CN107451388A - 用于使医疗诊断自动化的方法、装置和系统 - Google Patents
用于使医疗诊断自动化的方法、装置和系统 Download PDFInfo
- Publication number
- CN107451388A CN107451388A CN201611093105.1A CN201611093105A CN107451388A CN 107451388 A CN107451388 A CN 107451388A CN 201611093105 A CN201611093105 A CN 201611093105A CN 107451388 A CN107451388 A CN 107451388A
- Authority
- CN
- China
- Prior art keywords
- user
- medical
- graph model
- medical conditions
- keyword
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
提供一种用于使医疗诊断自动化的方法、装置和系统。响应于接收描述医疗状况的一个以上症状的用户问询,一种在线医疗诊断系统可确定与一个或多个症状有关的一个或多个医疗状况。在线医疗诊断系统可包括解析器以将用户问询解析成关键字。可在相关性图解模型中查找关键字以确定关键字与一个或多个专家关键字的相关性。可使用满足与专家关键字的阈值相关性的关键字来使用专家知识图解模型查找一个或多个医疗状况。可使用用户简档来修改关键字与专家关键字的相关性值。也可使用用户简档来收窄由专家知识图解模型返回的医疗状况的数量。医疗资源爬取器可使用从所存储用户问询解析的关键字和专家关键字来更新相关性图解模型。
Description
技术领域
本发明的实施方式总体涉及医疗诊断。更具体地,本发明的实施方式涉及自动化在线医疗诊断。
背景技术
在线医疗诊断系统试图理解用户的医疗相关查询,以使得该系统可尽可能表现得像医生。在线医疗诊断系统必须具有精确度和查全率。然而,在现有机器学习系统中,在精确度和查全率之间经常存在相反关系,其中可能以一者为代价增大另一者。
现有医疗在线诊断系统使用单一模型(例如深度学习模型)来理解用户的查询并预测医疗状况。然而,由于缺少训练数据,尤其对于诊断,深度学习模型通常无法实现良好结果。
发明内容
本申请的目的在于提供一种用于使医疗诊断自动化的计算机实现的方法、一种用于使医疗诊断自动化的装置和一种用于使医疗诊断自动化的系统。
根据本申请的一个方面,提供了一种用于使医疗诊断自动化的计算机实现的方法,该方法可包括:从用户的电子设备接收包括一个或多个症状的用户医疗查询;将用户医疗查询解析成表示症状的一个或多个关键字;使用相关性图解模型使一个或多个关键字与一个或多个专家关键字相关;使用专家知识图解模型基于一个或多个专家关键字确定一个或多个医疗状况;以及基于一个或多个医疗状况将响应传输到电子设备。
根据本申请的另一方面,提供了一种用于使医疗诊断自动化的装置,该装置可包括:从用户的电子设备接收包括一个或多个症状的用户医疗查询的装置;将用户医疗查询解析成表示症状的一个或多个关键字的装置;使用相关性图解模型使一个或多个关键字与一个或多个专家关键字相关的装置;使用专家知识图解模型基于一个或多个专家关键字确定一个或多个医疗状况的装置;以及基于一个或多个医疗状况将响应传输到电子设备的装置。
根据本申请的又一方面,提供了一种用于使医疗诊断自动化的系统,可包括根据本申请实施方案的用于使医疗诊断自动化的装置。
附图说明
在附图的图中通过示例而非限制的方式示出本发明的实施方式,其中,相似的附图标记指示类似的元件。
图1A是示出根据本发明的实施方式的在线医疗诊断系统的示例的框图。
图1B是示出根据本发明的实施方式的在线医疗诊断系统的信息和逻辑流程的框图。
图1C是示出根据本发明的实施方式的相关性图解模型学习系统的信息和逻辑流程的框图。
图2是根据本发明的一个实施方式的在线医疗诊断的方法的方框流程图。
图3A和图3B是根据本发明的一个实施方式的在线医疗诊断的方法的方框流程图。
图4是示出供在根据本发明的一个实施方式的在线医疗诊断的方法中使用的用户简档的两个示例的图示。
图5是根据本发明的一个实施方式的训练相关性图解模型的方法的方框流程图。
图6是示出根据一个实施方式的数据处理系统的框图。
具体实施方式
将参考下文论述的细节描述本发明的多种实施方式和方面,并且附图将示出该多种实施方式。以下描述和附图是对本发明的说明并且将不被理解为限制本发明。多个具体细节被描述以提供对本发明的多种实施方式的透彻理解。然而,在某些情况中,未描述众所周知的或常规的细节,以便提供对本发明的实施方式的简洁论述。
在本说明书中提及“一个实施方式”或“实施方式”意指结合该实施方式描述的特定特征、结构或特性可包括在本发明的至少一个实施方式中。在本说明书中的多个位置中出现短语“在一个实施方式中”未必全部指代相同的实施方式。
根据一些实施方式,用于使医疗诊断自动化的计算机实现的方法可从用户的电子设备接收包括一个或多个症状的用户医疗查询。该自动化医疗诊断系统包括两个主要子系统:相关性图解模型和专家知识图解模型,相关性图解模型将用户输入项或关键字关联至专家关键字的相关性图解模型,其中,专家关键字由专家知识图解模型利用相关性因子理解。
相关性图解模型可从用户输入的查询动态地构造,并且反映任意医疗相关词语、短语和句子与专家知识图解模型中的实体之间的权重关系。例如,“我的宝贝体温高”将映射到“发烧”(以0.9的评分)、“感冒”(以0.6的评分)、“咳嗽”(以0.5的评分)等。用于构建相关性图解模型的数据源包括所有用户的经组合的、所存储的查询日志以及从在线医疗资源(例如,医学文章、研究论文和其它在线医疗信息)爬取的数据。
专家知识图解模型由真实医生的知识组成。例如,“感冒”可有70%的概率导致“发烧”,有90%的概率导致“鼻塞”,以及有50%的概率导致“咳嗽”。通过使用图解模型来表示专家知识,决策模型可容易地扩展并且可容易地整合新的医生知识。专家知识图解模型使用来自相关性图解模型的结果来以高精度和品质预测对用户的查询的响应。医疗诊断系统的查全率可通过相关性图解模型的动态更新来调整。专家知识图解模型是相对静态的并且可视需要由医学专业人员(例如,医生)手动更新。
相关性图解模型着重于覆盖范围,从而使用动态学习。专家知识图解模型着重于精度。将相关性图解模型的输出与专家知识图解模型组合在一起的整个系统比单一深度学习模型表现更好。
用户医疗查询可被解析成表示医疗状况的症状的一个或多个关键字。可使用相关性图解模型使该一个或多个关键字与一个或多个专家关键字相关。可使用专家知识图解模型基于该一个或多个专家关键字确定一个或多个医疗状况。一个或多个医疗状况的确定可各自具有置信水平,其中,置信水平不同于关键字与专家关键字的相关性权重。在实施方式中,相关性图解模型动态地更新,并且专家知识图解模型是静态的。可通过将一个或多个关键字限制为仅那些满足与专家关键字的阈值相关性的关键字来过滤关键字中的一个或多个。在实施方式中,响应于使用专家知识图解模型确定一个以上医疗状况的确定结果,可使用专家知识图解模型来确定将减少由专家知识图解模型确定的医疗状况的数量的一个或多个额外症状。可提示用户回答该用户是否具有一个或多个额外症状中的任一个。在实施方式中,响应于由专家知识图解模型确定一个医疗状况的确定结果,可确定该一个医疗状况是否需要医师的治疗。如果不需要,则在线医疗诊断系统可为用户生成自我护理推荐。如果一个或多个医疗状况确实需要医师的治疗,则可生成特定医师的推荐。在实施方式中,可自动与所推荐医师的会面。可检索并使用用户的用户简档来修改关键字与专家关键字的相关性权重。还可使用用户简档来限制或减少从专家知识图解模型返回的医疗状况的数量或者改变医疗状况的置信因子。
在另一实施方式中,相关性图解模型(CGM)学习系统可解析所存储的用户查询日志以获得可能的、用于包括在相关性图解模型中的新关键字。医疗资源爬取器可使用通过解析所存储的查询日志而获得的关键字来获得更多关键字和/或确定关键字与专家关键字的相关性。可使用学习模型(例如,贝叶斯、自然贝叶斯、线性回归、随机神经网络、递归神经网络或长短期记忆)来确定关键字与专家关键字的相关性权重。关键字和权重可存储在相关性图解模型中。
在实施方式中,以上功能中的任一个可实现为存储于非暂时性计算机可读介质上的可执行指令。在实施方式中,系统可包括联接至存储器的至少一个硬件处理器,其中,存储器包括指令,当该指令由至少一个硬件处理器执行时可实现以上功能中的任一个。
图1A是示出根据本发明的一个实施方式的网络化在线医疗诊断系统100的框图。参考图1,系统100包括但不限于经由网络103以通信方式联接至服务器104的一个或多个客户端设备101-102。客户端设备101-102(也称为用户设备)可以是任何类型的客户端设备,例如,个人计算机(例如,桌面型计算机、膝上型计算机和平板计算机)、“薄”客户端、个人数字助理(PDA)、具有网络能力的装置、智能手表或移动电话(例如,智能电话)等。网络103可以是任何类型的、有线的或无线的网络,例如,局域网(LAN)、广域网(WAN)(例如因特网)或它们的组合。客户端设备101和102可具有一个或多个应用111(例如网络浏览器)以便与服务器104互动。
根据一个实施方式,用户设备101可与最终用户相关联,其中用户设备101可以是移动设备(例如,平板计算机)、智能电话、智能手表或能够经由网络103与其它设备通信的设备。用户设备102可以是代理商、个人或者与特定实体或组织相关联的相关方的代理设备,其中代理设备102也可以是移动设备(例如,平板计算机)、智能电话、智能手表或能够经由网络与其它设备通信的设备。例如,代理商可与特定内容项目的内容提供商相关联,在此示例中,提供商为提供特定辅助内容项目(例如,所赞助的内容项目)的辅助内容提供商。出于说明目的,在本申请通篇中,将描述用户设备、代理设备和服务器之间的通信以说明追踪用户和代理商与内容项目的互动、在用户设备、代理设备和服务器之中路由数据、以及将用户设备的用户与代理设备的代理商联系在一起的技术。然而,将了解,在本申请通篇中描述的技术也可应用于其它情形。
服务器104可以是任何种类的服务器或服务器集群,例如网络服务器或云服务器、应用服务器、后端服务器或它们的组合。在一个实施方式中,服务器104包括但不限于在线医疗诊断系统120和相关性图解模型学习系统150。在线医疗诊断系统120可包括搜索引擎122、相关性图解模型130、实体选择模块135、专家知识图解模型140、响应预测模块145和用户简档125。服务器104还包括接口(未显示)以允许客户端(例如客户端设备101-102)访问由服务器104提供的资源或服务。接口可包括网络接口、应用编程接口(API)和/或命令行接口(CLI)。
例如,用户设备101的客户端用户应用111可将搜索查询发送至服务器104并且搜索查询通过网络103经由接口被搜索引擎122接收。响应于搜索查询,搜索引擎122从搜索查询提取一个或多个关键字,这些关键字表示如用户描述的医疗状况的症状。相关性图解模型130可使所提取的一个或多个关键字与一个或多个专家关键字相关,相关性具有权重。实体选择模块135可选择以高于阈值的相关性与专家关键字相关的关键字。在实施方式中,用户简档125可帮助实体选择模块135通过基于用户简档125中的信息修改相关性权重来选择关键字。例如,与吸烟有关的医疗状况的症状(例如肺气肿)可能在60岁的吸烟者中比在不居住在受烟影响的环境中的5岁的人中更普遍。专家知识图解模型140可从实体选择模块135接收所选择的实体并使用响应预测模块145确定与所选择的实体有关的一个或多个医疗状况。响应预测模块145可确定可收窄一个或多个医疗状况或者提高或降低医疗状况的置信水平的一个或多个症状。响应预测模块145可在搜索引擎122的界面处提示用户提供额外症状。在实施方式中,响应预测模块145可请求用户回答具体症状问题。以上过程可使用由用户提供的额外信息重复进行,直到可识别单一医疗状况或医疗状况的数量显著收窄。
如果用户设备是移动设备,用户应用111可以是浏览器应用或移动应用。搜索引擎122可以是可从百度公司获得的搜索引擎,或可选地,搜索引擎122可表示搜索引擎、Microsoft BingTM搜索引擎、搜索引擎或其它搜索引擎。
搜索引擎122(例如网络搜索引擎)是被设计成在万维网上搜索信息的软件系统。搜索结果通常以结果行的方式(通常称为搜索引擎结果页面)呈现。信息可以是网页、图像和其它类型的文件的混合。一些搜索引擎还挖掘可在数据库或开放目录中获得的数据。不同于网络目录(其仅由人类编辑维护),搜索引擎122还通过在网络爬取器(例如医疗资源爬取器165)上运行算法来维护实时信息。
网络搜索引擎122通过存储关于许多网页的信息来工作,这些信息是网络搜索引擎122从这些页面的超文本标记语言(HTML)标记检索的。这些页面由网络爬取器165检索,网络爬取器165是跟随网站上的每个链接的自动化网络爬取器。搜索引擎122然后分析每个页面的内容以确定其应如何被索引(例如,可从题目、页面内容、标题或称为元标签的特殊字段提取词语)。关于网页的数据存储在索引数据库中以供在以后的查询中使用。该索引帮助尽可能快地找到与查询有关的信息。
当用户将查询输入到搜索引擎122中(通常通过使用一个或多个关键字)时,搜索引擎122检查其索引并根据其标准提供最佳匹配网页的列表,通常具有简短概述,该简短概述包括文档的题目并且有时包括文本的一些部分。索引由与数据存储在一起的信息和索引信息的方法构建。搜索引擎122寻找与所输入完全一样的词语或短语。一些搜索引擎122提供称为邻近搜索的高级特征,其允许用户定义关键字之间的距离。还存在基于概念的搜索,其中研究涉及使用对包括您搜索的词语或短语的页面的统计分析。同样,自然语言查询允许用户以与用户向一个人询问问题相同的形式键入问题。
搜索引擎122的实用性取决于其返回的结果集的相关性。虽然可能存在包括特定词语或短语的数百万网页,但一些页面可比其它页面更相关、受欢迎或权威。大多数搜索引擎122采用多种方法来给结果排序以首先提供“最佳”结果。搜索引擎122如何决定哪些页面为最佳匹配以及这些结果应按什么次序显示在引擎之间差别很大。在线医疗诊断系统120的进一步细节在下文中参考图1B描述。
服务器104可包括可动态更新相关性图解模型130的相关性图解模型(CGM)学习系统150。相关性图解模型130使表示医疗症状的用户搜索项与专家知识图解模型140中的和医疗状况有关的专家关键字相关。CGM学习系统150可对查询日志的历史或数据库进行解析以生成关键字数据库160,其中,查询日志的历史或数据库从利用在线医疗诊断系统120的大量用户查询会话存储。在实施方式中,医疗资源爬取器165可使用关键字和专家关键字来爬取医学文章、研究论文和其它医疗资源107以确定从用户查询获得的关键字与从专家知识图解模型140获得的专家关键字的相关性。CGM学习系统150可使用学习模型175(例如贝叶斯、自然贝叶斯、线性回归、随机神经网络、递归神经网络或长短期记忆)来确定用于相关性图解模型130的关键字与专家关键字的相关性权重。在实施方式中,学习模型175是无人监督的学习模型。CGM学习系统150可与在线医疗诊断系统120的用户查询异步地实施其动态学习。
网络爬取器或网页爬取器(例如医疗资源爬取器165)是自动穿行网络的超文本结构的程序。实际上,网络爬取器可在独立计算机或服务器上运行,网络爬取器中的每个被配置成执行从URL下载文档的一个或多个进程或线程。网络爬取器接收所指派URL并下载那些URL处的文档。网络爬取器也可检索由待由内容处理系统(未显示)和/或搜索引擎120处理的所检索文档参考的文档。网络爬取器可使用各种协议来下载与URL相关联的页面,例如,超文本传输协议(HTTP)和文件传送协议(FTP)。
服务器104可进一步从与搜索引擎122的互动和查询日志数据库152中的搜索日志的存储根据与第一用户相关联的搜索活动来关联并识别第一用户。在执行搜索时,搜索活动信息可捕获并记录于查询日志数据库152中。服务器104可从查询日志数据库152和/或从用户简档125检索第一用户的用户信息。服务器104可选地可将来自查询日志数据库152的第一用户的用户信息中的至少一些传输到在线医疗诊断系统120,其可被编译到用户简档125中。因此,第一用户可以以更友好且有效的方式基于用户简档125中的第一用户的用户信息与在线医疗诊断系统120连接并通信。在实施方式中,用户简档125可通过用户与在线问卷调查互动生成,其中,在线问卷调查存储用户对关于用户的医疗健康的问题的响应。示例性用户简档125在下文中参考图4描述。CGM学习系统150的额外细节在下文中参考图1C描述。注意,在此示例中,CGM学习系统150集成在服务器104内。然而,CGM学习系统150可实现于以通信方式联接至服务器104的独立系统或服务器中。
图1B是示出根据本发明的实施方式的在线医疗诊断系统120的信息和逻辑流程的框图。
客户端(例如客户端101)可通过向搜索引擎122的查询/用户接口发出医疗查询来开始使用在线医疗诊断系统120。在实施方式中,搜索引擎122可通过对包括在从用户接收的查询内的客户端101的硬件识别来识别用户。可使用硬件识别来检索用户简档125以供在线医疗诊断系统120使用。在实施方式中,用户可登录到在线医疗诊断系统120中,并且可使用用户登录查找用户简档125。用户的查询可被解析成一个或多个关键字。可在相关性图解模型130中查找关键字以确定用户查询的关键字与从专家知识图解模型140获得的专家关键字的加权相关性。与专家关键字相关的关键字表示专家知识图解模型140的一个或多个实体。实体选择模块135可选择这些实体的一子集以供进一步诊断。在实施方式中,可通过参考用户简档125来修改关键字与专家关键字的加权因子。例如,可使用性别、年龄、先前医疗状况以及这些的组合来修改关键字与专家关键字的相关性权重。实体选择模块135可基于具有关键字与专家关键字的最小阈值相关性值的实体选择用于由专家知识图解模型140分析的实体。例如,使用用户简档125,相比于不居住在受烟影响的环境中的5岁的人,60岁的吸烟者可使搜索项“咳嗽”更大程度上与“肺气肿”或“肺部疾病”相关。类似地,相比于6岁的男性,50岁的女性可使乳房疼痛或肿块更大程度上与乳腺癌相关。在使用用户简档125调整关键字与专家关键字的相关性权重之后,实体选择模块135可使满足与专家知识图解模型140的阈值相关性权重的所选择实体通过。专家知识图解模型140可从由实体选择模块135选择的实体中的专家关键字确定一个或多个医疗状况,每个医疗状况具有置信因子。响应预测模块145可确定专家知识图解模型140已返回一个或多个医疗状况。如果专家知识图解模型140返回仅一个医疗状况,则响应预测模块145可确定疾病的严重程度以及是否应向医生安排预约会见用户。如果专家知识图解模型140返回一个以上医疗状况,则响应预测模块145可提示用户提供可减少从响应预测模块145返回的结果的数量的更多症状。
图1C是示出根据本发明的实施方式的相关性图解模型(CGM)学习系统150的信息和逻辑流程的框图。CGM学习系统150可相对于在线医疗诊断系统120异步或离线地操作。
每当用户访问在线医疗诊断系统120时,用户的查询可存储在查询日志数据库(查询日志DB)152中。查询日志DB 152中的查询日志包括用户已在用于在线医疗诊断系统120的搜索查询中输入的症状关键字。
查询日志解析器155可读取或查询查询日志DB 152并解析查询日志以确定关键字。关键字可存储在关键字数据库(关键字DB)160中。医疗资源爬取器165可爬取网络,访问在线医疗资源107(例如,医学文章、研究论文和其它在线医疗资源)以结合从查询日志DB152获得的关键字确定出现在在线医疗资源107中的其它关键字。从爬取在线医疗资源107获得的其它关键字可包括专家关键字。专家关键字可从专家知识图解模型140获得。可选择学习模型175以使关键字和其它关键字与专家关键字相关。学习模型175可包括贝叶斯、自然贝叶斯、线性回归、随机神经网络、递归神经网络或长短期记忆。在实施方式中,学习模型175可以是无人监督的学习模型。关键字与专家关键字的相关性可存储在相关性图解模型130中作为图解中的权重。相关性图解模型130可存储作为CGM学习系统150的一部分,可由在线医疗诊断系统120访问。在实施方式中,相关性图解模型130可存储作为在线医疗诊断系统120的一部分,可由CGM学习系统150访问。
图2是根据本发明的一个实施方式的在线医疗诊断的方法200的方框流程图。在操作205中,在线医疗诊断系统120的搜索引擎122的查询/用户接口可接收包括医疗状况的一个或多个症状的用户查询/输入。在操作210中,搜索引擎122的查询/用户接口可将用户查询解析成一个或多个关键字。在操作215中,可使用相关性图解模型130来确定一个或多个关键字与专家关键字的相关性权重。在操作220中,专家知识图解模型140可使用专家关键字以及关键字与专家关键字的相关性权重来确定一个或更多医疗状况,这些医疗状况各自具有置信因子。
图3A和图3B是根据本发明的另一实施方式的在线医疗诊断的方法300的方框流程图。在操作305中,在线医疗诊断系统120的搜索引擎122的查询/用户接口可接收包括医疗状况的一个或多个症状的用户查询/输入。
在操作310中,可以可选地为用户确定用户简档125。用户简档可使用标识符(例如用户正用于访问在线医疗诊断系统120的电子设备的唯一硬件标识符)自动确定。可替代地,用户简档125可由登录到在线医疗诊断系统120中的用户和访问与用户登录相关联的用户简档125的在线医疗诊断系统120确定。在实施方式中,用户可选择用户简档125以用于查询,例如,家长选择用于此查询涉及的她的一个孩子的用户简档125。
在操作315中,可将用户查询存储在查询日志数据库152中。在操作320中,可由搜索引擎122的查询/用户接口的解析器将用户查询解析成关键字。在操作325中,可使用相关性图解模型130来使关键字与专家知识图解模型140的一个或多个专家关键字相关,从而确定每个关键字与专家关键字的相关性的权重。关键字与专家关键字的相关性可生成可能症状的所推测实体列表132以供由专家知识图解模型140分析。
在操作330中,可通过使用与查询有关的用户简档125来可选地调整关键字与专家关键字的相关性权重。例如,相比于具有正常的体重身高比并且无糖尿病历史的5岁儿童,具有高的体重身高比、具有高血压历史的60岁男性可更大程度上与成人发病II型糖尿病相关。
在操作335中,实体选择模块135可从所推测实体列表132选择实体以用于由专家知识图解模型140分析。实体选择模块135可选择具有高于预定阈值的关键字与专家关键字的相关性权重的实体。在操作340中,专家知识图解模型140可使用专家关键字以及关键字与专家关键字的相关性权重来查询专家知识图解模型140。
在操作345中,响应预测模块145可根据从查询专家知识图解模型140返回的结果确定一个或多个医疗状况,该一个或多个医疗状况各自具有置信值。在实施方式中,响应预测模块145可选择从专家知识图解模型140返回的、具有大于预定阈值的加权或置信因子的医疗状况。
在操作350中,可以可选地使用用户简档125过滤由响应预测模块145识别的医疗状况。医疗状况可通过基于用户简档125调整医疗状况的置信水平来过滤。在实施方式中,操作350可结合操作330使用以使用用户简档125过滤实体和医疗状况。在实施方式中,可分别使用操作330和操作350中的一个来过滤实体或医疗状况。
在操作355中,可确定一个医疗状况是否已由响应预测模块145识别,或者所识别的医疗状况是否已足够收窄。响应预测模块145可已识别出多个医疗状况,这些医疗状况密切相关,或者具有太过接近的置信因子而无法确定具体一个医疗状况,但这些医疗状况足够收窄以确定向用户的推荐。
如果在操作355中已识别一个以上医疗状况并且这些医疗状况未足够收窄,则在操作360中,响应预测模块145可提示用户提供将帮助识别特定医疗状况的更多信息。在实施方式中,可提示用户回答关于可与一个或多个医疗状况有关的特定症状的具体问题。在实施方式中,可提示用户回答关于可与一个或多个医疗状况有关的医疗历史的问题。在此情况下,方法300在操作315处重新开始。
如果在操作355中识别一个医疗状况,或者医疗状况另外地足够收窄以向用户作出推荐,则该方法在操作365处继续,下文参考图3B进行描述。
在图3B中,在操作365中,响应预测模块145可确定一个或多个医疗状况是否需要拜访医生进行治疗。如果在操作365中,确定医生拜访不是必需的,则在操作370中,响应预测模块145可为用户提供用于自我护理的推荐。在实施方式中,可经由搜索引擎122的查询/用户接口向用户作出推荐。在实施方式中,推荐可包括到描述所推荐治疗的在线医疗资源107的一个或多个链接。推荐还可包括与一个或多个医疗状况有关的药物治疗、药房或医生的一个或多个广告。
如果在操作365中确定医生拜访对治疗来说是必需的,则在操作375中,响应预测模块145提供用户已知的或用户附近的所推荐的医师进行治疗。在实施方式中,响应预测模块145可使用搜索查询/用户接口来向特定医师安排预约进行治疗。
图4是示出根据本发明的一个实施方式的供在在线医疗诊断200或300的方法中使用的用户简档125的两个示例400和420的图示。用户简档400和420可存储在用户简档数据库中。
示例性用户简档400涉及一60岁男性。可使用简档编号401作为用户简档400的密钥。在实施方式中,可从由用户用以访问在线医疗诊断系统120的电子设备的硬件标识符确定简档编号401。在实施方式中,简档编号401可以是社会保障号、医疗保险号或由医疗服务提供商指派的其它编号。在实施方式中,简档编号可由在线医疗诊断系统120随机生成。
用户简档可包括用户的性别402、身高403、年龄409或出生日期以及体重411。用户简档还可指示用户是否是吸烟者410或居住在吸烟环境中,例如,父母吸烟的孩子。用户简档还可包括一个或多个药物治疗404和针对其开药物治疗处方的适应症412。老年人的用户简档400可包括诸如心脏病405、肺部疾病413、胸痛406、关节痛414、背痛407和头痛415的状况的医疗历史。成年人的用户简档可指示用户的职业408。
儿童的用户简档420可包括青少年的医疗历史,例如儿童是否已有过水痘421、腮腺炎423或麻疹422。
用户简档400和420的以上示例为示例性的并且将理解为具有限制性。
图5是根据本发明的一个实施方式的训练相关性图解模型130的方法500的方框流程图。
在操作505中,查询日志解析器155可将存储在查询日志数据库152中的查询日志解析成关键字。这些关键字可存储在关键字数据库160中。
在操作510中,医疗资源爬取器165可使用关键字来爬取医学文章、研究论文和其它医疗资源107以确定从用户查询获得的关键字与从专家知识图解模型140获得的专家关键字的相关性。
在操作515中,CGM学习系统150可使用学习模型175(例如贝叶斯、自然贝叶斯、线性回归、随机神经网络、递归神经网络或长短期记忆)来确定用于相关性图解模型130的关键字与专家关键字的相关性权重。
在操作520中,可使用学习模型175来利用新关键字和使关键字与专家关键字相关的权重更新相关性图解模型130。CGM学习系统150可与在线医疗诊断系统120的用户查询异步地执行其动态学习。
图6是示出可与本发明的一个实施方式一起使用的数据处理系统600的示例的框图。例如,系统600可表示执行上述过程或方法中的任一个的上述数据处理系统中的任一个,诸如例如,上述客户端设备101或102或者服务器104。
系统600可包括许多不同组件。这些组件可实现为集成电路(IC)、集成电路的部分、分立电子设备或适于电路板(例如计算机系统的母板或插入卡)的其它模块,或者实现为以其它方式并入计算机系统的机箱内的组件。
还应注意,系统600旨在显示计算机系统的许多组件的高级视图。然而,应理解,在某些实施方案中可存在额外组件,并且此外,在其它实施方案中可出现所示组件的不同布置。系统600可表示桌面型计算机、膝上型计算机、平板计算机、服务器、移动电话、媒体播放器、个人数字助理(PDA)、智能手表、个人通信器、游戏设备、网络路由器或集线器、无线接入点(AP)或中继器、机顶盒或它们的组合。此外,虽然仅示出单个机器或系统,但术语“机器”或“系统”还应视为包括单独或共同执行一组(或多组)指令以执行本文中所论述的方法中的一个或多个方法的机器或系统的任何集合。
在一个实施方式中,系统600包括经由总线或互连件610的处理器601、存储器603和设备605-608。处理器601可表示其中包括单个处理器内核或多个处理器内核的单个处理器或多个处理器。处理器601可表示一个或多个通用处理器,例如微处理器、中央处理单元(CPU)等。更具体地,处理器601可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器,或实施其它指令集的处理器,或实施指令集的组合的处理器。处理器601还可以是一个或多个专用处理器,例如专用集成电路(ASIC)、蜂窝或基带处理器、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、网络处理器、图形处理器、网络处理器、通信处理器、加密处理器、协同处理器、嵌入式处理器或能够处理指令的任何其它类型的逻辑。
处理器601(其可以是低功率多核处理器插座,例如超低电压处理器)可用作主要处理单元和用于与系统的各种组件通信的中央集线器。此类处理器可实现为片上系统(SoC)。处理器601被配置成执行用于实施本文中所论述的操作和步骤的指令。系统600还可包括与可选的图形子系统(显示控制器和/或显示设备)604通信的图形接口,其中,图形子系统604可包括显示控制器、图形处理器和/或显示设备。
处理器601可与存储器603通信,存储器603在一个实施方式中可通过多个存储器设备实现以提供给定量的系统存储器。存储器603可包括一个或多个易失性存储(存储器)设备,例如随机存取存储器(RAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、静态RAM(SRAM)或其它类型的存储设备。存储器603可存储包括由处理器601或任何其它设备执行的指令序列的信息。例如,多种操作系统、设备驱动程序、固件(例如,输入输出基本系统或BIOS)和/或应用的可执行代码和/或数据可加载到存储器603中并由处理器601执行。操作系统可以是任何种类的操作系统,诸如例如,来自的操作系统、来自苹果的来自的或其它实时或嵌入式操作系统(例如,VxWorks)。
系统600还可包括诸如设备605-608的I/O设备,其包括网络接口设备605、可选输入设备606和其它可选I/O设备607。网络接口设备605可包括无线收发器和/或网络接口卡(NIC)。无线收发器可以是WiFi收发器、红外收发器、蓝牙收发器、WiMax收发器、无线蜂窝电话收发器、卫星收发器(例如,全球定位系统(GPS)收发器)或其它射频(RF)收发器或它们的组合。NIC可以是以太网卡。
输入设备606可包括鼠标、触摸板、触敏屏幕(其可与显示设备604集成在一起)、点选设备(例如定位笔)和/或键盘(例如,物理键盘或显示为触敏屏幕的一部分的虚拟键盘)。例如,输入设备606可包括联接至触摸屏的触摸屏控制器。触摸屏和触摸屏控制器例如可使用多个触摸灵敏度技术(包括但不限于电容性技术、电阻性技术、红外技术和表面声波技术)中的任何一个以及其它接近式传感器阵列或用于确定与触摸屏的一个或多个接触点的其它元件来检测接触和移动或它们的中断。
I/O设备607可包括音频设备。音频设备可包括扬声器和/或麦克风以促进具有语音能力的功能,例如语音识别、语音复制、数字录音和/或电话功能。其它I/O设备607还可包括通用串行总线(USB)端口、并行端口、串行端口、打印机、网络接口、总线桥(例如,PCI-PCI桥)、传感器(例如,诸如加速度计运动传感器、陀螺仪、磁力计、光传感器、罗盘、接近式传感器等)或它们的组合。设备607还可包括成像处理子系统(例如,相机),其可包括用于促进相机功能(例如记录照片和视频剪辑)的光学传感器(例如,电荷耦合设备(CCD))或互补金属氧化物半导体(CMOS)光学传感器。某些传感器可经由传感器集线器(未显示)联接至互连件610,而其它设备(例如键盘或热传感器)可由嵌入式控制器(未显示)控制,这取决于系统600的具体配置或设计。
为实现信息(例如数据、应用、一个或多个操作系统等等)的永久存储,大容量存储器(未显示)也可联接至处理器601。在各种实施方式中,为实现更薄更轻的系统设计并提高系统响应能力,此大容量存储器可通过固态设备(SSD)实现。然而,在其它实施方式中,大容量存储器可主要使用硬盘驱动器(HDD)实现,并且少量SSD存储器用作SSD缓存以在掉电事件期间实现上下文状态和其它此类信息的非易失性存储,以便快速上电可在系统活动的重新启动时发生。此外,闪存设备可例如通过串行外围接口(SPI)联接至处理器601。此闪存设备可实现系统软件(包括系统的基本输入/输出软件(BIOS)以及其它固件)的非易失性存储。
存储设备608可包括其上存储有实现本文中所述的方法或功能中的任一个或多个的一组或多组指令或软件(例如,模块、单元和/或逻辑628)的计算机可存取存储介质609(也称为机器可读存储介质或计算机可读介质)。模块/单元/逻辑628可表示上述组件中的任一个,诸如例如,如上所述的搜索引擎、医疗诊断系统或相关性图解模型学习系统。模块/单元/逻辑628还可在其由数据处理系统600执行期间(完全地或至少部分地)贮存于存储器603内和/或处理器601内,存储器603和处理器601还构成机器可存取存储介质。模块/单元/逻辑628还可通过网络接口设备605经由网络被传输或接收。
计算机可读存储介质609可还用于永久存储一些上述软件功能。虽然计算机可读存储介质609在示例性实施方式中显示为单个介质,但术语“计算机可读存储介质”应视为包括存储该一组或多组指令的单个介质或多个介质(例如,集中式或分布式数据库和/或相关联的缓存和服务器)。术语“计算机可读存储介质”还应视为包括能够存储或编码用于由机器执行并且使机器实施本发明的方法中的任一个或多个的一组指令的任何介质。因此,术语“计算机可读存储介质”应视为包括但并不限于固态存储器以及光学和磁性介质或者任何其它非暂时性机器可读介质。模块/单元/逻辑628、组件和本文中所述的其它特征可实现为分立的硬件组件或集成于硬件组件(例如ASICS、FPGA、DSP或类似设备)的功能中。另外,模块/单元/逻辑628可实现为硬件设备内的固件或功能性电路。此外,模块/单元/逻辑628可实现于硬件设备和软件组件的任意组合中。
注意,虽然系统600用数据处理系统的多种组件示出,但其并不旨在表示互连这些组件的任何特定架构或方式;因为此类细节与本发明的实施方式关系不大。还将了解,网络计算机、手持式计算机、移动电话、服务器和/或具有更少组件或可能更多组件的其它数据处理系统也可与本发明的实施方式一起使用。
前述具体描述中的一些部分已经以对计算机存储器内数据位的运算的算法和符号表示的形式呈现。这些算法描述和表示是数据处理领域的技术人员用于最有效地向所属领域的其它技术人员传达其工作的实质的方式。算法在此处并且通常被认为是导致所期望结果的运算的自洽序列。这些运算是需要对物理量的物理操纵的那些运算。
然而,应牢记,所有这些和类似术语都将与适当物理量相关联并且仅是应用于这些量的方便标记。如从以上论述而显而易见的,除非另外具体陈述,否则应了解,在整个说明书中,利用术语(例如在所附权利要求书中阐明的那些术语)的论述是指计算机系统或类似的电子计算设备的动作和过程,该计算机系统或类似的电子计算设备操纵计算机系统的寄存器和存储器内的表示为物理(电子)量的数据并将其变换成计算机系统存储器或寄存器或者其它此类信息存储、传输或显示设备内的类似地表示为物理量的其它数据。
图中所示的技术可使用在一个或多个电子设备上存储并执行的代码和数据来实现。此类电子设备使用计算机可读介质存储并通信(在内部和/或经由网络与其它电子设备)代码和数据,其中,计算机可读介质例如非暂时性计算机可读存储介质(例如,磁盘;光盘;随机存取存储器;只读存储器;闪速存储器设备;相变存储器)和暂时性计算机可读传输介质(例如,电气传播信号、光学传播信号、声学传播信号或其它形式的传播信号-例如载波、红外信号、数字信号)。
在前述附图中描绘的过程或方法可由处理逻辑实现,该处理逻辑包括硬件(例如电路、专用逻辑等)、固件、软件(例如,实施于非暂时性计算机可读介质上)或两者的组合。虽然上文以一些顺序操作描述的形式描述过程或方法,但应了解,所述操作中的一些可按不同次序执行。此外,一些操作可并行地而非顺序地执行。
在前述说明书中,已参考本发明的具体示例性实施方式描述了本发明的实施方式。将显而易见的是,可在不背离如在所附权利要求书中阐明的本发明的更宽泛的精神和范围的情况下对其作出各种修改。因此,将以示例性意义而非限制性意义理解说明书和附图。
Claims (15)
1.一种用于使医疗诊断自动化的计算机实现的方法,所述方法包括:
从用户的电子设备接收包括一个或多个症状的用户医疗查询;
将所述用户医疗查询解析成表示所述症状的一个或多个关键字;
使用相关性图解模型使所述一个或多个关键字与一个或多个专家关键字相关;
使用专家知识图解模型基于所述一个或多个专家关键字确定一个或多个医疗状况;以及
基于所述一个或多个医疗状况将响应传输到所述电子设备。
2.根据权利要求1所述的方法,其中所述相关性图解模型动态地更新,并且所述专家知识图解模型是静态的。
3.根据权利要求1所述的方法,还包括通过将所述一个或多个关键字限制为仅那些满足与专家关键字的阈值相关性的关键字来过滤所述一个或多个关键字。
4.根据权利要求1所述的方法,还包括:
响应于使用所述专家知识图解模型确定一个以上医疗状况的确定结果:
使用所述专家知识图解模型来确定一个或多个额外症状,所述一个或多个额外症状将减少由所述专家知识图解模型确定的医疗状况的数量;
提示所述用户回答所述用户是否具有所述一个或多个额外症状中的任一个。
5.根据权利要求1所述的方法,还包括:
响应于由所述专家知识图解模型确定一个医疗状况的确定结果:
确定所述一个医疗状况是否需要医师的治疗;
响应于所述一个医疗状况不需要医师的治疗的确定结果,为所述用户生成自我护理推荐;
响应于所述一个医疗状况需要医师的治疗的确定结果,向所述用户推荐特定医师或与在所述用户的医疗简档中识别的医师安排预约。
6.根据权利要求1所述的方法,其中,所述一个或多个医疗状况根据所述用户的医疗简档确定。
7.根据权利要求6所述的方法,还包括以下步骤中的至少一个:
在使用所述专家知识图解模型来确定一个或多个医疗状况之前,基于所述用户的所述医疗简档过滤所述专家关键字;或者
在使用所述专家知识图解模型来确定一个或多个医疗状况之后,基于所述用户的所述医疗简档过滤所述医疗状况。
8.一种用于使医疗诊断自动化的装置,包括:
从用户的电子设备接收包括一个或多个症状的用户医疗查询的装置;
将所述用户医疗查询解析成表示所述症状的一个或多个关键字的装置;
使用相关性图解模型使所述一个或多个关键字与一个或多个专家关键字相关的装置;
使用专家知识图解模型基于所述一个或多个专家关键字确定一个或多个医疗状况的装置;以及
基于所述一个或多个医疗状况将响应传输到所述电子设备的装置。
9.根据权利要求8所述的用于使医疗诊断自动化的装置,其中,所述相关性图解模型动态地更新,并且所述专家知识图解模型是静态的。
10.根据权利要求8所述的用于使医疗诊断自动化的装置,还包括通过将所述一个或多个关键字限制为仅那些满足与专家关键字的阈值相关性的关键字来过滤所述一个或多个关键字的装置。
11.根据权利要求8所述的用于使医疗诊断自动化的装置,还包括:
响应于使用所述专家知识图解模型确定一个以上医疗状况的确定结果进行以下操作的装置:
使用所述专家知识图解模型来确定一个或多个额外症状,所述一个或多个额外症状将减少由所述专家知识图解模型确定的医疗状况的数量;
提示所述用户回答所述用户是否具有所述一个或多个额外症状中的任一个。
12.根据权利要求8所述的用于使医疗诊断自动化的装置,还包括:
响应于由所述专家知识图解模型确定一个医疗状况的确定结果进行以下操作的装置:
确定所述一个医疗状况是否需要医师的治疗;
响应于确定所述一个医疗状况不需要医师的治疗,为所述用户生成自我护理推荐;
响应于确定所述一个医疗状况需要医师的治疗,向所述用户推荐特定医师或与在所述用户的医疗简档中识别的医师安排预约。
13.根据权利要求8所述的用于使医疗诊断自动化的装置,还包括根据所述用户的医疗简档确定所述一个或多个医疗状况的装置。
14.根据权利要求13所述的用于使医疗诊断自动化的装置,其中,还包括以下装置中的至少一个:
在使用所述专家知识图解模型来确定一个或多个医疗状况之前,基于所述用户的所述医疗简档过滤所述专家关键字的装置;或者
在使用所述专家知识图解模型来确定一个或多个医疗状况之后,基于所述用户的所述医疗简档过滤所述医疗状况的装置。
15.一种用于使医疗诊断自动化的系统,包括如权利要求11-20中任一项所述的用于使医疗诊断自动化的装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/169,470 | 2016-05-31 | ||
US15/169,470 US20170344711A1 (en) | 2016-05-31 | 2016-05-31 | System and method for processing medical queries using automatic question and answering diagnosis system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451388A true CN107451388A (zh) | 2017-12-08 |
CN107451388B CN107451388B (zh) | 2021-10-26 |
Family
ID=60418724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611093105.1A Active CN107451388B (zh) | 2016-05-31 | 2016-12-01 | 用于使医疗诊断自动化的方法、装置和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20170344711A1 (zh) |
CN (1) | CN107451388B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110504026A (zh) * | 2018-05-18 | 2019-11-26 | 宏达国际电子股份有限公司 | 控制方法以及医学系统 |
CN111081387A (zh) * | 2019-12-18 | 2020-04-28 | 珠海九松科技有限公司 | 一种基于大数据和人工智能的中医理疗管理系统 |
CN111128371A (zh) * | 2019-11-26 | 2020-05-08 | 泰康保险集团股份有限公司 | 治疗物品提供方法、装置、电子设备、存储介质 |
CN111210895A (zh) * | 2019-12-28 | 2020-05-29 | 杭州好育信息科技有限公司 | 开放服务接口的心理咨询方法及系统 |
CN111933239A (zh) * | 2020-09-17 | 2020-11-13 | 泰康保险集团股份有限公司 | 数据处理的方法及装置、系统、存储介质 |
CN112700861A (zh) * | 2020-12-25 | 2021-04-23 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互系统 |
Families Citing this family (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209254A1 (en) * | 2017-05-11 | 2018-11-15 | Hubspot, Inc. | Methods and systems for automated generation of personalized messages |
US10861604B2 (en) | 2016-05-05 | 2020-12-08 | Advinow, Inc. | Systems and methods for automated medical diagnostics |
TW201805887A (zh) * | 2016-08-11 | 2018-02-16 | 宏達國際電子股份有限公司 | 醫學系統、醫學方法及非暫態電腦可讀取媒體 |
US12020174B2 (en) | 2016-08-16 | 2024-06-25 | Ebay Inc. | Selecting next user prompt types in an intelligent online personal assistant multi-turn dialog |
US20180052885A1 (en) * | 2016-08-16 | 2018-02-22 | Ebay Inc. | Generating next user prompts in an intelligent online personal assistant multi-turn dialog |
US20180060440A1 (en) * | 2016-08-26 | 2018-03-01 | International Business Machines Corporation | Systems and methods to cognitively update static bi models |
US11748978B2 (en) | 2016-10-16 | 2023-09-05 | Ebay Inc. | Intelligent online personal assistant with offline visual search database |
US10860898B2 (en) | 2016-10-16 | 2020-12-08 | Ebay Inc. | Image analysis and prediction based visual search |
US11004131B2 (en) | 2016-10-16 | 2021-05-11 | Ebay Inc. | Intelligent online personal assistant with multi-turn dialog based on visual search |
CN114141378A (zh) * | 2017-01-19 | 2022-03-04 | 京东方科技集团股份有限公司 | 数据分析方法和设备 |
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 |
US11164679B2 (en) | 2017-06-20 | 2021-11-02 | Advinow, Inc. | Systems and methods for intelligent patient interface exam station |
CA3014309A1 (en) * | 2017-08-16 | 2019-02-16 | Royal Bank Of Canada | Expert knowledge platform |
US20190267133A1 (en) * | 2018-02-27 | 2019-08-29 | NEC Laboratories Europe GmbH | Privacy-preserving method and system for medical appointment scheduling using embeddings and multi-modal data |
US20190279767A1 (en) * | 2018-03-06 | 2019-09-12 | James Stewart Bates | Systems and methods for creating an expert-trained data model |
US10939806B2 (en) | 2018-03-06 | 2021-03-09 | Advinow, Inc. | Systems and methods for optical medical instrument patient measurements |
US11348688B2 (en) | 2018-03-06 | 2022-05-31 | Advinow, Inc. | Systems and methods for audio medical instrument patient measurements |
AT521928B1 (de) * | 2018-11-23 | 2020-10-15 | Avl List Gmbh | Verfahren zur Kalibrierung einer elektronischen Steuereinheit eines Fahrzeugs |
CN109659013B (zh) * | 2018-11-28 | 2023-07-07 | 平安科技(深圳)有限公司 | 病症分诊及路径优化方法、装置、设备及存储介质 |
JP7088863B2 (ja) * | 2019-02-20 | 2022-06-21 | ヤフー株式会社 | 提供装置、提供方法及び提供プログラム |
US11698918B2 (en) | 2019-05-21 | 2023-07-11 | Sisense Ltd. | System and method for content-based data visualization using a universal knowledge graph |
US11663498B2 (en) * | 2019-05-21 | 2023-05-30 | Sisense Ltd. | System and method for generating organizational memory using semantic knowledge graphs |
US11687553B2 (en) | 2019-05-21 | 2023-06-27 | Sisense Ltd. | System and method for generating analytical insights utilizing a semantic knowledge graph |
US20210022688A1 (en) * | 2019-07-26 | 2021-01-28 | GPS Health LLC | Methods and systems for generating a diagnosis via a digital health application |
US11712182B2 (en) * | 2019-12-16 | 2023-08-01 | Dexcom, Inc. | Multi-state engagement with continuous glucose monitoring systems |
WO2021138013A1 (en) * | 2019-12-31 | 2021-07-08 | Healthpointe Solutions, Inc. | System and method for determining and presenting clinical answers |
CN112992362B (zh) * | 2021-04-19 | 2021-09-14 | 北京妙医佳健康科技集团有限公司 | 一种身体状态评估装置、电子设备及存储介质 |
WO2023095069A1 (en) * | 2021-11-29 | 2023-06-01 | Jio Platforms Limited | An adaptive disease prediction system in an ai symptom-checker |
CN118155817A (zh) * | 2024-04-26 | 2024-06-07 | 旭辉卓越健康信息科技有限公司 | 一种基于gpt模型的科室和专家推荐方法及系统 |
CN118133049A (zh) * | 2024-05-07 | 2024-06-04 | 青岛国创智能家电研究院有限公司 | 基于知识图谱的医学数据获取方法、系统、设备及介质 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101023884A (zh) * | 2006-02-23 | 2007-08-29 | 曾争 | 运行于手持智能设备上的临床医学智能辅助诊断系统 |
CN101084502A (zh) * | 2004-12-22 | 2007-12-05 | 艾文斯有限公司 | 根据确定的目的进行数字内容检索的系统和方法 |
CN101146020A (zh) * | 2007-08-31 | 2008-03-19 | 张春雨 | 用于提供网络就医服务的医疗终端设备、系统及方法 |
US20090012842A1 (en) * | 2007-04-25 | 2009-01-08 | Counsyl, Inc., A Delaware Corporation | Methods and Systems of Automatic Ontology Population |
WO2011013007A2 (en) * | 2009-07-29 | 2011-02-03 | Purapharm International (Hk) Limited | Ontological information retrieval system |
US20120078979A1 (en) * | 2010-07-26 | 2012-03-29 | Shankar Raj Ghimire | Method for advanced patent search and analysis |
CN102663129A (zh) * | 2012-04-25 | 2012-09-12 | 中国科学院计算技术研究所 | 医疗领域深度问答方法及医学检索系统 |
US20120296895A1 (en) * | 2011-05-19 | 2012-11-22 | Robinson Peter N | System and method for conducting processor-assisted indexing and searching |
US20140073882A1 (en) * | 2012-09-12 | 2014-03-13 | Consuli, Inc. | Clinical diagnosis objects authoring |
CN103729395A (zh) * | 2012-10-12 | 2014-04-16 | 国际商业机器公司 | 用于推断查询答案的方法和系统 |
CN104036045A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种信息分析方法及服务平台 |
CN104050302A (zh) * | 2014-07-10 | 2014-09-17 | 华东师范大学 | 一种基于图谱模型的话题探测系统 |
CN104102816A (zh) * | 2014-06-20 | 2014-10-15 | 周晋 | 基于症状匹配和机器学习的自动诊断系统和方法 |
US20140337306A1 (en) * | 2012-01-05 | 2014-11-13 | Ruggero Gramatica | Information network with linked information nodes |
CN104331600A (zh) * | 2014-09-30 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 基于因子图模型的自诊模型训练方法和装置 |
CN104463754A (zh) * | 2014-12-30 | 2015-03-25 | 天津迈沃医药技术有限公司 | 基于疾病特征的医学信息本体数据库的建立方法 |
CN104484845A (zh) * | 2014-12-30 | 2015-04-01 | 天津迈沃医药技术有限公司 | 基于医学信息本体数据库的疾病自我分析方法 |
US20150112709A1 (en) * | 2006-07-24 | 2015-04-23 | Webmd, Llc | Method and system for enabling lay users to obtain relevant, personalized health related information |
CN104574246A (zh) * | 2014-12-22 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 医疗智能分诊方法、装置及设备 |
US20150178273A1 (en) * | 2013-12-20 | 2015-06-25 | Microsoft Corporation | Unsupervised Relation Detection Model Training |
CN104915413A (zh) * | 2015-06-05 | 2015-09-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种健康检测方法及系统 |
CN105139237A (zh) * | 2015-09-25 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 信息推送的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170039283A1 (en) * | 2015-08-03 | 2017-02-09 | Microsoft Technology Licensing, Llc | Searching Based on the Persona of Another |
-
2016
- 2016-05-31 US US15/169,470 patent/US20170344711A1/en not_active Abandoned
- 2016-12-01 CN CN201611093105.1A patent/CN107451388B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101084502A (zh) * | 2004-12-22 | 2007-12-05 | 艾文斯有限公司 | 根据确定的目的进行数字内容检索的系统和方法 |
CN101023884A (zh) * | 2006-02-23 | 2007-08-29 | 曾争 | 运行于手持智能设备上的临床医学智能辅助诊断系统 |
US20150112709A1 (en) * | 2006-07-24 | 2015-04-23 | Webmd, Llc | Method and system for enabling lay users to obtain relevant, personalized health related information |
US20090012842A1 (en) * | 2007-04-25 | 2009-01-08 | Counsyl, Inc., A Delaware Corporation | Methods and Systems of Automatic Ontology Population |
CN101146020A (zh) * | 2007-08-31 | 2008-03-19 | 张春雨 | 用于提供网络就医服务的医疗终端设备、系统及方法 |
WO2011013007A2 (en) * | 2009-07-29 | 2011-02-03 | Purapharm International (Hk) Limited | Ontological information retrieval system |
US20120078979A1 (en) * | 2010-07-26 | 2012-03-29 | Shankar Raj Ghimire | Method for advanced patent search and analysis |
US20120296895A1 (en) * | 2011-05-19 | 2012-11-22 | Robinson Peter N | System and method for conducting processor-assisted indexing and searching |
US20140337306A1 (en) * | 2012-01-05 | 2014-11-13 | Ruggero Gramatica | Information network with linked information nodes |
CN102663129A (zh) * | 2012-04-25 | 2012-09-12 | 中国科学院计算技术研究所 | 医疗领域深度问答方法及医学检索系统 |
US20140073882A1 (en) * | 2012-09-12 | 2014-03-13 | Consuli, Inc. | Clinical diagnosis objects authoring |
CN103729395A (zh) * | 2012-10-12 | 2014-04-16 | 国际商业机器公司 | 用于推断查询答案的方法和系统 |
US20150178273A1 (en) * | 2013-12-20 | 2015-06-25 | Microsoft Corporation | Unsupervised Relation Detection Model Training |
CN104102816A (zh) * | 2014-06-20 | 2014-10-15 | 周晋 | 基于症状匹配和机器学习的自动诊断系统和方法 |
CN104036045A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种信息分析方法及服务平台 |
CN104050302A (zh) * | 2014-07-10 | 2014-09-17 | 华东师范大学 | 一种基于图谱模型的话题探测系统 |
CN104331600A (zh) * | 2014-09-30 | 2015-02-04 | 百度在线网络技术(北京)有限公司 | 基于因子图模型的自诊模型训练方法和装置 |
CN104574246A (zh) * | 2014-12-22 | 2015-04-29 | 百度在线网络技术(北京)有限公司 | 医疗智能分诊方法、装置及设备 |
CN104463754A (zh) * | 2014-12-30 | 2015-03-25 | 天津迈沃医药技术有限公司 | 基于疾病特征的医学信息本体数据库的建立方法 |
CN104484845A (zh) * | 2014-12-30 | 2015-04-01 | 天津迈沃医药技术有限公司 | 基于医学信息本体数据库的疾病自我分析方法 |
CN104915413A (zh) * | 2015-06-05 | 2015-09-16 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种健康检测方法及系统 |
CN105139237A (zh) * | 2015-09-25 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 信息推送的方法和装置 |
Non-Patent Citations (2)
Title |
---|
ANDREW Q. NINH: "DocBot: A Novel Clinical Decision Support Algorithm", 《2014 36TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
王加宽 等: "颈腰疾病专家诊断系统的研制", 《徐州医学院学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110504026A (zh) * | 2018-05-18 | 2019-11-26 | 宏达国际电子股份有限公司 | 控制方法以及医学系统 |
CN110504026B (zh) * | 2018-05-18 | 2022-07-26 | 宏达国际电子股份有限公司 | 控制方法以及医学系统 |
US11600387B2 (en) | 2018-05-18 | 2023-03-07 | Htc Corporation | Control method and reinforcement learning for medical system |
CN111128371A (zh) * | 2019-11-26 | 2020-05-08 | 泰康保险集团股份有限公司 | 治疗物品提供方法、装置、电子设备、存储介质 |
CN111081387A (zh) * | 2019-12-18 | 2020-04-28 | 珠海九松科技有限公司 | 一种基于大数据和人工智能的中医理疗管理系统 |
CN111210895A (zh) * | 2019-12-28 | 2020-05-29 | 杭州好育信息科技有限公司 | 开放服务接口的心理咨询方法及系统 |
CN111210895B (zh) * | 2019-12-28 | 2023-03-31 | 杭州好育信息科技有限公司 | 开放服务接口的心理咨询方法及系统 |
CN111933239A (zh) * | 2020-09-17 | 2020-11-13 | 泰康保险集团股份有限公司 | 数据处理的方法及装置、系统、存储介质 |
CN112700861A (zh) * | 2020-12-25 | 2021-04-23 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互系统 |
CN112700861B (zh) * | 2020-12-25 | 2022-02-01 | 北京左医科技有限公司 | 伴随症状交互方法及伴随症状交互系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107451388B (zh) | 2021-10-26 |
US20170344711A1 (en) | 2017-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451388A (zh) | 用于使医疗诊断自动化的方法、装置和系统 | |
US20180314736A1 (en) | Third party search applications for a search system | |
Chakraborty et al. | Text mining and analysis: practical methods, examples, and case studies using SAS | |
Yi et al. | Beyond clicks: dwell time for personalization | |
US11394799B2 (en) | Methods, systems, apparatuses, and devices for facilitating for generation of an interactive story based on non-interactive data | |
CN111753198A (zh) | 信息推荐方法和装置、以及电子设备和可读存储介质 | |
CN107145496A (zh) | 基于关键词将图像与内容项目匹配的方法 | |
CN107704480A (zh) | 扩展和强化知识图的方法和系统以及计算机介质 | |
CN107463591A (zh) | 响应于搜索查询对待与内容匹配的图像动态排序的方法和系统 | |
Al-Khassaweneh et al. | A signal processing approach for the diagnosis of asthma from cough sounds | |
US20130212109A1 (en) | Methods and apparatus for classifying content | |
US20130036121A1 (en) | System and method for recommending blog | |
CN106104522B (zh) | 用于加强任意用户内容的方法、系统和计算机存储设备 | |
CN107766399A (zh) | 用于使图像与内容项目匹配的方法和系统及机器可读介质 | |
US10176260B2 (en) | Measuring semantic incongruity within text data | |
CN107423535A (zh) | 用于确定用户的医疗状况的方法、装置和系统 | |
CN105022775A (zh) | 用于构建网页访问历史的设备和方法 | |
CN107491465A (zh) | 用于搜索内容的方法和装置以及数据处理系统 | |
CN107145497A (zh) | 基于图像和内容的元数据选择与内容匹配的图像的方法 | |
US20160373436A1 (en) | Secured application access system and method with frequently changing passwords | |
CN107463592A (zh) | 用于将内容项目与图像匹配的方法、设备和数据处理系统 | |
CN107273393A (zh) | 用于移动设备的图像搜索方法、装置及数据处理系统 | |
Stuart | Practical data science for information professionals | |
CN107766398A (zh) | 用于使图像与内容项目匹配的方法、装置和数据处理系统 | |
CN108280081A (zh) | 生成网页的方法和装置 |
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 | ||
GR01 | Patent grant |