CN109559822A - 智能初诊方法、装置、计算机设备及存储介质 - Google Patents
智能初诊方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109559822A CN109559822A CN201811340803.6A CN201811340803A CN109559822A CN 109559822 A CN109559822 A CN 109559822A CN 201811340803 A CN201811340803 A CN 201811340803A CN 109559822 A CN109559822 A CN 109559822A
- Authority
- CN
- China
- Prior art keywords
- medical
- information
- visit
- decision making
- knowledge map
- 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 41
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 208000024891 symptom Diseases 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000013138 pruning Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 2
- 238000012550 audit Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 201000010099 disease Diseases 0.000 description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 201000010260 leiomyoma Diseases 0.000 description 9
- 206010037660 Pyrexia Diseases 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000004291 uterus Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 2
- 201000005702 Pertussis Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种智能初诊方法、装置、终端设备及存储介质，所述方法包括：获取第一客户端发送的问诊请求，所述问诊请求包括科室标识和患者描述信息；获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱；采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息；基于所述医疗决策信息生成初诊结果。通过上述智能初诊方法可以提高诊断的准确率，减少患者等待时间。
Description
技术领域
本发明涉及自然语言处理领域，尤其涉及一种智能初诊方法、装置、计算机设备及存储介质。
背景技术
智能初诊是指通过计算机对身体部位的初步检查，例如，影像检查，即是通过计算机对身体部位的图片进行处理的检查，如X光检查、CT检查和超声波检查等，随着医学技术的发展，一些病症可以通过影像检查找出病症。
目前，市面上针对是否需要影像检查的初诊，都是通过医生对患者进行问诊，从而判断是否需要做影像检查，这样一来，需要占用大量医生资源，在对各个患者进行一一问诊时会浪费较多的时间，影响患者就诊时间和医生工作时间。
发明内容
本发明实施例提供一种智能初诊方法、装置、计算机设备及存储介质以解决初诊效率不高的问题。
一种智能初诊方法，包括：
获取第一客户端发送的问诊请求，所述问诊请求包括科室标识和患者描述信息；
获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱；
采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息，其中，所述医疗决策信息用于作为影像筛查决策的依据；
基于所述医疗决策信息生成初诊结果。
一种智能初诊装置，包括：
问诊请求获取模块，用于获取第一客户端发送的问诊请求，所述问诊请求包括科室标识和患者描述信息；
目标知识图谱获取模块，用于获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱；
医疗决策信息获取模块，用于采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息，其中，所述医疗决策信息用于作为影像筛查决策的依据；
初诊结果获取模块，用于基于所述医疗决策信息生成初诊结果。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述智能初诊方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述智能初诊方法的步骤。
上述智能初诊方法、装置、计算机设备及存储介质中，首先，获取第一客户端发送的问诊请求，问诊请求包括科室标识和患者描述信息。然后，获取与科室标识对应的医疗知识图谱，作为目标医疗知识图谱，提高了后续进行智能初诊的速度。接着，采用目标医疗知识图谱对患者描述信息进行解析，获取医疗决策信息，保证了医疗决策信息的准确度，提高了后续智能初诊的准确率。最后，根据医疗决策信息生成结果，实现了对患者的智能初步诊断，省去了人工问诊的时间，提高了诊断的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的智能初诊方法的应用环境示意图；
图2是本发明实施例提供的智能初诊方法一示例图；
图3是本发明实施例提供的智能初诊方法的另一示例图；
图4是本发明实施例提供的智能初诊方法的另一示例图；
图5是本发明实施例提供的智能初诊方法的另一示例图；
图6是本发明实施例提供的智能初诊方法的另一示例图；
图7是本发明实施例提供的智能初诊装置的一原理框图；
图8是本发明实施例提供的智能初诊装置的另一原理框图；
图9是本发明实施例提供的智能初诊装置的另一原理框图；
图10是本发明实施例提供的计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请提供的智能初诊方法，可应用在如图1的应用环境中，其中，客户端包括第一客户端和第二客户端，其中，第一客户端是用于提供获取患者病情信息的客户端，第二客户端是用于提供与医生交互的客户端，客户端通过网络与服务端进行通信，服务端获取第一客户端发送的问诊请求，根据问诊请求中的科室标识，获取对应的医疗知识图谱，作为目标医疗知识图谱。采用目标医疗知识图谱对患者描述信息进行解析，获取医疗决策信息，进而根据医疗决策信息生成初诊结果。其中，客户端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。服务端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。
在一个实施例中，如图2所示，以该方法应用于图1中的服务端为例进行说明，包括如下步骤：
S10：获取第一客户端发送的问诊请求，问诊请求包括科室标识和患者描述信息。
其中，第一客户端是用于获取患者病情信息的客户端。问诊请求是指由通过第一客户端向服务端发送的用于进行初步诊断的请求。
优选地，第一客户端可以是医院信息系统的患者端，用于获取患者病情信息。其中，医院信息系统(Hospital Information System，HIS)主要包含后台服务器、患者端和医生端三大部分。
本实施例中，问诊请求中包括科室标识和患者描述信息。其中，患者描述信息是指基本生理信息和简单的病症信息。如“性别女年龄25岁体检疑似子宫肌瘤”。具体地，每个医院都有其对应的科室标识，包括但不仅限于内科、外科、儿科、妇科和骨科等。
本实施例中，第一客户端通过与服务端建立通信连接，从而从服务端中获取所就诊医院的问诊请求界面，其中，问诊请求界面包括有医院的多个科室信息，每一科室信息对应一科室标识。可选地，用户可以通过预先安装的应用(APP)如微信、支付宝或者微信小程序等的“扫一扫”功能扫描识别该医院的宣传单或者其他媒介中所粘贴的二维码与服务端建立连接，或者是利用预先开发的配套APP与服务端建立连接，再或者是通过访问医院的相关网页与服务端建立连接，本实施例中对于具体的连接方式不做限定。
S20：获取与科室标识对应的医疗知识图谱，作为目标医疗知识图谱。
其中，知识图谱是指由实体及实体关系组成的结构化知识图形，医疗知识图谱就是医学领域的知识图谱，其实体维度包括疾病、症状、症状部位、检查体征和药品等，关系可以是“包含关系”、“不包含关系”或者“金标准关系”(如所有炎症都会带来发热就是金标准)，疾病和医生可以定义“医生擅长治疗疾病”，医生和医院可以定义“归属于关系”等。不同科室对应的医疗知识图谱不同，例如，科室为骨科的医疗室知识图谱的实体维度包括骨折、膝盖和酸痛等。
可以理解地，医疗知识图谱包含的医疗信息数据非常庞大，因此，根据科室标识，获取该科室标识对应的医疗知识图谱作为目标医疗知识图谱，减少了其他科室标识对应的医疗知识图谱的干扰，提高了后续进行智能初诊的速度。
S30：采用目标医疗知识图谱对患者描述信息进行解析，获取医疗决策信息，其中，医疗决策信息用于作为影像筛查决策的依据。
其中，医疗决策信息是组成医疗知识图谱的知识结构图形中的与医疗相关的实体维度的信息。医疗决策信息用于作为影像筛查决策的依据，即用于作为疾病初步诊断的依据。该医疗决策信息可以是但不限于是疾病、症状、症状部位、检查体征或药品等。
具体地，在获取了目标医疗知识图谱后，提取出患者描述信息中的关键词，通过将关键词与目标医疗知识图谱的关联挖掘，得到关键词与目标医疗知识图谱的的关联信息，并通过对关联信息进行解析，确定医疗决策信息。由于，医疗决策信息的获取是通过对目标医疗知识图谱对患者描述信息进行关联挖掘和解析得到，保证了医疗决策信息的准确度，提高了后续智能初诊的准确率。
在一具体实施方式中，若医疗决策信息用于建立病症与是否需要影像筛查的关系，向医生提供初诊意见。例如，患者描述信息为“我体检疑似子宫肌瘤”，通过切割词组，获取到关键词是“子宫肌瘤”，确定医疗决策信息，通过医疗决策信息可知需要做子宫部位B超，即子宫部位的影像检查。
S40：基于医疗决策信息生成初诊结果。
其中，初诊结果用于指示患者进行医疗决策信息对应的身体部位影像检查的结果。本实施例中，可选地，该初诊结果可以是一段文字，也可以是示意图等。例如，步骤30中的医疗决策信息为“子宫部位”，初诊结果即为对子宫部位进行影像检查。本实施例中，根据医疗决策信息生成结果，实现了对患者的智能初步诊断，省去了人工问诊的时间，提高了智能诊断的效率。
本实施例中，首先，获取第一客户端发送的问诊请求，问诊请求包括科室标识和患者描述信息。然后，获取与科室标识对应的医疗知识图谱，作为目标医疗知识图谱，提高了后续进行智能初诊的速度。接着，采用目标医疗知识图谱对患者描述信息进行解析，获取医疗决策信息，保证了医疗决策信息的准确度，提高了后续智能初诊的准确率。最后，根据医疗决策信息生成结果，实现了对患者的智能初步诊断，省去了人工问诊的时间，提高了智能诊断的效率。
在一实施例中，如图3所示，步骤S20中，获取与科室标识对应的医疗知识图谱，作为目标医疗知识图谱，包括：
S21：获取与科室标识对应的医疗数据，医疗数据包括一个疾病特征和与疾病特征对应的至少一个症状部位。
其中，医疗数据是用于构建医疗知识图谱的数据。包括但不限于本实施例中的症状部位和疾病特征等医疗数据。本实施例中，通过获取医疗数据，以便后续基于医疗数据构建医疗知识图谱。
S22：采用频繁项集算法对疾病特征和症状部位进行关联性分析，获取医疗数据关系度。
其中，频繁项集(Apriori)算法是一种用于关联规则挖掘(Association rulemining)的代表性算法。Apriori算法广泛应用在各大行业中，计算量少，容易理解，能够有效挖掘数据间的潜在规则。医疗数据关系度是用于反映疾病特征和症状部位间的关联程度。具体地，采用Apriori算法对医疗数据进行关联性分析，通过不断循环产生N项频繁集(N>1)直到没有频繁集出现，以来获取医疗数据关系度，以便后续构建准确的医疗知识图谱。
S23：采用商业级数据图表工具对医疗数据关系度进行图表转换，得到目标医疗知识图谱。
其中，目标医疗知识图谱是指对医疗数据关系度进行图表转换所得到的图像。商业级数据图表(Enterprise Charts，ECharts)是一个纯Javascript的图表库，可以流畅的运行在PC和移动设备上，底层依赖轻量级的Canvas类库ZRender，能够将繁琐复杂的医疗数据关系度转化成简单明了的数据可视化图表，从而实现将医疗数据关系度通过图表的形式清晰呈现的目的。采用Echarts工具可有效提高数据的可视化程度，以便高效的获取目标医疗知识图谱。
本实施例中，先获取医疗数据，然后，采用频繁项集算法对医疗数据进行关联性分析，获取医疗数据关系度，以便后续构建准确的医疗知识图谱。最后，采用商业级数据图表工具对医疗数据关系度进行图表转换，获取目标医疗知识图谱，使得目标医疗知识图谱的获取更加高效。
在一实施例中，如图4所示，步骤S22中，采用频繁项集算法对疾病特征和症状部位进行关联性分析，获取医疗数据关系度，具体包括如下步骤：
S221：基于疾病特征和症状部位，获取至少一个第一候选集，根据每一第一候选集出现的次数确定对应的第一支持度；
其中，第一候选集是指在算法的第1次循环中基于医疗数据生成的一项集。第一支持度是指每一第一候选集在医疗数据中出现的次数。具体地，将对照标注代码进行标注后的就诊记录中的症状部位和疾病特征，输入到Apriori算法中进行分析，获取第一候选集，根据每一第一候选集出现的次数确定对应的第一支持度。例如：获取到的就诊记录如下：(流鼻涕，发烧，头部)＝(A1，A2，B2)、(流鼻涕，发烧，头疼，头部)＝(A1，A2，A3，B2)，则获取的第一候选集为{A1}，{A2}，{A3}，{B2}，则{A1}，{A2}，{A3}，{B2}这四个第一候选集对应的第一支持度分别为2，2，1，2。其中，流鼻涕，发烧，头疼，头部即为本实施例中的医疗数据。
S222：选取第一支持度大于或等于预设支持度的第一候选集作为第一频繁集。
其中，预设支持度可以是用户预先设定好的，也可以是通过选取每一轮循环中产生的第一支持度中最小的第一支持度作为预设支持度。第一频繁集是指第一候选集对应的第一支持度大于预设支持度的项集。具体地，选取选取第一支持度大于或等于预设支持度的第一候选集作为第一频繁集，如步骤S21示例中，若预设支持度为1，则第一频繁集为{A1}，{A2}，{A3},{B2}；若预设支持度为2，则第一频繁集为{A1}，{A2}，{B2}。
S223：根据自然连接定理和剪枝算法对第一频繁集和第一候选集进行迭代处理，获取更新的第一候选集、更新的第一支持度和更新的第一频繁集，直至更新的第一频繁集为空集时，则基于上一次更新的第一频繁集确定医疗数据关系度。
其中，更新的第一候选集是指第K次迭代中用于生成更新的第一频繁集的项集。更新的第一支持度是指每一更新的第一候选集在目标医疗数据中出现的次数。自然连接定理为生成的N项集中，若有两个N项集，当两个N项集中有N-1项个元素相同时，则可进行自然连接。例如有两个3项集：{A1,A2,B2}和{A1,A2,A3}，这两个3项集由于有2项元素相同，因此是可进行自然连接。它们可以连接生成4项集{A1,A2，A3，B2}。又如两个3项集{A1,A2,B2}和{A1,A4,B1}，这两个3项集由于没有2项相同的元素，因此是不可连接的。本实施例中，参数K的值与参数N的值相同。
如步骤S221示例中，若第一候选集为{A1}，{A2}，{A3}，{B2}，第一频繁集为{A1}，{A2}，{A3}，{B2}，则根据自然连接定理得到的更新的第一候选集为{A1，A2}，{A1，A3}，{A2，A3}，{A2,B2},{A3,B2}，其对应的更新的第一支持度为2,1,1,2,1。
剪枝算法是指通过判断支持度是否大于预设支持度而获得频繁集的算法。具体地，假设预设的支持度为2，根据剪枝算法，若此时更新的第一支持度大于或等于预设支持度，则将更新的第一支持度对应的第一候选集作为更新的第一频繁集。例如，根据自然连接定理得到的更新的第一候选集为{A1，A2}，{A1，A3}，{A2，A3}，{A2,B2}，{A3,B2}，其对应的更新的第一支持度为2,1,1,2,1，则根据剪枝算法，此时更新的第一频繁集为{A1，A2}，{A2，B2}。
继续根据自然连接定理和剪枝定理对更新的第一候选集和更新的第一频繁集进行迭代处理，直至更新的第一频繁集为空集。
其中，更新的第一频繁集为空集是指更新的第一支持度都小于预设支持度，则没有更新的第一候选集可以作为更新的第一频繁集，即更新的第一频繁集为空集，此时中止迭代处理。
计算上一次更新的第一频繁集对应的子集的置信度，并与预设置信度进行比较，以获取最终的强关联规则，将强关联规则对应的支持度作为医疗数据关系度。其中，一个概率样本的置信区间(Confidence interval)即为其置信度，是对这个样本的某个总体参数的区间估计，support为支持度。如步骤S21的实例中，设上一次获取到的更新的第一频繁集为{A1，A2}，{A2，B2}，基于该第一频繁集可以得到他们的子集为{A1},{A2},{A1，A2},{B2},{A2，B2}，则得到的规则如下：A1->A2^B2(表示由症状A1，可以推出症状A2和疾病B2)，A2->A1^B2(表示由症状A2，可以推出症状A1和疾病B2),A1^A2->B2(表示由症状A1，A2可推出疾病B2),B2->A1^A2(表示由疾病B2，可以推出症状A1，A2),A2^B2->A1(表示由症状A2和疾病B2，可推出症状A1)。然后，再根据公式support(A∪B)/support(A)分别求出每条规则的置信度。本实施例中，则每条规则的置信度分别为support(A1，A2，B2)/support(A1)＝1,support(A1，A2，B2)/support(A2)＝1,support(A1，A2，B2)/support(A1,A2)＝1，support(A1，A2，B2)/support(B2)＝1，support(A1，A2，B2)/support(A2，B2)＝1。将每条规则对应的置信度与预设置信度进行比较，选取大于或等于预设置信度的规则作为强关联规则，该强关联规则对应的置信度即为医疗数据关系度。其中，预设置信度为开发人员预先自定义的。
本实施例中，先基于疾病特征和症状部位，获取对应的第一候选集，以便根据每一第一候选集出现的次数确定对应的第一支持度，然后选取第一支持度大于或等于预设支持度的第一候选集作为第一频繁集，根据自然连接定理和剪枝定理对所述第一频繁集和第一候选集进行迭代处理，获取更新的第一候选集、更新的第一支持度和更新的第一频繁集，直至更新的第一频繁集为空集时，则基于上一次更新的第一频繁集确定所述医疗数据关系度。通过自然连接定理和剪枝定理来获取更新的第一频繁集，以减少计算量，提高医疗数据关系度的获取效率。
在一实施例中，如图5所示，步骤S30中，采用目标医疗知识图谱对患者描述信息进行解析，获取医疗决策信息，具体包括如下步骤：
S31：获取患者描述信息中的关键词信息。
其中，关键词信息是与医疗知识相关的关键词，用于通过关键词找到对应的知识图谱。例如，患者描述信息为：我体检疑似子宫肌瘤，其中的关键词为子宫肌瘤。具体地，获取关键词可以是通过结合语义知识融合TF-IDF关键词提取方法获取关键词，也可以是Topic-model关键词提取方法，还可以是RAKE关键词提取方法，优选地，本实施例中采用通过结合语义知识融合TF-IDF关键词提取方法获取关键词。
具体地，首先对患者描述信息进行分词，获取每个词语的词频。例如“我今年20岁，我体检疑似子宫肌瘤”。进行分词后，可能得到“我今年20岁，我体检疑似子宫肌瘤”。其中的“我”这个词语的词频是2，其他的词语的词频均为1。然后遍历每个词语，得到每个词语在医疗知识文档里的逆向文件频率。最后用一个字典来保存所有的词语信息，其中，该字典是以关键词的键值对(key-value)的数据类型进行保存。其中，key表示关键词，value表示关键词的词频-逆向文本频率权重。然后按键值对中的value值即关键词的词频-逆向文本频率权重对字典排序，最后取权重排名靠前的几个词语作为关键词。通过计算词频和逆向文件频率后，结合医疗知识库文档，可以得到如下关键词“体检子宫肌瘤”。
S32：基于语义解析算法将关键词信息解析成结构信息。
其中，语义解析(Semantic Parsing)算法是指将自然语言语句转换成计算机可理解和执行的形式的算法，例如，形式信息和结构信息等。具体地，语义解析算法可以是组合范畴文的语义解析算法也可以是基于数据场的语义解析算法，优选地，本实施例中采用组合范畴文的语义解析算法，该算法提供了自然语言句法表示和语义表示之间构建对应关系的良好结构，有利于提高结构信息的准确度。
其中，结构信息是指在医疗知识图谱中能够搜索匹配的信息，如患者健康数据、症状表现、多模态检测结果、各种药物的化学成分和效用分析、诊断和治疗手段等多方面信息的交互。例如，结构信息为“子宫肌瘤”。具体地，通过将关键词信息解析成结构信息，以便后续基于结构信息匹配到准确的医疗决策信息。
S33：根据结构信息，从目标医疗图谱中获取医疗决策信息。
具体地，根据结构信息，从目标医疗图谱中获取与结构信息匹配的数据即为医疗决策信息。
可以理解地，在目标医疗图谱中的用语习惯也和患者描述信息语的惯差异巨大，这使得直接根据患者描述信息难以有效从医疗知识图谱中获取诊断报告。因此，通过采用结构信息，由于结构信息能直接被计算机执行，提高了医疗知识图谱的知识库的可用性，同时提高了获取医疗决策信息的效率。
本实施例中的医疗知识图谱是预先构建好了知识图谱，即是一个医疗知识库。用于提供医疗知识搜索和匹配，比如在搜索引擎里输入结构信息“百日咳咳嗽”，可以得到医疗决策信息“肺部或者胸”。由于在系统层面上已经创建好了一个包含“症状”和“病因部位”的实体以及他们之间关系的知识库。因此，当执行搜索时，可以通过结构信息("百日咳"和"咳嗽")以及知识库上的匹配可以直接获得医疗决策信息。
本实施例中，首先，获取患者描述信息中的关键词信息。然后，基于语义解析算法将关键词信息解析成结构信息，有利于提高结构信息的准确度，以便后续基于结构信息匹配到准确的医疗决策信息。最后，根据结构信息，从目标医疗图谱中获取医疗决策信息，提高了获取医疗决策信息的效率。
在一实施例中，如图6所示，在步骤S40之后，该智能初诊方法还包括如下步骤：
S50：将初诊结果通过网络协议推送到第二客户端进行审核。
其中，第二客户端是指医院系统对应的医生端，用于方便医生对患者病情进行诊断等。
其中，网络传输协议包括但不限于：互联网控制报文协议(Internet ControlMessage Protocol，ICMP)、地址解析协议(ARP Address Resolution Protocol，ARP)和文件传输协议(File Transfer Protocol，FTP)等。
具体地，通过消息推送的方式将初诊结果发送给第二客户端，具体地，消息推送是通过一定的技术标准或协议，在网络上通过定期传送用户需要的信息来减少信息过载的技术。
本实施例中，将诊断报告通过推送技术推送给与科室标识对应的医生，来减少用于寻找对应医生的时间。以使患者能够快速正确得到问诊结果。
S60：若接收到第二客户端反馈的审查结果，则根据审查结果进行相应的诊断。
其中，审查结果是指第二客户端的医师对初诊结果进行分析后得到的审查结果。其中，审查结果包括：“同意检查”和“无需检查”。
若审查结果为同意检查，则根据科室标识到该科室进行身体某一部位的影像检查。根据第二客户端反馈的审查结果进行诊断，大大提高了初诊的准确性。
本实施例中，将初诊结果通过网络协议推送到第二客户端进行审核，减少了用于寻找对应医生的时间，以使患者能够快速正确得到问诊结果。若接收到第二客户端反馈的审查结果，则根据审查结果进行相应的诊断。大大提高了初诊的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种智能初诊装置，该智能初诊装置与上述实施例中智能初诊方法一一对应。如图7所示，该智能初诊装置包括问诊请求获取模块10、目标知识图谱获取模块20、医疗决策信息获取模块30和初诊结果获取模块40。各功能模块详细说明如下：
问诊请求获取模块10，用于获取第一客户端发送的问诊请求，问诊请求包括科室标识和患者描述信息；
目标知识图谱获取模块20，用于获取与科室标识对应的医疗知识图谱，作为目标医疗知识图谱；
医疗决策信息获取模块30，用于采用目标医疗知识图谱对患者描述信息进行解析，获取医疗决策信息；
初诊结果获取模块40，用于基于医疗决策信息生成初诊结果。
优选地，如图8所示，目标知识图谱获取模块20包括医疗数据获取单元21、医疗数据关系度获取单元22和目标医疗知识图谱获取单元23。
医疗数据获取单元21，用于获取与科室标识对应的医疗数据，医疗数据包括一个疾病特征和与疾病特征对应的至少一个症状部位；
医疗数据关系度获取单元22，用于采用频繁项集算法对疾病特征和症状部位进行关联性分析，获取医疗数据关系度；
目标医疗知识图谱获取单元23，用于采用商业级数据图表工具对医疗数据关系度进行图表转换，得到目标医疗知识图谱。
优选地，医疗数据关系度获取单元包括第一支持度确定子单元、第一频繁集选取子单元和医疗数据关系度获取子单元。
第一支持度确定子单元，用于基于疾病特征和症状部位，获取至少一个第一候选集，根据每一第一候选集出现的次数确定对应的第一支持度；
第一频繁集选取子单元，用于选取第一支持度大于或等于预设支持度的第一候选集作为第一频繁集；
医疗数据关系度获取子单元，用于根据自然连接定理和剪枝算法对第一频繁集和第一候选集进行迭代处理，获取更新的第一候选集、更新的第一支持度和更新的第一频繁集，直至更新的第一频繁集为空集时，则基于上一次更新的第一频繁集确定医疗数据关系度。
优选地，如图9所示，医疗决策信息获取模块30包括关键词信息获取单元31、结构信息获取单元32和医疗决策信息获取单元33。
关键词信息获取单元31，用于获取患者描述信息中的关键词信息；
结构信息获取单元32，用于基于语义解析的算法将关键词信息解析成结构信息；
医疗决策信息获取单元33，用于根据结构信息，从目标医疗图谱中获取医疗决策信息。
优选地，该智能初诊装置还包括初诊结果发送模块和初诊结果审核模块。
初诊结果发送模块，用于将初诊结果通过网络协议推送到第二客户端进行审核；
初诊结果审核模块，用于若接收到第二客户端反馈的审查结果，则根据审查结果进行相应的诊断。
关于智能初诊装置的具体限定可以参见上文中对于智能初诊方法的限定，在此不再赘述。上述智能初诊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10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该智能初诊方法中使用到的数据。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前述任意一种智能初诊方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取第一客户端发送的问诊请求，所述问诊请求包括科室标识和患者描述信息；
获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱；
采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息；
基于所述医疗决策信息生成初诊结果。
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以下步骤：
获取第一客户端发送的问诊请求，所述问诊请求包括科室标识和患者描述信息；
获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱；
采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息；
基于所述医疗决策信息生成初诊结果。
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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能初诊方法，其特征在于，所述智能初诊方法包括：
获取第一客户端发送的问诊请求，所述问诊请求包括科室标识和患者描述信息；
获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱；
采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息，其中，所述医疗决策信息用于作为影像筛查决策的依据；
基于所述医疗决策信息生成初诊结果。
2.如权利要求1所述的智能初诊方法，其特征在于，所述获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱，包括：
获取与所述科室标识对应的医疗数据，所述医疗数据包括一个疾病特征和与疾病特征对应的至少一个症状部位；
采用频繁项集算法对所述疾病特征和所述症状部位进行关联性分析，获取医疗数据关系度；
采用商业级数据图表工具对所述医疗数据关系度进行图表转换，得到所述目标医疗知识图谱。
3.如权利要求2所述的智能初诊方法，其特征在于，采用频繁项集算法对所述疾病特征和所述症状部位进行关联性分析，获取医疗数据关系度，包括：
基于所述疾病特征和所述症状部位，获取至少一个第一候选集，根据每一所述第一候选集出现的次数确定对应的第一支持度；
选取第一支持度大于或等于预设支持度的所述第一候选集作为第一频繁集；
根据自然连接定理和剪枝算法对所述第一频繁集和所述第一候选集进行迭代处理，获取更新的第一候选集、更新的第一支持度和更新的第一频繁集，直至更新的第一频繁集为空集时，则基于上一次更新的第一频繁集确定所述医疗数据关系度。
4.如权利要求1所述的智能初诊方法，其特征在于，所述采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息，包括：
获取所述患者描述信息中的关键词信息；
基于语义解析的算法将所述关键词信息解析成结构信息；
根据所述结构信息，从所述目标医疗图谱中获取所述医疗决策信息。
5.如权利要求1所述的智能初诊方法，其特征在于，在所述基于所述医疗决策信息生成初诊结果之后，所述智能初诊方法还包括：
将所述初诊结果通过网络协议推送到第二客户端进行审核；
若接收到所述第二客户端反馈的审查结果，则根据所述审查结果进行相应的诊断。
6.一种智能初诊装置，其特征在于，所述智能初诊装置包括：
问诊请求获取模块，用于获取第一客户端发送的问诊请求，所述问诊请求包括科室标识和患者描述信息；
目标知识图谱获取模块，用于获取与所述科室标识对应的医疗知识图谱，作为目标医疗知识图谱；
医疗决策信息获取模块，用于采用所述目标医疗知识图谱对所述患者描述信息进行解析，获取医疗决策信息，其中，所述医疗决策信息用于作为影像筛查决策的依据；
初诊结果获取模块，用于基于所述医疗决策信息生成初诊结果。
7.如权利要求6所述的智能初诊装置，其特征在于，所述目标知识图谱获取模块，包括：
医疗数据获取单元，用于获取与所述科室标识对应的医疗数据，所述医疗数据包括一个疾病特征和与疾病特征对应的至少一个症状部位；
医疗数据关系度获取单元，用于采用频繁项集算法对所述疾病特征和所述症状部位进行关联性分析，获取医疗数据关系度；
目标医疗知识图谱获取单元，用于采用商业级数据图表工具对所述医疗数据关系度进行图表转换，得到所述目标医疗知识图谱。
8.如权利要求6所述的智能初诊装置，其特征在于，所述医疗决策信息获取模块，包括：
关键词信息获取单元，用于获取所述患者描述信息中的关键词信息；
结构信息获取单元，用于基于语义解析的算法将所述关键词信息解析成结构信息；
医疗决策信息获取单元，用于根据所述结构信息，从所述目标医疗图谱中获取所述医疗决策信息。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述智能初诊方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述智能初诊方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340803.6A CN109559822A (zh) | 2018-11-12 | 2018-11-12 | 智能初诊方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811340803.6A CN109559822A (zh) | 2018-11-12 | 2018-11-12 | 智能初诊方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109559822A true CN109559822A (zh) | 2019-04-02 |
Family
ID=65866080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811340803.6A Pending CN109559822A (zh) | 2018-11-12 | 2018-11-12 | 智能初诊方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109559822A (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和系统 |
| CN110276749A (zh) * | 2019-06-14 | 2019-09-24 | 辽宁万象联合医疗科技有限公司 | 儿童放射射片及诊断的质量控制人工智能系统及其质控方法 |
| CN110379520A (zh) * | 2019-06-18 | 2019-10-25 | 北京百度网讯科技有限公司 | 医疗知识图谱的挖掘方法及装置、计算机设备及可读介质 |
| CN110470303A (zh) * | 2019-08-14 | 2019-11-19 | 新疆维吾尔自治区人民医院 | 一种医院内就诊导航方法及装置 |
| CN110598116A (zh) * | 2019-09-19 | 2019-12-20 | 上海腾程医学科技信息有限公司 | 检验项目推荐方法及装置、终端设备、存储介质 |
| CN110660482A (zh) * | 2019-09-29 | 2020-01-07 | 北京一药良心信息科技有限公司 | 一种基于大数据的中医处方智能推荐系统及其控制方法 |
| CN110675954A (zh) * | 2019-10-11 | 2020-01-10 | 北京百度网讯科技有限公司 | 信息处理方法及装置、电子设备、存储介质 |
| CN111341447A (zh) * | 2020-02-14 | 2020-06-26 | 京东方科技集团股份有限公司 | 健康管理系统与方法 |
| CN111986800A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱 |
| CN111986799A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱的构建系统 |
| CN111986742A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种构建骨科知识图谱的方法 |
| CN111984771A (zh) * | 2020-07-17 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种基于智能对话的自动问诊系统 |
| CN112017789A (zh) * | 2020-09-09 | 2020-12-01 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、设备及介质 |
| CN112199509A (zh) * | 2020-09-14 | 2021-01-08 | 山东众阳健康科技集团有限公司 | 一种基于知识图谱的导诊方法、系统和存储介质 |
| CN112349399A (zh) * | 2020-11-12 | 2021-02-09 | 杭州火树科技有限公司 | 基于关联算法的手术缺漏自动检测方法 |
| CN112434089A (zh) * | 2020-12-23 | 2021-03-02 | 龙马智芯（珠海横琴）科技有限公司 | 一种频繁项挖掘方法、装置、服务器及可读存储介质 |
| CN113032607A (zh) * | 2019-12-09 | 2021-06-25 | 深圳云天励飞技术有限公司 | 关键人员分析方法、装置、电子设备及存储介质 |
| CN113077906A (zh) * | 2021-04-28 | 2021-07-06 | 上海德衡数据科技有限公司 | 基于元数据的医疗信息采集方法、系统、设备及介质 |
| CN113436723A (zh) * | 2021-06-23 | 2021-09-24 | 康键信息技术（深圳）有限公司 | 视频问诊方法、装置、设备及存储介质 |
| WO2021197491A1 (zh) * | 2020-04-03 | 2021-10-07 | 清华大学 | 跨医疗数据源的网络表示学习算法 |
| CN113764063A (zh) * | 2020-11-09 | 2021-12-07 | 北京京东拓先科技有限公司 | 一种体检报告处理方法、装置、设备及存储介质 |
| CN114528419A (zh) * | 2022-04-25 | 2022-05-24 | 南京大经中医药信息技术有限公司 | 一种中医智能病案推荐方法及推荐系统 |
| CN115062165A (zh) * | 2022-08-18 | 2022-09-16 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于读片知识图谱的医学影像诊断方法及装置 |
| CN111986799B (zh) * | 2020-07-06 | 2024-06-04 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱的构建系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050065814A1 (en) * | 2001-10-16 | 2005-03-24 | Markus Schmidt | Device for the parameter configuration of multimodal measuring appliances |
| CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
| CN108614885A (zh) * | 2018-05-03 | 2018-10-02 | 杭州认识科技有限公司 | 基于医学信息的知识图谱分析方法及装置 |
-
2018
- 2018-11-12 CN CN201811340803.6A patent/CN109559822A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050065814A1 (en) * | 2001-10-16 | 2005-03-24 | Markus Schmidt | Device for the parameter configuration of multimodal measuring appliances |
| CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
| CN108614885A (zh) * | 2018-05-03 | 2018-10-02 | 杭州认识科技有限公司 | 基于医学信息的知识图谱分析方法及装置 |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和系统 |
| CN110085307B (zh) * | 2019-04-04 | 2023-02-03 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和系统 |
| CN110276749A (zh) * | 2019-06-14 | 2019-09-24 | 辽宁万象联合医疗科技有限公司 | 儿童放射射片及诊断的质量控制人工智能系统及其质控方法 |
| CN110276749B (zh) * | 2019-06-14 | 2022-04-01 | 辽宁万象联合医疗科技有限公司 | 儿童放射射片及诊断的质量控制人工智能系统及质控方法 |
| CN110379520A (zh) * | 2019-06-18 | 2019-10-25 | 北京百度网讯科技有限公司 | 医疗知识图谱的挖掘方法及装置、计算机设备及可读介质 |
| CN110470303A (zh) * | 2019-08-14 | 2019-11-19 | 新疆维吾尔自治区人民医院 | 一种医院内就诊导航方法及装置 |
| CN110598116A (zh) * | 2019-09-19 | 2019-12-20 | 上海腾程医学科技信息有限公司 | 检验项目推荐方法及装置、终端设备、存储介质 |
| CN110660482A (zh) * | 2019-09-29 | 2020-01-07 | 北京一药良心信息科技有限公司 | 一种基于大数据的中医处方智能推荐系统及其控制方法 |
| CN110675954A (zh) * | 2019-10-11 | 2020-01-10 | 北京百度网讯科技有限公司 | 信息处理方法及装置、电子设备、存储介质 |
| CN113032607A (zh) * | 2019-12-09 | 2021-06-25 | 深圳云天励飞技术有限公司 | 关键人员分析方法、装置、电子设备及存储介质 |
| CN111341447A (zh) * | 2020-02-14 | 2020-06-26 | 京东方科技集团股份有限公司 | 健康管理系统与方法 |
| WO2021197491A1 (zh) * | 2020-04-03 | 2021-10-07 | 清华大学 | 跨医疗数据源的网络表示学习算法 |
| CN111986799A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱的构建系统 |
| CN111986800A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱 |
| CN111986742A (zh) * | 2020-07-06 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种构建骨科知识图谱的方法 |
| CN111986799B (zh) * | 2020-07-06 | 2024-06-04 | 北京欧应信息技术有限公司 | 一种以关节运动功能为核心的骨科知识图谱的构建系统 |
| CN111984771A (zh) * | 2020-07-17 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种基于智能对话的自动问诊系统 |
| CN112017789A (zh) * | 2020-09-09 | 2020-12-01 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、设备及介质 |
| CN112017789B (zh) * | 2020-09-09 | 2023-08-01 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、设备及介质 |
| CN112199509A (zh) * | 2020-09-14 | 2021-01-08 | 山东众阳健康科技集团有限公司 | 一种基于知识图谱的导诊方法、系统和存储介质 |
| CN113764063A (zh) * | 2020-11-09 | 2021-12-07 | 北京京东拓先科技有限公司 | 一种体检报告处理方法、装置、设备及存储介质 |
| CN112349399A (zh) * | 2020-11-12 | 2021-02-09 | 杭州火树科技有限公司 | 基于关联算法的手术缺漏自动检测方法 |
| CN112349399B (zh) * | 2020-11-12 | 2022-05-24 | 杭州火树科技有限公司 | 基于关联算法的手术缺漏自动检测方法 |
| CN112434089A (zh) * | 2020-12-23 | 2021-03-02 | 龙马智芯（珠海横琴）科技有限公司 | 一种频繁项挖掘方法、装置、服务器及可读存储介质 |
| CN113077906A (zh) * | 2021-04-28 | 2021-07-06 | 上海德衡数据科技有限公司 | 基于元数据的医疗信息采集方法、系统、设备及介质 |
| CN113077906B (zh) * | 2021-04-28 | 2022-12-13 | 上海德衡数据科技有限公司 | 基于元数据的医疗信息采集方法、系统、设备及介质 |
| WO2022267678A1 (zh) * | 2021-06-23 | 2022-12-29 | 康键信息技术（深圳）有限公司 | 视频问诊方法、装置、设备及存储介质 |
| CN113436723A (zh) * | 2021-06-23 | 2021-09-24 | 康键信息技术（深圳）有限公司 | 视频问诊方法、装置、设备及存储介质 |
| CN114528419A (zh) * | 2022-04-25 | 2022-05-24 | 南京大经中医药信息技术有限公司 | 一种中医智能病案推荐方法及推荐系统 |
| CN115062165B (zh) * | 2022-08-18 | 2022-12-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于读片知识图谱的医学影像诊断方法及装置 |
| CN115062165A (zh) * | 2022-08-18 | 2022-09-16 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于读片知识图谱的医学影像诊断方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109559822A (zh) | 智能初诊方法、装置、计算机设备及存储介质 | |
| CN106202955A (zh) | 基于编码智能适配的诊断相关分组方法及系统 | |
| WO2022116430A1 (zh) | 基于大数据挖掘的模型部署方法、装置、设备及存储介质 | |
| Smith et al. | Biomedical imaging ontologies: A survey and proposal for future work | |
| CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
| CN110428907A (zh) | 一种基于非结构化电子病历的文本挖掘方法及系统 | |
| JP2022541588A (ja) | 非構造化データを分析するためのディープラーニングアーキテクチャ | |
| CN112035614B (zh) | 测试集生成方法、装置、计算机设备和存储介质 | |
| Hou et al. | Multi-label learning with visual-semantic embedded knowledge graph for diagnosis of radiology imaging | |
| WO2023226351A1 (zh) | 一种基于药效团模型的小分子生成方法、设备及介质 | |
| US20220405933A1 (en) | Systems, methods, and apparatuses for implementing annotation-efficient deep learning models utilizing sparsely-annotated or annotation-free training | |
| CN113903422A (zh) | 医疗影像诊断报告实体提取方法、装置及设备 | |
| Agrawal et al. | Detecting modeling inconsistencies in SNOMED CT using a machine learning technique | |
| Hu et al. | Neural joint attention code search over structure embeddings for software Q&A sites | |
| KR101983383B1 (ko) | 의료비 지급심사를 위해 보험약관이 적용된 룰 기반 유사질의답변 연계 의료정보 서비스 제공 방법 | |
| WO2023098291A1 (zh) | 一种数据处理方法及数据处理装置 | |
| Wagh et al. | Early detection of PCOD using machine learning techniques | |
| CN113241198B (zh) | 用户数据处理方法、装置、设备及存储介质 | |
| Sachdeva | Standard-based personalized healthcare delivery for kidney illness using deep learning | |
| Zhang et al. | Hybrid Alignment Strategy for Anatomical Ontologies: Results of the 2007 Ontology Alignment Contest. | |
| Al-qaness et al. | Chest X-ray Images for Lung Disease Detection Using Deep Learning Techniques: A Comprehensive Survey | |
| Pivithuru et al. | E-patient Card: An Integrated Electronic Health Recording System for Patient | |
| CN109859852A (zh) | 改进的Apriori算法及其在藏医关联挖掘中的应用 | |
| Chen et al. | Constructing Medical Image Domain Ontology with Anatomical Knowledge | |
| Vo et al. | Toward global health interoperability: ontology development of traditional Chinese medicine through comparative analyses |
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: 20190402 |
|
| RJ01 | Rejection of invention patent application after publication |