CN106845061A - 智能问诊系统和方法 - Google Patents

Abstract

本发明提供一种智能问诊系统和方法，所述系统包括：结构化医疗知识存储单元，配置用于存储具有若干实体标签的结构化医疗知识信息；策略生成单元，配置用于对结构化医疗知识信息进行挖掘以生成过滤策略；检索单元，配置用于接收医疗咨询信息或反馈信息，检索具有与医疗咨询信息或反馈信息对应的实体标签的结构化医疗知识信息；过滤单元，配置用于根据过滤策略对检索结果进行过滤，根据预设规则对过滤结果进行判断以选择根据过滤结果生成并输出问题以提示用户输入反馈信息，或根据过滤结果生成并输出问诊结果信息。本发明提供的问诊机制对于每次问诊动态生成问诊路径，路径和结果生成均有证可循，保障了问诊结果的准确性和深入性。

Description

智能问诊系统和方法

技术领域

本申请涉及医疗信息技术领域，具体涉及一种智能问诊系统和方法。

背景技术

当前用户在互联网上获取各类医疗信息，例如疾病、症状等信息的时候，普遍采用的方法是在传统的搜索引擎中进行检索，搜索引擎根据用户输入的查询条件进行查询，并给出相关的查询结果。这种传统的信息检索方法对于医疗这个有着强烈长尾需求的领域难以保障检索结果的相关性，深入性。用户往往会得到很多相关度较低的反馈结果，这使得用户在使用传统方法检索医疗信息时必须付出大量的阅读理解和信息过滤的时间和精力成本。

现有的智能问诊解决方案的缺陷在于：问诊路径根据人工经验固定设定，对于不同情况的问诊无法智能生成动态的问诊路径，问诊路径中各问题的设置依赖于最初设置问题时的人工经验，无法得知其依据，导致问诊路径和结果无证可询，难以保障检索结果的准确性，此外，检索结果永远依赖于最初设置问题时的人工经验，当该人工经验过时、有了新的更好的理论依据时，无法根据更好的理论依据得到更好的问诊结果。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种动态生成问诊路径、提供一种有证可循的问诊机制的智能问诊系统和方法。

第一方面，本发明提供一种智能问诊系统，所述系统包括结构化医疗知识存储单元、策略生成单元、检索单元和过滤单元。

其中，结构化医疗知识存储单元配置用于存储具有若干实体标签的结构化医疗知识信息。

策略生成单元配置用于对所述结构化医疗知识信息进行挖掘以生成过滤策略。

检索单元配置用于接收医疗咨询信息或反馈信息，检索具有与所述医疗咨询信息或所述反馈信息对应的实体标签的结构化医疗知识信息。

过滤单元配置用于根据所述过滤策略对检索结果进行过滤，根据预设规则对过滤结果进行判断以选择根据过滤结果生成并输出问题以提示用户输入反馈信息，或根据所述过滤结果生成并输出问诊结果信息。

第二方面，本发明提供一种智能问诊方法，所述方法包括：

对结构化医疗知识信息进行挖掘以生成过滤策略；

接收医疗咨询信息或反馈信息，检索具有与所述医疗咨询信息或所述反馈信息对应的实体标签的结构化医疗知识信息；

根据所述过滤策略对检索结果进行过滤；

根据预设规则对过滤结果进行判断以选择：

根据过滤结果生成并输出问题以提示用户输入反馈信息，返回所述接收医疗咨询信息或反馈信息；或，

根据所述过滤结果生成并输出问诊结果信息。

本发明诸多实施例提供的智能问诊系统和方法提供了一种可满足问诊用户长尾需求的问诊机制：对具有若干实体标签的结构化医疗知识信息进行挖掘以生成过滤策略，根据用户输入的咨询或反馈信息检索具有对应实体标签的结构化医疗知识信息，再根据生成的过滤策略对检索结果进行过滤，并判断继续提问还是输出结果；上述问诊机制对于每一次问诊动态生成问诊路径，并且问诊路径的生成和最终结果的生成均有证可循，从而保障问诊结果的准确性和深入性；

本发明一些实施例提供的智能问诊系统和方法进一步通过采用问答类型的医疗数据作为结构化医疗知识信息，进一步保障问诊结果的相关性；

本发明一些实施例提供的智能问诊系统和方法进一步通过爬取互联网中的医疗知识信息，并自动转换为具有若干实体标签的结构化医疗知识信息，实现了无需人工标注即可获取新的医疗相关的结构化文本，并在医疗业界产生新的更好的理论依据时可挖掘生成新的过滤规则，获得更好的问诊结果。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本发明一实施例中智能问诊系统的结构示意图。

图2为本发明一实施例中智能问诊方法的流程图。

图3为图2所示方法的一种优选实施方式中步骤S60的流程图。

图4为本发明一优选实施例中智能问诊系统的结构示意图。

图5为本发明一优选实施例中智能问诊方法的流程图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1为本发明一实施例中智能问诊系统的结构示意图。

如图1所示，在本实施例中，本发明提供的智能问诊系统10包括结构化医疗知识存储单元11、策略生成单元13、检索单元15和过滤单元17。

在本实施例中，智能问诊系统10的上述各单元均配置为部署在云服务器中的软件程序，其中，结构化医疗知识存储单元11配置为存储结构化医疗知识的数据库，检索单元15和过滤单元17分别与用户的问诊设备(例如手机或计算机等)通过网络进行通信。

在一些实施例中，上述配置为软件程序的各单元可根据实际需求配置在不同位置，例如可以将结构化医疗知识存储单元11、策略生成单元13配置在云服务器中，并将检索单元15和过滤单元17配置在用户本地客户端中。

在另一些实施例中，智能问诊系统10可以配置为专用于进行智能问诊的各类硬件装置，例如，将各单元配置为包括存储装置、处理器、显示装置以及用于用户输入的外设装置的问诊设备。

在其它一些实施例中，还可根据实际需求将智能问诊系统10的部分单元配置为软件程序、部分单元配置为硬件装置，例如，将结构化医疗知识存储单元11配置为云服务器中的软件程序，将策略生成单元13、检索单元15和过滤单元17配置为一体集成、与云服务器通信连接的微型问诊设备等。

其中，结构化医疗知识存储单元11配置用于存储具有若干实体标签的结构化医疗知识信息。

具体地，在本实施例中，所述具有若干实体标签的结构化医疗知识信息包括具有若干实体标签的医疗问答数据信息。在更多实施例中，还可根据实际需求将结构化医疗知识信息设置为以下任意一种或多种类型的结构化医疗数据：问答数据、知识库数据、文献数据、科普科教数据。

实体标签有两种类型：带有属性的实体和不带有属性的实体。

实体为所述结构化医疗知识信息中医疗相关的、具有医学价值的数据对象，例如症状、疾病、程度、时长、体温、颜色、频率、场景、性别、年龄等。在更多实施例中还可包括其它类型的具有医学价值的实体。

带有属性的实体是由各实体之间关联生成的，从而使得各实体标签具备了丰富的描述能力。例如疾病A，在B程度下具有症状D和E，症状D为体温范围F，在C程度下具有症状E和G，等。

策略生成单元13配置用于对所述结构化医疗知识信息进行挖掘以生成过滤策略。

具体地，策略生成单元13利用一些知识挖掘算法对上述具有若干实体标签的结构化医疗知识信息进行挖掘，得到若干医学结论知识，再根据这些医学结论知识生成过滤策略。例如挖掘得到了疾病A可能出现症状D、E或E、G的知识，则可以例如“生成疾病A可能出现症状D、E”，“出现症状E可能是疾病A、同时可能具备症状D或G”等若干过滤策略，从而用于在用户查询疾病A或症状E时进行过滤。

检索单元15配置用于接收医疗咨询信息或反馈信息，检索具有与所述医疗咨询信息或所述反馈信息对应的实体标签的结构化医疗知识信息。

过滤单元17配置用于根据所述过滤策略对检索结果进行过滤，根据预设规则对过滤结果进行判断以选择根据过滤结果生成并输出问题以提示用户输入反馈信息，或根据所述过滤结果生成并输出问诊结果信息。

具体地，检索单元15接收用户查询的医疗咨询信息后，进行分词、提取关键信息等操作，在结构化医疗知识存储单元11中检索哪些结构化医疗知识信息具有与所提取关键信息对应的实体标签，得到包括若干项结构化医疗知识信息，例如若干篇医疗问答数据信息的检索结果。

过滤单元17根据策略生成单元13生成的过滤策略对检索单元15生成的检索结果进行过滤，从而可以剔除检索结果中绝大多数相关性较差的结构化医疗知识信息，大幅提高过滤结果的相关性。

过滤单元17可以根据过滤策略直接对检索结果中的每项结构化医疗知识信息进行过滤，也可以根据某些预定的方法对检索结果中的部分或全部结构化医疗知识信息进行综合分析过滤。

例如，在一优选实施例中，过滤单元17进一步配置用于筛选检索结果中共现频次最高的K个实体标签，根据过滤策略对K个实体标签进行筛选，根据筛选结果对检索结果中的各所述结构化医疗知识信息进行过滤。其中，K为预定数量。例如，将K设置为4，在检索结果的30篇医疗问答数据信息中，统计得知，实体标签a、b、c、d共同出现69次，a、b、c、e共同出现58次，a、c、d、e共同出现15次，b、c、d、e共同出现6次，等等，取共现频次最高的a、b、c、d，再根据过滤策略对a、b、c、d进行过滤，剔除了不相关的实体标签b，最后根据实体标签a、c、d对30篇医疗问答数据信息进行过滤，得到包括5篇医疗问答数据信息的过滤结果。

过滤之后，过滤单元17根据预设规则对过滤结果进行判断以选择是否输出问题。

具体地，在一优选实施例中，可以对过滤后剩余的结构化医疗知识信息的数量设置判断阈值，作为预设规则。

例如，如果剩余超过5项结构化医疗知识信息，则选择输出问题，以提示用户输入反馈信息，再通过检索单元15接收用户提供的反馈信息，循环上述过程直至输出问诊结果信息；如果剩余不超过5项，则选取其中1-5项作为问诊结果信息输出给查询的用户。

在另一优选实施例中，过滤单元17进一步配置用于判断所述筛选结果中实体标签的数量是否大于预设阈值：是，则根据所述筛选结果中的实体标签生成并输出问题，以提示用户输入反馈信息；否，则根据过滤结果生成并输出问诊结果信息。

例如，筛选结果中实体标签数量的预设阈值设置为3，在上述对30篇医疗问答数据信息的过滤过程，如果根据过滤策略对a、b、c、d进行过滤，无法剔除a、b、c、d中任一实体标签，则剩余4个实体标签，大于阈值3，则根据筛选剩余的实体标签a、b、c、d中的一项或多项生成问题并输出，以提示用户输入反馈信息，再通过检索单元15接收用户提供的反馈信息，循环上述过程直至输出问诊结果信息；如果剩余实体标签的数量不超过阈值3，则根据过滤结果生成并输出问诊结果信息。

其中，根据过滤结果中的各实体标签可生成多种不同类型的问题，在本实施例中，过滤单元进一步配置用于根据所述过滤结果生成以下任一类型的问题，各所述类型按优先级从高到低依次为：症状属性，关联症状推荐，病史，相关检查推荐。例如，同时可以生成关于症状的问题p和关于病史的问题q，则优先生成问题p输出。

上述实施例提供了一种可满足问诊用户长尾需求的问诊机制：对具有若干实体标签的结构化医疗知识信息进行挖掘以生成过滤策略，根据用户输入的咨询或反馈信息检索具有对应实体标签的结构化医疗知识信息，再根据生成的过滤策略对检索结果进行过滤，并判断继续提问还是输出结果；上述问诊机制对于每一次问诊动态生成问诊路径，并且问诊路径的生成和最终结果的生成均有证可循，从而保障问诊结果的准确性和深入性。

图2为本发明一实施例中智能问诊方法的流程图。图2所示的智能问诊方法可对应应用于上述任一实施例提供的智能问诊系统中。

如图2所示，在本实施例中，本发明提供的智能问诊方法包括：

S40：对结构化医疗知识信息进行挖掘以生成过滤策略；

S50：接收医疗咨询信息或反馈信息，检索具有与所述医疗咨询信息或所述反馈信息对应的实体标签的结构化医疗知识信息；

S60：根据所述过滤策略对检索结果进行过滤；

S70：根据预设规则对过滤结果进行判断以选择：

S80：根据过滤结果生成并输出问题以提示用户输入反馈信息，返回步骤S50；或，

S90：根据所述过滤结果生成并输出问诊结果信息。

图3为图2所示方法的一种优选实施方式中步骤S60的流程图。

如图3所示，在一优选实施例中，步骤S60包括：

S61：筛选检索结果中共现频次最高的K个实体标签；

S63：根据过滤策略对K个实体标签进行筛选；

S65：根据筛选结果对检索结果中的各所述结构化医疗知识信息进行过滤。

其中，K为预定数量。

图4为本发明一优选实施例中智能问诊系统的结构示意图。

如图4所示，在一优选实施例中，智能问诊系统可包括上述任一实施例所述的结构化医疗知识存储单元11、策略生成单元13、检索单元15和过滤单元17，进一步还包括医疗知识结构化系统20。医疗知识结构化系统20具体包括医疗知识爬取单元21、实体识别单元23和实体关联单元25。

与过滤单元17类似地，医疗知识结构化系统20中的各单元可根据实际需求配置为部署在相同或不同位置的软件程序，也可配置为专用于生成具有若干实体标签的结构化医疗知识信息的硬件装置。

医疗知识爬取单元21配置用于从互联网中爬取医疗知识信息。

具体地，在本实施例中，医疗知识爬取单元21优先爬取问答数据类型的医疗知识信息。

上述实施例进一步通过采用问答类型的医疗数据作为结构化医疗知识信息，进一步保障问诊结果的相关性。

在更多实施例中，还可根据实际需求爬取以下任意一种或多种类型的医疗知识信息：问答数据、知识库数据、文献数据、科普科教数据。

实体识别单元23配置用于识别所述医疗知识信息中医疗相关的实体。

实体关联单元25配置用于对各所述实体进行关联，得到若干对应于所述医疗知识信息的实体标签，从而将所述医疗知识信息转化为具有若干实体标签的结构化医疗知识信息，并存储至结构化医疗知识存储单元11中。

具体地，对于医疗知识信息m，实体识别单元23识别出若干具有医学价值的数据对象作为实体，例如疾病A、症状E等。实体关联单元25对识别出的各实体进行关联，生成以下两类实体标签：对于能进行关联的实体，生成带属性的实体，例如疾病A(实体)-症状E(属性)；对于无法关联的实体，生成不带有属性的实体，最终将医疗知识信息m转换为具有若干实体标签的结构化医疗知识信息，存储至结构化医疗知识存储单元11中。

图5为本发明一优选实施例中智能问诊方法的流程图。图5所示的方法可对应应用于图4所示的系统中。

如图5所示，在一优选实施例中，步骤S40之前还包括：

S10：从互联网中爬取医疗知识信息；

S20：识别所述医疗知识信息中医疗相关的实体；

S30：对各所述实体进行关联，得到若干对应于所述医疗知识信息的实体标签，从而将所述医疗知识信息转化为具有若干实体标签的结构化医疗知识信息，并进行存储。

上述实施例进一步通过爬取互联网中的医疗知识信息，并自动转换为具有若干实体标签的结构化医疗知识信息，实现了无需人工标注即可获取新的医疗相关的结构化文本，并在医疗业界产生新的更好的理论依据时可挖掘生成新的过滤规则，获得更好的问诊结果。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这根据所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以通过执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以通过专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，过滤单元17可以是设置在计算机或移动智能设备中的软件程序，也可以是单独进行过滤并选择生成并输出问题或问诊结果信息的硬件芯片。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，策略生成单元13还可以被描述为“用于优化问题路径的问题路径优化单元”。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种智能问诊系统，其特征在于，所述系统包括：

结构化医疗知识存储单元，配置用于存储具有若干实体标签的结构化医疗知识信息；

策略生成单元，配置用于对所述结构化医疗知识信息进行挖掘以生成过滤策略；

检索单元，配置用于接收医疗咨询信息或反馈信息，检索具有与所述医疗咨询信息或所述反馈信息对应的实体标签的结构化医疗知识信息；

过滤单元，配置用于根据所述过滤策略对检索结果进行过滤，根据预设规则对过滤结果进行判断以选择根据过滤结果生成并输出问题以提示用户输入反馈信息，或根据所述过滤结果生成并输出问诊结果信息。

2.根据权利要求1所述的智能问诊系统，其特征在于，所述过滤单元进一步配置用于筛选检索结果中共现频次最高的K个实体标签，根据过滤策略对K个实体标签进行筛选，根据筛选结果对检索结果中的各所述结构化医疗知识信息进行过滤；其中，K为预定数量。

3.根据权利要求2所述的智能问诊系统，其特征在于，所述过滤单元进一步配置用于判断所述筛选结果中实体标签的数量是否大于预设阈值：

是，则根据所述筛选结果中的实体标签生成并输出问题，以提示用户输入反馈信息；

否，则根据过滤结果生成并输出问诊结果信息。

4.根据权利要求1所述的智能问诊系统，其特征在于，所述具有若干实体标签的结构化医疗知识信息包括具有若干实体标签的医疗问答数据信息。

5.根据权利要求1所述的智能问诊系统，其特征在于，所述过滤单元进一步配置用于根据所述过滤结果生成以下任一类型的问题，各所述类型按优先级从高到低依次为：症状属性，关联症状推荐，病史，相关检查推荐。

6.根据权利要求1-5任一项所述的智能问诊系统，其特征在于，还包括医疗知识结构化系统；

所述医疗知识结构化系统包括：

医疗知识爬取单元，配置用于从互联网中爬取医疗知识信息；

实体识别单元，配置用于识别所述医疗知识信息中医疗相关的实体；

实体关联单元，配置用于对各所述实体进行关联，得到若干对应于所述医疗知识信息的实体标签，从而将所述医疗知识信息转化为具有若干实体标签的结构化医疗知识信息，并存储至所述结构化医疗知识存储单元中。

7.一种智能问诊方法，其特征在于，所述方法包括：

对结构化医疗知识信息进行挖掘以生成过滤策略；

接收医疗咨询信息或反馈信息，检索具有与所述医疗咨询信息或所述反馈信息对应的实体标签的结构化医疗知识信息；

根据所述过滤策略对检索结果进行过滤；

根据预设规则对过滤结果进行判断以选择：

根据过滤结果生成并输出问题以提示用户输入反馈信息，返回所述接收医疗咨询信息或反馈信息；或，

根据所述过滤结果生成并输出问诊结果信息。

8.根据权利要求7所述的智能问诊方法，其特征在于，所述根据所述过滤策略对检索结果进行过滤包括：

筛选检索结果中共现频次最高的K个实体标签；

根据过滤策略对K个实体标签进行筛选；

根据筛选结果对检索结果中的各所述结构化医疗知识信息进行过滤；

其中，K为预定数量。

9.根据权利要求8所述的智能问诊方法，其特征在于，所述根据预设规则对过滤结果进行判断以选择包括判断所述筛选结果中实体标签的数量是否大于预设阈值；

所述根据过滤结果生成并输出问题以提示用户输入反馈信息包括根据所述筛选结果中的实体标签生成并输出问题，以提示用户输入反馈信息。

10.根据权利要求7所述的智能问诊方法，其特征在于，所述具有若干实体标签的结构化医疗知识信息包括具有若干实体标签的医疗问答数据信息。

11.根据权利要求7所述的智能问诊方法，其特征在于，所述问题包括以下任一类型的问题，各所述类型按优先级从高到低依次为：症状属性，关联症状推荐，病史，相关检查推荐。

12.根据权利要求7-11任一项所述的智能问诊方法，其特征在于，所述对结构化医疗知识信息进行挖掘以生成过滤策略之前还包括：

从互联网中爬取医疗知识信息；

识别所述医疗知识信息中医疗相关的实体；

对各所述实体进行关联，得到若干对应于所述医疗知识信息的实体标签，从而将所述医疗知识信息转化为具有若干实体标签的结构化医疗知识信息，并进行存储。