CN113724858A - 基于人工智能的疾病检查项目推荐设备、方法及装置 - Google Patents
基于人工智能的疾病检查项目推荐设备、方法及装置 Download PDFInfo
- Publication number
- CN113724858A CN113724858A CN202111010221.3A CN202111010221A CN113724858A CN 113724858 A CN113724858 A CN 113724858A CN 202111010221 A CN202111010221 A CN 202111010221A CN 113724858 A CN113724858 A CN 113724858A
- Authority
- CN
- China
- Prior art keywords
- disease
- information
- target
- inquiry
- examination item
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 405
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 405
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims description 32
- 239000013598 vector Substances 0.000 claims abstract description 122
- 238000003745 diagnosis Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000007689 inspection Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 32
- 208000024891 symptom Diseases 0.000 claims description 26
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract 1
- 239000003814 drug Substances 0.000 description 19
- 239000011159 matrix material Substances 0.000 description 17
- 208000035977 Rare disease Diseases 0.000 description 15
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002194 freeze distillation Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 206010002026 amyotrophic lateral sclerosis Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010068597 Bulbospinal muscular atrophy congenital Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 208000027747 Kennedy disease Diseases 0.000 description 1
- 206010028347 Muscle twitching Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 208000006269 X-Linked Bulbo-Spinal Atrophy Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F16/35—Clustering; Classification
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请适用于人工智能技术领域,提供了一种基于人工智能的疾病检查项目推荐设备、方法及装置,其中,该基于人工智能的疾病检查项目推荐设备,获取目标患者的问诊数据,从问诊数据中提取与疾病知识图谱中的实体信息相匹配的文本信息,得到问诊文本信息,并在基于疾病知识图谱训练得到的检查项目推荐模型的图卷积层中,确定与该问诊文本信息对应的问诊特征向量。之后,在该检查项目推荐模型的第一分类器中确定与问诊特征向量相匹配的目标疾病特征向量,并根据该目标疾病特征向量确定对应的目标疾病检查项目信息。本申请实施例能够在数字医疗场景中,准确地为目标患者推荐对应的检查项目,从而有效地辅助后续的疾病诊断并节省成本。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于人工智能的疾病检查项目推荐设备、方法及装置。
背景技术
目前,在医疗场景中,患者在进行医院就诊时,通常是根据医生的指导进行相应的检查项目的检查,以便医生根据检查结果作出相应的诊断。
然而,由于检查项目繁多,在有些患者的症状较为罕见时,医生也难以提前准确地确定该患者需要进行哪些检查项目。若医生指导患者进行的检查项目存在过多冗余没必要的检查项目,则可能造成时间拖延与金钱浪费。而若医生指导患者进行的检查项目缺少一些与该患者疾病密切相关的检查项目,则可能由于检查数据不全而导致后续的诊断不准确。因此,如何准确地为患者推荐对应的检查项目为目前医疗领域中亟需解决的问题。
发明内容
有鉴于此,本申请实施例提供了一种基于人工智能的疾病检查项目推荐设备、方法及装置,以解决现有技术中如何准确地为患者推荐对应的检查项目的问题。
本申请实施例的第一方面提供了一种基于人工智能的疾病检查项目推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,当所述处理器执行所述计算机程序时,实现如下步骤:
获取目标患者的问诊数据;
从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息;
在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到;
在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为目标疾病对应的特征向量;所述目标疾病检查项目信息为与所述目标疾病对应的所述疾病检查项目信息。
可选地,所述处理器执行所述计算机程序时,还用于:
获取预设医学数据;
将所述预设医学数据输入实体信息识别模型进行处理,得到各个实体信息以及各个实体信息之间的关联概率;其中,所述实体信息识别模型为基于携带实体信息标签的医学样本数据进行训练得到的双向循环神经网络;
根据各个所述实体信息以及各个所述实体信息之间的关联概率,构建所述疾病知识图谱。
可选地,所述疾病知识图谱的实体信息还包括医学指南信息,对应地,所述处理器执行所述计算机程序时,还用于:
确定所述目标疾病特征向量对应的目标医学指南信息。
可选地,所述疾病知识图谱的实体信息还包括检查结果信息,所述处理器执行所述计算机程序时,还用于:
获取所述目标患者根据所述目标疾病检查项目信息进行检查得到的目标检查结果信息;
将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息。
可选地,所述处理器执行所述计算机程序时,还用于:
根据所述问诊文本信息、所述目标检查结果信息和所述诊断结果信息,更新所述疾病知识图谱和/或所述检查项目推荐模型。
可选地,所述疾病知识图谱的实体信息还包括治疗方案的信息,所述处理器执行所述计算机程序时,还用于:
获取所述目标患者的目标病情描述信息;
将所述目标病情描述信息和所述诊断结果信息输入所述检查项目推荐模型的治疗方案推荐模块进行处理,得到目标治疗方案。
可选地,所述处理器执行所述计算机程序时,还用于:
根据所述诊断结果信息,确定对应的转诊建议信息。
本申请实施例的第二方面提供了一种基于人工智能的疾病检查项目推荐方法,包括:
获取目标患者的问诊数据;
从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息;
在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到;
在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为融合了所述疾病知识图谱中与目标疾病相对应的所述实体信息的特征向量;所述目标疾病检查项目信息为与所述目标疾病特征向量相匹配的所述疾病检查项目信息。
本申请实施例的第三方面提供了一种基于人工智能的疾病检查项目推荐装置,包括:
问诊数据获取单元,用于获取目标患者的问诊数据;
问诊文本信息确定单元,用于从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息;
问诊特征向量确定单元,用于在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到;
目标疾病检查项目确定单元,用于在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为融合了所述疾病知识图谱中与目标疾病相对应的所述实体信息的特征向量;所述目标疾病检查项目信息为与所述目标疾病特征向量相匹配的所述疾病检查项目信息。
本申请实施例的第四方面提供了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计算机程序,所述计算机程序被处理器执行时实现第二方面提供的基于人工智能的疾病检查项目推荐方法的各步骤。
本申请实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在基于人工智能的疾病检查项目推荐设备上运行时,使得基于人工智能的疾病检查项目推荐设备执行上述第二方面所述的基于人工智能的疾病检查项目推荐方法的步骤。
本申请实施例的基于人工智能的疾病检查项目推荐设备具有以下有益效果:本申请实施例中,根据目标患者的问诊数据,从问诊数据中提取与疾病知识图谱中的实体信息相匹配的文本信息,得到问诊文本信息,并在基于疾病知识图谱训练得到的检查项目推荐模型的图卷积层中,确定与该问诊文本信息对应的问诊特征向量。之后,在该检查项目推荐模型的第一分类器中确定与问诊特征向量相匹配的目标疾病特征向量,并根据该目标疾病特征向量确定对应的目标疾病检查项目信息。由于根据预设的疾病知识图谱以及基于该疾病知识图谱训练得到的检查项目推荐模型,能够准确地确定对应的目标疾病检查项目信息,因此能够准确地为目标患者推荐对应的检查项目,以准确有效地辅助后续的疾病诊断,提高后续诊断的准确性,并且能够避免患者由于进行过多冗余无效的检查项目的检查而造成金钱浪费,节省人力成本和物力成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种基于人工智能的疾病检查项目推荐设备的结构框图。
图2是本申请实施例提供的一种基于人工智能的疾病检查项目推荐方法的实现流程图;
图3是本申请实施例提供的一种基于人工智能的疾病检查项目推荐装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
另外,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,在医疗场景中,由于可供选择的检查项目繁多,在有些患者的症状较为罕见时,医生也难以提前准确地确定该患者需要进行哪些检查项目。若医生指导患者进行的检查项目存在过多冗余没必要的检查项目,则可能造成时间拖延与金钱浪费。而若医生指导患者进行的检查项目缺少一些与该患者疾病密切相关的检查项目,则可能由于检查数据不全而导致后续的诊断不准确。因此,如何准确地为患者推荐对应的检查项目为目前医疗领域中亟需解决的问题。
为了解决上述的技术问题,本申请实施例提供了一种基于人工智能的疾病检查项目推荐设备、方法及装置,包括:根据目标患者的问诊数据,从问诊数据中提取与疾病知识图谱中的实体信息相匹配的文本信息,得到问诊文本信息,并在基于疾病知识图谱训练得到的检查项目推荐模型的图卷积层中,确定与该问诊文本信息对应的问诊特征向量。之后,在该检查项目推荐模型的第一分类器中确定与问诊特征向量相匹配的目标疾病特征向量,并根据该目标疾病特征向量确定对应的目标疾病检查项目信息。
由于根据预设的疾病知识图谱以及基于该疾病知识图谱训练得到的检查项目推荐模型,能够准确地确定对应的目标疾病检查项目信息,因此能够准确地为目标患者推荐对应的检查项目,以准确有效地辅助后续的疾病诊断,提高后续诊断的准确性,并且能够避免患者由于进行过多冗余无效的检查项目的检查而造成金钱浪费。
本申请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***。
本申请实施例涉及的基于人工智能的疾病检查项目推荐设备,可以应用于智慧医疗场景中,从而推动智慧城市的建设。
示例性地,上述的基于人工智能的疾病检查项目推荐设备可以应用于罕见病的智能诊断场景中。罕见病是指那些患病率较低的疾病,首先罕见病的患者比较罕见,其次更罕见的是具有罕见病诊断治疗能力的医生。很多罕见病的治疗时间比较长,如肯尼迪病的误诊率达到了71%,平均确诊年限为5年。罕见病诊断最大的困难是医生的知晓率太低,导致罕见病的高误诊率和比较长的确诊时间。在本申请实施例的疾病知识图谱中,可以包含罕见病的实体信息。示例性地,罕见病可以包括渐冻症(又称“肌萎缩侧索硬化症”),该疾病知识图谱中,可以包含渐冻症的名称信息,渐冻症对应的肌肉抽搐、抽筋、僵硬或乏力等症状信息,以及渐冻症对应的“肌萎缩侧索硬化症致病基因鉴定”疾病检查项目信息。通过上述的基于人工智能的疾病检查项目推荐设备,可以准确地根据目标患者的问诊数据,为具有罕见病疑似症状的目标患者推荐对应的罕见病疾病检查项目信息,从而具有罕见病疑似症状的目标患者能够及时进行准确的罕见病检查。在一些实施例中,还能够根据检查数据进一步得到该目标患者的诊断结果,以便准确地确认该目标患者是否患有罕见病,若患有罕见病,可以通过上述的决策模块准确地提供对应的治疗方案,或者可以提供转诊建议,从而提高罕见病的诊断效率和准确性,避免由于延误治疗给目标患者带来的损害。
实施例一:
图1是本申请一实施例提供的基于人工智能的疾病检查项目推荐设备的示意图。本申请实施例的基于人工智能的疾病检查项目推荐设备,包括但不限于数字医疗***中的服务器、电脑、移动终端等。
该基于人工智能的疾病检查项目推荐设备可包括,但不仅限于,处理器10、存储器11。本领域技术人员可以理解,图1仅仅是基于人工智能的疾病检查项目推荐设备1的示例,并不构成对基于人工智能的疾病检查项目推荐设备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,例如所述基于人工智能的疾病检查项目推荐设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器10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。
所述存储器11可以是所述基于人工智能的疾病检查项目推荐设备1的内部存储单元,例如基于人工智能的疾病检查项目推荐设备1的硬盘或内存。所述存储器11也可以是所述基于人工智能的疾病检查项目推荐设备1的外部存储设备,例如所述基于人工智能的疾病检查项目推荐设备1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括所述基于人工智能的疾病检查项目推荐设备1的内部存储单元也包括外部存储设备。所述存储器11用于存储所述计算机程序以及所述基于人工智能的疾病检查项目推荐设备所需的其他程序和数据。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
示例性的,所述计算机程序12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11中,并由所述处理器10执行,以完成本申请。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12在所述基于人工智能的疾病检查项目推荐设备1中的执行过程。
所述处理器10执行所述计算机程序12时,实现如下步骤S101至步骤S104:
步骤S101:获取目标患者的问诊数据;
本申请实施例中,目标患者为当前就诊的患者,目标患者的问诊数据可以包括该目标患者的年龄、性别等基本信息、该目标患者的主诉信息、该目标患者的历史病历信息、家族史信息、医生对该目标患者病情的初步描述信息等。
在一个实施例中,可以通过语音采集模块采集该目标患者的语音信息和医生的语音信息,并通过语音识别模块,得到所述语音信息对应的文本信息作为所述目标患者的问诊数据。
在另一个实施例中,可以病历数据库中调取该目标患者的历史病历信息,以及获取医生在问诊后录入的目标患者当前情况的基本描述信息,并根据该历史病历信息和该基本描述信息,组合生成该目标患者的问诊数据。
步骤S102:从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息。
本申请实施例中,预设的疾病知识图谱为提前构建的包括各种疾病(可以包括罕见病和常见病)的疾病名称信息、疾病症状信息和疾病检查项目信息等实体信息的知识图谱。在一些实施例中,该预设的疾病知识图谱还可以包括疾病对应的医学指南信息、病例信息、治疗方案信息、药品信息、人群信息等。在一些实施例中,该预设的疾病知识图谱可以提前由专业人员按照业务建模、知识获取、知识融合、知识存储、知识计算的方式构建得到。
在获取到问诊数据后,可以根据该问诊数据和预设的疾病知识图谱,从该问诊数据中提取与该疾病知识图谱中的实体信息相匹配的各个文本信息,将这些文本信息组合成为问诊文本信息。
在一个实施例中,可以将该问诊数据输入预训练的关键词提取模型进行关键词提取处理,得到各个与的实体信息相匹配的目标文本信息。根据这些目标文本信息,生成问诊文本信息。该关键词提取模型为提前根据携带实体信息标签的问诊数据样本进行训练得到的神经网络模型。
步骤S103:在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到。
本申请实施例中,检查项目推荐模型为提前根据上述的疾病知识图谱进行训练得到的神经网络模型。该检查项目推荐模型至少包括图卷积层和第一分类器。由于疾病知识图谱具体为一种图数据,其中疾病知识图谱的每个实体信息为图数据中的一个节点,每个实体信息之间的关联关系可以通过图数据中两个节点之间的连接(可以称为图数据的边)表示,而图卷积层的图卷积算法为能够准确地学习图数据的特征信息的算法,因此通过该图卷积层,可以准确地学习并运用该疾病知识图谱的信息。
具体地,上述的问诊文本信息实际为包含多个实体信息的信息集合,因此问诊文本信息实际上可以视为一个图数据,将该问诊文本信息输入图卷积层进行图卷积操作,可以提取该问诊文本信息的特征,生成对应的特征向量。该问诊文本信息通过图卷积操作得到的特征向量称为问诊特征向量。
在一个实施例中,该图卷积层包含第一子图卷积层和第二子图卷积层。在获取到问诊文本信息后,可以先将该问诊文本信息转换为图数据,该图数据的节点信息为问诊文本信息包含的各个实体信息,该图数据的边为各个实体信息之间的关联关系;根据该问诊文本信息对应的图数据,确定该问诊文本信息对应的节点特征矩阵X和邻接矩阵A。将节点特征矩阵X和邻接矩阵A输入第一子图卷积层中进行初步的图卷积处理,得到第一矩阵H1。第一图卷积层的处理可以用如下公式表示:
接着,再将第一矩阵H1输入第二子图卷积层再次进行图卷积处理,得到图数据的节点融合特征矩阵Z。第二子图卷积层的处理可以用如下公式表示:
其中,W1为经过学习训练确定的第二子图卷积层的权重参数。
在得到该问诊文本信息对应的节点融合特征矩阵后,将该节点融合特征矩阵通过独热编码(One-Hot Encoding)转化为一维向量的形式,即得到问诊特征向量。
在一个实施例中,该图卷积层具体为融入注意力机制的图卷积层,其能够基于问诊文本信息包含的各个实体信息之间的关联进行注意力加权,得到更加准确的问诊特征向量。
步骤S104:在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为目标疾病对应的特征向量;所述目标疾病检查项目信息为与所述目标疾病对应的所述疾病检查项目信息。
本申请实施例中,检查项目推荐模型的第一分类器可以为训练得到的softmax分类器(一种逻辑回归分类器)、支持向量机(support vector machine,SVM)分类器等。该第一分类器预存了提前生成的预设数目个疾病特征向量,每个疾病特征向量分别代表一种疾病的特征信息。具体地,疾病知识图谱中包含预设数目种疾病;在检查项目推荐模型训练完毕时,对于疾病知识图谱中的每种疾病,均可以根据该疾病对应的疾病名称信息、疾病症状信息、疾病检查项目信息等实体信息以及实体信息之间的关联关系,构建对应的节点特征矩阵和邻接矩阵,并通过图卷积层处理,得到该疾病对应的节点融合特征矩阵;将该疾病对应的节点融合特征矩阵进行独热编码处理,即可得到该种疾病对应的疾病特征向量。
将步骤S103中生成的当前的问诊特征向量与第一分类器中预存的各个疾病特征向量分别进行相似度计算(例如余弦相似度计算),确定问诊特征向量与各个预存的疾病特征向量的相似度。之后,将与该问诊特征向量的相似度最高的疾病特征向量确定为目标疾病特征向量,该目标疾病特征向量即为融合了疾病知识图谱中与目标疾病相对应的实体信息的特征向量。
在确定该目标疾病特征向量后,即可确定与该目标疾病特征向量相对应的目标疾病的实体信息,从中获取目标疾病的疾病检查项目信息作为目标疾病检查项目信息。
在得到该目标疾病检查项目信息后,可以通过屏幕显示、语音播报、文字打印等方式输出该目标疾病检查项目信息,以推荐当前的目标患者进行目标检查项目的检查。
本申请实施例中,根据目标患者的问诊数据,从问诊数据中提取与疾病知识图谱中的实体信息相匹配的文本信息,得到问诊文本信息,并在基于疾病知识图谱训练得到的检查项目推荐模型的图卷积层中,确定与该问诊文本信息对应的问诊特征向量。之后,在该检查项目推荐模型的第一分类器中确定与问诊特征向量相匹配的目标疾病特征向量,并根据该目标疾病特征向量确定对应的目标疾病检查项目信息。由于根据预设的疾病知识图谱以及基于该疾病知识图谱训练得到的检查项目推荐模型,能够准确地确定对应的目标疾病检查项目信息,因此能够准确地为目标患者推荐对应的检查项目,以准确有效地辅助后续的疾病诊断,提高后续诊断的准确性,并且能够避免患者由于进行过多冗余无效的检查项目的检查而造成金钱浪费。
可选地,所述处理器执行所述计算机程序时,具体在上述的步骤S101之前,执行以下步骤:
获取预设医学数据;
将所述预设医学数据输入实体信息识别模型进行处理,得到各个实体信息以及各个实体信息之间的关联概率;其中,所述实体信息识别模型为基于携带实体信息标签的医学样本数据进行训练得到的双向循环神经网络;
根据各个所述实体信息以及各个所述实体信息之间的关联概率,构建所述疾病知识图谱。
本申请实施例的预设医学数据包括但不限于药理、遗传学、病理学等文献数据,还可以包括医院数据库存储的大量的患者病历数据。在一个实施例中,可以从预设的数据库中直接获取该预设医学数据。在另一个实施例中,可以通过爬虫工具从指定的医学信息网站中进行数据抓取,得到该预设医学数据。
本申请实施例中的实体信息识别模型为基于携带实体信息标签的医学样本数据进行训练得到的双向循环神经网络(Bidirectional Recurrent Neural Network,BRNN),该实体信息标签具体可以从专业人员提前构建的医学词库中获取得到,医学样本数据实体信息标签可以由专业人员进行标注,也可以由预设的标签标注工具进行标注。
获取到的预设医学数据为夹杂了多个实体信息的数据,将该预设医学数据输入该实体信息识别模型进行处理,能够得到各个分割独立的实体信息。并且,该实体信息识别模型还能够计算分割的到的各个实体信息之间的关联概率。示例性地,若两个实体信息出现在同一网页或者同一文献的频次越高,则两个实体信息之间的关联概率越高。
在一个实施例中,上述的BRNN具体可以为双向循环长短期记忆网络(Bidirectional Long Short-Term Memory,BiLSTM)。通过BiLSTM对,能够同时分析预设医学数据的上下文两个方向的关联信息,从而提高实体信息提取的准确度。同时,在BiLSTM网络中增加注意力机制,使得在处理预设医学数据时对预设医学数据中每一数据段具有不同的权重,从而能够在进行实体信息提取时侧重权重较高的数据段,进一步提高实体信息识别的准确度。
在得到各个所述实体信息以及各个实体信息之间的关联概率后,可以以各个实体信息作为节点,以各个实体信息之间的关联概率作为节点之间的边连接概率,构建得到该疾病知识图谱。
本申请实施例中,由于能够获取预设医学数据,并通过实体信息识别模型对该预设医学数据进行处理,得到各个实体信息和各个实体信息之间的关联概率,从而能够自动准确地构建对应的疾病知识图谱,使得后续疾病检查项目推荐设备可以根据该疾病知识图谱准确地确定目标疾病检查项目信息,准确地为目标患者推荐对应的疾病检查项目。
可选地,上述的疾病知识图谱的实体信息还包括医学指南信息,对应地,所述处理器执行所述计算机程序时,还用于:
确定所述目标疾病特征向量对应的目标医学指南信息。
本申请实施例中,医学指南信息可以直接为描述疾病的指导诊断方法、指导治疗方法、疗养建议的信息。或者,该医学指南信息还可以为疾病对应的权威指导文献的名称或者下载链接信息。在疾病知识图谱中,对于每种疾病均存在对应的医学指南信息。
在处理器执行上述的步骤S104,确定当前与问诊特征向量相匹配的目标疾病特征向量后,可以根据该目标疾病特征向量,确定目标疾病的疾病名称信息。之后,根据该目标疾病的疾病名称信息,查询疾病知识图谱,从中索引得到与该目标疾病具有关联关系的医学指南信息作为目标医学指南信息。在得到该目标医学指南信息后,可以通过屏幕文字输出或者语音播报的方式,反馈至为该目标患者进行诊断的医生。
本申请实施例中,由于疾病知识图谱的实体信息还包括医学指南信息,基于人工智能的疾病检查项目推荐设备在确定目标疾病特征向量后,还能够根据该目标疾病特征向量确定对应的目标医学指南信息,从而能够为医生提供辅助的指导信息,提高诊断的准确性。
可选地,所述疾病知识图谱的实体信息还包括检查结果信息,所述处理器执行所述计算机程序时,还用于:
获取所述目标患者根据所述目标疾病检查项目信息进行检查得到的目标检查结果信息;
将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息。
本申请实施例中,疾病知识图谱的实体信息还包括检查结果信息,即对于疾病知识图谱中的每种疾病,与其疾病名称信息向关联的实体信息还包括该疾病对应的检查项目的检查结果信息,疾病知识图谱中的检查结果信息能够为当前患者的检查提供重要的参考信息。
在确定目标疾病检查项目信息,推荐目标患者进行对应的目标疾病检查项目的检查后,获取该目标患者根据该目标疾病检查项目信息进行对应的目标疾病检查项目的检查得到的检查结果信息,将其称为目标检查结果信息。
在一个实施例中,基于人工智能的疾病检查项目推荐设备能够与医院的各个检查项目对应的检查设备建立通讯连接。在获取目标患者的问诊数据,为目标患者确定对应的目标疾病检查项目信息后,能够根据该目标疾病检查项目信息查询预存的检查设备的地址表,确定当前该目标患者所需进行的目标疾病检查项目对应的目标检查设备的目标地址信息。根据该目标地址信息向该目标检查设备发送需要做检查的目标患者的唯一标识信息(例如医院的诊疗号或者患者的身份证号)。之后,当目标检查设备检测到目标患者录入唯一标识信息进行目标疾病检查项目的检查后,将该目标检查设备得到的该目标患者的目标检查结果信息发送至该基于人工智能的疾病检查项目推荐设备,从而使得该基于人工智能的疾病检查项目推荐设备能够获取到该目标检查结果信息。
在获取到该目标检查结果信息后,基于人工智能的疾病检查项目推荐设备将该检查结果信息以及上述步骤S102得到的问诊文本信息一同输入检查项目推荐模型的疾病决策模块进行处理,得到对应的诊断结果信息。该诊断结果信息可以包括表示该目标患者是否患有疾病的信息,还可以包括该目标患者患有的疾病的名称信息。
在一个实施例中,该疾病决策模块包括图卷积层和第二分类器。根据问诊文本信息和目标检查结果信息组合成的包含各个实体信息的目标图数据,将该目标图数据输入疾病决策模块的图卷积层进行图卷积处理,得到当前该目标患者对应的目标症状特征向量。之后,将该目标症状特征向量输入第二分类器,计算该目标症状特征向量与第二分类器预先存储的各个疾病分别对应的症状特征向量的相似度;若该目标症状特征向量与预存的各个症状特征向量的相似度均小于预设相似度,则输出表示该目标患者当前没有患目标疾病的信息作为诊断结果。若各个症状特征向量中存在与目标症状特征向量的相似度大于或者等于预设相似度的症状特征向量,则判定该目标患者患有疾病,将与目标症状特征向量的相似度大于或者等于预设相似度的各个症状特征向量对应的疾病名称信息确定为该目标患者当前患有的疾病的名称信息,并输出这些疾病名称信息作为该目标患者的诊断结果信息。
本申请实施例中,由于在确定目标患者对应的目标疾病检查项目信息后,还能够获取目标患者根据该目标疾病检查项目信息进行检查得到的目标检查结果信息,并通过检查项目推荐模型的疾病决策模块对问诊文本信息和该目标检查结果信息进行处理,得到诊断结果信息,从而能够为医生提供准确的诊断参考信息。
可选地,所述处理器执行所述计算机程序时,还用于:
根据所述问诊文本信息、所述目标检查结果信息和所述诊断结果信息,更新所述疾病知识图谱和/或所述检查项目推荐模型。
在一个实施例中,基于人工智能的疾病检查项目推荐设备在通过疾病决策模块得到对应的诊断结果信息后,可以根据上述得到的问诊文本信息、目标检查结果信息和诊断结果信息,生成一组具有相互关联关系的实体信息,将该组实体信息添加至预设的疾病知识图谱中,得到更新后的疾病知识图谱。
在另一个实施例中,基于人工智能的疾病检查项目推荐设备在通过疾病决策模块得到对应的诊断结果信息后,可以获取该目标患者最终的确诊结果信息(结合医生的专业分析判断得到的确切的诊断结果信息),以该问诊文本信息、目标检查结果信息和诊断结果信息组成测试集,以该问诊文本信息、目标检查结果信息目标患者最终的确诊结果信息组成验证集,继续对该检查项目推荐模型进行迭代训练,进一步更新该检查项目推荐模型的模型参数,得到更新后的检查项目推荐模型。
本申请实施例中,由于在得到诊断结果信息之后,还能够根据问诊文本信息、目标检查结果信息和诊断结果信息,自动进行疾病知识图谱和/或检查项目推荐模型的更新,因此能够自动优化基于人工智能的疾病检查项目推荐设备的性能,提高后续疾病检查项目推荐的准确性。
可选地,所述处理器执行计算机程序时,还用于:
获取所述目标患者的目标病情描述信息;
将所述目标病情描述信息和所述诊断结果信息输入所述检查项目推荐模型的治疗方案推荐模块进行处理,得到目标治疗方案。
本申请实施例中,在得到当前的目标患者的诊断结果信息,为医生提供诊断参考后,获取医生结合自身的判断对该目标患者进行病情描述的信息,将该信息称为目标病情描述信息。在一个实施例中,可以通过语音采集模块录入医生口述的该目标病情描述信息。在另一个实施例中,可以获取医生在指定的电子表格填写的描述信息,得到该目标病情描述信息。
在获取到该目标患者的目标病情描述信息之后,将该目标病情描述信息和诊断结果信息一同输入检查项目推荐模型的治疗方案推荐模块进行处理,得到适用于该目标患者的目标治疗方案。
在一个实施例中,该治疗方案推荐模块包括图卷积层和第三分类器。根据目标病情描述信息和诊断结果信息组合成的包含多个实体信息的图数据输入治疗方案推荐模块的图卷积层进行图卷积处理,得到目标病情特征向量。之后,将该目标病情特征向量输入第三分类器,确定与该目标病情特征向量相匹配的治疗方案作为目标治疗方案。
本申请实施例中,由于在确定诊断结果信息后,能够获取医生对目标患者的目标病情描述信息,该目标病情描述信息能够充分表示该目标患者的病情,使得之后通过检查项目推荐模型的治疗方案推荐模块对该目标病情描述信息和诊断结果信息进行分析处理后,能够准确地为目标患者推荐目标治疗方案,从而能够有效辅助医生对该目标患者进行后续的治疗。
可选地,所述处理器执行所述计算机程序时,还用于:
根据所述诊断结果信息,确定对应的转诊建议信息。
本申请实施例中,在得到该诊断结果信息后,处理器可以查询存储器或者第三方数据库存储的当前医院的疾病案例或者当前医院的医生专业领域信息,若查询确定当前医院不具有该诊断结果信息描述的目标疾病的诊疗经验,或者不具有擅长治疗该目标疾病的专业医生,则向该目标患者发出转诊建议信息。
进一步地,基于人工智能的疾病检查项目推荐设备可以根据该诊断结果信息中包含的目标疾病的名称信息,搜索具有该目标疾病的诊疗经验或者专业医生的其它医院,并将搜索得到的目标医院的名称信息和/或地址信息输出作为转诊建议信息。
本申请实施例中,由于在得到诊断结果信息后,还能够自动地确定对应的转诊建议信息,以便在当前医院无法对目标患者进行后续的诊疗时,及时为目标患者提出转诊建议,以避免耽误该目标患者的疾病治疗。
可选地,所述处理器执行所述计算机程序时,还用于:
根据所述诊断结果信息,确定目标药品的信息;所述目标药品为用于治疗目标疾病的药品;
查询具有所述目标药品的目标药店,将所述目标药店的地址信息发送至所述目标患者的终端设备。
本申请实施例中,由于能够根据诊断结果信息自动确定目标药品的信息,并向目标患者的终端设备发送能够购买该目标药品的目标药店的地址信息,因此能够便于目标患者对目标药品进行购买,特别是在目标药品为较难购买到的罕见药品时,能够有效地为目标患者提供便利信息。
或者,将所述目标药品的信息发送至医院的自动配药装置,以指示所述自动配药装置根据所述目标药品的信息为所述目标患者提供所述目标药品。
本申请实施例中,由于能够将目标药品的信息自动发送至自动配药装置,从而能够自动为目标患者提供该目标药品,因此能够在节省人力成本的情况下准确高效地为目标患者提供药品。
实施例二:
请参阅图2,图2是本申请一实施例提供的一种基于人工智能的疾病检查项目推荐方法的实现流程图,该方法的执行主体为如图1所述的基于人工智能的疾病检查项目推荐设备。如图2所示的基于人工智能的疾病检查项目推荐方法详述如下:
在S201中,获取目标患者的问诊数据。
在S202中,从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息。
在S203中,在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到。
在S204中,在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为目标疾病对应的特征向量;所述目标疾病检查项目信息为与所述目标疾病对应的所述疾病检查项目信息。
可选地,在所述步骤S201之前,还包括:
S2001:获取预设医学数据;
S2002:将所述预设医学数据输入实体信息识别模型进行处理,得到各个实体信息以及各个实体信息之间的关联概率;其中,所述实体信息识别模型为基于携带实体信息标签的医学样本数据进行训练得到的双向循环神经网络;
S2003:根据各个所述实体信息以及各个所述实体信息之间的关联概率,构建所述疾病知识图谱。
可选地,所述疾病知识图谱的实体信息还包括医学指南信息,对应地,在所述步骤S204之后,还包括:
确定所述目标疾病特征向量对应的目标医学指南信息。
可选地,所述疾病知识图谱的实体信息还包括检查结果信息,对应地,在所述步骤S204之后,还包括:
获取所述目标患者根据所述目标疾病检查项目信息进行检查得到的目标检查结果信息;
将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息。
可选地,在所述将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息之后,还包括:
根据所述问诊文本信息、所述目标检查结果信息和所述诊断结果信息,更新所述疾病知识图谱和/或所述检查项目推荐模型。
可选地,在所述将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息之后,还包括:
获取所述目标患者的目标病情描述信息;
将所述目标病情描述信息和所述诊断结果信息输入所述检查项目推荐模型的治疗方案推荐模块进行处理,得到目标治疗方案。
可选地,在所述将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息之后,还包括:
根据所述诊断结果信息,确定对应的转诊建议信息。
需要说明的是,由于本申请方法实施例与上一实施例的基于人工智能的疾病检查项目推荐设备实现步骤基于同一构思,其具体功能及带来的技术效果,具体可参见实施例一中的相关描述,此处不再赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
实施例三:
图3示出了本申请实施例提供的一种基于人工智能的疾病检查项目推荐装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分:
该基于人工智能的疾病检查项目推荐装置包括:问诊数据获取单元31、问诊文本信息确定单元32、问诊特征向量确定单元33和目标疾病检查项目确定单元34。其中:
问诊数据获取单元31,用于获取目标患者的问诊数据。
问诊文本信息确定单元32,用于从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息。
问诊特征向量确定单元33,用于在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到。
目标疾病检查项目确定单元34,用于在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为融合了所述疾病知识图谱中与目标疾病相对应的所述实体信息的特征向量;所述目标疾病检查项目信息为与所述目标疾病特征向量相匹配的所述疾病检查项目信息。
可选地,所述基于人工智能的疾病检查项目推荐装置还包括:
疾病知识图谱构建单元,用于获取预设医学数据;将所述预设医学数据输入实体信息识别模型进行处理,得到各个实体信息以及各个实体信息之间的关联概率;其中,所述实体信息识别模型为基于携带实体信息标签的医学样本数据进行训练得到的双向循环神经网络;根据各个所述实体信息以及各个所述实体信息之间的关联概率,构建所述疾病知识图谱。
可选地,所述疾病知识图谱的实体信息还包括医学指南信息,对应地,所述基于人工智能的疾病检查项目推荐装置还包括:
医学指南信息确定单元,用于确定所述目标疾病特征向量对应的目标医学指南信息。
可选地,所述疾病知识图谱的实体信息还包括检查结果信息,对应地,所述基于人工智能的疾病检查项目推荐装置还包括:
诊断结果信息确定单元,用于获取所述目标患者根据所述目标疾病检查项目信息进行检查得到的目标检查结果信息;将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息。
可选地,所述基于人工智能的疾病检查项目推荐装置还包括:
治疗方案确定单元,用于获取所述目标患者的目标病情描述信息;
将所述目标病情描述信息和所述诊断结果信息输入所述检查项目推荐模型的治疗方案推荐模块进行处理,得到目标治疗方案。
可选地,所述基于人工智能的疾病检查项目推荐装置还包括:
转诊建议单元,用于根据所述诊断结果信息,确定对应的转诊建议信息。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与实施例一基于同一构思,其具体功能及带来的技术效果,具体可参见实施例一中的相关描述,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、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单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
所述集成的模块/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,本申请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)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的疾病检查项目推荐设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,实现如下步骤:
获取目标患者的问诊数据;
从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息;
在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到;
在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为目标疾病对应的特征向量;所述目标疾病检查项目信息为与所述目标疾病对应的所述疾病检查项目信息。
2.如权利要求1所述的基于人工智能的疾病检查项目推荐设备,其特征在于,所述处理器执行所述计算机程序时,还用于:
获取预设医学数据;
将所述预设医学数据输入实体信息识别模型进行处理,得到各个实体信息以及各个实体信息之间的关联概率;其中,所述实体信息识别模型为基于携带实体信息标签的医学样本数据进行训练得到的双向循环神经网络;
根据各个所述实体信息以及各个所述实体信息之间的关联概率,构建所述疾病知识图谱。
3.如权利要求1所述的基于人工智能的疾病检查项目推荐设备,其特征在于,所述疾病知识图谱的实体信息还包括医学指南信息,对应地,所述处理器执行所述计算机程序时,还用于:
确定所述目标疾病特征向量对应的目标医学指南信息。
4.如权利要求1至3任意一项所述的基于人工智能的疾病检查项目推荐设备,其特征在于,所述疾病知识图谱的实体信息还包括检查结果信息,所述处理器执行所述计算机程序时,还用于:
获取所述目标患者根据所述目标疾病检查项目信息进行检查得到的目标检查结果信息;
将所述问诊文本信息、所述检查结果信息输入所述检查项目推荐模型的疾病决策模块进行处理,得到诊断结果信息。
5.如权利要求4所述的基于人工智能的疾病检查项目推荐设备,其特征在于,所述处理器执行所述计算机程序时,还用于:
根据所述问诊文本信息、所述目标检查结果信息和所述诊断结果信息,更新所述疾病知识图谱和/或所述检查项目推荐模型。
6.如权利要求4所述的基于人工智能的疾病检查项目推荐设备,其特征在于,所述疾病知识图谱的实体信息还包括治疗方案的信息,所述处理器执行所述计算机程序时,还用于:
获取所述目标患者的目标病情描述信息;
将所述目标病情描述信息和所述诊断结果信息输入所述检查项目推荐模型的治疗方案推荐模块进行处理,得到目标治疗方案。
7.如权利要求4所述的基于人工智能的疾病检查项目推荐设备,其特征在于,所述处理器执行所述计算机程序时,还用于:
根据所述诊断结果信息,确定对应的转诊建议信息。
8.一种基于人工智能的疾病检查项目推荐方法,其特征在于,包括:
获取目标患者的问诊数据;
从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息;
在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到;
在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为融合了所述疾病知识图谱中与目标疾病相对应的所述实体信息的特征向量;所述目标疾病检查项目信息为与所述目标疾病特征向量相匹配的所述疾病检查项目信息。
9.一种基于人工智能的疾病检查项目推荐装置,其特征在于,包括:
问诊数据获取单元,用于获取目标患者的问诊数据;
问诊文本信息确定单元,用于从所述问诊数据中提取与预设的疾病知识图谱中的实体信息匹配的文本信息,得到问诊文本信息;其中,所述疾病知识图谱中的实体信息包括疾病名称信息、疾病症状信息和疾病检查项目信息;
问诊特征向量确定单元,用于在检查项目推荐模型的图卷积层中确定所述问诊文本信息对应的问诊特征向量;其中,所述检查项目推荐模型根据所述疾病知识图谱进行训练得到;
目标疾病检查项目确定单元,用于在所述检查项目推荐模型的第一分类器中确定与所述问诊特征向量相匹配的目标疾病特征向量,并根据所述目标疾病特征向量确定目标疾病检查项目信息;其中,所述目标疾病特征向量为融合了所述疾病知识图谱中与目标疾病相对应的所述实体信息的特征向量;所述目标疾病检查项目信息为与所述目标疾病特征向量相匹配的所述疾病检查项目信息。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010221.3A CN113724858A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的疾病检查项目推荐设备、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111010221.3A CN113724858A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的疾病检查项目推荐设备、方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113724858A true CN113724858A (zh) | 2021-11-30 |
Family
ID=78679555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111010221.3A Pending CN113724858A (zh) | 2021-08-31 | 2021-08-31 | 基于人工智能的疾病检查项目推荐设备、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724858A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断*** |
CN114974561A (zh) * | 2022-05-06 | 2022-08-30 | 安徽讯飞医疗股份有限公司 | 一种辅助诊疗方法、装置以及设备 |
CN115497616A (zh) * | 2022-10-25 | 2022-12-20 | 杭州杏林信息科技有限公司 | 一种感染性疾病辅助决策的方法、***、设备及存储介质 |
CN116779137A (zh) * | 2023-04-27 | 2023-09-19 | 南京中医药大学 | 一种基于医疗知识图谱的数据处理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗***及其构建方法、设备和存储介质 |
CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 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 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断*** |
CN113112994A (zh) * | 2021-04-21 | 2021-07-13 | 江苏师范大学 | 基于图卷积神经网络的跨语料库情感识别方法 |
-
2021
- 2021-08-31 CN CN202111010221.3A patent/CN113724858A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109346169A (zh) * | 2018-10-17 | 2019-02-15 | 长沙瀚云信息科技有限公司 | 一种人工智能辅助诊疗***及其构建方法、设备和存储介质 |
CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 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 |
CN112164460A (zh) * | 2020-10-19 | 2021-01-01 | 科技谷(厦门)信息技术有限公司 | 一种基于医疗知识图谱的智能疾病辅助诊断*** |
CN113112994A (zh) * | 2021-04-21 | 2021-07-13 | 江苏师范大学 | 基于图卷积神经网络的跨语料库情感识别方法 |
Non-Patent Citations (2)
Title |
---|
XINSUNNY: ""欣小白的点滴——图卷积网络(GCN)_gcn特征矩阵"", pages 7, Retrieved from the Internet <URL:https://blog.csdn.net/xinsunny/article/details/108678425> * |
范敏 等: ""基于混合图卷积网络模型的节点分类方法"", 《通信技术》, vol. 53, no. 12, 31 December 2020 (2020-12-31), pages 2973 - 2982 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114188022A (zh) * | 2021-12-13 | 2022-03-15 | 浙江大学 | 一种基于TextCNN模型的临床儿童咳嗽智能预诊断*** |
CN114974561A (zh) * | 2022-05-06 | 2022-08-30 | 安徽讯飞医疗股份有限公司 | 一种辅助诊疗方法、装置以及设备 |
CN115497616A (zh) * | 2022-10-25 | 2022-12-20 | 杭州杏林信息科技有限公司 | 一种感染性疾病辅助决策的方法、***、设备及存储介质 |
CN116779137A (zh) * | 2023-04-27 | 2023-09-19 | 南京中医药大学 | 一种基于医疗知识图谱的数据处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113724858A (zh) | 基于人工智能的疾病检查项目推荐设备、方法及装置 | |
WO2020213843A1 (ko) | 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법 | |
CN109545317B (zh) | 基于住院预测模型判定住院行为的方法及相关产品 | |
CN110910976A (zh) | 病历检测方法、装置、设备和存储介质 | |
CN111180024B (zh) | 基于词频逆文档频率的数据处理方法、装置和计算机设备 | |
CN113724848A (zh) | 基于人工智能的医疗资源推荐方法、装置、服务器及介质 | |
CN110299209B (zh) | 相似病历查找方法、装置、设备及可读存储介质 | |
KR20210056598A (ko) | 머신러닝에 기반한 의료데이터 수집 및 분석 서비스 제공 방법 및 시스템 | |
CN111710429A (zh) | 信息的推送方法及装置、计算机设备、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 | |
CN115346634A (zh) | 一种体检报告解读预测方法、***、电子设备和存储介质 | |
CN112365941A (zh) | 受试者招募的方法及*** | |
CN109598302B (zh) | 就诊费用预测方法、装置、设备及计算机可读存储介质 | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及*** | |
CN111785383A (zh) | 数据处理方法及相关设备 | |
CN115512817A (zh) | 一种基于儿童远程医疗的医生推荐方法及装置 | |
WO2020087971A1 (zh) | 基于预测模型预测住院合理性的方法及相关产品 | |
CN114420279A (zh) | 一种医疗资源推荐方法、装置、设备及存储介质 | |
CN114743647A (zh) | 医疗数据处理方法、装置、设备及存储介质 | |
CN113707304A (zh) | 分诊数据处理方法、装置、设备及存储介质 | |
CN109003193B (zh) | 投保风险预测方法、装置、计算机设备和存储介质 | |
US20150339602A1 (en) | System and method for modeling health care costs | |
CN113724823B (zh) | 医疗健康服务的线上管理方法、装置、设备及存储介质 | |
CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
CN113257409B (zh) | 一种基于患者病症症状与医学检验报告的临床决策支持*** |
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: 20220921 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |