组合:
(1)从第一预设网站中下载与所述身份识别码对应的文件,作为所述病情文本信息,并从第二预设网站中下载与所述身份识别码对应的文件,作为所述病情图像信息;
(2)利用光学字符识别算法识别所述待诊断用户的病历本,得到所述病情文本信息,并控制医疗仪器采集所述待诊断用户的病情图像信息。
通过上述实施方式,能够准确获取到所述待诊断用户的病情文本信息及病情图像信息。
识别单元112识别所述病情文本信息中的实体,得到目标文本实体。
在本发明的至少一个实施例中,所述目标文本实体包括症状实体以及体征实体。
在本发明的至少一个实施例中,所述识别单元112识别所述病情文本信息中的实体,得到目标文本实体包括:
对所述病情文本信息进行分词处理,得到多个分词;
将每个分词转换为词向量,并依照每个分词在所述病情文本信息中的顺序组合所述词向量,得到与所述病情文本信息对应的向量序列;
利用双向长短期记忆网络对所述向量序列进行特征抽取,得到正向长短期记忆网络中每个分词对应的第一特征向量,及反向长短期记忆网络中每个分词对应的第二特征向量;
拼接所述第一特征向量及所述第二特征向量,得到每个分词对应的目标向量;
将每个目标向量乘以预设权重矩阵,并加上预设偏置值,得到每个分词的分数向量,所述分数向量中的每个元素表征每个分词对应标签的分数;
对于每个分数向量,将分数最高的元素对应的标签确定为每个分词的目标标签,得到所述病情文本信息中的多个目标标签;
从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体,并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体;
组合所述第一文本实体及所述第二文本实体,得到所述目标文本实体。
其中,所述目标标签可以为B-PER、E-PER、B-ORG、I-ORG、E-ORG、B-EVE、I-EVE、E-EVE、O等。
通过将分数最高的标签确定为目标标签,能够准确确定出所述病情文本信息中的多个目标标签,进而通过所述预设症状库及所述预设体征库中的实体与所述多个目标标签的关系,能够准确确定所述目标文本实体。
所述确定单元110从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体。
在本发明的至少一个实施例中,所述文本知识图谱中包括文本实体与疾病实体的关联度。
进一步地,所述图像知识图谱包括检查图像与检查疾病的关联度。
在本发明的至少一个实施例中,在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前,获取单元111利用网络爬虫技术获取多个检查图像,并获取与所述多个检查图像对应的多个检查疾病;
处理单元114对所述多个检查图像进行对齐处理,得到多个对齐图像;
转换单元115基于每个对齐图像中的像素,将每个对齐图像转换为图像向量,并将每个检查疾病转换为文本向量;
计算单元116计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度;
生成单元117基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
通过对检查图像进行对齐处理,能够避免检查图像因出现倾斜等问题导致生成的图像向量不准确,进而提高图像向量转换的准确度。
在本发明的至少一个实施例中,所述确定单元110从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体包括:
将所述病情图像信息转换为病情图像向量;
从所述图像知识图谱中获取所有疾病中每个疾病对应的疾病向量;
计算所述病情图像向量与每个疾病向量的相似度;
选取相似度大于预设阈值的疾病向量,作为目标疾病向量,并将所述目标疾病向量对应的疾病确定为所述第二疾病实体。
融合单元113融合所述第一疾病实体及所述第二疾病实体,得到目标集合。
在本发明的至少一个实施例中,所述目标集合中的元素包括所述第一疾病实体及所述第二疾病实体。
所述确定单元110确定所述目标集合中每个疾病实体的概率。
在本发明的至少一个实施例中,所述确定单元110确定所述目标集合中每个疾病实体的概率包括:
从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体,并获取每个疾病实体与所述关联文本实体的第一关联度;
从所述图像知识图谱中获取与每个疾病实体对应的关联图像,并获取每个疾病实体与所述关联图像的第二关联度;
将所述第一关联度乘以所述第二关联度,得到每个疾病的目标数值,所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率;
计算所述目标集合中所有疾病实体的目标数值的总和,得到总值;
将每个疾病的目标数值除以所述总值,得到每个疾病实体的概率。
所述确定单元110将概率最大的疾病实体确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
需要强调的是,为进一步保证上述主疾病及上述候选疾病的私密和安全性,上述主疾病及上述候选疾病还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述确定单元110根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病包括:
将所述目标集合中所有疾病实体按照概率从大至小的顺序进行排序,得到目标队列;
从所述目标队列中提取前N个疾病实体,作为目标疾病实体,其中,所述N的取值为配置值;
将所述主疾病从所述目标疾病实体中删除,得到所述候选疾病。
通过上述实施方式,能够快速确定出所述候选疾病。
在本发明的至少一个实施例中,在将概率最大的疾病确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定候选疾病之后,所述获取单元111获取所述待诊断用户的用户信息,并根据所述用户信息、所述主疾病及所述候选疾病生成待确认信息;
发送单元118将所述待确认信息发送至指定联系人的终端设备;
当在预设时间内接收到所述终端设备发出的确认信息时,提取单元119从所述确认信息中提取确诊疾病;
所述生成单元117根据所述用户信息及所述确诊疾病生成诊断报告;
加密单元120采用对称加密算法对所述诊断报告进行加密处理,得到密文;
所述发送单元118存储所述用户信息与所述密文的映射关系,并将所述密文发送至所述待诊断用户的客户端。
通过分析所述确认信息,能够确保所述诊断报告的准确性,提高问诊辅助的准确度。
由以上技术方案可以看出,本发明分析待诊断用户的病情文本信息及病情图像信息时,由于加入了病情图像信息的分析,因此不再局限于对文本信息的分析,能够提高问诊辅助的准确度,进而通过文本知识图谱及图像知识图谱能够全面获取到包含第一疾病实体及第二疾病实体的目标集合,提高了全面性。此外,通过分析目标集合中每个疾病实体的概率,并将概率最大的疾病实体确定为主疾病,同时从所述目标集合中选取出候选疾病,以便医护人员再次确认确诊疾病,可见,本发明能够为医护人员提供问诊辅助,进而能够提高医护人员的问诊效率。
如图3所示,是本发明实现医疗问诊辅助方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如医疗问诊辅助程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作***以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作***以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个医疗问诊辅助方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如,所述计算机程序可以被分割成确定单元110、获取单元111、识别单元112、融合单元113、处理单元114、转换单元115、计算单元116、生成单元117、发送单元118、提取单元119及加密单元120。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器12可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种医疗问诊辅助方法,所述处理器13可执行所述多个指令从而实现:
当接收到医疗问诊辅助请求时,根据所述医疗问诊辅助请求确定待诊断用户;
获取所述待诊断用户的病情文本信息及病情图像信息;
识别所述病情文本信息中的实体,得到目标文本实体;
从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体;
融合所述第一疾病实体及所述第二疾病实体,得到目标集合;
确定所述目标集合中每个疾病实体的概率;
将概率最大的疾病实体确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医疗问诊辅助方法,其特征在于,所述医疗问诊辅助方法包括:
当接收到医疗问诊辅助请求时,根据所述医疗问诊辅助请求确定待诊断用户;
获取所述待诊断用户的病情文本信息及病情图像信息;
识别所述病情文本信息中的实体,得到目标文本实体;
从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体;
融合所述第一疾病实体及所述第二疾病实体,得到目标集合;
确定所述目标集合中每个疾病实体的概率;
将概率最大的疾病实体确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
2.如权利要求1所述的医疗问诊辅助方法,其特征在于,所述根据所述医疗问诊辅助请求确定待诊断用户包括:
从线程连接池中获取任意闲置线程;
利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体,得到所述医疗问诊辅助请求携带的数据信息;
获取预设标签,并从所述数据信息中获取与所述预设标签对应的信息,作为身份识别码;
利用所述身份识别码确定所述待诊断用户。
3.如权利要求2所述的医疗问诊辅助方法,其特征在于,所述获取所述待诊断用户的病情文本信息及病情图像信息包括以下一种或者多种方式的组合:
从第一预设网站中下载与所述身份识别码对应的文件,作为所述病情文本信息,并从第二预设网站中下载与所述身份识别码对应的文件,作为所述病情图像信息;及/或
利用光学字符识别算法识别所述待诊断用户的病历本,得到所述病情文本信息,并控制医疗仪器采集所述待诊断用户的病情图像信息。
4.如权利要求1所述的医疗问诊辅助方法,其特征在于,所述识别所述病情文本信息中的实体,得到目标文本实体包括:
对所述病情文本信息进行分词处理,得到多个分词;
将每个分词转换为词向量,并依照每个分词在所述病情文本信息中的顺序组合所述词向量,得到与所述病情文本信息对应的向量序列;
利用双向长短期记忆网络对所述向量序列进行特征抽取,得到正向长短期记忆网络中每个分词对应的第一特征向量,及反向长短期记忆网络中每个分词对应的第二特征向量;
拼接所述第一特征向量及所述第二特征向量,得到每个分词对应的目标向量;
将每个目标向量乘以预设权重矩阵,并加上预设偏置值,得到每个分词的分数向量,所述分数向量中的每个元素表征每个分词对应标签的分数;
对于每个分数向量,将分数最高的元素对应的标签确定为每个分词的目标标签,得到所述病情文本信息中的多个目标标签;
从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体,并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体;
组合所述第一文本实体及所述第二文本实体,得到所述目标文本实体。
5.如权利要求1所述的医疗问诊辅助方法,其特征在于,在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前,所述医疗问诊辅助方法还包括:
利用网络爬虫技术获取多个检查图像,并获取与所述多个检查图像对应的多个检查疾病;
对所述多个检查图像进行对齐处理,得到多个对齐图像;
基于每个对齐图像中的像素,将每个对齐图像转换为图像向量,并将每个检查疾病转换为文本向量;
计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度;
基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
6.如权利要求1所述的医疗问诊辅助方法,其特征在于,所述确定所述目标集合中每个疾病实体的概率包括:
从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体,并获取每个疾病实体与所述关联文本实体的第一关联度;
从所述图像知识图谱中获取与每个疾病实体对应的关联图像,并获取每个疾病实体与所述关联图像的第二关联度;
将所述第一关联度乘以所述第二关联度,得到每个疾病的目标数值,所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率;
计算所述目标集合中所有疾病实体的目标数值的总和,得到总值;
将每个疾病的目标数值除以所述总值,得到每个疾病实体的概率。
7.如权利要求1所述的医疗问诊辅助方法,其特征在于,在将概率最大的疾病确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定候选疾病之后,所述医疗问诊辅助方法还包括:
获取所述待诊断用户的用户信息,并根据所述用户信息、所述主疾病及所述候选疾病生成待确认信息;
将所述待确认信息发送至指定联系人的终端设备;
当在预设时间内接收到所述终端设备发出的确认信息时,从所述确认信息中提取确诊疾病;
根据所述用户信息及所述确诊疾病生成诊断报告;
采用对称加密算法对所述诊断报告进行加密处理,得到密文;
存储所述用户信息与所述密文的映射关系,并将所述密文发送至所述待诊断用户的客户端。
8.一种医疗问诊辅助装置,其特征在于,所述医疗问诊辅助装置包括:
确定单元,用于当接收到医疗问诊辅助请求时,根据所述医疗问诊辅助请求确定待诊断用户;
获取单元,用于获取所述待诊断用户的病情文本信息及病情图像信息;
识别单元,用于识别所述病情文本信息中的实体,得到目标文本实体;
所述确定单元,还用于从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体,并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体;
融合单元,用于融合所述第一疾病实体及所述第二疾病实体,得到目标集合;
所述确定单元,还用于确定所述目标集合中每个疾病实体的概率;
所述确定单元,还用于将概率最大的疾病实体确定为所述待诊断用户的主疾病,并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的医疗问诊辅助方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的医疗问诊辅助方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010645468.1A CN111816301B (zh) | 2020-07-07 | 2020-07-07 | 医疗问诊辅助方法、装置、电子设备及介质 |
PCT/CN2020/111914 WO2021114736A1 (zh) | 2020-07-07 | 2020-08-27 | 医疗问诊辅助方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010645468.1A CN111816301B (zh) | 2020-07-07 | 2020-07-07 | 医疗问诊辅助方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111816301A true CN111816301A (zh) | 2020-10-23 |
CN111816301B CN111816301B (zh) | 2024-07-02 |
Family
ID=72842486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010645468.1A Active CN111816301B (zh) | 2020-07-07 | 2020-07-07 | 医疗问诊辅助方法、装置、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111816301B (zh) |
WO (1) | WO2021114736A1 (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329471A (zh) * | 2021-01-06 | 2021-02-05 | 科大讯飞(苏州)科技有限公司 | 基于配图的命名实体识别方法、装置以及设备 |
CN112435745A (zh) * | 2020-12-18 | 2021-03-02 | 深圳赛安特技术服务有限公司 | 就诊策略推荐方法、装置、电子设备及存储介质 |
CN112768064A (zh) * | 2021-01-26 | 2021-05-07 | 北京搜狗科技发展有限公司 | 疾病预测装置及设备、症状信息处理方法、装置及设备 |
CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检***、方法及设备 |
CN113111162A (zh) * | 2021-04-21 | 2021-07-13 | 康键信息技术(深圳)有限公司 | 科室推荐方法、装置、电子设备及存储介质 |
CN113157640A (zh) * | 2020-12-31 | 2021-07-23 | 上海明品医学数据科技有限公司 | 一种家庭医生辅助问诊装置、终端及问诊*** |
CN113327691A (zh) * | 2021-06-01 | 2021-08-31 | 平安科技(深圳)有限公司 | 基于语言模型的问询方法、装置、计算机设备及存储介质 |
CN113469049A (zh) * | 2021-06-30 | 2021-10-01 | 平安科技(深圳)有限公司 | 一种疾病信息识别方法、***、装置及存储介质 |
CN113486195A (zh) * | 2021-08-17 | 2021-10-08 | 深圳华声医疗技术股份有限公司 | 超声图像处理方法、装置、超声设备及存储介质 |
CN113658690A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种智能导医方法、装置、存储介质以及电子设备 |
CN113724858A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疾病检查项目推荐设备、方法及装置 |
CN113782189A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于地域性疾病图谱的智能辅助诊疗方法及装置 |
CN113849577A (zh) * | 2021-09-27 | 2021-12-28 | 联想(北京)有限公司 | 数据增强方法及装置 |
CN114218955A (zh) * | 2021-12-28 | 2022-03-22 | 上海柯林布瑞信息技术有限公司 | 基于医疗知识图谱的辅助参考信息的确定方法及*** |
CN115019980A (zh) * | 2022-08-08 | 2022-09-06 | 阿里健康科技(杭州)有限公司 | 一种问诊数据处理方法和装置、用户终端和服务器 |
CN115331804A (zh) * | 2022-07-04 | 2022-11-11 | 深圳市镜象科技有限公司 | 多模态心理疾病诊断方法、计算机设备及存储介质 |
CN115514913A (zh) * | 2022-09-16 | 2022-12-23 | 深圳市拓普智造科技有限公司 | 视频数据处理方法和装置、电子设备及存储介质 |
CN115827877A (zh) * | 2023-02-07 | 2023-03-21 | 湖南正宇软件技术开发有限公司 | 一种提案辅助并案的方法、装置、计算机设备和存储介质 |
WO2023160264A1 (zh) * | 2022-02-28 | 2023-08-31 | 京东方科技集团股份有限公司 | 医疗数据处理方法、装置及存储介质 |
CN117238527A (zh) * | 2023-11-14 | 2023-12-15 | 四川天府智链健康科技有限公司 | 基于大数据的医疗信息管理方法及*** |
CN117951330A (zh) * | 2024-03-27 | 2024-04-30 | 吉林大学 | 一种基于人工智能的医疗数据检索方法 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590775B (zh) * | 2021-06-22 | 2023-07-21 | 北京百度网讯科技有限公司 | 诊疗数据的处理方法、装置、电子设备及存储介质 |
CN113590777A (zh) * | 2021-06-30 | 2021-11-02 | 北京百度网讯科技有限公司 | 文本信息处理方法、装置、电子设备和存储介质 |
CN113722504A (zh) * | 2021-08-27 | 2021-11-30 | 上海钛米机器人股份有限公司 | 预问诊信息生成方法及装置 |
CN113707301A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术(深圳)有限公司 | 基于人工智能的远程问诊方法、装置、设备及介质 |
CN113657114A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 疾病名称对码列表的生成方法、装置、设备及存储介质 |
CN114388123A (zh) * | 2021-12-28 | 2022-04-22 | 河南讯飞人工智能科技有限公司 | 智能辅诊方法、装置、设备及存储介质 |
CN114360732B (zh) * | 2022-01-12 | 2024-04-09 | 平安科技(深圳)有限公司 | 医疗数据分析方法、装置、电子设备及存储介质 |
CN116798597B (zh) * | 2022-03-14 | 2024-04-19 | 数坤(北京)网络科技股份有限公司 | 一种诊断信息推断方法、装置、电子设备和存储介质 |
CN114596958B (zh) * | 2022-03-15 | 2024-03-19 | 平安科技(深圳)有限公司 | 基于级联分类的病理数据分类方法、装置、设备及介质 |
CN114783559B (zh) * | 2022-06-23 | 2022-09-30 | 浙江太美医疗科技股份有限公司 | 医学影像报告信息抽取方法、装置、电子设备和存储介质 |
CN116386063B (zh) * | 2023-06-06 | 2023-08-11 | 武汉大学人民医院(湖北省人民医院) | 纸质病历的内容识别方法及装置 |
CN117766137B (zh) * | 2024-02-22 | 2024-05-28 | 广东省人民医院 | 一种基于强化学习的医疗诊断结果确定方法和装置 |
CN118014076B (zh) * | 2024-04-09 | 2024-07-09 | 中国人民解放军总医院 | 医学知识抽取方法、装置、电子设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372439A (zh) * | 2016-09-21 | 2017-02-01 | 北京大学 | 基于病例库的疾病症状及其权重知识的获取和处理方法 |
CN108986908A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技(深圳)有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
CN110504028A (zh) * | 2019-08-22 | 2019-11-26 | 上海软中信息***咨询有限公司 | 一种疾病问诊方法、装置、***、计算机设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145744B (zh) * | 2017-05-08 | 2018-03-02 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
CN109243600B (zh) * | 2018-08-06 | 2020-11-20 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN109616165A (zh) * | 2018-11-07 | 2019-04-12 | 平安科技(深圳)有限公司 | 医疗信息展示方法及装置 |
CN110223751A (zh) * | 2019-05-16 | 2019-09-10 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的处方评价方法、***及计算机设备 |
CN111008269A (zh) * | 2019-11-13 | 2020-04-14 | 泰康保险集团股份有限公司 | 数据处理方法及装置、存储介质及电子终端 |
-
2020
- 2020-07-07 CN CN202010645468.1A patent/CN111816301B/zh active Active
- 2020-08-27 WO PCT/CN2020/111914 patent/WO2021114736A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372439A (zh) * | 2016-09-21 | 2017-02-01 | 北京大学 | 基于病例库的疾病症状及其权重知识的获取和处理方法 |
CN108986908A (zh) * | 2018-05-31 | 2018-12-11 | 平安医疗科技有限公司 | 问诊数据处理方法、装置、计算机设备和存储介质 |
CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技(深圳)有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
CN110504028A (zh) * | 2019-08-22 | 2019-11-26 | 上海软中信息***咨询有限公司 | 一种疾病问诊方法、装置、***、计算机设备和存储介质 |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435745A (zh) * | 2020-12-18 | 2021-03-02 | 深圳赛安特技术服务有限公司 | 就诊策略推荐方法、装置、电子设备及存储介质 |
CN112435745B (zh) * | 2020-12-18 | 2024-04-05 | 深圳赛安特技术服务有限公司 | 就诊策略推荐方法、装置、电子设备及存储介质 |
CN113157640A (zh) * | 2020-12-31 | 2021-07-23 | 上海明品医学数据科技有限公司 | 一种家庭医生辅助问诊装置、终端及问诊*** |
CN113157640B (zh) * | 2020-12-31 | 2023-05-23 | 上海明品医学数据科技有限公司 | 一种家庭医生辅助问诊装置、终端及问诊*** |
CN112329471A (zh) * | 2021-01-06 | 2021-02-05 | 科大讯飞(苏州)科技有限公司 | 基于配图的命名实体识别方法、装置以及设备 |
CN112329471B (zh) * | 2021-01-06 | 2021-04-20 | 科大讯飞(苏州)科技有限公司 | 基于配图的命名实体识别方法、装置以及设备 |
CN112768064A (zh) * | 2021-01-26 | 2021-05-07 | 北京搜狗科技发展有限公司 | 疾病预测装置及设备、症状信息处理方法、装置及设备 |
CN112786194A (zh) * | 2021-01-28 | 2021-05-11 | 北京一脉阳光医学信息技术有限公司 | 基于人工智能的医学影像导诊导检***、方法及设备 |
CN113111162A (zh) * | 2021-04-21 | 2021-07-13 | 康键信息技术(深圳)有限公司 | 科室推荐方法、装置、电子设备及存储介质 |
WO2022222943A1 (zh) * | 2021-04-21 | 2022-10-27 | 康键信息技术(深圳)有限公司 | 科室推荐方法、装置、电子设备及存储介质 |
CN113327691A (zh) * | 2021-06-01 | 2021-08-31 | 平安科技(深圳)有限公司 | 基于语言模型的问询方法、装置、计算机设备及存储介质 |
CN113327691B (zh) * | 2021-06-01 | 2022-08-12 | 平安科技(深圳)有限公司 | 基于语言模型的问询方法、装置、计算机设备及存储介质 |
CN113469049A (zh) * | 2021-06-30 | 2021-10-01 | 平安科技(深圳)有限公司 | 一种疾病信息识别方法、***、装置及存储介质 |
CN113469049B (zh) * | 2021-06-30 | 2024-05-10 | 平安科技(深圳)有限公司 | 一种疾病信息识别方法、***、装置及存储介质 |
CN113486195A (zh) * | 2021-08-17 | 2021-10-08 | 深圳华声医疗技术股份有限公司 | 超声图像处理方法、装置、超声设备及存储介质 |
CN113658690A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 一种智能导医方法、装置、存储介质以及电子设备 |
CN113724858A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疾病检查项目推荐设备、方法及装置 |
CN113782189A (zh) * | 2021-09-16 | 2021-12-10 | 平安国际智慧城市科技股份有限公司 | 基于地域性疾病图谱的智能辅助诊疗方法及装置 |
CN113849577A (zh) * | 2021-09-27 | 2021-12-28 | 联想(北京)有限公司 | 数据增强方法及装置 |
CN114218955A (zh) * | 2021-12-28 | 2022-03-22 | 上海柯林布瑞信息技术有限公司 | 基于医疗知识图谱的辅助参考信息的确定方法及*** |
WO2023160264A1 (zh) * | 2022-02-28 | 2023-08-31 | 京东方科技集团股份有限公司 | 医疗数据处理方法、装置及存储介质 |
CN115331804A (zh) * | 2022-07-04 | 2022-11-11 | 深圳市镜象科技有限公司 | 多模态心理疾病诊断方法、计算机设备及存储介质 |
CN115019980B (zh) * | 2022-08-08 | 2022-10-28 | 阿里健康科技(杭州)有限公司 | 一种问诊数据处理方法和装置、用户终端和服务器 |
CN115019980A (zh) * | 2022-08-08 | 2022-09-06 | 阿里健康科技(杭州)有限公司 | 一种问诊数据处理方法和装置、用户终端和服务器 |
CN115514913A (zh) * | 2022-09-16 | 2022-12-23 | 深圳市拓普智造科技有限公司 | 视频数据处理方法和装置、电子设备及存储介质 |
CN115514913B (zh) * | 2022-09-16 | 2024-02-13 | 深圳市拓普智造科技有限公司 | 视频数据处理方法和装置、电子设备及存储介质 |
CN115827877A (zh) * | 2023-02-07 | 2023-03-21 | 湖南正宇软件技术开发有限公司 | 一种提案辅助并案的方法、装置、计算机设备和存储介质 |
CN117238527A (zh) * | 2023-11-14 | 2023-12-15 | 四川天府智链健康科技有限公司 | 基于大数据的医疗信息管理方法及*** |
CN117238527B (zh) * | 2023-11-14 | 2024-02-13 | 四川天府智链健康科技有限公司 | 基于大数据的医疗信息管理方法及*** |
CN117951330A (zh) * | 2024-03-27 | 2024-04-30 | 吉林大学 | 一种基于人工智能的医疗数据检索方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021114736A1 (zh) | 2021-06-17 |
CN111816301B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111816301B (zh) | 医疗问诊辅助方法、装置、电子设备及介质 | |
CN111985241B (zh) | 医学信息查询方法、装置、电子设备及介质 | |
CN111883251A (zh) | 医疗误诊检测方法、装置、电子设备及存储介质 | |
CN113032528B (zh) | 案件分析方法、装置、设备及存储介质 | |
CN111949708B (zh) | 基于时序特征提取的多任务预测方法、装置、设备及介质 | |
CN111797351A (zh) | 页面数据管理方法、装置、电子设备及介质 | |
CN112232203B (zh) | 行人识别方法、装置、电子设备及存储介质 | |
CN113470775B (zh) | 信息采集方法、装置、设备及存储介质 | |
CN111986763A (zh) | 疾病数据分析方法、装置、电子设备及存储介质 | |
CN115063589A (zh) | 基于知识蒸馏的车辆部件分割方法及相关设备 | |
CN112214588A (zh) | 多意图识别方法、装置、电子设备及存储介质 | |
CN111933241B (zh) | 医疗数据解析方法、装置、电子设备及存储介质 | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN112052409B (zh) | 地址解析方法、装置、设备及介质 | |
CN112435745B (zh) | 就诊策略推荐方法、装置、电子设备及存储介质 | |
CN113918467A (zh) | 金融***测试方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
CN114360732B (zh) | 医疗数据分析方法、装置、电子设备及存储介质 | |
CN116705304A (zh) | 基于图像文本的多模态任务处理方法、装置、设备及介质 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN112561891B (zh) | 图像质量检测方法、装置、设备及存储介质 | |
CN114238296A (zh) | 产品指标数据展示方法、装置、设备及存储介质 | |
CN113408265A (zh) | 基于人机交互的语义解析方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant |