CN113707301A - 基于人工智能的远程问诊方法、装置、设备及介质 - Google Patents

基于人工智能的远程问诊方法、装置、设备及介质 Download PDF

Info

Publication number
CN113707301A
CN113707301A CN202111003077.0A CN202111003077A CN113707301A CN 113707301 A CN113707301 A CN 113707301A CN 202111003077 A CN202111003077 A CN 202111003077A CN 113707301 A CN113707301 A CN 113707301A
Authority
CN
China
Prior art keywords
user
inquiry
information
image
preset
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
Application number
CN202111003077.0A
Other languages
English (en)
Inventor
宋泽友
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kangjian Information Technology Shenzhen Co Ltd
Original Assignee
Kangjian Information Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kangjian Information Technology Shenzhen Co Ltd filed Critical Kangjian Information Technology Shenzhen Co Ltd
Priority to CN202111003077.0A priority Critical patent/CN113707301A/zh
Publication of CN113707301A publication Critical patent/CN113707301A/zh
Priority to PCT/CN2022/087815 priority patent/WO2023029510A1/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • 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
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术领域，提供了一种基于人工智能的远程问诊方法、装置、设备及存储介质。所述方法包括：获取用户上传的问诊信息并判断用户的类型，若为普通患者，基于问诊信息中问诊文本的关键词向用户反馈候选科室选项，接收用户基于候选科室的选项，将问诊信息反馈至该科室对应的终端，当判断用户为术后患者时，将问诊信息中的指标信息输入指标识别模型得到指标识别结果，将问诊信息中图像的特征信息输入图像识别模型得到图像识别结果，将问诊信息、指标识别结果及图像识别结果发送至识别结果类型对应的终端。本发明可以提高远程问诊辅助的准确度。本发明还涉及区块链技术领域，上述识别结果可以存储于一区块链的节点中。

Description

基于人工智能的远程问诊方法、装置、设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的远程问诊方法、装置、设备及存储介质。
背景技术
随着人工智能的高速发展以及医院信息化的发展，智能远程辅助问诊方式也随之产生。目前由于大多数患者的自身医疗知识有限，多数患者很难准确地判断自己要挂号或者问诊咨询的科室，此外，对于手术后恢复期患者或在家疗养的慢性病患者，现有的远程辅助问诊也仅是依据患者对体感的口头描述人工进行分析，或者仅利用规则语句对体感描述这单一维度的信息进行匹配分析，而未对患者的其余信息(如，体征数据)进行智能分析，导致不能准确分析出患者的问诊意图，从而不能准确地给患者分配合适的科室或医生。
发明内容
鉴于以上内容，本发明提供一种基于人工智能的远程问诊方法、装置、设备及存储介质，其目的在于解决现有技术中不能准确分析出患者的问诊意图，导致不能准确地给患者分配合适的科室或医生的技术问题。
为实现上述目的，本发明提供一种基于人工智能的远程问诊方法，该方法包括：
获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型；
当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端；
当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果；
提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
优选的，在基于所述用户的标识判断所述用户所属的用户类型之后，所述方法还包括：
当判断所述用户属于未注册账号的用户时，将预设的注册界面反馈至所述用户，以供所述用户基于所述注册界面输入并上传所述用户的基本信息进行注册。
优选的，所述提取所述问诊信息中问诊文本的关键词，包括：
获取所述问诊信息中的问诊文本，并对所述问诊文本执行分词操作得到多个分词；
计算各分词在所述问诊文本中的词频，基于所述词频计算出各分词的IDF值及TF值，将各分词的IDF值与各分词对应的TF值相乘得到各分词的TF-IDF值；
基于各分词的TF-IDF值选取第一预设数量的预设词性的词作为所述关键词。
优选的，所述基于所述关键词向所述用户反馈候选科室选项，包括：
将所述关键词分别与预设的科室语料表对应的标签集进行匹配得到多个标签集匹配度值，选取出标签集匹配度值最高的第二预设数量的候选标签集，将所述问诊文本分别与所述候选标签集对应科室语料表中的各语句进行匹配得到多个语句匹配度值；
当科室语料表中存在语句匹配度值大于第一预设阈值的语句时，将该语句对应的科室作为所述候选科室，并将语句匹配度值最高的语句对应的候选科室标注预设推荐信息。
优选的，所述指标识别模型的训练过程包括：
获取第三预设数量的指标数据集，对各指标数据集执行预处理操作后，分别为各指标数据集分配预设标签，将指标数据集作为自变量、指标数据集对应的预设标签作为因变量生成训练样本集；
将所述训练样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各自变量及各因变量对卷积神经网络模型进行训练，每隔预设周期利用所述验证集中各变量及各因变量对卷积神经网络模型的准确率进行验证；及
当验证所述准确率大于第二预设阈值时，结束训练得到所述指标识别模型。
优选的，所述提取所述问诊信息中图像的特征信息，包括：
利用LBP算法提取出所述图像的纹理特征，将所述图像裁剪成若干张裁剪图像，利用颜色矩提取算法提取出各裁剪图像的颜色特征，对所述纹理特征及各裁剪图像颜色特征执行融合操作得到所述图像的融合特征，将所述融合特征作为所述图像的特征信息。
优选的，所述将所述图像裁剪成若干张裁剪图像，包括：
在所述图像的左下角设置坐标原点，将所述图像分别沿着x轴和y轴方向，且以预设步长进行裁剪，得到若干张对应的预设大小的裁剪图像。
为实现上述目的，本发明还提供一种基于人工智能的远程问诊装置，该基于人工智能的远程问诊装置包括：
判断模块：用于获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型；
第一处理模块：用于当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端；
第二处理模块：用于当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果；
发送模块：用于提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
为实现上述目的，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于人工智能的远程问诊方法的任意步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有基于人工智能的远程问诊程序，所述基于人工智能的远程问诊程序被处理器执行时，实现如上所述基于人工智能的远程问诊方法的任意步骤。
本发明提出的基于人工智能的远程问诊方法、装置、设备及存储介质，通过用户标识判断用户的类型，根据问诊信息的问诊文本自动为不同的基于问诊文本进行问诊的用户推荐相应的科室，对基于体征数据和图像进行问诊的用户(如，术后患者)的体征数据及图像信息进行识别，更准确地分析出患者的问诊意图，并根据识别结果的类型将问诊信息发送至对应科室或医生的终端，从而准确地给患者分配合适的科室或医生，可以提高远程问诊辅助的准确度。
附图说明
图1为本发明基于人工智能的远程问诊方法较佳实施例的流程图示意图；
图2为本发明基于人工智能的远程问诊装置较佳实施例的模块示意图；
图3为本发明电子设备较佳实施例的示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明提供一种基于人工智能的远程问诊方法。参照图1所示，为本发明基于人工智能的远程问诊方法的实施例的方法流程示意图。该方法可以由一个电子设备执行，该电子设备可以由软件和/或硬件实现。基于人工智能的远程问诊方法包括：
步骤S10：获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型。
在本实施例中，当用户需要在线上问诊时，用户可以开启终端(例如，手机或智能手表等)上用于线上问诊的应用程序并发起问诊请求，并根据应用程序的提示上传相关的问诊信息，其中，问诊信息可以包括文本信息、指标信息、图像信息及/或视频信息，用户上传问诊信息后，可以提交问诊信息并发起问诊请求，服务器接收到终端发出的问诊请求后，解析该请求获取请求中携带的问诊信息，其中，请求中可以包括相关的问诊信息，也可以包括待相关问诊信息的存储路径。也就是说，问诊信息可以是用户在提交问诊请求时一并输入，也可以是用户提交问诊请求之后应用程序从请求指定的地址中获取的。
请求中还包括用户的标识(例如，ID号)，根据用户的标识可以判断用户为哪种类型的用户，本实施例中用户类型包括第一类型用户、第二类型用户、第三类型用户，其中，第一类型用户可以是已注册账号的普通患者(该类用户是基于问诊文本进行问诊的用户)，第二类型用户可以是已注册账号的术后恢复期患者或在家疗养的慢性病患者(该类用户是基于体征数据和图像进行问诊的用户)，第三类型用户可以是未注册账号的问诊患者。通过用户的标识可以判断用户所属的类型，进而根据用户类型进行相关的远程问诊。
在一个实施例中，在基于所述用户的标识判断所述用户所属的用户类型之后，所述方法还包括：
当判断所述用户属于未注册账号的用户时，将预设的注册界面反馈至所述用户，以供所述用户基于所述注册界面输入并上传所述用户的基本信息进行注册。
未注册的用户需要先注册账号才可以进行远程问诊，若用户第一次在线上问诊的应用程序输入问诊信息，则***会提示该用户先进行注册，用户在注册成功后需要在***建立健康档案并完善个人信息，之后，用户可将视频、图像通过终端或者特殊的可佩戴医疗设备上传至***，由***进行初步分析诊断。
步骤S20：当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端。
在本实施例中，若根据用户的标识判断出用户为已注册账号的普通患者，由于用户在问诊信息中可能包含与问诊内容无关的文本信息，因此需要从用户输入的问诊信息中提取出关键信息。根据关键信息为用户寻找对应的候选科室时，可以利用关键词提取算法提取出问诊信息中关键文本信息，例如，用户问诊信息中文本信息为“眼皮痒了一段时间了”，则可以根据提取出的关键词“眼皮”、“痒”向用户分配眼科科室和皮肤科科室作为候选科室，接收用户基于候选科室选项的选项，将问诊信息发送至该科室对应的终端。用户选择可以选择医生或者***随机分配相应的医生进行诊断，医生和用户沟通后出可出具相关的治疗方案。
在一个实施例中，所述提取所述问诊信息中问诊文本的关键词，包括：
获取所述问诊信息中的问诊文本，并对所述问诊文本执行分词操作得到多个分词；
计算各分词在所述问诊文本中的词频，基于所述词频计算出各分词的IDF值及TF值，将各分词的IDF值与各分词对应的TF值相乘得到各分词的TF-IDF值；
基于各分词的TF-IDF值选取第一预设数量的预设词性的词作为所述关键词。
获取所述问诊信息中的问诊文本后，统计问诊文本中的所有词的出现次数，计算出IDF(逆文档频率值)，再计算出问诊文本中每个词的TF(词频)值。其中，TF＝(词语在文本中出现次数)/(各词语在文本中出现次数的总和)，将IDF值与TF值相乘，得到该词的TF-IDF值，TF-IDF值可以评估字词对于文本中的重要程度，TF-IDF值越大表示作为关键词的优先级越高。在进行TF-IDF计算时，通过对词频与逆文档频率得出某个字词的TF-IDF值，若TF-IDF值越大，该词对文本的重要性越高，因此可以将TF-IDF值排在前面的字词作为问诊文本的关键词，例如，选取TF-IDF值排在前3的名词作为问诊信息文本的关键词。
在一个实施例中，所述基于所述关键词向所述用户反馈候选科室选项，包括：
将所述关键词分别与预设的科室语料表对应的标签集进行匹配得到多个标签集匹配度值，选取出标签集匹配度值最高的第二预设数量的候选标签集，将所述问诊文本分别与所述候选标签集对应科室语料表中的各语句进行匹配得到多个语句匹配度值；
当科室语料表中存在语句匹配度值大于第一预设阈值的语句时，将该语句对应的科室作为所述候选科室，并将语句匹配度值最高的语句对应的候选科室标注预设推荐信息。其中，匹配度值可以是包括余弦相似度值。
每个科室有预先建立的语料表，语料表中存储有大量的该科室对应的问诊文本信息(即问诊的语句)，问诊语句可以是从公开网站爬取得到，也可以是人工录入的，还可以是基于BERT模型自动生成的。每个科室的语料表有预先标注的标签集，例如，眼科语料表的标签集中有“眼睛”、“眼角”、“眼皮”等标签，皮肤科语料表的标签集中有“痒”、“红肿”等。
将问诊文本中的关键词分别与科室语料表对应的标签集进行匹配，得到多个标签集匹配度值，选取出标签集匹配度值最高的两个或者三个候选标签集，将问诊文本分别与候选标签集对应科室语料表中的各语句进行匹配，得到多个第二匹配值，当科室语料表中存在第二匹配值大于第一预设阈值(例如，85％)的语句时，将该语句对应的科室作为候选科室，例如，问诊文本与两个标签集的科室语料表的句子匹配时均存在匹配度值大于85％的句子，则将这两个科室作为候选科室，并将第二匹配值最高的语句对应的候选科室标注预设推荐信息，例如，眼科科室的语料表与问诊文本匹配时存在匹配度值95％的语句，皮肤科科室的语料表与问诊文本匹配时存在匹配度值85％的语句，则可以在眼科的字眼旁边标注“推荐”，并反馈给用户，以供用户选择相关的科室。
步骤S30：当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果。
在本实施例中，若根据用户的标识判断出用户为已注册账号的术后恢复期患者或在家疗养的慢性病患者，可以获取问诊信息中的指标信息(例如，体温、血压、脉搏等)，术后恢复期患者和一些慢性病患者在居家疗养期间可以佩戴可佩戴式的医疗设备，将用户体温、血压、心率等相关数据作为问诊信息上传至远程问诊***，也可以通过手机等终端输入自身的身体感觉情况(例如，有无头昏眼花、四肢无力等)。
获取用户的指标信息之后，将问诊信息中的指标信息输入预先建立的指标识别模型，得到问诊信息的指标识别结果。该指标识别结果可以作为辅助信息帮助医生做进一步的诊断。还可以将用户的指标信息同步至数据模型库，作为更新指标识别模型的样本数据。
在一个实施例中，所述指标识别模型的训练过程包括：
获取第三预设数量的指标数据集，对各指标数据集执行预处理操作后，分别为各指标数据集分配预设标签，将指标数据集作为自变量、指标数据集对应的预设标签作为因变量生成训练样本集；
将所述训练样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各自变量及各因变量对卷积神经网络模型进行训练，每隔预设周期利用所述验证集中各变量及各因变量对卷积神经网络模型的准确率进行验证；及
当验证所述准确率大于第二预设阈值时，结束训练得到所述指标识别模型。
可以预先建立数据模型库，数据模型库存储有大量的用户的体征数据集及对应的疾病类型，将数据模型库中用户的各项生命体征数据作归一化处理，建立常见疾病和用户生命体征数据间的关联性，即用户生命体征数据集标注相关的常见疾病，例如，疾病A对应的体温数据是M，血压数据是N等等。将指标数据集作为自变量、指标数据集对应的预设标签作为因变量生成训练样本集，自变量和因变量可以保证模型具有优良的解释能力和预测效果。将训练样本集按照预设比例(3:1)分成训练集及验证集，利用各自变量及各因变量对卷积神经网络模型进行训练，每隔预设周期利用验证集中各变量及各因变量对卷积神经网络模型的准确率进行验证，当准确率大于第二预设阈值(例如，90％)时，结束训练得到指标识别模型。
步骤S40：提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
在本实施例中，可以提取问诊信息中图像信息的特征信息(例如，纹理特征和颜色特征)，将特征信息输入预先建立图像识别模型，得到问诊信息的图像识别结果，预先建立图像识别模型可以是根据卷积神经网络训练得到的，将问诊信息、指标识别结果及图像识别结果，发送至对应医生的终端。例如，识别出用户问诊信息中的图像是关于脸部浮肿、眼圈发黑、脸色发黄，则可能识别出用户肝功能异常等，于是将用户分配给肝功能相关医生，完成智能诊断***的精准诊断分析。
医生可以结合智能诊断信息，结合患者病历和患者自生的身体感觉做出医疗诊断建议，判断用户是继续居家观察疗养还是需要回医院治疗，并和患者沟通给出相应的诊治方案，如新开药方、增加锻炼、饮食注意事项等，实现医生在远端通过分析病例、病情及患者相关生命体征来指导患者治疗和诊后的恢复。
在一个实施例中，所述提取所述问诊信息中图像的特征信息，包括：
利用LBP算法提取出所述图像的纹理特征，将所述图像裁剪成若干张裁剪图像，利用颜色矩提取算法提取出各裁剪图像的颜色特征，对所述纹理特征及各裁剪图像颜色特征执行融合操作得到所述图像的融合特征，将所述融合特征作为所述图像的特征信息。
具体地，首先将检测窗口划分为16×16的区域(cell)，对于每个cell中的一个像素，将其环形邻域内的8个点(也可以是环形邻域多个点)进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻点赋值为1，否则赋值为0，这样每个点都会获得一个8位二进制数(通常转换为十进制数)，然后计算每个cell的直方图，即每个数字(假定是十进制数)出现的频率(即一个关于每一个像素点是否比邻域内点大的一个二进制序列进行统计)，然后对该直方图进行归一化处理，最后将得到的每个cell的统计直方图进行连接，得到图像的LBP纹理特征。
颜色矩提取算法利用线性代数中矩的概念，将图像中的颜色分布用其矩表示。利用颜色一阶矩(平均值)、颜色二阶矩(方差)和颜色三阶矩(偏斜度)来描述颜色分布。其与颜色直方图不同，利用颜色矩进行图像描述无需量化图像特征。由于每个像素具有颜色空间的三个颜色通道，因此图像的颜色矩有9个分量来描述。由于颜色矩的维度较少，因此可以将颜色矩与其它的图像特征结合使用。
进一步地，所述将所述图像裁剪成若干张裁剪图像，包括：
在所述图像的左下角设置坐标原点，将所述图像分别沿着x轴和y轴方向，且以预设步长进行裁剪，得到若干张对应的预设大小的裁剪图像。
图像对应的若干张裁剪图像归为一个裁剪图像集合。例如，在图像的左下角设置原点，并以图像的左边界为Y轴、以图像的下边界为X轴，以步长为32像素进行裁剪，得到若干张裁剪图像作为该图像的裁剪图像集合。
参照图2所示，为本发明基于人工智能的远程问诊装置100的功能模块示意图。
本发明所述基于人工智能的远程问诊装置100可以安装于电子设备中。根据实现的功能，所述基于人工智能的远程问诊装置100可以包括判断模块110、第一处理模块120、第二处理模块130及发送模块140。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
判断模块110：用于获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型。
第一处理模块120，用于当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端。
第二处理模块130，用于当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果。
发送模块140，用于提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
在一个实施例中，判断模块110还用于：
当判断所述用户属于未注册账号的用户时，将预设的注册界面反馈至所述用户，以供所述用户基于所述注册界面输入并上传所述用户的基本信息进行注册。
在一个实施例中，所述提取所述问诊信息中问诊文本的关键词，包括：
获取所述问诊信息中的问诊文本，并对所述问诊文本执行分词操作得到多个分词；
计算各分词在所述问诊文本中的词频，基于所述词频计算出各分词的IDF值及TF值，将各分词的IDF值与各分词对应的TF值相乘得到各分词的TF-IDF值；
基于各分词的TF-IDF值选取第一预设数量的预设词性的词作为所述关键词。
在一个实施例中，所述基于所述关键词向所述用户反馈候选科室选项，包括：
将所述关键词分别与预设的科室语料表对应的标签集进行匹配得到多个标签集匹配度值，选取出标签集匹配度值最高的第二预设数量的候选标签集，将所述问诊文本分别与所述候选标签集对应科室语料表中的各语句进行匹配得到多个语句匹配度值；
当科室语料表中存在语句匹配度值大于第一预设阈值的语句时，将该语句对应的科室作为所述候选科室，并将语句匹配度值最高的语句对应的候选科室标注预设推荐信息。
在一个实施例中，所述指标识别模型的训练过程包括：
获取第三预设数量的指标数据集，对各指标数据集执行预处理操作后，分别为各指标数据集分配预设标签，将指标数据集作为自变量、指标数据集对应的预设标签作为因变量生成训练样本集；
将所述训练样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各自变量及各因变量对卷积神经网络模型进行训练，每隔预设周期利用所述验证集中各变量及各因变量对卷积神经网络模型的准确率进行验证；及
当验证所述准确率大于第二预设阈值时，结束训练得到所述指标识别模型。
在一个实施例中，所述提取所述问诊信息中图像的特征信息，包括：
利用LBP算法提取出所述图像的纹理特征，将所述图像裁剪成若干张裁剪图像，利用颜色矩提取算法提取出各裁剪图像的颜色特征，对所述纹理特征及各裁剪图像颜色特征执行融合操作得到所述图像的融合特征，将所述融合特征作为所述图像的特征信息。
在一个实施例中，所述将所述图像裁剪成若干张裁剪图像，包括：
在所述图像的左下角设置坐标原点，将所述图像分别沿着x轴和y轴方向，且以预设步长进行裁剪，得到若干张对应的预设大小的裁剪图像。
参照图3所示，为本发明电子设备1较佳实施例的示意图。
该电子设备1包括但不限于：存储器11、处理器12、显示器13及网络接口14。所述电子设备1通过网络接口14连接网络，获取原始数据。其中，所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯***(Global System of Mobilecommunication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述电子设备1的内部存储单元，例如该电子设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述电子设备1的外部存储设备，例如该电子设备1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述电子设备1的内部存储单元也包括其外部存储设备。本实施例中，存储器11通常用于存储安装于所述电子设备1的操作***和各类应用软件，例如基于人工智能的远程问诊程序10的程序代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行基于人工智能的远程问诊程序10的程序代码等。
显示器13可以称为显示屏或显示单元。在一些实施例中显示器13可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-EmittingDiode，OLED)触摸器等。显示器13用于显示在电子设备1中处理的信息以及用于显示可视化的工作界面，例如显示数据统计的结果。
网络接口14可选地可以包括标准的有线接口、无线接口(如WI-FI接口)，该网络接口14通常用于在所述电子设备1与其它电子设备之间建立通信连接。
图3仅示出了具有组件11-14以及基于人工智能的远程问诊程序10的电子设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，所述电子设备1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode，OLED)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
该电子设备1还可以包括射频(Radio Frequency，RF)电路、传感器和音频电路等等，在此不再赘述。
在上述实施例中，处理器12执行存储器11中存储的基于人工智能的远程问诊程序10时可以实现如下步骤：
获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型；
当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端；
当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果；
提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
所述存储设备可以为电子设备1的存储器11，也可以为与电子设备1通讯连接的其它存储设备。
关于上述步骤的详细介绍，请参照上述图2关于基于人工智能的远程问诊装置100实施例的功能模块图以及图1关于基于人工智能的远程问诊方法实施例的流程图的说明。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质可以是非易失性的，也可以是易失性的。该计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等等中的任意一种或者几种的任意组合。所述计算机可读存储介质中包括存储数据区和存储程序区，存储数据区存储根据区块链节点的使用所创建的数据，存储程序区存储有基于人工智能的远程问诊程序10，所述基于人工智能的远程问诊程序10被处理器执行时实现如下操作：
获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型；
当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端；
当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果；
提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
本发明之计算机可读存储介质的具体实施方式与上述基于人工智能的远程问诊方法的具体实施方式大致相同，在此不再赘述。
在另一个实施例中，本发明所提供的基于人工智能的远程问诊方法，为进一步保证上述所有出现的数据的私密和安全性，上述所有数据还可以存储于一区块链的节点中。例如指标识别结果及图像识别结果等，这些数据均可存储在区块链节点中。
需要说明的是，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。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，电子装置，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于人工智能的远程问诊方法，应用于电子设备，其特征在于，所述方法包括：
获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型；
当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端；
当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果；
提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
2.如权利要求1所述的基于人工智能的远程问诊方法，其特征在于，在基于所述用户的标识判断所述用户所属的用户类型之后，所述方法还包括：
当判断所述用户属于未注册账号的用户时，将预设的注册界面反馈至所述用户，以供所述用户基于所述注册界面输入并上传所述用户的基本信息进行注册。
3.如权利要求1所述的基于人工智能的远程问诊方法，其特征在于，所述提取所述问诊信息中问诊文本的关键词，包括：
获取所述问诊信息中的问诊文本，并对所述问诊文本执行分词操作得到多个分词；
计算各分词在所述问诊文本中的词频，基于所述词频计算出各分词的IDF值及TF值，将各分词的IDF值与各分词对应的TF值相乘得到各分词的TF-IDF值；
基于各分词的TF-IDF值选取第一预设数量的预设词性的词作为所述关键词。
4.如权利要求1所述的基于人工智能的远程问诊方法，其特征在于，所述基于所述关键词向所述用户反馈候选科室选项，包括：
将所述关键词分别与预设的科室语料表对应的标签集进行匹配得到多个标签集匹配度值，选取出标签集匹配度值最高的第二预设数量的候选标签集，将所述问诊文本分别与所述候选标签集对应科室语料表中的各语句进行匹配得到多个语句匹配度值；
当科室语料表中存在语句匹配度值大于第一预设阈值的语句时，将该语句对应的科室作为所述候选科室，并将语句匹配度值最高的语句对应的候选科室标注预设推荐信息。
5.如权利要求1所述的基于人工智能的远程问诊方法，其特征在于，所述指标识别模型的训练过程包括：
获取第三预设数量的指标数据集，对各指标数据集执行预处理操作后，分别为各指标数据集分配预设标签，将指标数据集作为自变量、指标数据集对应的预设标签作为因变量生成训练样本集；
将所述训练样本集按照预设比例分成训练集及验证集；
利用所述训练集中的各自变量及各因变量对卷积神经网络模型进行训练，每隔预设周期利用所述验证集中各变量及各因变量对卷积神经网络模型的准确率进行验证；及
当验证所述准确率大于第二预设阈值时，结束训练得到所述指标识别模型。
6.如权利要求1所述的基于人工智能的远程问诊方法，其特征在于，所述提取所述问诊信息中图像的特征信息，包括：
利用LBP算法提取出所述图像的纹理特征，将所述图像裁剪成若干张裁剪图像，利用颜色矩提取算法提取出各裁剪图像的颜色特征，对所述纹理特征及各裁剪图像颜色特征执行融合操作得到所述图像的融合特征，将所述融合特征作为所述图像的特征信息。
7.如权利要求6所述的基于人工智能的远程问诊方法，其特征在于，所述将所述图像裁剪成若干张裁剪图像，包括：
在所述图像的左下角设置坐标原点，将所述图像分别沿着x轴和y轴方向，且以预设步长进行裁剪，得到若干张对应的预设大小的裁剪图像。
8.一种基于人工智能的远程问诊装置，其特征在于，所述装置包括：
判断模块：用于获取用户利用预设终端上传的问诊信息，基于所述用户的标识判断所述用户所属的用户类型；
第一处理模块：用于当判断所述用户属于基于问诊文本进行问诊的用户时，提取所述问诊信息中问诊文本的关键词，基于所述关键词向所述用户反馈候选科室选项，接收用户基于所述候选科室选项的选项将所述问诊信息反馈至该科室对应的终端；
第二处理模块：用于当判断所述用户属于基于体征数据和图像进行问诊的用户时，将所述问诊信息中用于指示体征数据的指标信息输入预先建立的指标识别模型，得到所述问诊信息的指标识别结果；
发送模块：用于提取所述问诊信息中图像的特征信息，将所述特征信息输入预先建立图像识别模型，得到所述问诊信息的图像识别结果，将所述问诊信息、指标识别结果及图像识别结果，发送至所述指标识别结果的类型及所述图像识别结果的类型对应的终端。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的程序，所述程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于人工智能的远程问诊方法。
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存储有基于人工智能的远程问诊程序，所述基于人工智能的远程问诊程序被处理器执行时，实现如权利要求1至7中任一项所述基于人工智能的远程问诊方法的步骤。
CN202111003077.0A 2021-08-30 2021-08-30 基于人工智能的远程问诊方法、装置、设备及介质 Pending CN113707301A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111003077.0A CN113707301A (zh) 2021-08-30 2021-08-30 基于人工智能的远程问诊方法、装置、设备及介质
PCT/CN2022/087815 WO2023029510A1 (zh) 2021-08-30 2022-04-20 基于人工智能的远程问诊方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111003077.0A CN113707301A (zh) 2021-08-30 2021-08-30 基于人工智能的远程问诊方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN113707301A true CN113707301A (zh) 2021-11-26

Family

ID=78656675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111003077.0A Pending CN113707301A (zh) 2021-08-30 2021-08-30 基于人工智能的远程问诊方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN113707301A (zh)
WO (1) WO2023029510A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029510A1 (zh) * 2021-08-30 2023-03-09 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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110574B (zh) * 2023-04-14 2023-06-20 武汉大学人民医院（湖北省人民医院） 一种基于神经网络实现的眼科智能问诊方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109166618A (zh) * 2017-06-28 2019-01-08 京东方科技集团股份有限公司 分诊***和分诊方法
WO2019200535A1 (zh) * 2018-04-17 2019-10-24 深圳华大生命科学研究院 基于人工智能的眼科疾病诊断建模方法、装置及***
CN110634578A (zh) * 2019-09-16 2019-12-31 重庆百行智能数据科技研究院有限公司 一种远程智能问诊的方法
CN112168141A (zh) * 2020-01-20 2021-01-05 广州海鹚网络科技有限公司 远程问诊的信息处理方法、装置、设备和存储介质
CN112349435A (zh) * 2020-12-08 2021-02-09 微医云(杭州)控股有限公司 一种在线问诊方法、装置、服务器、介质和***
CN112863701A (zh) * 2021-02-01 2021-05-28 北京好欣晴移动医疗科技有限公司 非接触智能问诊***
WO2021114736A1 (zh) * 2020-07-07 2021-06-17 平安科技（深圳）有限公司 医疗问诊辅助方法、装置、电子设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101524112B1 (ko) * 2012-10-29 2015-05-29 한국디지털병원수출사업협동조합 3차원 초음파 진단기를 이용한 원격자문 시스템
KR101981326B1 (ko) * 2018-12-14 2019-05-22 가천대학교 산학협력단 로봇 인지용 플랫폼, 그 시스템 및 그 진단 방법
CN111241265A (zh) * 2020-01-09 2020-06-05 平安国际智慧城市科技股份有限公司 信息推荐方法、设备、存储介质及装置
CN112509682A (zh) * 2020-12-15 2021-03-16 康键信息技术（深圳）有限公司 基于文本识别的问诊方法、装置、设备及存储介质
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166618A (zh) * 2017-06-28 2019-01-08 京东方科技集团股份有限公司 分诊***和分诊方法
WO2019200535A1 (zh) * 2018-04-17 2019-10-24 深圳华大生命科学研究院 基于人工智能的眼科疾病诊断建模方法、装置及***
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
CN110634578A (zh) * 2019-09-16 2019-12-31 重庆百行智能数据科技研究院有限公司 一种远程智能问诊的方法
CN112168141A (zh) * 2020-01-20 2021-01-05 广州海鹚网络科技有限公司 远程问诊的信息处理方法、装置、设备和存储介质
WO2021114736A1 (zh) * 2020-07-07 2021-06-17 平安科技（深圳）有限公司 医疗问诊辅助方法、装置、电子设备及介质
CN112349435A (zh) * 2020-12-08 2021-02-09 微医云(杭州)控股有限公司 一种在线问诊方法、装置、服务器、介质和***
CN112863701A (zh) * 2021-02-01 2021-05-28 北京好欣晴移动医疗科技有限公司 非接触智能问诊***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023029510A1 (zh) * 2021-08-30 2023-03-09 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

Also Published As

Publication number Publication date
WO2023029510A1 (zh) 2023-03-09

Similar Documents

Publication Publication Date Title
CN110442841B (zh) 识别简历的方法及装置、计算机设备、存储介质
CN111695439A (zh) 图像结构化数据提取方法、电子装置及存储介质
CN112447300B (zh) 基于图神经网络的医疗查询方法、装置、计算机设备及存储介质
CN112509682A (zh) 基于文本识别的问诊方法、装置、设备及存储介质
CN113707301A (zh) 基于人工智能的远程问诊方法、装置、设备及介质
CN110298245B (zh) 兴趣收集方法、装置、计算机设备及存储介质
CN113707261A (zh) 基于人工智能的药品推荐方法、装置及相关设备
CN113707303A (zh) 基于知识图谱的医疗问题解答方法、装置、设备及介质
CN111581623B (zh) 智能数据交互方法、装置、电子设备及存储介质
CN111986744B (zh) 医疗机构的患者界面生成方法、装置、电子设备及介质
CN113111162A (zh) 科室推荐方法、装置、电子设备及存储介质
CN112287069A (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN111985241A (zh) 医学信息查询方法、装置、电子设备及介质
CN112614578A (zh) 医生智能推荐方法、装置、电子设备及存储介质
CN114860887A (zh) 基于智能联想的疾病内容推送方法、装置、设备及介质
WO2023029513A1 (zh) 基于人工智能的搜索意图识别方法、装置、设备及介质
CN110502622A (zh) 常见医疗问答数据生成方法、装置以及计算机设备
CN112035610A (zh) 医疗领域问答对的生成方法、装置、计算机设备和介质
CN114550870A (zh) 基于人工智能的处方审核方法、装置、设备及介质
CN113111159A (zh) 问答记录生成方法、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
CN110752027A (zh) 电子病历数据推送方法、装置、计算机设备和存储介质
CN113868419A (zh) 基于人工智能的文本分类方法、装置、设备及介质
CN114003704A (zh) 指定标签客群的创建方法、装置、电子设备及存储介质
CN116130088A (zh) 多模态面诊问诊方法、装置及相关设备

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