CN109887587A - 智能分诊方法、系统、装置及存储介质 - Google Patents
智能分诊方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN109887587A CN109887587A CN201910059696.8A CN201910059696A CN109887587A CN 109887587 A CN109887587 A CN 109887587A CN 201910059696 A CN201910059696 A CN 201910059696A CN 109887587 A CN109887587 A CN 109887587A
- Authority
- CN
- China
- Prior art keywords
- patient
- learning model
- suspected disease
- machine learning
- related symptoms
- 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 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 208000024891 symptom Diseases 0.000 claims abstract description 97
- 201000010099 disease Diseases 0.000 claims abstract description 86
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 86
- 238000010801 machine learning Methods 0.000 claims abstract description 50
- 238000004590 computer program Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 28
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术领域，提供一种智能分诊方法、系统、装置及存储介质，其中方法包括：输入患者的相关症状；利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；根据获取的患者的疑似疾病对患者进行进一步询问，获取进一步区分患者的疑似疾病的相关症状；利用机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者就诊的科室。利用本发明，能够解决由于问诊路径有限对特征情况患者分诊而导致有误的问题。
Description
技术领域
本发明涉及人工智能技术领域，更为具体地，涉及一种智能分诊方法、系统、装置及存储介质。
背景技术
目前市面上的智能分诊产品，大部分为：康夫子、腾讯AI导诊等，都是根据一些教科书式的诊断路径和规则指南对患者进行问答，例如：首先基于医学指南，在患者输入症状后，根据该症状主要有哪些伴随症状，反问患者是否患有其他一些症状，并通过搜集的信息，然后根据医学指南对每一种伴随症状对应疑似疾病给患者进行分诊。
上述这种基于知识的问诊路径所能覆盖的症状有限，也很难精细化地根据患者的特殊情况对患者进行分诊导诊。如果当患者患有的症状组合在规则指南上不存在时，那么采用上述方法就不能很好的提供分诊服务。
因此，为了解决上述问题，本发明提供了一种智能分诊方法、系统、装置及存储介质。
发明内容
鉴于上述问题，本发明的目的是提供一种智能分诊方法、系统、装置及存储介质，以解决由于问诊路径有限对特征情况患者分诊而导致有误的问题。
第一方面，本发明提供一种智能分诊方法，应用于电子装置，包括：
输入患者的相关症状；
利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；
根据获取的患者的疑似疾病对患者进行进一步询问，获取进一步区分患者的疑似疾病的相关症状；
利用机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者就诊的科室。
第二方面，本发明还提供一种智能分诊系统，包括：
症状输入单元，用于输入患者的相关症状；
疑似疾病推断单元，用于利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；
症状获取单元，用于根据获取的患者的疑似疾病对患者进行进一步询问，获取进一步区分患者的疑似疾病的相关症状；
就诊科室确定单元，用于利用所述机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者的就诊科室。
第三方面，本发明还提供一种电子装置，该电子装置包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其中，处理器执行计算机程序时实现如上述智能分诊方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中包括计算机程序，所述计算机程序被处理器执行时，实现如上述智能分诊方法的步骤。
从上面的技术方案可知，本发明提供的智能分诊方法、系统、装置及存储介质，利用机器学习模型实时推断患者最有可能患有的几种疾病，并基于这些疑似疾病包含的典型症状对患者进行反问，最终通过进一步收集到的患者信息，再次利用机器学习模型判断患者就诊科室。采用本发明的这种分诊方法，能够取得以下有益效果：
1)利用机器学习模型实现分诊，相比基于知识的分诊产品，更加准确，高效，覆盖面更广；
2)通过对患者疑似疾病的推断，能够更有效的对患者进行症状追问；
3)基于症状追问能够最大化区分各疑似疾病，从而提高分诊效率。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的智能分诊方法流程图；
图2为根据本发明实施例的确定患者就诊科室的流程示意图；
图3为根据本发明实施例的智能分诊逻辑结构框图；
图4为根据本发明实施例的电子装置逻辑结构示意图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
本发明实施例可以应用于计算机系统/服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器等电子设备一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
计算机系统/服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器等电子设备可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
以下将结合附图对本发明的具体实施例进行详细描述。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
实施例1
患者在医院就诊时，首先面临分诊的问题。一般情况下，分诊台医师会根据经验对患者进行简单的问答，并推荐其到相应科室就诊。由于分诊台医师的经验有限，分诊出现错误的可能性也很大。
基于此问题，本发明利用机器学习模型，从实际数据出发，根据患者的情况判断患者最有可能患有的疾病，并基于利用机器学习模型，实时地通过这些疑似疾病的典型症状表现，筛选出最能区分这几种疑似疾病的症状表现对患者进行询问，最后通过机器学习模型确定就诊科室。
为了说明本发明提供的智能分诊方法，图1示出了根据本发明实施例的智能分诊流程。
如图1所示，本发明提供的智能分诊方法，包括：
S110：输入患者的相关症状。
在步骤S110中，输入相关症状适用于患者自己输入症状，系统会根据患者输入的主诉从而自动提取相关的症状。
其中，需要说明的是，提取相关的症状是通过文字识别实现的，当患者输入主诉后，系统会自动出去症状等关键词。其中，文字识别功能包括能够识别症状口语化表述等同义词识别的功能。
S120：利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病。
在步骤S120中，本发明中机器学习模型可以不做特指，目前用到的是深度学习模型。
其中，深度学习就是要构建一个网络，这个网络也就是指深度学习神经网络模型，深度学习一般可以归纳为以下所示的3个步骤：
第步骤,神经网络模型是一个有简单函数组成的复杂的函数，通常设计一个神经网络模型，然后用计算机从给定的训练数据中训练得到一些参数，这些参数保证模型能够在测试集中达到设计预期的效果，并且具有泛化能力。
第二步骤，根据训练数据定义一个代价函数，通过代价函数可以评估什么参数是有效的什么参数不是有效的，模型中什么样的函数是好的什么样的函数是不好的，怎样定义一个代价函数则是根据具体任务和实际的训练数据进行设计。
第三个步骤，根据前面两步骤的结果找出最佳的函数，例如用梯度下降的方法找出这个最佳的函数。
其中，深度学习模型可以为CNN(Convolutional Neural Network，卷积神经网络)和LSTM(Long Short-Term Memory，长短期记忆网络)。
其中，卷积神经网络CNN是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现，它包括卷积层(convolutionallayer)和池化层(pooling layer)。
CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，该部分功能主要由池化层实现。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理，其布局更接近于实际的生物神经网络，权值共享降低网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免特征提取和分类过程中数据重建的复杂度。
LSTM(是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等任务。
在本发明的实施例中，采用长短期记忆网络对输入的患者的相关症状进行实时推断，从而推断出患者可能患有的几种疑似疾病。
S130：根据获取的患者的疑似疾病对患者进行进一步询问，获取进一步区分患者的疑似疾病的相关症状。
在步骤S130中，基于通过机器学习模型推断出的疑似疾病包含的典型症状对患者进行反问，从而进一步收集到的患者信息。
也就是说，系统会根据机器学习模型推断出的疑似疾病自动对患者进行反问，收集用于进一步区分疑似疾病的症状。在此过程中，系统会给患者几个选项让患者进行选择和回答，不需要医生的介入，从而节省了时间。
S140：利用机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者就诊的科室。
在步骤S140中，根据在步骤S130中收集到的患者的疑似疾病的信息(此信息是实时更新的)，机器学习模型会对收集到的患者的疑似疾病的信息(实时更新的信息)进行训练学习，并对患者再次进行反问和信息收集，将最后收集到的信息输入机器学习模型进行处理，从而确定患者就诊的科室。
也就是说，机器学习模型会通过数据进行训练，训练好的机器学习模型从数据中提取了相关的信息，从而可以自动的根据给出的症状判断相关的疑似疾病，根据疑似疾病推荐相应的科室。
为了更一步说明机器学习模型确定患者就诊科室的过程，图2示出了根据本发明实施例的确定患者就诊科室的流程。
如图2所示，本发明中确定患者就诊科室的过程如下：
步骤S210：对机器学习模型进行训练；
步骤S220：利用训练好的机器学习模型从进一步区分患者的疑似疾病的相关症状的数据中提取相关的信息；
步骤S230：根据提取相关的信息判断患者所患的疑似疾病；
步骤S240：根据判断的疑似疾病推荐相应的就诊科室。
在本发明采用机器学习模型的实施例中，患者自己输入“咳嗽，发热”等症状信息，机器学习模型将根据获取的“咳嗽，发热”的症状进行推断患者可能患上的感冒、急性呼吸道感染等疾病，根据两种疾病的症状，系统反问患者的是否有时候“发冷”等症状，从而进一步收集患者的信息，患者如果将不会发冷输入到系统中，机器学习模型根据进一步收集到的信息，判断患有急性上呼吸道感染的可能性大，相应的会把患者推荐到呼吸科。
其中，需要说明的是，在步骤S130中在信息收集过程中，患者会不断有新的症状信息录入。每当患者症状信息更新时，本方法都会依据最新的信息及时的调整对疑似疾病的推断，给出相应的就诊科室推荐，并依据最近的推断对患者进行反问，进一步收集信息，用于给出更加精确的科室推荐。
本发明中这种实时调整的功能，是问诊路径的分诊产品无法实现的，因为问诊路径的产品需要一个完整的路径才能给出最终的科室推荐结果。
本发明实施例提供的智能分诊方法，输入患者的相关症状；利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；根据获取的患者的疑似疾病对患者进行反问，获取进一步区分患者的疑似疾病的相关症状；利用机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者就诊的科室。采用本方法通过症状问答，最大化效率，用更少的问题达到更精确地判断，帮助患者更准更快的到相应科室就诊；相比基于诊断路径和规则的分诊产品，本方法支持用户在问诊中途自行输入推荐症状之外的症状等信息，并实时调整症状推荐和科室推荐。
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。
实施例2
与上述方法相对应，本发明还提供一种在智能分诊系统，图3示出了根据本发明实施例的智能分诊系统逻辑结构。
如图3所示，本发明提供一种智能分诊系统300，包括：症状输入单元310、疑似疾病推断单元320、症状获取单元330和就诊科室确定单元340。其中，症状输入单元310、疑似疾病推断单元320、症状获取单元330和就诊科室确定单元340的实现功能与实施例中智能分诊方法的对应的步骤一一对应，为避免赘述，本实施例不一一详述。
症状输入单元310，用于输入患者的相关症状；
疑似疾病推断单元320，用于利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；
症状获取单元330，用于根据获取的患者的疑似疾病对患者进行进一步询问，获取进一步区分患者的疑似疾病的相关症状；
就诊科室确定单元340，用于利用所述机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者的就诊科室。
优选地，症状输入单元310通过文字识别自动提取患者的相关症状，其中，包括自动提取患者的相关症状的口语化词语。
优选地，在疑似疾病推断单元320中，机器学习模型为深度学习模型，深度学习模型对输入的患者的症状进行判断，推断出患者所患的疑似病症。
优选地，就诊科室确定单元340包括：机器学习模型训练模块341、相关信息提取模块342、疑似疾病判断模块343和就诊科室推荐模块344。
其中，机器学习模型训练模块341，用于对机器学习模型进行训练；
相关信息提取模块342，用于利用训练好的机器学习模型从进一步区分患者的疑似疾病的相关症状的数据中提取相关的信息；
疑似疾病判断模块343，用于根据提取相关的信息判断相关的疑似疾病；
就诊科室推荐模块344，用于根据判断的疑似疾病推荐相应的就诊科室。
本发明实施例提供的智能分诊系统，症状输入单元310，用于输入患者的相关症状；疑似疾病推断单元320，用于利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；症状获取单元330，用于根据获取的患者的疑似疾病对患者进行反问，获取进一步区分患者的疑似疾病的相关症状；就诊科室确定单元340，用于利用所述机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者的就诊科室。本系统会通过症状问答，最大化效率，用更少的问题达到更精确地判断，帮助患者更准更快的到相应科室就诊；相比基于诊断路径和规则的分诊产品，本系统支持用户在问诊中途自行输入推荐症状之外的症状等信息，并实时调整症状推荐和科室推荐。
实施例3
图4是本发明一实施例提供的电子装置逻辑结构的示意图。如图4所示，该实施例的电子装置40包括处理器41、存储器42以及存储在存储器42中并可在处理器41上运行的计算机程序43。处理器41执行计算机程序43时实现实施例1中智能分诊方法的各个步骤，例如图1所示的步骤S110至S140。或者，处理器41执行智能分诊方法时实现上述各装置实施例中各模块/单元的功能，例如图3所示的症状输入单元310、疑似疾病推断单元320、症状获取单元330和就诊科室确定单元340。
示例性的，计算机程序43可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器42中，并由处理器41执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序43在电子装置40中的执行过程。例如，情绪识别程序23可以被分割成实施例2中的症状输入单元310、疑似疾病推断单元320、症状获取单元330和就诊科室确定单元340，其功能作用在实施例2中有详细描述，在此不一一赘述。
电子装置40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子装置40可包括，但不仅限于，处理器41、存储器42。本领域技术人员可以理解，图4仅仅是电子装置40的示例，并不构成对电子装置40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器41可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器42可以是电子装置40的内部存储单元，例如电子装置40的硬盘或内存。存储器42也可以是电子装置40的外部存储设备，例如电子装置40上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器42还可以既包括电子装置40的内部存储单元也包括外部存储设备。存储器42用于存储计算机程序以及电子设备所需的其他程序和数据。存储器42还可以用于暂时地存储已经输出或者将要输出的数据。
实施例4
本实施例提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现实施例1中智能分诊方法，为避免重复，这里不再赘述。或者，该计算机程序被处理器执行时实现实施例2中智能分诊系统中各模块/单元的功能，为避免重复，这里不再赘述。
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。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
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)
1.一种智能分诊方法，应用于电子装置，其特征在于，包括：
输入患者的相关症状；
利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；
根据获取的患者的疑似疾病对患者进行进一步询问，获取进一步区分患者的疑似疾病的相关症状；
利用所述机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者就诊的科室。
2.根据权利要求1所述的智能分诊方法，其特征在于，
在输入患者的相关症状的过程中，通过文字识别自动提取患者的相关症状，其中，
包括自动提取患者的相关症状的口语化词语。
3.根据权利要求1所述的智能分诊方法，其特征在于，
在利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病的过程中，
所述机器学习模型为深度学习模型，所述深度学习模型对输入的患者的症状进行判断，推断出患者所患的疑似病症。
4.根据权利要求1-3任一项所述的智能分诊方法，其特征在于，
在利用所述机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者就诊的科室的过程中，
首先，对所述机器学习模型进行训练；
然后，利用训练好的机器学习模型从进一步区分患者的疑似疾病的相关症状的数据中提取相关的信息；
接着，根据提取相关的信息判断患者所患的疑似疾病；
最后，根据判断的疑似疾病推荐相应的就诊科室。
5.一种智能分诊系统，其特征在于，包括：
症状输入单元，用于输入患者的相关症状；
疑似疾病推断单元，用于利用机器学习模型对输入的患者的相关症状进行处理，实时推断患者的疑似疾病；
症状获取单元，用于根据获取的患者的疑似疾病对患者进行进一步询问，获取进一步区分患者的疑似疾病的相关症状；
就诊科室确定单元，用于利用所述机器学习模型对获取的进一步区分患者的疑似疾病的相关症状进行处理，确定患者的就诊科室。
6.根据权利要求5所述的智能分诊系统，其特征在于，
所述症状输入单元通过文字识别自动提取患者的相关症状，其中，
包括自动提取患者的相关症状的口语化词语。
7.根据权利要求5所述的智能分诊系统，其特征在于，
在所述疑似疾病推断单元中，所述机器学习模型为深度学习模型，所述深度学习模型对输入的患者的症状进行判断，推断出患者所患的疑似病症。
8.根据权利要求5所述的智能分诊系统，其特征在于，
所述就诊科室确定单元包括：
机器学习模型训练模块，用于对所述机器学习模型进行训练；
相关信息提取模块，用于利用训练好的机器学习模型从进一步区分患者的疑似疾病的相关症状的数据中提取相关的信息；
疑似疾病判断模块，用于根据提取相关的信息判断相关的疑似疾病；
就诊科室推荐模块，用于根据判断的疑似疾病推荐相应的就诊科室。
9.一种电子装置，该电子装置包括：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4任一项所述的智能分诊方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至4中任一项所述的智能分诊方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910059696.8A CN109887587A (zh) | 2019-01-22 | 2019-01-22 | 智能分诊方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910059696.8A CN109887587A (zh) | 2019-01-22 | 2019-01-22 | 智能分诊方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109887587A true CN109887587A (zh) | 2019-06-14 |
Family
ID=66926487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910059696.8A Pending CN109887587A (zh) | 2019-01-22 | 2019-01-22 | 智能分诊方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109887587A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110459316A (zh) * | 2019-07-25 | 2019-11-15 | 珠海九松科技有限公司 | 基于人工智能和大数据的医学预诊系统 |
| CN110534185A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技（深圳）有限公司 | 标注数据获取方法、分诊方法、装置、存储介质及设备 |
| CN111180081A (zh) * | 2019-12-30 | 2020-05-19 | 众安信息技术服务有限公司 | 一种智能问诊方法及装置 |
| CN111951942A (zh) * | 2020-08-25 | 2020-11-17 | 河北省科学院应用数学研究所 | 门诊预检分诊方法、装置、终端及存储介质 |
| 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 |
| CN112201350A (zh) * | 2020-11-11 | 2021-01-08 | 北京嘉和海森健康科技有限公司 | 一种智能分诊方法、装置及电子设备 |
| CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 智能医疗问诊装置、设备及介质 |
| CN112820389A (zh) * | 2021-02-26 | 2021-05-18 | 武汉明德生物科技股份有限公司 | 一种病患自动分诊方法及装置 |
| CN113066575A (zh) * | 2021-03-31 | 2021-07-02 | 电子科技大学成都学院 | 一种基于多功能家庭保健设备的家用智能问诊系统 |
| WO2021151356A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
| WO2021151358A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于解释模型的分诊信息推荐方法、装置、设备及介质 |
| WO2021151328A1 (zh) * | 2020-09-04 | 2021-08-05 | 平安科技（深圳）有限公司 | 症状数据处理方法、装置、计算机设备及存储介质 |
| CN113380392A (zh) * | 2021-06-25 | 2021-09-10 | 南通市第一人民医院 | 一种基于妇科检查安全评估的就诊管理方法及系统 |
| CN113689951A (zh) * | 2021-08-04 | 2021-11-23 | 翼健(上海)信息科技有限公司 | 一种智能导诊方法、系统和计算机可读存储介质 |
| CN113782165A (zh) * | 2021-04-02 | 2021-12-10 | 北京京东拓先科技有限公司 | 分诊方法及装置、计算机可存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184315A (zh) * | 2011-04-02 | 2011-09-14 | 中国医学科学院医学信息研究所 | 基于诊断要素分析的科室分诊系统 |
| CN106650261A (zh) * | 2016-12-22 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 智能问诊方法、装置和系统 |
| US20180060510A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | System, method and computer program product for ensemble-based cognitive online health system for effective disease diagnosis |
-
2019
- 2019-01-22 CN CN201910059696.8A patent/CN109887587A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184315A (zh) * | 2011-04-02 | 2011-09-14 | 中国医学科学院医学信息研究所 | 基于诊断要素分析的科室分诊系统 |
| US20180060510A1 (en) * | 2016-08-31 | 2018-03-01 | International Business Machines Corporation | System, method and computer program product for ensemble-based cognitive online health system for effective disease diagnosis |
| CN106650261A (zh) * | 2016-12-22 | 2017-05-10 | 上海智臻智能网络科技股份有限公司 | 智能问诊方法、装置和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈万米 等: "《人工智能 源自、挑战、服务人类》", 31 January 2018, 上海科学普及出版社 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110459316A (zh) * | 2019-07-25 | 2019-11-15 | 珠海九松科技有限公司 | 基于人工智能和大数据的医学预诊系统 |
| CN110534185A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技（深圳）有限公司 | 标注数据获取方法、分诊方法、装置、存储介质及设备 |
| CN111180081A (zh) * | 2019-12-30 | 2020-05-19 | 众安信息技术服务有限公司 | 一种智能问诊方法及装置 |
| CN111180081B (zh) * | 2019-12-30 | 2023-11-03 | 众安信息技术服务有限公司 | 一种智能问诊方法及装置 |
| CN111951942A (zh) * | 2020-08-25 | 2020-11-17 | 河北省科学院应用数学研究所 | 门诊预检分诊方法、装置、终端及存储介质 |
| CN111951942B (zh) * | 2020-08-25 | 2022-10-11 | 河北省科学院应用数学研究所 | 门诊预检分诊方法、装置、终端及存储介质 |
| WO2022041722A1 (zh) * | 2020-08-28 | 2022-03-03 | 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 |
| 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 |
| WO2021151328A1 (zh) * | 2020-09-04 | 2021-08-05 | 平安科技（深圳）有限公司 | 症状数据处理方法、装置、计算机设备及存储介质 |
| WO2021151356A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技（深圳）有限公司 | 分诊数据处理方法、装置、计算机设备及存储介质 |
| WO2021151358A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技（深圳）有限公司 | 基于解释模型的分诊信息推荐方法、装置、设备及介质 |
| CN112201350A (zh) * | 2020-11-11 | 2021-01-08 | 北京嘉和海森健康科技有限公司 | 一种智能分诊方法、装置及电子设备 |
| CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 智能医疗问诊装置、设备及介质 |
| CN112820389A (zh) * | 2021-02-26 | 2021-05-18 | 武汉明德生物科技股份有限公司 | 一种病患自动分诊方法及装置 |
| CN113066575A (zh) * | 2021-03-31 | 2021-07-02 | 电子科技大学成都学院 | 一种基于多功能家庭保健设备的家用智能问诊系统 |
| CN113782165A (zh) * | 2021-04-02 | 2021-12-10 | 北京京东拓先科技有限公司 | 分诊方法及装置、计算机可存储介质 |
| CN113380392A (zh) * | 2021-06-25 | 2021-09-10 | 南通市第一人民医院 | 一种基于妇科检查安全评估的就诊管理方法及系统 |
| CN113689951A (zh) * | 2021-08-04 | 2021-11-23 | 翼健(上海)信息科技有限公司 | 一种智能导诊方法、系统和计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109887587A (zh) | 智能分诊方法、系统、装置及存储介质 | |
| Sarwar et al. | Prediction of diabetes using machine learning algorithms in healthcare | |
| Dharwadkar et al. | A medical chatbot | |
| Chattopadhyay et al. | A Case‐Based Reasoning system for complex medical diagnosis | |
| Mridha et al. | Automated stroke prediction using machine learning: An explainable and exploratory study with a web application for early intervention | |
| Jemmaa et al. | Multi-agent architecture for visual intelligent remote healthcare monitoring system | |
| Pruengkarn et al. | A review of data mining techniques and applications | |
| Bandopadhyay et al. | Speech Recognition and Neural Networks based Talking Health Care Bot (THCB): Medibot | |
| Rajalakshmi et al. | Heart disease prediction with mapreduce by using weighted association classifier and k-means | |
| CN110472239A (zh) | 实体链接模型的训练方法、装置及电子设备 | |
| Al-Ars et al. | A web/mobile decision support system to improve medical diagnosis using a combination of K-mean and fuzzy logic | |
| Obot et al. | Fuzzy rule-based framework for the management of tropical diseases | |
| Pratama | Self-Diagnosis of Web-Based Pregnancy and Childbirth Disorders Using Forward Chaining Methods | |
| Zohra | Prediction of different diseases and development of a clinical decision support system using Naive Bayes classifier | |
| Giorgi et al. | I am robot, your health adviser for older adults: do you trust my advice? | |
| Maylawati | Expert System for Predicting Children Mental Retardation using Forward Chaining | |
| CN113822439A (zh) | 任务预测方法、装置、设备及存储介质 | |
| Barun et al. | Various Disease Predictions Using Machine Learning | |
| Nasuto et al. | Communicating neurons: A connectionist spiking neuron implementation of stochastic diffusion search | |
| Jain et al. | Bio-inspired Approach for Early Diabetes Prediction and Diet Recommendation | |
| Kushwaha | A Futuristic Perspective on Artificial Intelligence | |
| Anisha et al. | A bird eye view on the usage of artificial intelligence | |
| CN111339252A (zh) | 一种搜索方法、装置及存储介质 | |
| Sadegh-Zadeh et al. | Clinical decision support systems | |
| Enireddy et al. | Introduction to Cognitive Computing |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |