CN108877929A - 基于神经网络的拟诊推荐处理方法、装置和计算机设备 - Google Patents
基于神经网络的拟诊推荐处理方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN108877929A CN108877929A CN201810548418.4A CN201810548418A CN108877929A CN 108877929 A CN108877929 A CN 108877929A CN 201810548418 A CN201810548418 A CN 201810548418A CN 108877929 A CN108877929 A CN 108877929A
- Authority
- CN
- China
- Prior art keywords
- quasi
- examine
- user
- information
- suggestion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 68
- 230000000306 recurrent effect Effects 0.000 claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 20
- 208000024891 symptom Diseases 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006854 communication Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 239000013589 supplement Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000002203 pretreatment Methods 0.000 claims description 5
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 79
- 238000003745 diagnosis Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 201000006306 Cor pulmonale Diseases 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 206010006458 Bronchitis chronic Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010006451 bronchitis Diseases 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 208000007451 chronic bronchitis Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000414 obstructive effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
Abstract
本申请涉及一种基于神经网络的拟诊推荐处理方法、装置、计算机设备和存储介质。所述方法包括：接收用户终端上传的问诊请求；所述问诊请求携带了用户标识；采集与所述用户标识对应的用户信息；对采集到的用户信息进行文本向量处理，得到多维向量矩阵；通过循环神经网络基于所述多维向量矩阵进行预测运算，得到对应的拟诊建议；将所述拟诊建议推送至医生终端。采用本方法能够有效提高拟诊建议的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基于神经网络的拟诊推荐处理方法、装置、计算机设备和存储介质。
背景技术
随着移动互联网的发展和互联网医院模式的逐步成熟，在线问诊已经成为一种为用户提供便捷的医疗服务的新方式。用户和患者在网上对话，通过图文的形式交流，医生通过对话收集必要的信息给出相应的拟诊结果。随着用户的不断增多，医生的工作压力也逐步增加。为了有效缓解医生的工作压力，可以通过软件系统向医生推荐拟诊建议。
在传统的软件系统中，通过对用户的主诉信息和病例信息进行关键词匹配，得到相应的拟诊建议。但是这种关键词匹配得到的拟诊建议有时候与实际情况并不相符。还需要医生手动输入拟诊内容。因此，如何有效提高拟诊建议的准确性成为目前需要解决的一个技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够有效提高拟诊建议的准确性的基于神经网络的拟诊推荐处理方法、装置、计算机设备和存储介质。
一种基于神经网络的拟诊推荐处理方法，所述方法包括：
接收用户终端上传的问诊请求；所述问诊请求携带了用户标识；
采集与所述用户标识对应的用户信息；
对采集到的所述用户信息进行文本向量处理，得到多维向量矩阵；
通过循环神经网络基于所述多维向量矩阵进行预测运算，得到对应的拟诊建议；
将所述拟诊建议推送至医生终端。
在其中一个实施例中，所述采集与所述用户标识对应的用户信息包括：
在接收到所述问诊请求之后，根据所述用户标识采集基本信息和历史信息；
在对所述用户标识分配科室之前，采集与所述用户标识对应的主诉信息；
在所述用户标识被分配科室后等待医生排队时，通过与所述科室对应的问题模板采集相应的症状信息；
在所述用户终端与所述医生终端建立通信之后，通过所述医生终端补充采集相应的症状信息。
在其中一个实施例中，在通过循环神经网络基于所述多维向量矩阵进行预测运算之后，还包括：
获取所述循环神经网络输出的多个拟诊分类概率；
对所述多个拟诊分类概率进行筛选，得到预设数量的拟诊分类概率；
计算筛选出的拟诊分类概率对应的拟诊分类概率总和；
当所述拟诊分类概率总和超过阈值时，根据所述筛选出的拟诊分类概率生成相应的拟诊建议。
在其中一个实施例中，所述对采集到的所述用户信息进行文本向量处理包括：
对所述用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；
将选择出的每个特征转换为对应的一维向量；
通过词向量模型对多个特征对应的一维向量进行转换，得到与所述用户标识对应的所述多维向量矩阵。
在其中一个实施例中，所述方法还包括：
在所述拟诊建议被推送至所述医生终端之后，对所述拟诊建议的推荐次数进行统计；
在所述医生终端选中相应的拟诊建议之后，对所述拟诊建议的选中次数进行统计；
获取预设时间段内所述拟诊建议的推荐总次数以及选中总次数；
根据所述推荐总次数以及选中总次数计算所述循环神经网络对应的拟诊采纳率。
一种基于神经网络的拟诊推荐处理装置，所述装置包括：
通信模块，用于接收用户终端上传的问诊请求；所述问诊请求携带了用户标识；
信息采集模块，用于采集与所述用户标识对应的用户信息；
向量化处理模块，用于对采集到的所述用户信息进行文本向量处理，得到多维向量矩阵；
预测模块，用于通过循环神经网络基于所述多维向量矩阵进行预测运算，得到对应的拟诊建议；
所述通信模块还用于将所述拟诊建议推送至医生终端。
在其中一个实施例中，所述信息采集模块还用于在接收到所述问诊请求之后，根据所述用户标识采集基本信息和历史信息；在对所述用户标识分配科室之前，采集与所述用户标识对应的主诉信息；在所述用户标识被分配科室后等待医生排队时，通过与所述科室对应的问题模板采集相应的症状信息；在所述用户终端与所述医生终端建立通信之后，通过所述医生终端补充采集相应的症状信息。
在其中一个实施例中，所述预测模块还用于获取所述循环神经网络输出的多个拟诊分类概率；对所述多个拟诊分类概率进行筛选，得到预设数量的拟诊分类概率；计算筛选出的拟诊分类概率对应的拟诊分类概率总和；当所述拟诊分类概率总和超过阈值时，根据所述筛选出的拟诊分类概率生成相应的拟诊建议。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
上述基于神经网络的拟诊推荐处理方法、装置、计算机设备和存储介质，当用户在线问诊时，可以通过采集用户信息，对采集到的用户信息进行文本向量处理，得到多维向量矩阵。通过循环神经网络基于多维向量矩阵进行预测运算，可以得到相应的拟诊建议。由于用户信息是通过多种方式采集的，能够对用户的症状进行全面覆盖，通过循环神经网络可以将多种用户信息进行综合预测运算，从而能够有效提高拟诊建议的准确性。
附图说明
图1为一个实施例中基于神经网络的拟诊推荐处理方法的应用场景图；
图2为一个实施例中基于神经网络的拟诊推荐处理方法的流程示意图；
图3为一个实施例中拟诊建议生成步骤的流程示意图；
图4为一个实施例中对采集到的用户信息进行文本向量处理步骤的流程示意图；
图5为一个实施例中基于神经网络的拟诊推荐处理装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
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。
本申请提供的基于神经网络的拟诊推荐处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，用户终端102通过网络与服务器104进行通信。医生终端106通过网络与服务器104 进行通信其中，用户终端102以及医生终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当用户希望在线咨询医生时，可以通过用户终端102向服务器104上传问诊请求。问诊请求携带了用户标识。服务器104采集与用户标识对应的用户信息，包括基本信息、历史信息、主诉信息以及症状信息等。服务器104对采集到的用户信息进行文本向量处理，生成相应的多维向量矩阵。服务器104调用循环神经网络，基于多维向量矩阵进行预测运算，以此生成相应的拟诊建议。服务器104将拟诊建议发送至医生终端106。医生可以通过医生终端106在多个拟诊建议中选择一个与用户症状最接近的，作为最终的拟诊结果发送至用户终端102。通过循环神经网络可以将多种用户信息进行综合预测运算，从而有效提高了拟诊建议的准确性。
在一个实施例中，如图2所示，提供了一种基于神经网络的拟诊推荐处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，接收用户终端上传的问诊请求；问诊请求携带了用户标识。
用户终端上安装了在线问诊的应用程序。在登录该应用程序之前，用户需要进行注册。注册信息中包含了用户标识、性别等基本信息。当用户希望在线咨询医生时，无需手动选择科室，可以点击应用程序中的问诊按钮，生成问诊请求，通过应用程序向服务器发送问诊请求。
步骤204，采集与用户标识对应的用户信息。
服务器接收到用户终端上传的问诊请求之后，根据用户标识通过多种方式采集相应的用户信息。所需采集的用户信息包括基本信息、历史信息、主诉信息以及症状信息等。其中，基本信息可以是用户注册应用程序时，通过用户终端上传至服务器的信息，包括：年龄、性别等。历史信息包括用户通过应用程序进行在线问诊的历史记录、历史主诉信息、历史拟诊结果、历史处方以及在诊疗机构的历史诊疗记录等。主诉信息是用户主动描述的反映当前症状的信息。症状信息是用户根据服务器或医生终端的提问所描述的反映当前症状以及近期身体状况的信息。
具体的，在接收到问诊请求之后，服务器根据用户标识采集基本信息和历史信息。在对用户标识分配科室之前，服务器采集与用户标识对应的主诉信息。在用户标识被分配科室后等待医生排队时，服务器通过与科室对应的问题模板采集相应的症状信息。服务器在用户终端与医生终端建立通信之后，通过医生终端继续补充采集相应的症状信息。
步骤206，对采集到的用户信息进行文本向量处理，得到多维向量矩阵。
服务器对收集到的多种用户信息进行预处理。预处理包括：分词、去停用词、繁转简等。服务器在在预处理后的多种用户信息中进行特征选择，得到多个特征。服务器将选择出的每个特征转换为对应的一维向量，通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。
步骤208，通过循环神经网络基于多维向量矩阵进行预测运算，得到对应的拟诊建议。
步骤210，将拟诊建议推送至医生终端。
服务器所采集到的用户信息中，用户回答问题的情况可能非常复杂。例如，有些用户的回答可能较为简略，有些用户的回答和提问可能是错位的。需要结合用户回答的上下文，才能分析得到相应的主诉信息以及症状信息等。基于此，服务器可通过循环神经网络进行拟诊建议的预测。循环神经网络可以是基于 ICD-10(international Classificationof diseases，国际疾病分类第10次修订本)作为训练数据，预先进行训练好的。通过循环神经网络可以将多个时刻的主诉信息、症状信息以及所有的基础信息和历史信息可以进行综合运算，由此能够有效提高拟诊建议预测的准确性。
服务器调用循环神经网络，基于多维向量矩阵进行预测运算，得到相应的拟诊分类概率。拟诊分类概率可以是拟诊的疾病类型所对应的概率。循环神经网络输出的拟诊分类概率至少包括一个。如果用户的症状较为复杂，循环神经网络输出的拟诊分类概率可以有多个。
当预测得到的拟诊分类概率为多个时，服务器在拟诊分类概率中筛选出预设数量的拟诊分类概率。例如，服务器可以对多个拟诊分类概率进行排序，例如，可以按照概率从高到低的顺序进行排序。服务器将排序靠前的预设数量的拟诊分类概率筛选出来。服务器根据筛选出的拟诊分类概率，利用相应拟诊疾病类型生成对应的拟诊建议。服务器将至少一个拟诊建议发送至医生终端。医生可以通过医生终端在多个拟诊建议中选择一个与用户症状最接近的，作为最终的拟诊结果发送至用户终端。例如，服务器可以向医生终端推送3个拟诊建议，分别是：慢性肺心病、慢性支气管炎以及阻塞性肺气肿。医生可以根据用户的症状，在这3个拟诊建议中选择“慢性肺心病”作为最终的拟诊结果发送至用户终端。
循环神经网络可以采用多层循环神经网络，多层循环神经网络中的多层隐含层可以是2层、4层或者6层等。对多层循环神经网络进行训练时，需要对每层隐含层进行初始化。每层隐含层都可以包括向前推算层和向后推算层。每层隐含层的向前推算层和向后推算层都需要进行初始化。在传统的方式中，每层隐含层的向前推算层和向后推算层对应的初始权重矩阵均被初始化为0，但是这种方式训练得到的多层循环神经网络的泛化能力受限，如果将来有更多不同格式的用户信息时，有可能需要重新训练。本实施例中，在循环神经网络初始化时，服务器向每层隐含层的向前推算层和向后推算层分配随机向量作为初始权重矩阵。随机向量可以是预设长度的数组，例如，可以是200维或300维等。在初始化完成之后，通过多层隐含层利用初始权重矩阵以及训练权重矩阵进行训练，输出拟诊的疾病类型所对应的概率，即拟诊分类概率。
本实施例中，当用户在线问诊时，可以通过多种方式采集用户信息，对采集到的用户信息进行文本向量处理，得到多维向量矩阵。通过循环神经网络基于多维向量矩阵进行预测运算，可以得到相应的拟诊建议。由于用户信息是通过多种方式采集的，能够对用户的症状进行全面覆盖，通过循环神经网络可以将多种用户信息进行综合预测运算，从而能够有效提高拟诊建议的准确性。
在一个实施例中，通过多种方式采集与用户标识对应的用户信息包括：在接收到问诊请求之后，根据用户标识采集基本信息和历史信息；在对用户标识分配科室之前，采集与用户标识对应的主诉信息；在用户标识被分配科室后等待医生排队时，通过与科室对应的问题模板采集相应的症状信息；在用户终端与医生终端建立通信之后，通过医生终端补充采集相应的症状信息。
本实施例中，服务器在接收到用户终端上传的问诊请求之后，可以根据问诊请求中携带的用户标识进行用户信息的采集。服务器可以根据用户标识在数据库中获取相应的基础信息以及历史信息。其中，基础信息可以是用户注册应用程序时，通过用户终端上传至服务器的信息，包括：年龄、性别等。历史信息包括用户通过应用程序进行在线问诊的历史记录、历史主诉信息、历史拟诊结果、历史处方以及在诊疗机构的历史诊疗记录等。历史信息也包括从第三方平台获取得到的信息。
服务器在采集用户标识对应的基本信息与历史信息的同时，还可以采集用户标识对应的主诉信息。具体的，服务器在对用户标识分配科室之前，可以向用户终端返回相应的问题。用户可以通过用户终端回答这些问题。用户在回答这些问题时，可以描述与当前症状相关的内容。用户终端将用户的回答上传至服务器，服务器将其标记为主诉信息。
服务器可以根据基本信息、历史信息和主诉信息为用户标识分配相适应的科室。服务器可以在科室内为用户选择相应的医生，对用户标识分配相应的医生。分配给用户的医生可以会接诊多位用户，若医生在接诊其他用户，处于忙碌状态时，服务器将用户标识存入与医生对于的队列，让用户排队等待。在等待医生排队时，服务器根据科室获取相应的问题模板，在问题模板中获取相应的问题发送至用户终端。用户可以通过用户终端回答这些问题。服务器将通过问题模板采集到的用户信息标记为症状信息。
当用户排队等到医生接诊时，服务器启动出队机制，使得用户标识从队列中出队。服务器建立用户终端与医生终端之间的通信连接。服务器可以将用户标识对应的主诉信息、症状信息发送至医生终端。以便医生了解用户的状况。医生可以通过医生终端针对问题模板未覆盖的问题或者主诉信息中不清楚的问题，继续补充提问，将补充问题发送至用户终端。用户通过用户终端回答相应问题。服务器对用户终端与医生终端之间的通信进行监听，采集医生终端的补充问题以及用户终端的回答，将其标记为补充采集的症状信息。
在对用户分配科室之前，通过对用户的基础信息、历史信息、主诉信息进行信息采集，在用户与医生沟通之前，通过问题模板进行信息采集，在用户与医生沟通过程中，通过医生补充提问进行信息采集，由此可以对用户的历史症状以及当前症状进行全面覆盖。通过多种方式采集到的用户信息，作为拟诊建议的预测基础，能够有效提高拟诊建议的准确性。
在一个实施例中，在通过循环神经网络基于多维向量矩阵进行预测运算之后，还包括拟诊建议生成步骤。如图3所示，具体包括：
步骤302，获取循环神经网络输出的多个拟诊分类概率。
步骤304，对多个拟诊分类概率进行筛选，得到预设数量的拟诊分类概率。
步骤306，计算筛选出的拟诊分类概率对应的拟诊分类概率总和。
步骤308，当拟诊分类概率总和超过阈值时，根据筛选出的拟诊分类概率生成相应的拟诊建议。
如果经过上述多种方式进行信息采集但采集到的信息较少时，由于信息不足有可能会导致不必要的拟诊建议。为了避免这一问题，服务器在拟诊分类概率中筛选出预设数量的拟诊分类概率。例如，服务器可以对多个拟诊分类概率进行排序，例如，可以按照概率从高到低的顺序进行排序。服务器将排序靠前的预设数量的拟诊分类概率筛选出来。服务器根据筛选出的拟诊分类概率，进行求和运算，得到拟诊分类概率总和。服务器将拟诊分类概率和与阈值进行比较，当拟诊分类概率总和超过阈值时，则确定拟诊分类准确。服务器将相应的拟诊疾病类型生成对应的拟诊建议。服务器将至少一个拟诊建议发送至医生终端。从而在用户信息不足的情况下，也能够有效提高拟诊建议的准确性。
在一个实施例中，如图4所示，对采集到的用户信息进行文本向量处理包括：
步骤402，对用户信息进行预处理，在预处理后的多种用户信息中进行特征选择。
步骤404，将选择出的每个特征转换为对应的一维向量。
步骤406，通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。
服务器在收集到多种用户信息后，对收集到的用户信息进行预处理。预处理包括：分词、去停用词、繁转简等。其中，分词是指对一个句子分割成分词。去停用词是指去掉“恩”“啊”之类对语义理解无意义的词语。繁转简是指如果是香港、澳门、中国台湾地区的用户采用了繁体中文输入，则将其输入的用户信息转换为简体中文。
在预处理完成之后，服务器对多种用户信息分别进行特征选择。特征选择是指去掉无关特征，保留相关特征的过程，也可以认为是从所有的特征中选择一个最好的特征子集。服务器可以使用卡方检验、信息增益法等方法在主诉信息、基础信息、历史信息中分别选择特征。通过特征选择，可以得到多种特征，包括年龄、性别、历史病症、历史诊断结果、主诉中的症状、部位、严重程度等。
为了便于循环神经网络进行预测运算，服务器需要将每个特征转换为相应的向量。具体的，服务器可以把每个特征进行特征编码，转换为一维向量，例如，可以采用One-Hot Encoder(独热编码)转换为一维向量。一维向量中只有一个值为1，其余都为0。例如，服务器可以通过One-Hot Encoder将“头疼”转换化为[000000000100000000….00],服务器可以通过One-Hot Encoder将“头晕”转换为[0000…00000100000…..000]。使用One-HotEncoder进行特征编码时，特征编码是随机的，一维向量之间相互独立，无法看出特征之间可能存在的关联关系。而且如果将所有的一维向量合为一个矩阵时，所得到的矩阵过于稀疏，也会造成维度灾难。为了克服上述问题，本实施例中采用词向量模型将一维向量转换为低维度的连续值，即转换为稠密向量，并且将意思相机的特征映射到向量空间中的相近位置。
由于服务器是通过多种方式采集用户信息的，由此可能导致对采集到的用户信息进行文本向量处理后，所得到的多维向量矩阵的维度过大，从而会降低循环神经网络的运算速度。为了有效提高拟诊建议的预测效率，在通过循环神经网络进行拟诊建议的预测之前，服务器还可以对多维向量矩阵进行降维处理。循环神经网络基于降维后的向量矩阵进行预测运算，从而得到相应拟诊建议。
在一个实施例中，该方法还包括：在拟诊建议被推送至医生终端之后，对拟诊建议的推荐次数进行统计；在医生终端选中相应的拟诊建议之后，对拟诊建议的选中次数进行统计；获取预设时间段内拟诊建议的推荐总次数以及选中总次数；根据推荐总次数以及选中总次数计算循环神经网络对应的拟诊采纳率。
通过循环神经网络可以将多种用户信息进行综合运算，可以预测得到一种或多种拟诊建议。服务器可以将一种或多种拟诊建议推送至医生终端。当拟诊建议被推送之后，服务器可以对拟诊建议的推送次数进行统计。医生终端接收到拟诊建议之后，医生可以在拟诊建议中选择一个与用户当前的症状最接近的一个拟诊建议，作为最终的拟诊结果发送至用户终端。服务器对医生终端与用户终端之间的通信进行监听，当医生终端选中拟诊建议后，服务器对拟诊建议的选中次数进行统计。服务器可以按照预设频率利用预设时间段内的拟诊建议的推荐总次数以及拟诊建议的选中总次数进行计算，得到相应的诊断采纳率。例如，诊断采纳率＝拟诊建议的选中总次数/拟诊建议的推荐总次数。
诊断采纳率越高，表示循环神经网络预测的拟诊建议越准确，也就是拟诊建议的准确率越高。如果诊断采纳率低于预设比例，则表示拟诊建议的准确率较低。由此通过计算预设时间段内的诊断采纳率可以有效了解拟诊建议准确率的情况，便于对循环神经网络进行优化。
进一步的，通过循环神经网络可以预测得到多种拟诊建议时，服务器可以根据每种拟诊建议对应的拟诊分类概率进行排序。服务器可以按此排序将多个拟诊建议推送至医生终端。服务器对医生终端与用户终端之间的通信进行监听，当医生终端选中拟诊建议后，服务器获取被选中的拟诊建议对应的排序位置，如序号，根据排序位置统计拟诊建议的选中次数。服务器可以对预设数量的拟诊建议，按照其排序位置分别统计拟诊建议的选中次数。
服务器还可以按照预设频率利用预设时间段内的拟诊建议的推荐总次数以及与排序位置对应的拟诊建议的选中总次数进行计算，得到每个排序位置对应的拟诊建议的准确率。例如，排序位置对应的拟诊建议的准确率＝排序位置对应的拟诊建议的选中总次数/拟诊建议的推荐总次数。通过计算每个排序位置对应的拟诊建议的准确率，由此可以对循环神经网络不同的参数进行相应优化。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种基于神经网络的拟诊推荐处理装置，包括：通信模块502、信息采集模块504、向量化处理模块506和预测模块508，其中：
通信模块502，用于接收用户终端上传的问诊请求；问诊请求携带了用户标识。
信息采集模块504，用于采集与用户标识对应的用户信息。
向量化处理模块506，用于对采集到的用户信息进行文本向量处理，得到多维向量矩阵。
预测模块508，用于通过循环神经网络基于多维向量矩阵进行预测运算，得到对应的拟诊建议。
通信模块502还用于将拟诊建议推送至医生终端。
在一个实施例中，信息采集模块504还用于在接收到问诊请求之后，根据用户标识采集基本信息和历史信息；在对用户标识分配科室之前，采集与用户标识对应的主诉信息；在用户标识被分配科室后等待医生排队时，通过与科室对应的问题模板采集相应的症状信息；在用户终端与医生终端建立通信之后，通过医生终端补充采集相应的症状信息。
在一个实施例中，预测模块508还用于获取循环神经网络输出的多个拟诊分类概率；对多个拟诊分类概率进行筛选，得到预设数量的拟诊分类概率；计算筛选出的拟诊分类概率对应的拟诊分类概率总和；当拟诊分类概率总和超过阈值时，根据筛选出的拟诊分类概率生成相应的拟诊建议。
在一个实施例中，向量化处理模块506还用于对用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；将选择出的每个特征转换为对应的一维向量；通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。
在一个实施例中，该装置还包括：统计模块，用于在拟诊建议被推送至医生终端之后，对拟诊建议的推荐次数进行统计；在医生终端选中相应的拟诊建议之后，对拟诊建议的选中次数进行统计；获取预设时间段内拟诊建议的推荐总次数以及选中总次数；根据推荐总次数以及选中总次数计算循环神经网络对应的拟诊采纳率。
关于拟诊推荐处理装置的具体限定可以参见上文中对于拟诊推荐处理方法的限定，在此不再赘述。上述拟诊推荐处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储拟诊推荐处理数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的拟诊推荐处理方法。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于神经网络的拟诊推荐处理方法，其特征在于，所述方法包括：
接收用户终端上传的问诊请求；所述问诊请求携带了用户标识；
采集与所述用户标识对应的用户信息；
对采集到的所述用户信息进行文本向量处理，得到多维向量矩阵；
通过循环神经网络基于所述多维向量矩阵进行预测运算，得到对应的拟诊建议；
将所述拟诊建议推送至医生终端。
2.根据权利要求1所述的方法，其特征在于，所述采集与所述用户标识对应的用户信息包括：
在接收到所述问诊请求之后，根据所述用户标识采集基本信息和历史信息；
在对所述用户标识分配科室之前，采集与所述用户标识对应的主诉信息；
在所述用户标识被分配科室后等待医生排队时，通过与所述科室对应的问题模板采集相应的症状信息；
在所述用户终端与所述医生终端建立通信之后，通过所述医生终端补充采集相应的症状信息。
3.根据权利要求1所述的方法，其特征在于，在所述通过循环神经网络基于所述多维向量矩阵进行预测运算之后，所述方法还包括：
获取所述循环神经网络输出的多个拟诊分类概率；
对所述多个拟诊分类概率进行筛选，得到预设数量的拟诊分类概率；
计算筛选出的拟诊分类概率对应的拟诊分类概率总和；
当所述拟诊分类概率总和超过阈值时，根据所述筛选出的拟诊分类概率生成相应的拟诊建议。
4.根据权利要求1所述的方法，其特征在于，所述对采集到的所述用户信息进行文本向量处理包括：
对所述用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；
将选择出的每个特征转换为对应的一维向量；
通过词向量模型对多个特征对应的一维向量进行转换，得到与所述用户标识对应的所述多维向量矩阵。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
在所述拟诊建议被推送至所述医生终端之后，对所述拟诊建议的推荐次数进行统计；
在所述医生终端选中相应的拟诊建议之后，对所述拟诊建议的选中次数进行统计；
获取预设时间段内所述拟诊建议的推荐总次数以及选中总次数；
根据所述推荐总次数以及选中总次数计算所述循环神经网络对应的拟诊采纳率。
6.一种基于神经网络的拟诊推荐处理装置，其特征在于，所述装置包括：
通信模块，用于接收用户终端上传的问诊请求；所述问诊请求携带了用户标识；
信息采集模块，用于采集与所述用户标识对应的用户信息；
向量化处理模块，用于对采集到的所述用户信息进行文本向量处理，得到多维向量矩阵；
预测模块，用于通过循环神经网络基于所述多维向量矩阵进行预测运算，得到对应的拟诊建议；
所述通信模块还用于将所述拟诊建议推送至医生终端。
7.根据权利要求6所述的装置，其特征在于，所述信息采集模块还用于在接收到所述问诊请求之后，根据所述用户标识采集基本信息和历史信息；在对所述用户标识分配科室之前，采集与所述用户标识对应的主诉信息；在所述用户标识被分配科室后等待医生排队时，通过与所述科室对应的问题模板采集相应的症状信息；在所述用户终端与所述医生终端建立通信之后，通过所述医生终端补充采集相应的症状信息。
8.根据权利要求6所述的装置，其特征在于，所述预测模块还用于获取所述循环神经网络输出的多个拟诊分类概率；对所述多个拟诊分类概率进行筛选，得到预设数量的拟诊分类概率；计算筛选出的拟诊分类概率对应的拟诊分类概率总和；当所述拟诊分类概率总和超过阈值时，根据所述筛选出的拟诊分类概率生成相应的拟诊建议。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810548418.4A CN108877929A (zh) | 2018-05-31 | 2018-05-31 | 基于神经网络的拟诊推荐处理方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810548418.4A CN108877929A (zh) | 2018-05-31 | 2018-05-31 | 基于神经网络的拟诊推荐处理方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108877929A true CN108877929A (zh) | 2018-11-23 |
Family
ID=64336050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810548418.4A Pending CN108877929A (zh) | 2018-05-31 | 2018-05-31 | 基于神经网络的拟诊推荐处理方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108877929A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109378066A (zh) * | 2018-12-20 | 2019-02-22 | 翼健(上海)信息科技有限公司 | 一种基于特征向量实现疾病预测的控制方法及控制装置 |
| CN110660490A (zh) * | 2019-09-26 | 2020-01-07 | 深圳安泰创新科技股份有限公司 | 检查单开具方法、系统及计算机可读存储介质 |
| CN111145911A (zh) * | 2019-12-20 | 2020-05-12 | 平安医疗健康管理股份有限公司 | 异常数据识别处理方法、装置、计算机设备和存储介质 |
| CN111739600A (zh) * | 2020-06-22 | 2020-10-02 | 平安医疗健康管理股份有限公司 | 信息处理方法、装置、计算机设备及可读存储介质 |
| CN111739643A (zh) * | 2020-08-20 | 2020-10-02 | 耀方信息技术(上海)有限公司 | 一种健康风险评估系统 |
| CN109659036B (zh) * | 2018-12-14 | 2020-10-09 | 泰康保险集团股份有限公司 | 医疗信息推荐方法、装置、设备以及存储介质 |
| CN112035674A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 导诊数据获取方法、装置、计算机设备和存储介质 |
| CN112216364A (zh) * | 2020-10-10 | 2021-01-12 | 福建健康之路信息技术有限公司 | 一种基于人工智能的用药处方推送方法和系统 |
| CN113658684A (zh) * | 2021-08-11 | 2021-11-16 | 挂号网（杭州）科技有限公司 | 一种咨询结果生成方法、装置、电子设备及存储介质 |
| US11861003B1 (en) * | 2023-03-31 | 2024-01-02 | Intuit Inc. | Fraudulent user identifier detection using machine learning models |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164616A (zh) * | 2013-02-02 | 2013-06-19 | 杭州卓健信息科技有限公司 | 一种智能导诊系统和方法 |
| CN105956979A (zh) * | 2016-03-23 | 2016-09-21 | 四川长虹电器股份有限公司 | 一种挂号推荐方法及挂号推荐系统 |
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
| CN107247868A (zh) * | 2017-05-18 | 2017-10-13 | 深思考人工智能机器人科技（北京）有限公司 | 一种人工智能辅助问诊系统 |
| CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
-
2018
- 2018-05-31 CN CN201810548418.4A patent/CN108877929A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164616A (zh) * | 2013-02-02 | 2013-06-19 | 杭州卓健信息科技有限公司 | 一种智能导诊系统和方法 |
| CN105956979A (zh) * | 2016-03-23 | 2016-09-21 | 四川长虹电器股份有限公司 | 一种挂号推荐方法及挂号推荐系统 |
| CN106778014A (zh) * | 2016-12-29 | 2017-05-31 | 浙江大学 | 一种基于循环神经网络的患病风险预测方法 |
| CN106951719A (zh) * | 2017-04-10 | 2017-07-14 | 荣科科技股份有限公司 | 临床诊断模型的构建方法及构建系统、临床诊断系统 |
| CN107247868A (zh) * | 2017-05-18 | 2017-10-13 | 深思考人工智能机器人科技（北京）有限公司 | 一种人工智能辅助问诊系统 |
| CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109659036B (zh) * | 2018-12-14 | 2020-10-09 | 泰康保险集团股份有限公司 | 医疗信息推荐方法、装置、设备以及存储介质 |
| CN109378066A (zh) * | 2018-12-20 | 2019-02-22 | 翼健(上海)信息科技有限公司 | 一种基于特征向量实现疾病预测的控制方法及控制装置 |
| CN110660490A (zh) * | 2019-09-26 | 2020-01-07 | 深圳安泰创新科技股份有限公司 | 检查单开具方法、系统及计算机可读存储介质 |
| CN110660490B (zh) * | 2019-09-26 | 2022-11-15 | 深圳安泰创新科技股份有限公司 | 检查单开具方法、系统及计算机可读存储介质 |
| CN111145911A (zh) * | 2019-12-20 | 2020-05-12 | 平安医疗健康管理股份有限公司 | 异常数据识别处理方法、装置、计算机设备和存储介质 |
| CN111739600A (zh) * | 2020-06-22 | 2020-10-02 | 平安医疗健康管理股份有限公司 | 信息处理方法、装置、计算机设备及可读存储介质 |
| CN111739643A (zh) * | 2020-08-20 | 2020-10-02 | 耀方信息技术(上海)有限公司 | 一种健康风险评估系统 |
| CN112035674A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 导诊数据获取方法、装置、计算机设备和存储介质 |
| CN112216364A (zh) * | 2020-10-10 | 2021-01-12 | 福建健康之路信息技术有限公司 | 一种基于人工智能的用药处方推送方法和系统 |
| CN113658684A (zh) * | 2021-08-11 | 2021-11-16 | 挂号网（杭州）科技有限公司 | 一种咨询结果生成方法、装置、电子设备及存储介质 |
| US11861003B1 (en) * | 2023-03-31 | 2024-01-02 | Intuit Inc. | Fraudulent user identifier detection using machine learning models |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108877929A (zh) | 基于神经网络的拟诊推荐处理方法、装置和计算机设备 | |
| CN110021439A (zh) | 基于机器学习的医疗数据分类方法、装置和计算机设备 | |
| CN108766545A (zh) | 在线问诊科室分配方法、装置、计算机设备和存储介质 | |
| CN110209867B (zh) | 图像检索模型的训练方法、装置、设备及存储介质 | |
| CN108932974A (zh) | 在线问诊分配医生的方法、装置、计算机设备和存储介质 | |
| Kim et al. | Read, attend, and code: Pushing the limits of medical codes prediction from clinical notes by machines | |
| CN110464326A (zh) | 一种扫描参数推荐方法、系统、装置及存储介质 | |
| CN111370084A (zh) | 基于BiLSTM的电子健康记录表示学习方法及系统 | |
| CN112529146B (zh) | 神经网络模型训练的方法和装置 | |
| CN109118376A (zh) | 医疗保险保费定价方法、装置、计算机设备和存储介质 | |
| CN109473177A (zh) | 基于预测模型确定医疗发展趋势的方法及相关产品 | |
| CN111199797A (zh) | 一种辅助诊断模型建立和辅助诊断方法及装置 | |
| US20220238225A1 (en) | Systems and Methods for AI-Enabled Instant Diagnostic Follow-Up | |
| CN108847278A (zh) | 线上问诊自动分配方法、装置、计算机设备和存储介质 | |
| CN109918630A (zh) | 文本生成方法、装置、计算机设备及存储介质 | |
| Bingol | NCA‐based hybrid convolutional neural network model for classification of cervical cancer on gauss‐enhanced pap‐smear images | |
| CN114974501A (zh) | 基于人工智能的药品推荐方法、装置、设备及存储介质 | |
| CN113345564B (zh) | 一种基于图神经网络的患者住院时长早期预测方法及装置 | |
| WO2020110113A1 (en) | Reconfigurable device based deep neural network system and method | |
| CN109785966A (zh) | 基于机器学习的病案审核方法、装置、设备及存储介质 | |
| CN110083842A (zh) | 译文质量检测方法、装置、机器翻译系统和存储介质 | |
| JP2021517310A (ja) | 複数の入力データセットのための処理 | |
| CN110096145A (zh) | 基于混合现实和神经网络的心理状态显示方法及装置 | |
| US10467142B1 (en) | Enhancement of real-time response to request for detached data analytics | |
| WO2022144898A1 (en) | Methods and system for assessing the risk of falls |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |