CN107247868A - 一种人工智能辅助问诊系统 - Google Patents

Abstract

本发明提供了一种人工智能辅助问诊系统，包括：语料训练模块、问题分类模块、闲聊处理模块、医疗常识问题自动应答模块和问诊交互模块；语料训练模块：自动抽取医患历史对话中患者的病症信息、治疗用药信息和诊断建议信息，根据提取到的各种信息进行语义表征，转化为数值向量，对数值向量进行训练学习，获得包含医患历史交互中存在的病症信息与医生诊断建议之间关系的诊断模型；问题分类模块：将患者咨询的信息判断分类为在线问诊问题或非问诊业务范围内问题或医疗常识问题，并分别由问诊交互模块、闲聊处理模块和医疗常识问题自动应答模块实现问答操作。该系统通过训练获得的各种模型，自主学习并完善问诊机制，提高了系统的通用性及诊断准确性。

Description

一种人工智能辅助问诊系统

技术领域

本发明属于人工智能技术领域，具体涉及一种人工智能辅助问诊系统。

背景技术

目前，普通百姓看病难、看病贵是我国医疗体系最突出的问题。通常，一个人生了病，即使不是很严重的疾病，比如孩子的感冒发烧咳嗽之类的疾病，也要去医院去看看。首先要花一个小时左右的时间来到医院，然后是挂号，根据挂号的医院科室情况不同，通常挂号后需要等待半个小时到几个小时才能得到就诊，有时候甚至需要等待一天或者几天，或者根本就挂不到号。而好不容易见到了医生，往往就诊时间只有短短的几分钟。所以即使是一个常见的小病，也通常需要花费半天到一天的时间，而真正的问诊时间却只有短短的几分钟。

而对于医生，由于患者太多，很难对每一个患者花费太多的时间，所以不得不在几分钟内就要完成一个患者的问诊。由于时间太短，也很难做到一直细心耐心的问诊。而通常情况下，大量的患者都只是日常的小病，所以医生每天的大部分时间都是在简单的、重复的去问一些基本相同的问题，机械地做着相同的事情。

辅助问诊系统恰恰就是为了解决上述问题而设计的。它可以辅助医生对患者继续问诊，可以帮助患者免去到医院挂号排队等待所带来的时间和金钱方面的消耗，通过网络，就可以向医生交代病情进行诊断治疗。目前应用比较普遍的辅助问诊系统有以下几种：

1.基于网站、电话、微信等的问诊平台

基于网站、电话、微信等的问诊平台是目前线上就诊最常见的方式。患者可以通过这种平台，很快的找到可以接待的医生，通过网站留言，打电话，或者微信交流等方式，与医生建立交流，从而进行问诊。它可以帮助患者省去医院和挂号等待的时间，可以很快找到医生进行问诊。

这个方法的缺点和问题在于，不能帮助医生减少时间和提高效率。对于每一个患者，医生至少还是要花费与医院就诊差不多的时间，甚至更多的时间。因为这种交互方式有时是文字输入的方式，比起直接的语音交流要慢一些。平台也很难解决医生大量重复类似问题的普通疾病问诊，也不能根据当前患者的病症提供相关医学知识来辅助医生。

2.基于医学知识库技术的智能医疗辅助决策系统

该系统通过人工建立个性化问诊知识库，并基于该知识库实现了医患沟通问诊流程。通过智能问诊解决了医生针对每个患者都要进行机械重复的问诊问题，有效节约了医生亲自问诊的时间。系统能够自动生成诊断、检查建议、诊疗方案等。

该系统的缺点和问题在于，需要为每个医生建立个性化问诊知识库，问诊过程完全按照设定好的固有模板进行。问诊知识无论是从第三方购买还是自己构建，都是全人工构建，需要大量的人力物力。而问诊过程只能按照固有模板，类似于问卷调查，当患者情况不在给定的答案中，或者患者有不在所列问题的其他病症时，该系统都无法处理，可能会造成误诊。

发明内容

本发明的目的在于，为了解决上述现有的医疗问诊技术存在的上述问题，本发明提供了一种人工智能辅助问诊系统，该系统能够通过训练获得的各种模型，能够自主学习并完善问诊机制，提高了系统的通用性及诊断的准确性。

为实现上述目的，本发明提供一种人工智能辅助问诊系统，包括：语料训练模块、问题分类模块、闲聊处理模块、医疗常识问题自动应答模块和问诊交互模块；

语料训练模块：自动抽取医患历史对话中患者的病症信息、治疗用药信息和诊断建议信息，根据提取到的各种信息进行语义表征，转化为数值向量，对数值向量进行训练学习，获得包含医患历史交互中存在的病症信息与医生诊断建议之间关系的诊断模型；

问题分类模块：将患者咨询的信息判断分类为在线问诊问题或非问诊业务范围内问题或医疗常识问题；

问诊交互模块：从在线问诊问题中自动识别出患者咨询的主述病症，生成对应的交互控制策略，通过交互完善患者的病症信息，并提炼总结成标准化问题和基本信息，将该标准化问题和基本信息进行语义表征，转化为数值向量后输入至诊断模型中，输出智能用药诊断建议，将标准化问题、基本信息和智能用药诊断建议发送给医生；

闲聊处理模块：自动回答非问诊业务范围内问题；

医疗常识问题自动应答模块：自动回答医疗常识问题。

作为上述技术方案的进一步改进，所述的语料训练模块采用支持向量机SVM作为分类器，对病症信息、治疗用药信息和诊断建议信息转化的数值向量进行训练。

作为上述技术方案的进一步改进，所述的问题分类模块以患者咨询的信息作为问题类别分类模型的输入，并以问题类别分类模型的输出作为分类结果；

所述问题类别分类模型的生成步骤为：计算从语料库提取的各类别问题中每个词的卡方统计量CHI值，将每类问题中CHI值最高的前100个词作为该类别问题的特征词，将所有的特征词作为词典，以词典中的第i个词作为向量的第i维，对于每个问题建立一个特征向量，以词典中每个词的tfidf值作为特征向量中该词对应维的值，使用支持向量机SVM作为分类器，以每个问题的特征向量为分类器输入的特征，以每个问题的类别作为分类标签，进行问题类别分类模型训练，最终得到该分类器的模型；

所述的tfidf值的计算公式表示为：

tfidf＝tf×idf

tf＝所述词在所属问题中的出现次数

作为上述技术方案的进一步改进，所述的闲聊模块以非问诊业务范围内问题作为闲聊模型的输入，并以闲聊模型的输出作为非问诊业务范围内问题的答案反馈给患者；所述的闲聊模型采用闲聊问答对知识库作为训练语料，并使用seq2seq模型训练获得。

作为上述技术方案的进一步改进，所述的闲聊模块从闲聊问答对知识库中检索与非问诊业务范围内问题相似度最高且大于阈值的问句，并将该问句对应的答案反馈给患者；

所述的相似度计算公式表示为：

其中，n为向量的维数，x_i为非问诊业务范围内问题表征的向量第i维的值，y_i为闲聊问答对知识库中问句表征的向量第i维的值。

作为上述技术方案的进一步改进，所述的医疗常识问题自动应答模块从医疗常识知识库中检索与医疗常识问题相似度最高且大于阈值的问句，并将该问句对应的答案反馈给患者；

所述的相似度计算公式表示为：

其中，n为向量的维数，x_i为医疗常识问题表征的向量第i维的值，y_i为医疗常识知识库中问句表征的向量第i维的值。

本发明的人工智能辅助问诊系统结合了语音识别、自然语言处理、信息抽取、知识图谱、机器学习、深度学习等多项技术，从历史的医患交互对话中训练学习到病症信息提取，用药诊断建议等医学知识，当新的患者问诊时，通过多轮自然语言的交互，获取患者的病症信息，并生成对应的用药和治疗诊断建议，提供给医生。医生可以根据自己的医学知识经验判断自动的用药和治疗诊断建议是否合适，对不合适的地方进行修改，然后推送给患者。同时，对于一些患者提问的医学常识的问题，系统能够自动进行回答。而对于系统不能处理的疑难病症，会直接转给医生，由医生直接与患者进行交流。对于非医学的闲聊问题，系统也可以自动应答。

本发明的一种人工智能辅助问诊系统优点在于：

本发明的系统能够辅助医生对患者进行问诊，减少患者就诊的时间和金钱花费，同时也减少医生的大量重复简单的问诊时间，为医生提供患者的精练病症信息，提供专业的医学诊断建议参考；同时，该系统能够通过训练获得的各种模型，能够自主学习并完善问诊机制，提高了系统的通用性及诊断的准确性。

附图说明

图1为本发明提供的一种人工智能辅助问诊系统的结构示意图。

图2为本发明中训练获得诊断模型的操作流程图。

图3为实施本发明提供的人工智能辅助问诊系统的操作流程图。

具体实施方式

下面结合附图和实施例对本发明所述的一种人工智能辅助问诊系统进行详细说明。

如图1所示，本发明提供了一种多个模块设计的辅助问诊系统。本系统主要包括5个模块，详细介绍如下：

1.语料训练模块

该模块主要实现以下三项功能：

一是使用自然语言处理和信息抽取等技术，自动抽取历史医患对话中患者的病症信息、化验检查、治疗用药等信息，医生对应的诊断建议。

二是根据上面提取到的各种信息，进行语义表征，转化为数值向量的表示。

三是使用训练上述信息，获得包含历史医患交互中存在的病症信息与医生诊断建议的关系的模型。

2.问题分类模块

该模块用于智能判断用户咨询的是在线问诊问题、医疗常识问题还是非问诊业务范围内问题。

3.闲聊处理模块

该模块用于自动回答非问诊业务范围内问题。通过匹配闲聊问答对知识库中的相似问句或以seq2seq模型输出，来陪用户进行闲聊。

4.医疗常识问题自动应答模块

该模块用于自动回答医疗常识问题。对于那些不需要结合具体病症信息的医疗常识问题，自动匹配知识库中相似的问题，并将对应的标准答案返回给用户。

5.问诊交互模块

该模块对应患者咨询的主述病症，生成对应的交互控制策略，可通过几步交互完善及锁定问题、患者的病症信息，并通过交互过程产生的内容提炼总结成标准化问题和基本信息提供给医生，同时给出合理化咨询建议供医生参考，医生可通过语音控制选择直接推送给用户还是进行修改。对于没有相关知识不能处理的问题，可以直接转给医生，并为他们建立直接交流的通信通道。

本发明结合了语音识别、自然语言处理、信息抽取、知识图谱、机器学习、深度学习等多项技术而实现的人工智能辅助问诊系统。

所述系统通过对历史医患交互对话语料的训练学习，自动学习到其中的医学知识。可使用语音作为输入方式，相对于文字输入，更加自然、高速。而且支持医生采用语音和文字，使用语音输入时，先进行语音识别为文字，对有误的地方可以手动修改后再发送给患者，避免因为语音识别错误造成发给患者错误的信息。

对患者的咨询进行智能分类，从而判断出是进行闲聊、医疗常识问答、智能交互还是直接转给医生进行人工服务。与患者的交互是在自然语言的形式下进行，基本和在医院的问诊相同。对患者对病症的各种表述话术均能有效识别提取信息。根据得到病症信息，通过训练模型的医学知识智能做出用药治疗诊断建议。

本发明的系统可安装在智能手机中，患者可以通过语音随时随地直接进行问诊。闲聊和医疗常识问题可以即时得到答案，无需医生参与。对于需要交互问诊的问题，会先由系统与患者进行交互，得到患者的病症信息，然后提炼信息生成用药治疗诊断建议，才发送给医生，由医生判断修改生成最终的诊断建议发送给患者。医生通常可以在一两分钟内就可以完成一个患者的诊断。患者通过语音与系统或医生进行交流，不对患者表述话术做过多限制，交流更加自然。系统负责大量机械简单重复的与患者交流的任务，医生只负责对最终诊断的审查，极大的降低了医生工作内容和时间，并保证了诊断质量。

实施例一

如图1所示，在本实施例中，所述的人工智能辅助问诊系统包括：语料训练模块、问题分类模块、闲聊处理模块、医疗常识问题自动应答模块和问诊交互模块。

语料训练模块以历史医患对话交互的文本为语料。该语料是由合作的在线医疗公司提供，是患者与医生通过网络进行问诊交互的实际的大量对话文本。首先我们使用自然语言处理和信息抽取技术，自动抽取对话中患者的病症信息、化验检查、治疗用药等信息，以及医生对应的诊断建议。

对于病症信息，首先抽取到患者的主述病症。然后根据主述病症进行其他信息和症状的抽取。例如当主述病症是咳嗽时，需要抽取的其他信息和症状包括年龄、性别、体征、咳嗽类型、持续时间、严重程度、发生频率、咳嗽规律、伴随症状、化验检查、治疗经过、用药情况。而对医生的诊断建议中需要抽取医院就诊、观察、继续用药、喂水、病程、输液、雾化、拍背、用药等。

对于用药，首先通过一个未登录词识别算法将对话中各种药品名称识别出来。该算法主要根据药品名通常包含的一些词素，如：小儿、片、溶液、口服液、剂等，对已经药品共现的上下文，制定一些抽取模板，使用模板在医患对话的文本中抽取到药品名称。然后对药品名称建立一个知识图谱，描述各种药品名称、简称、错别名称、学名、主要成分、主治、中西药、慎用等，并建立它们之间的各种关系。

如图2所示，根据上面提取到的各种信息，进行语义表征，转化为数值向量的表示。以向量为训练模型的输入，训练获得包含历史医患交互中存在的病症信息与用药诊断建议的关系的模型。该模型为一个关联关系模型，以一些分类模型为基础，每一个具体的分类模型以某类用药或某个治疗为输出，将所有的分类的输出组合成这个关联关系模型的输出。分类模型都使用支持向量机SVM为分类器。当训练时，分类器以大量病症信息的数值向量和用药或治疗标签信息为训练输入，通过训练，不断自动调整分类器中的函数参数，从而获得一个较好分类效果。

问题分类模块，该模块首先计算从语料库提取的各类别问题中每个词的卡方统计量CHI值，将每类值最高的前100个词作为该类别的特征词。将所有的特征词作为词典，建立特征向量。词典中的第i个词，就是向量的第i维。对于每个问题，建立一个特征向量，以词典中每个词的tfidf值作为该特征向量中该词对应维的值。

tfidf＝tf×idf

tf＝该词在该问题中的出现次数

使用支持向量机SVM作为分类器，以每个问题的特征向量为分类器输入的特征，以每个问题的类别作为分类标签，进行问题类别分类模型训练，从而得到分类器的模型。问题分类模块以患者咨询的信息作为问题类别分类模型的输入，并以问题类别分类模型的输出作为分类结果；如图3所示，分类结果包括上述的在线问诊问题、非问诊业务范围内问题和医疗常识问题。

闲聊模块，使用已有的闲聊问答对知识库作为训练语料，使用深度学习的seq2seq模型训练出一个闲聊模型。seq2seq模型是一种深度学习的生成模型，可以将一个序列(Sequence)映射到(to)另外一个序列(Sequence)。我们以闲聊的问题及对应的答案为该模型的训练语料，通过训练就可以得到一个用于闲聊的模型。当我们将一句闲聊的问句给这个训练好的模型作为输入时，就可以得到一个相关的输出，我们可以将这个输出作为该问句的答案。

对于闲聊问题先使用相似度算法在原先构建好的闲聊问答对知识库中查找相似问题。相似度算法依然使用tfidf方法先将问题表征成向量，依次计算用户问题向量与知识库中每个问题向量的余弦值作为两问题的相似度。

其中，n为向量的维数，x_i为第一个向量第i维的值，y_i为第二个向量第i维的值。

在本实施例中，当相似问题的相似度大于阈值0.8时，将该相似问句的答案作为答案返回给用户。否则将用户问句作为seq2seq模型的输入，将得到的seq2seq模型输出作为答案返回给用户。

医疗常识问题自动应答模块，对于医疗问题，首先使用上述闲聊模块中的相似度方法在医疗常识问题知识库中查找相似问句，如果找到相似度大于0.8的问句，将相似度最高的问句的对应答案直接返回给用户。如果没有找到相似的问句，会根据当前所处的上下文情况进行不同处理。当处于问诊交互中，会根据当前的问诊交互情况继续进行交互，否则会转给医生进行人工服务。

问诊交互模块，对于需要交互的医疗问题，首先提取到患者的主述病症，根据该主述病症确定出需要通过交互收集的信息和症状。然后通过交互控制，与用户进行交互，从用户返回的话语中提取出需要的信息和症状，当交互完成时，将提取到信息和症状提炼总结成标准化问题和基本信息，并进行语义表征，转化为数值向量。将该向量作为前面病症信息与用药诊断建议关系模型的输入，得到一个智能用药诊断建议。将总结成标准化问题、基本信息和智能用药诊断建议一起提供给医生，医生可选择直接推送给用户还是进行修改后将最终用药治疗诊断建议推送给用户。

对于没有相关知识不能处理的问题，系统为用户直接打开人工服务，将问题直接转给医生，并为他们建立直接交流的通信通道，患者可以与医生直接进行问诊。

最后所应说明的是，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，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种人工智能辅助问诊系统，其特征在于，包括：语料训练模块、问题分类模块、闲聊处理模块、医疗常识问题自动应答模块和问诊交互模块；

语料训练模块：自动抽取医患历史对话中患者的病症信息、治疗用药信息和诊断建议信息，根据提取到的各种信息进行语义表征，转化为数值向量，对数值向量进行训练学习，获得包含医患历史交互中存在的病症信息与医生诊断建议之间关系的诊断模型；

问题分类模块：将患者咨询的信息判断分类为在线问诊问题或非问诊业务范围内问题或医疗常识问题；

问诊交互模块：从在线问诊问题中自动识别出患者咨询的主述病症，生成对应的交互控制策略，通过交互完善患者的病症信息，并提炼总结成标准化问题和基本信息，将该标准化问题和基本信息进行语义表征，转化为数值向量后输入至诊断模型中，输出智能用药诊断建议，将标准化问题、基本信息和智能用药诊断建议发送给医生；

闲聊处理模块：自动回答非问诊业务范围内问题；

医疗常识问题自动应答模块：自动回答医疗常识问题。

2.根据权利要求1所述的人工智能辅助问诊系统，其特征在于，所述的语料训练模块采用支持向量机SVM作为分类器，对病症信息、治疗用药信息和诊断建议信息转化的数值向量进行训练。

3.根据权利要求1所述的人工智能辅助问诊系统，其特征在于，所述的问题分类模块以患者咨询的信息作为问题类别分类模型的输入，并以问题类别分类模型的输出作为分类结果；

所述问题类别分类模型的生成步骤为：计算从语料库提取的各类别问题中每个词的卡方统计量CHI值，将每类问题中CHI值最高的前100个词作为该类别问题的特征词，将所有的特征词作为词典，以词典中的第i个词作为向量的第i维，对于每个问题建立一个特征向量，以词典中每个词的tfidf值作为特征向量中该词对应维的值，使用支持向量机SVM作为分类器，以每个问题的特征向量为分类器输入的特征，以每个问题的类别作为分类标签，进行问题类别分类模型训练，最终得到该分类器的模型；

所述的tfidf值的计算公式表示为：

tfidf＝tf×idf

tf＝所述词在所属问题中的出现次数

4.根据权利要求1所述的人工智能辅助问诊系统，其特征在于，所述的闲聊模块以非问诊业务范围内问题作为闲聊模型的输入，并以闲聊模型的输出作为非问诊业务范围内问题的答案反馈给患者；所述的闲聊模型采用闲聊问答对知识库作为训练语料，并使用seq2seq模型训练获得。

5.根据权利要求1所述的人工智能辅助问诊系统，其特征在于，所述的闲聊模块从闲聊问答对知识库中检索与非问诊业务范围内问题相似度最高的问句，并将该问句对应的答案反馈给患者；

所述的相似度计算公式表示为：

<mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>&amp;times;</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>&amp;times;</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow> </mfrac> </mrow>

其中，n为向量的维数，x_i为非问诊业务范围内问题表征的向量第i维的值，y_i为闲聊问答对知识库中问句表征的向量第i维的值。

6.根据权利要求1所述的人工智能辅助问诊系统，其特征在于，所述的医疗常识问题自动应答模块从医疗常识知识库中检索与医疗常识问题相似度最高的问句，并将该问句对应的答案反馈给患者；

所述的相似度计算公式表示为：

<mrow> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mrow> <mo>(</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>&amp;times;</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>&amp;times;</mo> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow> </mfrac> </mrow>

其中，n为向量的维数，x_i为医疗常识问题表征的向量第i维的值，y_i为医疗常识知识库中问句表征的向量第i维的值。