CN107729710B - 医学系统及非暂态计算机可读取媒体 - Google Patents

Abstract

一种医学系统、医学方法及非暂态计算机可读取媒体。医学系统包括互动界面及分析引擎。互动界面经配置为用于接收初始症状。分析引擎与互动界面通讯。分析引擎包括预测模块。预测模块经配置为用于根据预测模型及初始症状产生将在互动界面上显示的症状询问。互动界面经配置为用于接收对应于症状询问的回应。预测模块经配置以根据预测模型、初始症状及回应产生结果预测。本案提出的医学系统可提供使用者关于医学应用的直观操作界面及互动服务。

Description

医学系统及非暂态计算机可读取媒体

技术领域

本揭示是关于医学系统，更进一步而言，本揭示是关于用以基于症状输入产生医学预测的计算机辅助医学系统。

背景技术

近年来已经出现了计算机辅助医学系统的概念以便于患者自我诊断。计算机辅助医学系统可请求患者提供一些信息，并随后基于与患者的互动来尝试诊断潜在疾病。在一些情形下，患者不知道如何描述其健康状况，或是计算机辅助医学系统难以正确判读患者提供的描述，使得计算机辅助医学系统在运作上存在一定困难。

发明内容

本揭示提供一种医学系统。医学系统包括互动界面及分析引擎。互动界面经配置为用于接收初始症状。分析引擎与互动界面通讯。分析引擎包括预测模块。预测模块经配置为用于根据预测模型及初始症状产生多个症状询问，症状询问显示在互动界面上。互动界面经配置为用于接收对应于症状询问的回应。最后，预测模块亦经配置以根据预测模型、初始症状及回应产生结果预测。

在一实施例中，预测模块经配置以根据预测模型及初始症状产生第一症状询问。第一症状询问在互动界面上显示。互动界面经配置以接收对应于第一症状询问的第一回应。预测模块经进一步配置以根据预测模型、初始症状及第一回应产生第二症状询问。第二症状询问在互动界面上显示。互动界面经配置以接收对应于第二症状询问的第二回应。预测模块经配置以根据预测模型、初始症状、第一回应及第二回应产生结果预测。

在一实施例中，医学系统进一步包括经配置为用于根据训练数据产生预测模型的学习模块。训练数据包括已知医学记录。学习模块采用已知医学记录以训练预测模型。

在一实施例中，训练数据进一步包括由互动界面收集的使用者反馈输入、从外部服务器接收的医师诊断记录或由预测模块产生的预测日志文件。学习模块根据使用者反馈输入、医师诊断记录或预测日志文件进一步更新预测模型。

在一实施例中，结果预测包含疾病预测及匹配此疾病预测的医学科别建议的至少一个，其中疾病预测包含疾病名称或依机率排列的疾病名称列表。

在一实施例中，在在互动界面上显示疾病预测或医学科别建议之后。互动界面经配置以接收回应于疾病预测或医学科别建议的使用者命令。医学系统经配置以将对应于使用者命令的挂号请求发送至外部服务器。

在一实施例中，预测模型包括由学习模块根据贝氏(Bayesian)推论演算法产生的第一预测模型。第一预测模型包括机率关系表。机率关系表记录在不同疾病与不同症状之间的相对机率。

在一实施例中，预测模型包括由学习模块根据决策树演算法产生的第二预测模型。第二预测模型包括根据训练数据提前构建的多个决策树。

在一实施例中，预测模型包括由学习模块根据强化学习演算法产生的第三预测模型。根据训练数据训练第三预测模型以最大化奖励讯号。根据由第三预测模型做出的训练预测的正确性，奖励讯号是正的或负的。根据训练数据中的已知医学记录验证训练预测的正确性。

本揭示进一步提供一种用于提供疾病预测的方法，其包括以下步骤。接收初始症状。根据预测模型及初始症状产生症状询问。接收对应于症状询问的回应。根据预测模型、初始症状及回应产生疾病预测。

在一实施例中，产生所述多个症状询问并接收所述多个回应的步骤包含：根据该预测模型及该初始症状产生一第一症状询问；接收对应于该第一症状询问的一第一回应；根据该预测模型、该初始症状及该第一回应产生一第二症状询问；以及，接收对应于该第二症状询问的一第二回应。

在一实施例中，产生该结果预测的步骤包含：至少根据该预测模型、该初始症状、该第一回应及该第二回应产生该结果预测。

在一实施例中，医学方法进一步包含：根据该训练数据产生该预测模型，其中该训练数据包含一已知医学记录，该预测模型是利用该已知医学记录来训练。

在一实施例中，该训练数据进一步包含一使用者反馈输入、一医师诊断记录或一预测日志文件，该预测模型根据该使用者反馈输入、该医师诊断记录或该预测日志文件进一步更新。

在一实施例中，该结果预测至少包含一疾病预测及匹配该疾病预测的一医学科别建议的其中之一，该疾病预测包含一疾病名称或依机率排列的一疾病名称列表，该医学方法进一步包含：显示该结果预测。

在一实施例中，其中在该互动界面上显示该结果预测后，该医学方法进一步包含：接收回应于该结果预测的一使用者命令；以及，将对应于该使用者命令的一挂号请求发送至一外部服务器。

在一实施例中，其中该预测模型包含根据一贝氏推论演算法产生的一第一预测模型，该第一预测模型包含一机率关系表，该机率关系表记录在不同疾病与不同症状之间的相对机率。

在一实施例中，该预测模型包含根据一决策树演算法产生的一第二预测模型，该第二预测模型包含根据该训练数据提前构建的多个决策树。

在一实施例中，该预测模型包含根据一强化学习演算法产生的一第三预测模型，该第三预测模型根据该训练数据训练以最大化一奖励讯号，该奖励讯号根据由该第三预测模型做出的一训练预测的一正确性增加或减少，该训练预测的该正确性根据在该训练数据中的一已知医学记录验证。

本揭示进一步提供一种非暂态计算机可读取媒体，其具有计算机程序以执行下列方法。此方法包括以下步骤。接收初始症状。根据预测模型及初始症状产生症状询问。接收对应于症状询问的回应。根据预测模型、初始症状及回应产生疾病预测。

基于先前提及的实施例，本揭示文件提供一种引导使用者发送预约挂号请求、查询药品并决定咨询的科别(以及其他服务)的方式。医学系统可引导使用者依序逐步完成整个挂号或查询的流程。于本案中，使用者每个时间点仅需要回答一个简单的问题，或是逐步回答一些相关问题，不需要一次性填写复杂的表格或回答大量的问题。因此，本案提出的医学系统可提供关于医学应用的直观服务。

附图说明

为让本揭示内容的上述和其他目的、特征、优点与实施例能更明显易懂，所附附图的说明如下：

图1绘示根据本揭示的一实施例中一种医学系统的示意图；

图2绘示于示意性实施例中的医学系统的示意图；

图3绘示一种分析引擎其具有基于贝氏推论演算法建立第一预测模型的学习模块的示意图；

图4绘示另一种分析引擎其具有基于决策树演算法建立第二预测模型的学习模块的示意图；

图5绘示一实施例中的多个决策树的示意图；

图6绘示图5中的多个决策树其中一个决策树的示意图；

图7绘示另一种分析引擎其具有基于强化学习演算法建立第三预测模型的学习模块的示意图；

图8绘示一种用于提供疾病预测的方法的流程图；

图9绘示于示意性实施例中的一种用于提供疾病预测的方法的流程图；

图10A至图10E绘示显示于图2中互动界面上用以引导使用者输入初始症状及回应的界面内容的实施例；

图11A及图11B绘示当使用者之前已采用医学系统时在互动界面上所显示的界面内容的实施例；

图12A及图12B绘示当使用者欲预订的门诊时段已额满时在互动界面上所显示的界面内容的实施例；

图13绘示接收到不同类型的使用者输入的各种情况下医学系统如何决定初始症状的流程图；

图14绘示在一实施例中在互动界面上所展示的身体图的示意图。

具体实施方式

参考图1，其是根据本揭示的一实施例说明医学系统100的示意图。医学系统100包括分析引擎120及互动界面140。分析引擎120与互动界面140通讯连接。

在一些实施例中，医学系统100由计算机、服务器或处理中心建立。分析引擎120可由处理器、中央处理单元或计算单元实现。互动界面140可包括输出界面(例如，用于显示信息的显示面板)及用于让使用者键入文字指令、给予声音指令或上载一些相关数据(例如，影像、医学记录、或个人检查报告)的输入装置(例如，接触面板、键盘、麦克风、扫描器或快闪记忆体读取器)。

在一些其他实施例中，医学系统100的至少一部分是使用分散式系统建立。例如，分析引擎120是通过云端计算系统建立。在此情形中，互动界面140可以是智能手机，其透过无线方式通讯连接至分析引擎120。互动界面140的输出界面可以是智能手机上的显示面板。互动界面140的输入装置可以是智能手机上的触控面板、键盘及/或麦克风。

如图1所示，分析引擎120包括学习模块122及预测模块124。学习模块122经配置用于根据训练数据产生预测模型MDL。

进一步参考图2，其系说明在一示意性实施例中的医学系统100的示意图。在一实施例中，训练数据包括已知医学记录TDi。学习模块采用已知医学记录TDi来训练预测模型MDL。学习模块122能够根据不同演算法建立预测模型MDL。基于由学习模块122采用的演算法，预测模型MDL的产生结果可能有所不同。有关学习模块122采用的演算法及产生的预测模型MDL将在本揭示中后续段落加以详细解释。

在一些实施例中，训练数据包括根据已知医学记录TDi的统计的机率关系表，如下表1中显示机率关系表的一个实际例子。

表1

表1中的数值表示患有上方疾病名称的患者当中出现具有最左侧症状的百分比。根据表1中显示的机率关系表，100名肺炎患者中有23例具有鼻炎症状，并且100名肺炎患者中有43例具有呼吸困难症状。在此实施例中，训练数据包括不同症状与不同疾病之间的机率关系。在一实例中，如表1所示的机率关系表的训练数据可从来自疾病控制和预防中心的数据及统计信息(其网址为https://www.cdc.gov/datastatistics/index.html)获得。

如图2所示，互动界面140可由使用者U1操控。使用者U1可看到在互动界面140上显示的信息并且在互动界面120上键入他/她的输入指令。在一实施例中，互动界面140将显示通知以询问使用者U1关于他/她的症状。由使用者U1输入的第一个症状将被认定为初始症状Sini。互动界面140根据使用者的操作而接收初始症状Sini。互动界面140将初始症状Sini传输到预测模块124。

如图2所示，预测模块124用以根据预测模型MDL及初始症状Sini产生一系列的多个症状询问Sqry。多个症状询问Sqry将依序显示在互动界面140上，并且使用者U1可经由互动界面140逐一回答症状询问Sqry。互动界面140用以接收对应于多个症状询问Sqry的多个回应Sans。预测模块124经配置以根据预测模型MDL、初始症状Sini及上述多个回应Sans产生结果预测，此结果预测可以是至少一个疾病预测PDT(例如，疾病名称或依机率排列的疾病名称列表)或/及至少一个匹配此可能的疾病预测PDT的医学科别建议(参考如下表2)。基于预测模型MDL，预测模块124会根据初始症状Sini及先前每一个回应Sans(在当前问题之前)决定接下来询问时的最佳问题(亦即，症状询问Sqry)。根据预测模型MDL选择最佳问题有助于增加效率(例如，较短的运算时间内产生结果预测，或是在更少的症状询问下产生结果预测)及提高结果预测的正确性(例如，结果预测可更加准确对应到使用者的病况)。

表2

在一实施例中，学习模块122及预测模块124可由处理器、中央处理单元、或计算单元实现。

如图2所示，患者可经由互动界面140将症状输入提供至预测模块124。基于来自患者的症状输入，关于预测模型MDL的预测模块124能够产生疾病结果预测。

在一些实施例中，患者可提供初始症状Sini(例如，发烧、头痛、惊悸或难以入睡)。预测模块124将根据初始症状Sini产生第一症状询问(例如，包括一种症状的问题或不同症状的多个问题)。第一症状询问是图2所示的一系列的多个症状询问Sqry当中的第一个症状询问。在一些实施例中，初始症状Sini可能包含来自患者所提供的对一个症状的描述(程度、持续时间、感受、频率、等等)、及/或多个症状的描述。

在一些实施例中，症状询问Sqry可是询问患者是否经历另一症状而非初始症状Sini的至少一个问题(例如，“你咳嗽吗？”)。患者经由互动界面140回应于第一症状询问。互动界面140经配置以从使用者U1接收对应于第一症状询问的第一回应。互动界面140将第一回应发送至预测模块124。第一回应是图2所示的一系列多个回应Sans当中的第一个回应。

在患者回应于第一症状询问之后，预测模块124将根据初始症状Sini以及第一回应产生第二症状询问(亦即，一系列多个症状询问Sqry当中的第二个症状询问)。

相似地，互动界面140经配置以从使用者U1接收对应于第二症状询问的第二回应。互动界面140将第二回应(亦即，一系列多个回应Sans中的第二个回应)发送至预测模块124。在患者回应于第二症状询问之后，预测模块124可以根据全部先前症状(初始症状Sini及先前的所有回应Sans，如第一回应及第二回应)产生第三症状询问。

预测模块124根据初始症状Sini及先前的所有回应Sans而决定各个症状询问。

在依序给出多个症状询问并从患者逐一接收到多个回应之后，预测模块124将根据此等症状(初始症状Sini及先前的所有回应Sans)产生结果预测。应注意到，在实施例中医学系统100是主动地向使用者提出各种症状询问，而非被动地等待来自使用者的症状输入。由此，医学系统100可提供使用者用于自我诊断的直观界面。

在一些实施例中，当已经询问预定数量的症状询问(例如，共完成6个症状询问)时、当达到预定时间限制(例如，15分钟)及/或由预测模块预测的信赖水平超过阈值水平(例如，85％)时，便可做出结果预测。

除了上述的初始症状输入外，还可以将与患者有关的其他信息，诸如人口统计信息输入(例如，性别、患者年龄)、医学记录输入(例如，血压、SPO2、ECG、血小板、等等)、心理信息输入(例如，情感、精神状态、等等)及/或基因输入(例如，DNA、RNA、等等)提供至预测模块124。

当预测模块124选择症状询问或进行预测时可考虑此等个人信息。例如，当患者性别是男性时，结果预测可以排除“子宫颈癌”或/及“妇产科”，并且过程中的症状询问可以排除“月经延迟”。在一些其他实施例中，当患者成人时，结果预测可以排除“新生儿黄疸”或/及“小儿科”，并且过程中的症状询问可以排除“婴儿喂食问题”。

先前提及的实施例是关于根据个人信息模块应避免预测的疾病或/及科别。然而，预测模块124及分析引擎120不限于此。在一些其他实施例中，也可以考虑个人信息以调节不同症状的权重或机率。个人信息可提供提示或建议，以增/减在症状询问中包含特定类型症状的权重或机率，或是增/减在结果预测中指向特定疾病及/或科别的机率。在此等实施例中，预测模块124及分析引擎120在评估或选择症状询问的过程中，会根据初始症状、先前回应及/或与患者有关的个人信息整体考量，而进行结果预测(例如，初始症状占30％权重，先前回应占40％权重，而个人信息占30％权重，也可以采用相似的其他权重分布的来判断疾病预测PDT)。

预测模块124有助于患者及/或医师评估患者的健康状况，并可将结果预测提供给患者及/或医学专家。在一实施例中，结果预测在互动界面140上显示，使用者U1可以在互动界面140上看到疾病预测或/及医学科别建议并且决定前往医院进一步检查及治疗。在另一实施例中，亦可将结果预测传输至外部服务器200，外部服务器200可以是医院的服务器。医学系统100可产生挂号请求至外部服务器200，进而替使用者U1向医院之间提出挂号请求。此外，可将结果预测、初始症状Sini及回应Sans传输至外部服务器200，使得医院中的医师可更快速地评估使用者U1的健康状况。

在另一实施例中，由学习模块122采用的训练数据进一步包括由互动界面140收集的使用者反馈输入Ufb。例如，在由医学系统100给出结果预测之后，使用者可做出对医院的医学预约并且使用者可从医学专业人士(例如，医师)得到诊断及/或治疗。随后，互动界面140将发送追踪查询以检查结果预测的正确性(例如，可在结果预测三天或一周后将后续追踪询问发送至使用者)。后续追踪询问可包括关于“你现在感觉如何”、“在最后一次预测之后你是否去了医院”、“医师是否同意我们的预测”的问题及一些其他相关问题。互动界面140将从使用者收集答案，作为使用者反馈输入Ufb。将使用者反馈输入Ufb发送至学习模块122以改进预测模型MDL。例如，当使用者反馈输入Ufb的回答内容中表示先前的结果预测是不正确的，或是使用者感觉情况未改善时，学习模块122将更新预测模型MDL以减少关于对应结果预测的症状询问或降低此疾病结果的机率(或权重)。

在另一实施例中，由学习模块122采用的训练数据进一步包括从外部服务器200接收的医师诊断记录DC。例如，在由医学系统100给出结果预测之后，使用者可以向医院提出挂号请求并且由医学专业人士(例如，医师)做出正式诊断。正式诊断可以是医师诊断记录DC，其可储存在外部服务器200(例如，医院服务器，及包括医学诊断数据库的医院服务器)中。随后，医学系统100将从外部服务器200收集医师诊断记录DC。将医师诊断记录DC发送至学习模块122以改进预测模型MDL。

在另一实施例中，由学习模块122采用的训练数据进一步包括由预测模块124产生的预测日志文件PDlog。例如，当预测模块124提供某一特定症状询问至使用者时，若使用者对此一特定症状询问均输入相同的答案(例如，当回答“你感到疲惫吗”，使用者总是说是)，此一症状询问便可以认定为没有效率的。预测日志文件PDlog包括症状询问及使用者回答历史。学习模块122可根据预测日志文件PDlog改进预测模型MDL。

学习模块122根据使用者反馈输入Ufb、医师诊断记录DC或预测日志文件PDlog进一步更新预测模型MDL。

预测模块124亦可产生结果预测，此结果预测进一步包括给医学专业人士(如医师、治疗师及/或药剂师)的治疗建议，诸如治疗方法建议、药物处方推荐及/或治疗设备建议。由此，医学专业人士能够根据治疗建议连同其自身判断对患者进行一或更多项治疗。先前提及的一或更多项治疗包括处方药品(例如，抗生素、药物)、处方医学装置(例如，X光检查、核磁共振成像检查)、手术等。

在互动界面140上显示疾病预测PDT或医学科别建议之后，互动界面140用以接收回应于疾病预测PDT或医学科别建议的使用者命令。医学系统100用以将对应于使用者命令的挂号请求RQ发送至外部服务器200。

学习模块122能够从预测模块124收集活动日志(例如，一或更多个初始症状、患者相关信息、症状查询及对查询的回应的历史)，从医学科别(例如，医院、诊所、或公共医学记录)收集诊断结果及/或治疗结果。学习模块122将聚集/处理收集信息并储存经处理的结果，以更新参数/变化，进而改进由预测模块124采用的预测模型MDL。在一些实施例中，收集的诊断结果及/或治疗结果用以更新预测模型MDL。

在一个实施例中，图1及图2的预测模块124经配置以询问适当查询问题(其可提供更多信息并做出预测)。存在通过学习模块122产生预测模型MDL的不同实施例。例如，如何选择适当的症状询问(如何决定症状询问Sqry)及预测模块124的疾病预测PDT可由贝氏推论(Bayesian inference)、决策树(decision tree)、强化学习(reinforcementlearning)、关联规则挖掘(association rule mining)、或随机森林(random forest)建立的预测模型MDL实现。

参考图3。图3是说明分析引擎120的示意图，此分析引擎120包括基于贝氏推论演算法建立第一预测模型MDL1的学习模块122。第一预测模型MDL1包括如表1中所示的机率关系表，第一预测模型MDL1并可包括由上述机率关系表透过不纯方程序(impurityfunction)演算产生的多个评分查找表。

在贝氏推论演算法中，是利用不同疾病与不同症状之间的机率关系表(如表1所示)而决定下一症状询问要如何选择。

当基于贝氏推论演算法的预测模块124选择下一症状询问时，预测模块124将考虑初始症状Sini及先前回应Sans及如表1所示的机率关系表。

当给出初始症状时，针对各个可能症状的评分可根据不纯度函数由机率关系表(亦即，表1)计算推导得到。表3提出了一个评分查找表的实际例子，其中假设初始症状为“咳嗽”并展示了其中七种症状的一个评分查找表。

症状	评分
		发烧	0.0230163490254
呼吸短促	0.129712728793
		虚弱	0.153031402345
呕吐	0.0602847857822
		鼻炎	0.027423922577
呼吸困难	0.108225397961
		咽喉疼痛	0.0308914664897

表3

在表3中，此等症状的评分可根据机率关系表(亦即，表1)由不纯方程序导出(例如，Gini不纯方程序或其他等效不纯方程序)。不纯方程序是从机率分布P＝{pi|1<＝i<＝N，sum(pi)＝1，pi>＝0}至满足以下限制(a)、(b)、(c)及(d)的非负值实数的映射：

(a)若存在i、pi＝1，则方程序在P上达到最小值；

(b)若针对全部i、pi＝1/N，则方程序在P上达到最大值；

(c)方程序相对于分量pi对称；以及

(d)方程序是光滑的，亦即，任何地方均为可微分的。

以上限制暗示若机率更密集或更高，则方程序的函数值将更小。为了得到某些预测，预测模块趋于挑选在回答症状询问之后，可以使不纯度方程序的函数值为最小值的症状询问。

为了达成此目的，吾人针对症状询问的各个可能选择计算评分。针对各个候选的症状询问，评分由以下决定：

评分＝“在此症状询问之前的不纯度函数值”-“在此症状询问之后的期望的不纯度函数值”。

评分可被解释为在各个症状询问之后不纯度函数值的“增益”。由此，预测引擎趋于挑选具有最大评分的一者(若评分是正的)。

根据表3给出的评分，当初始症状是“咳嗽”时，基于贝氏推论演算法的预测模块124将选择“虚弱”作为下一次提问时的症状。在选择“虚弱”作为下一次提问的情况下，若患者对“虚弱”的回答是“是”，透过贝氏推论演算法可以分辨使用者较大机会是罹患肺炎，而非中耳炎和慢性阻塞性肺病。

当初始症状(及/或先前回应)为不同情况的时，针对各个候选症状的评分也将相应地有所不同。例如，当使用者提供的初始症状为“虚弱”时，评分查找表便会随之改变。表4展示了，在初始症状为“虚弱”时针对各个候选症状的评分。

症状	评分
		发烧	0.00719259382666
呼吸短促	0.15781292704
		呕吐	0.0941773884822
鼻炎	0.263048073813
		呼吸困难	0.309321471156
咳嗽	0.170104322494
		咽喉疼痛	0.26074568436

表4

根据上文表4的评分，当初始症状是“虚弱”时，基于贝氏推论演算法的预测模块124将挑选“呼吸困难”作为下一次提问时的症状。在选择“呼吸困难”作为下一次提问的情况下，若患者对“呼吸困难”的回答是“是”，透过贝氏推论演算法可以分辨使用者较大机会是罹患肺炎，而非贫血和白血球疾病。

贝氏推论演算法存在许多可选用的选择条件。例如，基于不纯度的选择准则，如信息增益(information gain)、Gini增益，或者基于标准化的选择准则，如增益比例或距离量测，或者基于二进制计量选择准则，如牵引、正交、柯尔莫哥罗夫-斯米诺夫(Kolmogorov-Smirnov)，或者基于连续属性选择准则，如变异缩减(variance reduction)，或者其他选择准则，如排列统计(permutation statistic)、平均后侧改良(mean posteriorimprovement)、超比分配(hypergeometric distribution)，上述各种方式均为用以基于贝氏推论演算法可以采用的选择条件的可能方式。

参考图4，绘示另一种分析引擎120其具有基于决策树演算法建立第二预测模型MDL2的学习模块122的示意图。在此演算法中，是预先根据训练数据构建多个决策树。在实施例中，由决策树演算法采用的训练数据可包括根据如表1所示的已知医学记录TDi的统计的机率关系表。已知医学记录TDi可从来自疾病控制和预防中心的数据及统计信息获得。在一些实施例中，由决策树演算法采用的训练数据可进一步包括使用者反馈输入Ufb、医师诊断记录DC或预测日志文件PDlog以更新预测模型MDL，其在先前提及的实施例中已详细说明。

当接收初始症状时，预测模块124从构建的多个决策树选择一个决策树。进一步参考图5，图5绘示一实施例中的多个决策树TR1-TRk的示意图。

如图5所示，多个决策树TR1-TRk是二进制树(及/或部分树)。在决策树TR1-TRk中各个非叶节点为症状询问。当患者针对症状询问时回应(是或否)时，预测模块将前往根据回答在下一层级中的对应节点(下一症状询问)。在依序回答症状询问之后，决策树TR1-TRk将前往对应的结果预测(如结果预测PredA、PredB、PredC、PredD……)。预测模块124是根据使用者U1提供的初始症状Sini由多个决策树TR1-TRk当中选择相对应的决策树。随着使用者U1提供的初始症状Sini不同，预测模块124将相对应地采用不同决策树TR1-TRk，被采用的决策树将决定后续的症状询问Sqry及结果预测，其结果预测可包括疾病预测PDT(例如，疾病名称或依机率排列的疾病名称列表)、相应于疾病预测PDT的医学科别建议及/或治疗推荐。

表5显示不同初始症状的实施例并且不同症状询问回答将导致不同决策树中的不同预测。

表5

图5图示决策树TR1-TRk的实施例。然而，决策树TR1-TRk各者在分支各者中可能不包括相等数量的症状询问。当信息足够给出可靠预测时，症状询问过程即可中止。亦参考图6绘示图5中的多个决策树TR1-TRk其中一个决策树TRn的示意图。

如图6所示，决策TRn将基于来自使用者U1的先前回答前往不同症状询问，并且各个分支深度亦可不相等。

参考图7，图7绘示另一种分析引擎120其具有基于强化学习演算法建立第三预测模型MDL3的学习模块122的示意图。学习模块122根据训练数据而训练第三预测模型MDL3以最大化奖励讯号。学习模块122根据由第三预测模型MDL3做出的训练预测的正确性增加或减少奖励讯号。学习模块122根据训练数据中已知医学记录对训练预测的正确性进行验证。第三预测模型MDL3的上述验证结果回馈输入至学习模块122。基于训练预测的验证结果是否正确，学习模块122将反复训练并调整第三预测模型MDL3。

强化学习演算法采用记载了多个已知疾病诊断及多个已知症状的训练数据组以训练第三预测模型MDL3。在实施例中，由强化学习演算法采用的训练数据可包括根据如表1所示的已知医学记录TDi的统计的机率关系表。已知医学记录TDi可从来自疾病控制和预防中心的数据及统计信息获得。在一些实施例中，由强化学习演算法采用的训练数据可进一步包括使用者反馈输入Ufb、医师诊断记录DC或预测日志文件PDlog以更新预测模型MDL，并且其在先前提及的实施例中已详细说明。通过进行输入初始症状及患者对症状询问的回应的模拟来训练强化学习模型，并且强化学习模块将据以做出结果预测。学习模块122使用已知疾病诊断来验证疾病的结果预测。若验证发现结果预测为正确的，则强化学习演算法增加在模拟中提出的症状询问的潜在奖励。若验证结果为不正确，则将模拟过程中提出各个症状询问的潜在奖励减少(或维持相同的潜在奖励)。

当利用强化学习演算法训练的第三预测模型MDL3选择下一症状询问时，第三预测模型MDL3趋于选择具有最高潜在奖励的最佳症状询问，以缩短症状询问持续时间并提升预测精确性。在以下段落中揭示利用强化学习演算法训练的第三预测模型MDL3的进一步细节。

利用强化学习演算法训练的第三预测模型MDL3将诊断过程视为一连串的循序决策问题，此循序决策问题是有关一个代理程序与患者之间互动。每个循序决策问题是对应多个可能疾病及多个可能症状之间的选择。于各个时间点，代理程序询问患者(例如，使用者U1)有关某些症状。患者随后回答代理程序，有关患者是否患有症状的“是”或“否”的答案。同时，代理程序随着时间点推移结合先前的使用者回应以修改后续症状询问问题。在诊断过程结束时，若代理程序可正确地预测疾病，则代理程序接收一定程度的奖励讯号，并且代理程序的目的为最大化奖励讯号的数值。换言之，代理程序的目的是在诊断过程结束时能正确地预测患者疾病。

基于预测的正确性，代理接收奖励讯号(亦即，若预测是正确的，则奖励讯号＝1；否则奖励讯号＝0)。训练的目的是最大化奖励讯号。在另一方面，强化学习模型使用π(s_t|h_l：t-1，θ)以指示策略函数，其中参数θ表示参数组，s_t是可能症状之一，“t”是时间步骤，并且h_l：t-1是从时间1至t-1的互动历史的序列。参数θ的学习目标是最大化当代理程序与患者互动中所得到的预期奖励。

利用强化学习演算法训练的第三预测模型MDL3可以描述为以端对端方式有效地结合医学概念与策略的表达式学习。因顺序决策问题的性质，利用强化学习演算法训练的第三预测模型MDL3采用循环神经网络(RNN)作为代理程序的核心部分。于各个时间点，循环神经网络接受患者的回应至网络中、随着时间在长短期记忆体(LSTM)单元中结合信息、并且选择症状以在下一时间点中询问患者。最后，循环神经网络预测患者疾病，进而指示诊断过程已完成。

进一步参考图8，其是说明用于提供结果预测的方法800的流程图。用以提供结果预测的方法800，可以应用在如图1及图2所示的实施例中的医学系统100上。用于提供结果预测的方法800包括以下步骤。如图2及图8所示，学习模块122进行步骤S810以根据训练数据产生预测模型MDL。互动界面140进行步骤S820以接收初始症状Sini。预测模块124进行步骤S830以根据预测模型MDL及初始症状Sini产生一系列的多个症状询问Sqry。互动界面140进行步骤S840以接收对应于症状询问Sqry的一系列的多个回应Sans。预测模块124进行步骤S850以产生结果预测，结果预测是根据预测模型MDL、初始症状Sini及回应Sans而产生。须特别说明的是，步骤S830及步骤S840可以循环且交替执行。在步骤S830中的一系列的多个症状询问Sqry并非一次性产生，是随时间逐一依序产生。

进一步参考图9，其是在论证实例中说明用于提供结果预测的方法800的流程图。如图2及图9所示，学习模块122进行步骤S810以根据训练数据产生预测模型MDL。互动界面140进行步骤S820以接收初始症状Sini。预测模块124进行步骤S831以根据预测模型MDL及初始症状Sini产生第一症状询问。互动界面140进行步骤S841以接收对应于第一症状询问的第一回应。预测模块124进行步骤S832以根据预测模型MDL、初始症状Sini及第一回应产生第二症状询问。互动界面140进行步骤S842以接收对应于第二症状询问的第二回应。预测模块124进行步骤S850以产生结果预测，其是至少根据预测模型MDL、初始症状Sini、第一回应及第二回应产生。

须特别说明的是，图8中的步骤S830及步骤S840在图9的实施例中是由步骤S831、S841、S832及S842实现，步骤S831、S841、S832及S842是依顺序并循环执行，图8的步骤S830中产生一系列的多个症状询问Sqry并非一次性产生。如图9所示的实施例，在步骤S831中产生一系列的多个症状询问Sqry的当中的第一个症状询问。随后，在步骤S841中接收一系列的多个回应Sans当中第一个回应。随后，在步骤S832中产生一系列的多个症状询问Sqry的第二个症状询问。随后，在步骤S842中接收一系列的多个回应Sans当中的第二个回应，依此类推。

在一实施例中，相继并交替地执行图8的步骤S830及步骤S840直至方法800收集足够信息以用于提供结果预测。

应注意，可参考上文所述的实施例确定上文所述的方法操作的细节，本文将不重复在此方面的描述。

如上文提及，计算机辅助的诊断引擎请求使用者输入初始症状，并且计算机辅助的诊断引擎将根据初始症状(及使用者对先前询问的回答)产生适当症状询问问题。如何鼓励使用者对初始症状Sini提供清楚的描述是非常重要的。

进一步参考图10A至图10E，其说明图2的互动界面140可引导使用者U1输入初始症状Sini并通过点击对应于症状询问(例如，系统讯息TB4-TB7)的“是”或“否”按键做出的多个回应Sans。在另一实施例中，症状询问可以显示“请输入你的症状”的讯息，并且回应可以是由使用者U1输入的文字指令、声音指令或任何等效输入方式中所提到的疾病名称。

如图10A所示，医学系统通过显示系统讯息TB1至TB3来询问使用者以键入他/她的主要症状。在此情形中，使用者可如输入讯息TU1所示通过回答“头痛”来清楚地描述他/她的症状。由此，医学系统重复使用者的回答。随后，医学系统可产生一系列症状询问问题(作为系统讯息)以在图10B及图10C所示的使用者上预测疾病。如图10B及图10C所示，系统讯息可简单地询问是/否问题(作为图10B所示的系统讯息TB4至TB5及图10C所示的系统讯息TB6至TB7)以确定使用者是否具有关于初始症状的其他症状。使用者可通过按压是/否按键、键入文本输入或经由声音命令回答回复系统讯息(作为输入讯息TU2-TU5)以提供更多信息。

在一实施例中，由医学系统产生的症状询问问题可考虑使用者/患者的个人信息。个人信息可包括患者的性别、年龄、医学记录(例如，血压、SPO2、ECG、血小板、等等)、心理信息(例如，情感、精神状态、等等)及/或基因(例如，DNA、RNA、等等)。个人信息可由医学系统收集。例如，当个人信息指示人类是男性时，医学系统将不提出关于“你是否怀孕并经历一些怀孕不适”的症状询问问题。换言之，当个人信息指示患者性别是女性时，症状询问将避免“延迟射精”。在一些其他实施例中，当患者是成人时，症状询问将避免“婴儿喂食问题”。当患者是婴儿时，症状询问将避免“更年期提早”。相似地，由医学系统产生的预测亦可考虑使用者/患者的个人信息。

如图10D所示，医学系统在系统讯息TB8中产生与使用者疾病相关的预测，且医学系统显示系统讯息TB9以建议处理疾病的适当科别。在此实施例中，预测可能为使用者具有癫痫症。医学系统将建议咨询神经科别。若使用者接收预约神经科别，则医学系统显示系统讯息TB10以建议在神经科别的全部医师中擅长处理癫痫症的医师列表。然而，使用者仍可经由全部医师列表选择他/她期望指定的任何医师。当使用者同意进行预约挂号时，医学系统100送出预约挂号的请求。图10D及图10E的分析结果是关于一个科别。然而，在另一实施例中，分析结果可导向两个或更多个科别。在此情形中，使用者可首先从建议科别中选择，并且随后在其后对应科别中选择候选医师。例如，疾病是高度相关于神经科别，并且亦同时有关于耳鼻喉科别。图10D的系统讯息TB9可包括滑杆，其中于第一顺序中显示神经科别并且于第二顺序中显示耳鼻喉科别。

进一步参考图11A及图11B，其绘示当使用者之前已采用医学系统时在互动界面140上所显示的界面内容的实施例。如图11A所示，若使用者先前已经采用医学系统以预约科别并且希望再次进行另一次挂号预约时，互动系统可提供包括标准挂号及快速挂号的选项。根据使用者历史建立在快速挂号中的选项(等)的列表。若使用者期望预约不同科别或不同医师(如图11A所示)，则使用者可选择标准挂号并进入对应过程。若使用者希望预约已由使用者拜访的医师，则使用者可滑动列表至右侧并选择快速挂号，互动系统将基于先前预约的历史纪录提供如图11B所示的快速预约医师的捷径。快速挂号可根据使用者历史提供多个选项。如图11B所示，若根据使用者历史，使用者已拜访心脏科别，互动界面140亦可显示用于关于心脏科别中的另一医师的快速挂号的选项。

进一步参考图12A及图12B，图12A及图12B绘示互动界面140可显示门诊时段且会标示已额满的门诊时段。有时，使用者期望的门诊时段可能已经挂号额满。然，使用者仍可能坚持于特定时段(例如，使用者仅有某个时段有空档可以前往医院看诊)看诊，并且要指定预约特定医师(例如，医师在特定领域中很出名)。如图12A所示，若使用者点选已额满的门诊时段，医学系统会提供一提醒功能，用以提醒使用者能在下一个开放未额满的相同时段(例如，亦在周一早晨)预约相同医师。若使用者接受接收提醒，则互动界面140将提醒使用者线上挂号(例如，针对Joe Foster医师的门诊时段，在4月17日，周一早晨)是开放的。使用者可经由提醒快速地完成他/她想要的挂号预约。

在另一实施例中，当使用者选择已经额满的门诊时段时，互动系统可提供将来于相同时段(例如，亦在周一早晨)自动预约相同医师的挂号功能。若使用者接受自动地发送挂号预约，当门诊时段是开放且已开始接受线上挂号时，医学系统便可代替使用者自动地做出预约(例如，Joe Foster医师的门诊时段，在4月17日，周一早晨)。

进一步参考图13。图13图示说明医学系统如何根据不同类型的使用者输入决定初始症状的流程图。

当科别建议启动时，执行步骤S901，互动界面140显示系统问题以询问使用者所遭遇的初始症状。此外，若使用者不知道如何描述他/她的感觉或状况，则互动界面140亦可在步骤S902a中显示用以开启身体图的功能键。执行步骤S902b以判定是否触发功能键。当触发功能键时，将由此显示身体图。进一步参考图14。图14绘示在一实施例中说明在互动界面140所显示的身体图的示意图。

当使用者回应于系统问题提供回答时，医学系统将在步骤S903中尝试辨识由使用者提供的答案。若答案不能由医学系统识别(例如，答案未包括可由互动系统可辨认的任何关键字时)，互动界面140将在步骤S904中显示身体图，以供使用者点选对应发生症状的身体部位。当答案可由医学系统识别时，执行步骤S905以判断此答案中所辨识的关键字，是否能在数据库中找到匹配的具体症状名称，或是在数据库中无法找到匹配的具体症状名称。若答案中的关键字包括具体症状名称，则互动系统可在步骤S906中将具体症状名称设定为初始症状。若答案中的关键字不包括具体症状名称，可在步骤S907中根据关键字提供一系列的多个候选症状的列表。随后，医学系统可在步骤S908中根据让使用者在一系列的多个候选症状的列表之中进行选择，进而设定初始症状。

在另一方面，在步骤S904中显示身体图之后。执行步骤S909以接收身体地图上的选择部分。执行步骤S910以根据身体图上的被选择的身体部分显示一系列的多个候选症状的列表。执行步骤S911以将上述多个候选症状的列表当中被选定的症状，设定为初始症状。

基于先前提及的实施例，医学系统提供一种引导使用者发送预约挂号请求、查询药品并决定咨询的科别(以及其他服务)的方式。医学系统可引导使用者依序逐步完成整个挂号或查询的流程。于本案中，使用者每个时间点仅需要回答一个简单的问题，或是逐步回答一些相关问题，不需要一次性填写复杂的表格或回答大量的问题。因此，本案提出的医学系统可提供关于医学应用的直观服务。

Claims (9)

1.一种医学系统，其特征在于，该医学系统包含：

一互动界面，经配置用于接收一初始症状；以及

一分析引擎，与该互动界面通讯，该分析引擎包含：一预测模块，经配置用于根据由训练数据及该初始症状构建的一预测模型产生多个症状询问，所述多个症状询问显示在该互动界面上，其中该预测模块经配置以根据该预测模型及该初始症状产生一第一症状询问，该第一症状询问在该互动界面上显示，并且该互动界面经配置用于接收对应于该第一症状询问的一第一回应，并且该预测模块经配置以根据该预测模型、该初始症状及该第一回应产生一第二症状询问，该第二症状询问在该互动界面上显示，该互动界面经配置以接收对应于该第二症状询问的一第二回应，该预测模块经配置以根据该预测模型、该初始症状、该第一回应及该第二回应产生一第三症状询问或一结果预测。

2.根据权利要求1所述的医学系统，其特征在于，进一步包含：

一学习模块，经配置为用于根据该训练数据产生一预测模型，其中该训练数据包含一已知医学记录，该学习模块采用该已知医学记录以训练该预测模型。

3.根据权利要求2所述的医学系统，其特征在于，该训练数据进一步包含由该互动界面收集的一使用者反馈输入、由一外部服务器接收的一医师诊断记录、或从由该预测模块产生的一预测日志文件，该学习模块根据该使用者反馈输入、该医师诊断记录或该预测日志文件进一步更新该预测模型。

4.根据权利要求1所述的医学系统，其特征在于，该结果预测至少包含一疾病预测及匹配该疾病预测的一医学科别建议的其中之一，该疾病预测包含一疾病名称或依机率排列的一疾病名称列表。

5.根据权利要求4所述的医学系统，其特征在于，该互动界面经配置以显示该结果预测，在该结果预测在该互动界面上显示之后，该互动界面经配置以接收回应于该结果预测的一使用者命令，该医学系统经配置以将对应于该使用者命令的一挂号请求发送至一外部服务器。

6.根据权利要求1所述的医学系统，其特征在于，该预测模型包含根据一贝氏推论演算法产生的一第一预测模型，该第一预测模型包含一机率关系表，该机率关系表记录在不同疾病与不同症状之间的相对机率。

7.根据权利要求1所述的医学系统，其特征在于，该预测模型包含根据一决策树演算法产生的一第二预测模型，该第二预测模型包含根据该训练数据提前构建的多个决策树。

8.根据权利要求1所述的医学系统，其特征在于，该预测模型包含根据一强化学习演算法产生的一第三预测模型，根据该训练数据训练该第三预测模型以最大化一奖励讯号，该奖励讯号根据由该第三预测模型做出的一训练预测的一正确性增加或减少，该训练预测的该正确性根据在该训练数据中一已知医学记录验证。

9.一种非暂态计算机可读取媒体，其特征在于，该非暂态计算机可读取媒体具有一计算机程序用以执行一方法，其中该方法包含：

接收一初始症状；

根据一预测模型及该初始症状产生一第一症状询问

接收对应于该第一症状询问的一第一回应；

根据该预测模型、该初始症状及该第一回应产生一第二症状询问；

接收对应于该第二症状询问的一第二回应；以及

至少根据该预测模型、该初始症状、该第一回应及该第二回应产生一第三症状询问或一结果预测。

Images