CN110517785B - 相似病例的查找方法、装置及设备 - Google Patents

相似病例的查找方法、装置及设备 Download PDF

Info

Publication number
CN110517785B
CN110517785B CN201910800101.XA CN201910800101A CN110517785B CN 110517785 B CN110517785 B CN 110517785B CN 201910800101 A CN201910800101 A CN 201910800101A CN 110517785 B CN110517785 B CN 110517785B
Authority
CN
China
Prior art keywords
feature
target
medical
input text
similarity
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.)
Active
Application number
CN201910800101.XA
Other languages
English (en)
Other versions
CN110517785A (zh
Inventor
魏巍
陈俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201910800101.XA priority Critical patent/CN110517785B/zh
Publication of CN110517785A publication Critical patent/CN110517785A/zh
Application granted granted Critical
Publication of CN110517785B publication Critical patent/CN110517785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种相似病例的查找方法、装置及设备，涉及大数据技术领域。具体实现方案为：在查找输入文本对应的相似病例时，是先分别计算输入文本与病历检索系统中包括目标医学特征的S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，并根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。

Description

相似病例的查找方法、装置及设备
技术领域
本申请涉及数据处理技术领域，尤其涉及大数据技术领域。
背景技术
现有技术中，在电子病历检索系统中查找某一输入文本对应的相似病历时，仅根据该输入文本中的医学特征进行查找，并将与该医学特征匹配的电子病历作为该输入文本的相似病例。例如，输入文本为“发热三天，呼吸不畅一周”，对该输入文本进行结构化解析处理之后，得到该输入文本中包括的医学特征“发热、呼吸不畅”，并将医学特征“发热、呼吸不畅”作为关键词输入至电子病历检索系统中进行检索，以查找到包括发热、呼吸不畅这两个医学特征的所有电子病历，并将该所有病历均作为该输入文本的相似病例输出。
但是，由于同样的症状其对应的疾病相差甚大，因此，仅将医学特征作为查找依据进行检索，检索粒度较粗，从而导致查找到的相似病例的准确度不高。
发明内容
本申请实施例提供一种相似病例的查找方法、装置及设备，在查找相似病历时，提高了查找到的相似病例的准确度。
第一方面，本申请实施例提供了一种相似病例的查找方法，该方法可以包括：
对输入文本进行结构化解析处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性，并在病历检索系统中获取包括所述目标医学特征的S个历史病例，S为正整数。再分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度，之后，再根据所述S个语义相似度和所述S个特征相似度，在所述S个历史病例中确定与所述输入文本对应的相似病例。
由此可见，本申请实施例提供的相似病例的查找方法，在查找输入文本对应的相似病例时，是先分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，并根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
在一种可能的实现方式中，所述目标特征属性包括乘积因子属性和加法因子属性，所述分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，包括：
计算所述目标特征属性中的乘积因子属性与第一历史病例中，所述目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度；其中，所述第一历史病例为所述S个历史病例中的任意一个历史病例；并计算所述目标特征属性中的加法因子属性与所述第一历史病例中，所述目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度。再根据所述第一相似度和所述第二相似度，计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度。
可以看出，在计算得到目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度之后，就可以结合该特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
在一种可能的实现方式中，所述根据所述第一相似度和所述第二相似度，计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，包括：
根据
Figure BDA0002182077540000021
计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度。
其中，sim(x,y)表示目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度，
Figure BDA0002182077540000022
表示第一相似度，
Figure BDA0002182077540000023
表示第二相似度，x表示输入文本中的目标医学特征，y表示第一历史病历中的目标医学特征，Mx表示乘因子属性集合，Ax表示加法因子属性集合，px,i表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，py,i表示第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，sim(px,i,py,i)表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，与第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性之间的相似度，wj表示第j个加法因子属性的加权系数，且∑jwj＝1，px,j表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，py,j表示第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性，sim(px,j,py,j)表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，与第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性之间的相似度。
在一种可能的实现方式中，所述根据所述S个语义相似度和所述S个特征相似度，在所述S个历史病例中确定与所述输入文本对应的相似病例，包括：
确定所述S个语义相似度和所述S个特征相似度各自对应的权重值，并根据所述S个语义相似度和所述S个特征相似度各自对应的权重值、所述S个语义相似度及所述S个特征相似度，在所述S个历史病例中确定所述输入文本对应的相似病例。
在分别计算得到输入文本与S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度之后，就可以根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
在一种可能的实现方式中，所述根据所述S个语义相似度和所述S个特征相似度各自对应的权重值、所述S个语义相似度及所述S个特征相似度，在所述S个历史病例中确定所述输入文本对应的相似病例，包括：
根据
Figure BDA0002182077540000031
在所述S个历史病例中确定所述输入文本对应的相似病例。
其中，R(d,q)表示输入文本d与S个历史病历中任一个历史病历q之间的相似度，Wsem表示语义相似度对应的权重值，Sim(Semd，Semq)表示输入文本d与历史病历q之间的语义相似度，
Figure BDA0002182077540000032
表示特征相似度对应的权重值，Sim(Featd，i，Featq，i)表示输入文本d中第i个医学特征与历史病历q中第i个医学特征之间的特征相似度。
在一种可能的实现方式中，所述分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，包括：
对所述输入文本和第二历史病例进行分布式语义编码，得到分布式语义编码结果；其中，所述第二历史病例为所述S个历史病例中的任意一个历史病例，并采用余弦距离算法，对所述分布式语义编码结果进行语义相似性计算，得到所述输入文本与所述第二历史病例之间的语义相似度。
可以看出，在本申请实施例中，在计算输入文本与第二历史病例之间的语义相似度时，是通过对输入文本和第二历史病例进行分布式语义编码，并利用余弦距离算法做度量计算。由于分布式语义编码的泛化能力较强，使得文本语义匹配的粒度更细，从而使得计算得到的输入文本与第二历史病例之间的语义相似度更准确。
在一种可能的实现方式中，所述对输入文本进行结构化解析处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性，包括：
对所述输入文本进行结构化解析处理，得到所述输入文本中包括的初始医学特征、及所述初始医学特征对应的初始特征属性，并对所述初始医学特征、及所述初始医学特征对应的初始特征属性进行归一化处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性。
在本申请实施例中，为了便于查找，需要对结构化解析处理得到的初始医学特征和初始特征属性进行归一化处理，得到输入文本中包括的目标医学特征、及目标医学特征对应的目标特征属性，这样在后续查找过程中，就可以将归一化处理得到的目标医学特征和目标特征属性作为查找条件进行查找，可以避免因为同一医学特征，因为不同的命名而导致漏查，从而提高了查找的准确度。
在一种可能的实现方式中，所述方法还包括：
根据预设规则在与所述输入文本对应的相似病例中确定T个相似病历，T为小于S的正整数。
输出所述T个历史病例。
可以看出，由于该T个历史病历是根据语义相似度和特征相似度在病历检索系统中查找得到的，因此，该T个历史病历为与输入文本最为相似的相似病历，这样在输出该T个相似病历之后，医生或者研究人员就可以通过该T个历史病例为当前的诊断或者研究提供参考依据，也进一步体现了历史病历的应用价值。
在一种可能的实现方式中，所述根据预设规则在与所述输入文本对应的相似病例中确定T个相似病历，包括：
按照与所述输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，由大到小的顺序，对所述与所述输入文本对应的相似病例进行排序，并在所述与所述输入文本对应的相似病例中选择前T个历史病例，该前T个历史病历为与输入文本最为相似的相似病历，这样在输出该T个相似病历之后，医生或者研究人员就可以通过该T个历史病例为当前的诊断或者研究提供参考依据，也进一步体现了历史病历的应用价值。
在一种可能的实现方式中，所述根据预设规则在与所述输入文本对应的相似病例中确定T个相似病历，包括：
按照与所述输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，在所述与所述输入文本对应的相似病例中选择特征相似度大于预设阈值的T个历史病例，该前T个历史病历为与输入文本最为相似的相似病历，这样在输出该T个相似病历之后，医生或者研究人员就可以通过该T个历史病例为当前的诊断或者研究提供参考依据，也进一步体现了历史病历的应用价值。
第二方面，本申请实施例还提供一种相似病例的查找装置，该装置可以包括：
处理模块，用于对输入文本进行结构化解析处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性。
获取模块，用于在病历检索系统中获取包括所述目标医学特征的S个历史病例，S为正整数。
所述处理模块，还用于分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度；并根据所述S个语义相似度和所述S个特征相似度，在所述S个历史病例中确定与所述输入文本对应的相似病例。
在一种可能的实现方式中，所述目标特征属性包括乘积因子属性和加法因子属性。
所述处理模块，具体用于计算所述目标特征属性中的乘积因子属性与第一历史病例中，所述目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度；其中，所述第一历史病例为所述S个历史病例中的任意一个历史病例；并计算所述目标特征属性中的加法因子属性与所述第一历史病例中，所述目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度；再根据所述第一相似度和所述第二相似度，计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度。
在一种可能的实现方式中，所述处理模块，具体用于：
根据
Figure BDA0002182077540000061
计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度。
其中，sim(x,y)表示目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度，
Figure BDA0002182077540000062
表示第一相似度，
Figure BDA0002182077540000063
表示第二相似度，x表示输入文本中的目标医学特征，y表示第一历史病历中的目标医学特征，Mx表示乘因子属性集合，Ax表示加法因子属性集合，px,i表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，py,i表示第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，sim(px,i,py,i)表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，与第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性之间的相似度，wj表示第j个加法因子属性的加权系数，且∑jwj＝1，px,j表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，py,j表示第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性，sim(px,j,py,j)表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，与第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性之间的相似度。
在一种可能的实现方式中，所述处理模块，具体用于确定所述S个语义相似度和所述S个特征相似度各自对应的权重值；并根据所述S个语义相似度和所述S个特征相似度各自对应的权重值、所述S个语义相似度及所述S个特征相似度，在所述S个历史病例中确定所述输入文本对应的相似病例。
在一种可能的实现方式中，所述处理模块，具体用于：
根据
Figure BDA0002182077540000064
在所述S个历史病例中确定所述输入文本对应的相似病例。
其中，R(d,q)表示输入文本d与S个历史病历中任一个历史病历q之间的相似度，Wsem表示语义相似度对应的权重值，表示输入文本d与历史病历q之间的语义相似度，
Figure BDA0002182077540000065
表示特征相似度对应的权重值，Sim(Featd，i，Featq，i)表示输入文本d中第i个医学特征与历史病历q中第i个医学特征之间的特征相似度。
第三方面，本申请实施例还提供一种电子设备，该电子设备可以包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面任一项所述的相似病例的查找方法。
第四方面，本申请实施例还提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面任一项所述的相似病例的查找方法。
第五方面，本申请实施例还提供一种相似病例的查找方法，该方法可以包括：
对输入文本进行处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性；并获取包括所述目标医学特征的S个历史病例，S为正整数；再分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度；之后，再根据所述S个语义相似度和所述S个特征相似度，在所述S个历史病例中确定与所述输入文本对应的相似病例。
上述申请中的一个实施例具有如下优点或有益效果：在查找输入文本对应的相似病例时，是先分别计算输入文本与病历检索系统中包括目标医学特征的S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，并根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是可以实现本申请实施例的相似病例的查找方法的一种场景图；
图2是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的一种示意图；
图3是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的另一种示意图；
图4是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的又一种示意图；
图5是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的再一种示意图；
图6是根据本申请第一实施例提供的相似病例的查找方法的流程示意图；
图7是根据本申请第二实施例提供的相似病例的查找方法中S603的流程示意图；
图8是根据本申请第三实施例提供的相似病例的查找方法的流程示意图；
图9为根据本申请第四实施例提供的相似病例的查找装置的结构示意图；
图10是根据本申请实施例的相似病例的查找方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本申请的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。
图1是可以实现本申请实施例的相似病例的查找方法的一种场景图，示例的，请结合图1所示，医生在为病人诊断时，可以参考一些具有相同医学特征的历史相似病例，并结合这些相似病例确定本次诊断结果。例如，当前病人的症状为“发热三天，呼吸不畅一周，又加重了三天”，在查找该症状的历史相似病例时，先对“发热三天，呼吸不畅一周，又加重了三天”进行结构化解析处理，得到医学特征“发热、呼吸不畅”，并将医学特征“发热、呼吸不畅”作为关键词输入至电子病历检索系统中进行检索，以查找到包括发热、呼吸不畅这两个医学特征的所有历史病历，并将该所有历史病历确定为该症状的相似病例。但是，由于同样的症状其对应的疾病相差甚大，因此，仅将医学特征作为查找依据进行检索，检索粒度较粗，从而导致查找到的相似病例的准确度不高。
为了提高查找到的相似病例的准确度，本申请实施例提供了一种相似病例的查找方法，在查找输入文本对应的相似病例时，先对输入文本进行结构化解析处理，得到输入文本中包括的目标医学特征、及目标医学特征对应的目标特征属性，并在病历检索系统中获取包括目标医学特征的S个历史病例，再分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，之后，再根据计算得到的S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例。由此可见，在本申请实施例中，是根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
在详细描述本申请实施例提供的相似病例的查找方法之前，先介绍一下本申请中涉及的几个概念。其中，医学特征可以理解为病人当前的相关病理特征，例如症状、疾病、体征、检查、检验或者医嘱等特征。医学特征对应的特征属性可以理解医学特征的属性信息，例如属性信息可以包括医学特征的持续时间、程度、形状、部位，或者医学特征的诱因等。需要说明的是，在本申请实施例中，为了便于计算特征相似度，可以将医学特征对应的特征属性划分为两种不同的属性类型，这两种属性类型分别为乘积因子属性和加法因子属性。其中，乘积因子属性可以理解为必须匹配的特征属性，加法因子属性可以理解为可选匹配的特征属性。
为了便于理解医学特征和医学特征对应的属性信息这两个概念，下面，将举例对这两个概念进行说明。示例的，在一种可能的场景中，当医学特征为症状时，请参见图2所示，图2是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的一种示意图，结合图2可以看出，医学特征症状对应的特征属性可以包括频率、颜色、部位、形状、性质、程度、大小、诱因、阴阳性、缓解因素、恶化因素、持续时间及加重频率等属性。在一种可能的场景中，当医学特征为疾病时，请参见图3所示，图3是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的另一种示意图，结合图3可以看出，医学特征疾病对应的特征属性可以包括部位、性质、程度、分期、分级、阴阳性、病理分型及持续时间等属性。在另一种可能的场景中，当医学特征为体征时，请参见图4所示，图4是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的又一种示意图，结合图4可以看出，医学特征体征对应的特征属性可以包括程度、部分、阴阳性、体征类型、体征结果及持续时间等属性。在又一种可能的场景中，当医学特征为检查、检验或者医嘱时，请参见图5所示，图5是可以实现本申请实施例的相似病例的查找方法中医学特征及医学特征对应的特征属性的再一种示意图，结合图5可以看出，医学特征检查对应的特征属性可以包括检查项和检查分析等属性，医学特征检验对应的特征属性可以包括检验项和检验结果等属性，医学特征医嘱对应的特征属性可以包括手术和药物等属性。
可以理解的是，在上述特征属性中，阴阳性可以作为乘因子属性，频率、颜色、形状、部位、程度、持续时间等这些属性都可以作为加法因子属性，当然，阴阳性也可以作为加法因子属性。在此，本申请实施例只是以阴阳性可以作为乘因子属性，频率、颜色、形状、部位、程度、持续时间等这些属性都可以作为加法因子属性为例进行说明，但并不代表本申请实施例仅局限于此。
在详细了解了本申请实施例涉及的几个概念之后，下面以具体的实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
图6是根据本申请第一实施例提供的相似病例的查找方法的流程示意图，该相似病例的查找方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为相似病例的查找装置，该相似病例的查找装置可以设置在电子设备中。示例的，请参见图6所示，该相似病例的查找方法可以包括：
S601、对输入文本进行结构化解析处理，得到输入文本中包括的目标医学特征、及目标医学特征对应的目标特征属性。
其中，输入文本可以理解为医生记录的病人的病况信息，具体可以包括现主诉、病史、体格检查及辅助检查等，当然，也可以包括医生对当前病况做出的初步诊断，具体可以根据实际需要进行设置，在此，对于输入文本的内容，本申请实施例不做进一步地限制。示例的，输入文本可以为“发热三天，呼吸不畅一周，又加重了三天”，输入文本也可以为“严重咳嗽三天”。
在获取到用于记录病人的病况信息的输入文本之后，若要查找与该输入文本相似的历史病例，可以先对该输入文本进行结构化解析处理，以得到该输入文本中包括的初始医学特征及初始医学特征对应的初始特征属性。可以理解的是，在对该输入文本进行结构化解析处理时，可以采用自然语言理解(Natural Language Understanding，NLU)技术对该输入文本进行结构化解析处理，得到该输入文本中包括的初始医学特征及初始医学特征对应的初始特征属性。需要说明的是，在本申请实施例中，之所以将结构化解析处理得到的医学特征描述为初始医学特征，将特征属性描述为初始特征属性，是因为在后续查找相似病例的过程中，为了便于查找，需要对结构化解析处理得到的初始医学特征和初始特征属性进行归一化处理，得到输入文本中包括的目标医学特征、及目标医学特征对应的目标特征属性，这样在后续查找过程中，就可以将归一化处理得到的目标医学特征和目标特征属性作为查找条件进行查找，可以避免因为同一医学特征，因为不同的命名而导致漏查，从而提高了查找的准确度。
示例的，以输入文本为“严重发烧两天，阳性”为例，若要查找与该输入文本“严重发烧两天，阳性”相似的历史病例，可以先采用NLU技术对该输入文本“严重发烧两天，阳性”进行结构化解析处理，以得到该输入文本中包括的初始医学特征“发烧”，初始医学特征“发烧”对应的初始特征属性包括：[阴阳性：阳性]、[程度：严重]及[持续时间：2天]。在分别得到初始医学特征及初始医学特征对应的初始特征属性之后，为了便于查找，需要对结构化解析处理得到的初始医学特征和初始特征属性进行归一化处理，例如，将“发烧”归一化处理为“发热”，得到该输入文本中包括的目标医学特征“发热”，目标医学特征“发热”对应的目标特征属性包括：[阴阳性：阳性]、[程度：严重]及[持续时间：2天]，这样在后续查找过程中，就可以将归一化处理得到的目标医学特征和目标特征属性，即目标医学特征“发热”，及目标医学特征“发热”对应的目标特征属性包括：[阴阳性：阳性]、[程度：严重]及[持续时间：2天]作为查找条件进行查找，可以避免因为同一医学特征“发热”，因为不同的命名“发热”和“发烧”而导致漏查，从而提高了查找的准确度。
需要说明的是，在记录输入文本时，若医生直接采用归一化的命名记录病人的病况，则对该输入文本进行结构化解析处理之后，得到的初始医学特征即为目标医学特征，同样的，得到的初始医学特征对应的初始特征属性即为目标特征属性。可以看出，在该种情况下，则无需对结构化解析处理得到的初始医学特征和初始特征属性进行归一化处理，而是直接将得到的初始特征和初始特征属性作为查找条件进行查找，可以同样可以避免因为同一医学特征，因为不同的命名而导致漏查，从而提高了查找的准确度。
在通过S601对输入文本进行结构化解析处理，得到输入文本中包括的目标医学特征、及目标医学特征对应的目标特征属性之后，可以先在待检索的病例检索系统中获取包括目标医学特征的S个历史病例，即执行下述S602：
S602、在病历检索系统中获取包括目标医学特征的S个历史病例。
其中，S为正整数。
为了使得历史病例得到的充分利用，可以预先将这些历史病例存储在病例检索系统中，这样在后续的诊断过程中，可以在病例检索系统中查找与当前病况比较相似的历史病例，并通过这些历史病例为当前的诊断提供参考，从而可以有效地提高诊断结果的准确度。
在病例检索系统中查找与输入文本对应的相似病例时，可以先在病历检索系统中查找获取包括目标医学特征的S个历史病例。结合上述S601中的描述，可以先将目标医学特征“发热”作为查找条件，在病例检索系统中查找包括医学特征“发热”的历史病例，从而得到包括医学特征“发热”的S个历史病例。可以理解的是，查找到的包括医学特征“发热”的S个历史病例中，有的历史病例中医学特征“发热”对应的特征属性与输入文本中医学特征“发热”对应的特征属性接近或者相同，有的历史病例中医学特征“发热”对应的特征属性与输入文本中医学特征“发热”对应的特征属性不同，对于与输入文本中医学特征“发热”对应的特征属性不同的历史病例，不能为当前的诊断或者研究提供参考依据，因此，不能直接将包括医学特征“发热”的这些历史病例确定为该输入文本对应的相似病例。
基于上述分析，本申请实施例提供的相似病例的查找方法，与现有技术不同的是，在病历检索系统中查找获取到包括目标医学特征的S个历史病例之后，不是直接将该S个历史病例作为输入文本的相似病例，而是考虑到医学特征对应的特征属性对诊断结果的重要性，因此，在查找到包括医学特征的S个历史病例之后，还需要进一步计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，从而根据计算得到的S个语义相似度和S个特征相似度，在S个历史病例中进一步确定与输入文本对应的相似病例，即执行下述S603-S604。可以看出，本申请实施例提高的相似病例的查找方法，查找粒度较细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度，并且，查找到的这些匹配度较高的相似病例可以有效地为当前的诊断或者研究提供参考依据。
S603、分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度。
可以理解的是，在分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度时，可以先采用标点符号对输入文本和每一个历史病例均进行分句处理，标点符号可以为逗号、句号、问号或者感叹号等，分别得到输入文本中的主诉、现病史、体格检查及辅助检查等，及每一个历史病例中的主诉、现病史、体格检查及辅助检查等，再对输入文本中的主诉、现病史、体格检查及辅助检查，与每一个历史病例中的主诉、现病史、体格检查及辅助检查之间做语义相似度度量，从而得到输入文本与S个历史病例中每一个历史病例之间的语义相似度。
需要说明的是，在计算输入文本与S个历史病例中每一个历史病例之间的语义相似度之前，若输入文本和历史病例均是按照归一化的标准输入及存储的，那么可以直接计算输入文本与S个历史病例中每一个历史病例之间的语义相似度。相反的，若输入文本和历史病例不是按照归一化的标准输入及存储的，则需要先对输入文本和历史病例进行归一化处理，可以避免因为同一医学特征，因为不同的命名而导致计算得到的语义相似度准确度不高，从而提高了查找到的相似病例的准确度。
在分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度时，可以进一步考虑到各目标特征属性所属的属性类型，即先对目标特征属性进行属性类型划分，并分别计算属于乘积因子属性的各目标特征属性之间的相似度，及输入加法因子属性的各目标特征属性之间的相似度，从而根据这两种相似度计算得到目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度。
在分别计算得到S个语义相似度和S个特征相似度之后，就可以执行下述S604：
S604、根据S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例。
在分别计算得到S个语义相似度和S个特征相似度之后，就可以根据这两种相似度，在S个历史病例中进一步确定与输入文本对应的相似病例，且这些相似病例与输入文本之间的匹配度较高，因此，可以有效地为当前的诊断或者研究提供参考依据。
由此可见，本申请实施例提供的相似病例的查找方法，在查找输入文本对应的相似病例时，是先分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，并根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
实施例二
基于图6所示的实施例，可以看出，在本申请实施例中，在查找与输入文本对应的相似病例时，需要先分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，即执行上述S603。下面，将通过实施例二详细描述在本申请实施例中，如何计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，及如何计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度。示例的，请参见图7所示，图7是根据本申请第二实施例提供的相似病例的查找方法中S603的流程示意图，该方法可以包括：
在分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度时，可以通过下述S701-S702实现。
S701、对输入文本和第二历史病例进行分布式语义编码，得到分布式语义编码结果。
其中，第二历史病例为S个历史病例中的任意一个历史病例。
结合S603中的相关描述，在计算输入文本与S个历史病例中任意一个历史病例之间的语义相似度时，以任意一个历史病例为第二历史病例为例，可以先采用标点符号对输入文本和第二历史病例均进行分句处理，分别得到输入文本中的主诉、现病史、体格检查及辅助检查等，及第二历史病例中的主诉、现病史、体格检查及辅助检查等，再采用PV-DM算法对输入文本中的主诉、现病史、体格检查及辅助检查，及第二历史病例中的主诉、现病史、体格检查及辅助检查进行分布式语义编码，得到分布式语义编码结果，然后再采用余弦距离算法，对分布式语义编码结果进行语音相似度度量，就可以得到输入文本与第二历史病例之间的语义相似度，即执行下述S702。
S702、采用余弦距离算法，对分布式语义编码结果进行语义相似性计算，得到输入文本与第二历史病例之间的语义相似度。
可以看出，在本申请实施例中，在计算输入文本与第二历史病例之间的语义相似度时，是通过对输入文本和第二历史病例进行分布式语义编码，并利用余弦距离算法做度量计算。由于分布式语义编码的泛化能力较强，使得文本语义匹配的粒度更细，从而使得计算得到的输入文本与第二历史病例之间的语义相似度更准确。
在通过上述S701-S702分别计算得到输入文本与S个历史病例中任意一个历史病例之间的语义相似度之后，还需要分别计算输入文本中目标医学特征对应的目标特征属性与S个历史病例中任意一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，从而根据计算得到的S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例。可选的，在分别计算输入文本中目标医学特征对应的目标特征属性与S个历史病例中任意一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，以任意一个历史病例为第一历史病例为例，可以通过下述S703-S705实现。
S703、计算目标特征属性中的乘积因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度。
其中，第一历史病例为S个历史病例中的任意一个历史病例。
同样以输入文本为“严重发烧两天，阳性”为例，结合上述S603中的相关描述，在对输入文本进行结构化解析处理及归一化处理之后，得到输入文本“严重发烧两天，阳性”中包括的目标医学特征“发热”，及目标医学特征“发热”对应的目标特征属性包括：[阴阳性：阳性]、[程度：严重]及[持续时间：2天]。在分别得到目标医学特征“发热”，及目标医学特征“发热”对应的目标特征属性之后，在计算目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度时，可以先对目标医学特征“发热”对应的目标特征属性进行属性类型划分，例如，目标特征属性中的阴阳性为乘积因子属性，可以得到乘积因子属性集合，该乘积因子属性集合可以用Mx＝{阴阳性}表示，目标特征属性中的程度、持续时间、甚至阴阳性均为加法因子属性，可以得到加法因子属性集合，该加法因子属性集合可以用Ax＝{程度，持续时间，阴阳性}表示，再根据
Figure BDA0002182077540000151
计算得到输入文本中的目标特征属性中的乘积因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度。其中，x表示输入文本中的目标医学特征，y表示第一历史病历中的目标医学特征，px,i表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，py,i表示第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，sim(px,i,py,i)表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，与第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性之间的相似度。在分别得到输入文本中目标医学特征对应的乘因子属性与第一历史病历中目标医学特征对应的乘因子属性之间的相似度之后，就可以根据
Figure BDA0002182077540000152
计算得到目标特征属性中的乘积因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度。
S704、计算目标特征属性中的加法因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度。
示例的，可以根据
Figure BDA0002182077540000161
计算目标特征属性中的加法因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度。其中，x表示输入文本中的目标医学特征，y表示第一历史病历中的目标医学特征，wj表示第j个加法因子属性的加权系数，且∑jwj＝1，px,j表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，py,j表示第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性，sim(px,j,py,j)表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，与第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性之间的相似度。在分别得到输入文本中目标医学特征对应的加法因子属性与第一历史病历中目标医学特征对应的加法因子属性之间的相似度之后，就可以根据
Figure BDA0002182077540000162
计算目标特征属性中的加法因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度。
在通过上述S703和S704分别计算得到第一相似度和第二相似度之后，就可以根据第一相似度和第二相似度，计算目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度，即执行下述S705：
S705、根据第一相似度和第二相似度，计算目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度。
示例的，在根据第一相似度和第二相似度，计算目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度时，可以根据
Figure BDA0002182077540000163
计算第一相似度和第二相似度之间的乘积，并将第一相似度和第二相似度乘积的值确定为目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度。其中，sim(x,y)表示目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度，
Figure BDA0002182077540000164
表示第一相似度，
Figure BDA0002182077540000171
表示第二相似度。
示例的，仍以目标医学特征“发热”为例，在计算输入文本中“发热”对应的目标特征属性与第一历史病历中“发热”对应的目标特征属性之间的相似度时，可以根据公式
Figure BDA0002182077540000172
计算，从而得到输入文本中“发热”对应的目标特征属性与第一历史病历中“发热”对应的目标特征属性之间的相似度。
在通过上述S703-S705计算得到输入文本中目标医学特征对应的目标特征属性与S个历史病例中任意一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度之后，就可以根据计算得到的S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例。
可以理解的是，在本申请实施例中，在
Figure BDA0002182077540000173
计算相似度时，若数据类型为数值型，则
Figure BDA0002182077540000174
若数据类型为布尔型，则
Figure BDA0002182077540000175
若数据类型为文本型，则
Figure BDA0002182077540000176
若数据类型为枚举型，则
Figure BDA0002182077540000177
需要说明的是，在本申请实施例中，S701-S702与S703-S705之间并无先后顺序，可以先执行S701-S702，再执行S703-S705，也可以先执行S703-S705，再执行S701-S702，当然，也可以同时执行S701-S702和S703-S705，在此，本申请实施例只是以先执行S701-S702，再执行S703-S705为例进行说明，但并不代表本申请实施例仅局限于此。
基于图6或图7所示的实施例，在分别计算得到S个语义相似度和S个特征相似度之后，就可以根据S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例。在根据S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例时，可以先分别确定S个语义相似度和S个特征相似度各自对应的权重值；再根据S个语义相似度和S个特征相似度各自对应的权重值、S个语义相似度及S个特征相似度，在S个历史病例中确定输入文本对应的相似病例，即根据
Figure BDA0002182077540000178
在S个历史病例中确定输入文本对应的相似病例。
其中，R(d,q)表示输入文本d与S个历史病历中任一个历史病历q之间的相似度，Wsem表示语义相似度对应的权重值，Sim(Semd，Semq)表示输入文本d与历史病历q之间的语义相似度，
Figure BDA0002182077540000181
表示特征相似度对应的权重值，Sim(Featd，i，Featq，i)表示输入文本d中第i个医学特征与历史病历q中第i个医学特征之间的特征相似度。
在分别计算得到输入文本与S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度之后，就可以根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
需要说明的是，在上述任一实施例中，当输入文本中仅包括一个医学特征时，可以根据先在病历检索系统中查找包括该医学特征的S个历史病历，并进一步根据图7所示的实施例，在S个历史病历中确定与输入文本对应的相似病历，该确定出的相似病历即为该输入文本对应的相似病历。当输入文本中包括至少两个医学特征，例如，包括三个医学特征时，可以先将这三个医学特征作为三个独立的医学特征，并分别按照各医学特征找到对应的相似病历，其查找方法与输入文本中包括一个医学特征时对应的查找方法相同，且经过查找之后，会找到每一个医学特征对应的相似病历，且每一个医学特征对应的相似病历可能不同。需要说明的是，在确定该输入文本对应的相似病历时，可以直接将这三个医学特征各自对应的相似病历均确定为该输入文本对应的相似病历，但是这样得到的相似病历的数量较多，且准确度不高。为了减少相似病历的数量，可以根据这三个医学特征各自的权重值，综合测评每一个医学特征各自对应的相似病历，即对每一个医学特征各自对应的相似病历进行加权处理，这样可以根据加权值在每一个医学特征各自对应的相似病历中，最终确定出与输入文本对应的相似病历。
实施例三
基于上述任一实施例，可以理解的是，在本申请实施例中，根据S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例之后，还可以在确定出的与输入文本对应的相似病例中进一步确定T个最为相似的历史病例，并输出该T个相似病历，以通过该T个历史病例为当前的诊断或者研究提供参考依据。示例的，请参见图8所示，图8是根据本申请第三实施例提供的相似病例的查找方法的流程示意图，该方法可以包括：
S801、根据预设规则在与输入文本对应的相似病例中确定T个相似病历。
其中，T为小于S的正整数。
可选的，在根据预设规则在与输入文本对应的相似病例中确定T个相似病历时，可以通过至少两种可能的实现方式选择得到该T个历史病例。
在一种可能的实现方式中，可以按照与输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，由大到小的顺序，对与输入文本对应的相似病例进行排序；在与输入文本对应的相似病例中选择前T个历史病例。
在另一种可能的实现方式中，可以按照与输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，在与输入文本对应的相似病例中选择特征相似度大于预设阈值的T个历史病例。其中，预设阈值可以根据实际需要进行设置，在此，本申请实施例不做进一步地限制。
需要说明的是，在根据预设规则在S个历史病例中选择T个历史病例时，本申请实施例只是上述两种可能的实现方式为例进行说明，当然，也可以按照与输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，由小到大的顺序，对与输入文本对应的相似病例进行排序；在与输入文本对应的相似病例中选择后T个历史病例，具体可以根据实际需要进行设置，在此，本申请实施例不做进一步地限制。
在根据预设规则在S个历史病例中选择T个历史病例之后，就可以输出该T个历史病历，即执行下述S802：
S802、输出T个历史病例。
可以看出，由于该T个历史病历是根据语义相似度和特征相似度在病历检索系统中查找得到的，因此，该T个历史病历为与输入文本最为相似的相似病历，这样在输出该T个相似病历之后，医生或者研究人员就可以通过该T个历史病例为当前的诊断或者研究提供参考依据，也进一步体现了历史病历的应用价值。
实施例四
图9为根据本申请第四实施例提供的相似病例的查找装置90的结构示意图，该相似病例的查找装置90可以包括：
处理模块901，用于对输入文本进行结构化解析处理，得到输入文本中包括的目标医学特征、及目标医学特征对应的目标特征属性。
获取模块902，用于在病历检索系统中获取包括目标医学特征的S个历史病例，S为正整数。
处理模块901，还用于分别计算输入文本与S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度；并根据S个语义相似度和S个特征相似度，在S个历史病例中确定与输入文本对应的相似病例。
可选的，目标特征属性包括乘积因子属性和加法因子属性。
处理模块901，具体用于计算目标特征属性中的乘积因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度；其中，第一历史病例为S个历史病例中的任意一个历史病例；并计算目标特征属性中的加法因子属性与第一历史病例中，目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度；再根据第一相似度和第二相似度，计算目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度。
可选的，处理模块901，具体用于：
根据
Figure BDA0002182077540000201
计算目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度。
其中，sim(x,y)表示目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度，
Figure BDA0002182077540000202
表示第一相似度，
Figure BDA0002182077540000203
表示第二相似度，x表示输入文本中的目标医学特征，y表示第一历史病历中的目标医学特征，Mx表示乘因子属性集合，Ax表示加法因子属性集合，px,i表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，py,i表示第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，sim(px,i,py,i)表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，与第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性之间的相似度，wj表示第j个加法因子属性的加权系数，且∑jwj＝1，px,j表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，py,j表示第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性，sim(px,j,py,j)表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，与第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性之间的相似度。
可选的，处理模块901，具体用于确定S个语义相似度和S个特征相似度各自对应的权重值；并根据S个语义相似度和S个特征相似度各自对应的权重值、S个语义相似度及S个特征相似度，在S个历史病例中确定输入文本对应的相似病例。
可选的，处理模块901，具体用于：
根据
Figure BDA0002182077540000211
在S个历史病例中确定输入文本对应的相似病例。
其中，R(d,q)表示输入文本d与S个历史病历中任一个历史病历q之间的相似度，Wsem表示语义相似度对应的权重值，Sim(Semd，Semq)表示输入文本d与历史病历q之间的语义相似度，
Figure BDA0002182077540000212
表示特征相似度对应的权重值，Sim(Featd，i，Featq，i)表示输入文本d中第i个医学特征与历史病历q中第i个医学特征之间的特征相似度。
可选的，处理模块901，具体用于对输入文本和第二历史病例进行分布式语义编码，得到分布式语义编码结果；其中，第二历史病例为S个历史病例中的任意一个历史病例；并采用余弦距离算法，对分布式语义编码结果进行语义相似性计算，得到输入文本与第二历史病例之间的语义相似度。
可选的，处理模块901，具体用于对输入文本进行结构化解析处理，得到输入文本中包括的初始医学特征、及初始医学特征对应的初始特征属性；并对初始医学特征、及初始医学特征对应的初始特征属性进行归一化处理，得到输入文本中包括的目标医学特征、及目标医学特征对应的目标特征属性。
可选的，相似病例的查找装置90还包括输出模块903。
处理模块901，还用于根据预设规则在与输入文本对应的相似病例中确定T个相似病历，T为小于S的正整数。
输出模块903，用于输出T个历史病例。
可选的，处理模块901，具体用于按照与输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，由大到小的顺序，对与输入文本对应的相似病例进行排序；并在与输入文本对应的相似病例中选择前T个历史病例。
可选的，处理模块901，具体用于按照与输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，在与输入文本对应的相似病例中选择特征相似度大于预设阈值的T个历史病例。
本申请实施例提供的相似病例的查找装置90，可以执行上述任一实施例中的相似病例的查找装置90的技术方案，其实现原理以及有益效果与相似病例的查找方法的实现原理及有益效果类似，可参见相似病例的查找方法的实现原理及有益效果，此处不再进行赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图10所示，图10是根据本申请实施例的相似病例的查找方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图10所示，该电子设备包括：一个或多个处理器1001、存储器1002，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图10中以一个处理器1001为例。
存储器1002即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的相似病例的查找方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的相似病例的查找方法。
存储器1002作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的相似病例的查找方法对应的程序指令/模块(例如，附图9所示的处理模块901、获取模块902和输出模块903)。处理器1001通过运行存储在存储器1002中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的相似病例的查找方法。
存储器1002可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据相似病例的查找方法的电子设备的使用所创建的数据等。此外，存储器1002可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器1002可选包括相对于处理器1001远程设置的存储器，这些远程存储器可以通过网络连接至相似病例的查找方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
相似病例的查找方法的电子设备还可以包括：输入装置1003和输出装置1004。处理器1001、存储器1002、输入装置1003和输出装置1004可以通过总线或者其他方式连接，图10中以通过总线连接为例。
输入装置1003可接收输入的数字或字符信息，以及产生与相似病例的查找方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1004可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAT)、广域网(WAT)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，在查找输入文本对应的相似病例时，是先分别计算输入文本与病历检索系统中包括目标医学特征的S个历史病例中每一个历史病例之间的语义相似度，及分别计算目标医学特征对应的目标特征属性与每一个历史病例中目标医学特征对应的目标特征属性之间的特征相似度，并根据语义相似度和特征相似度查找输入文本对应的相似病例，与现有技术中仅根据医学特征查找相似病例，即直接将包括目标医学特征的历史病例确定为输入文本对应的相似病例相比，本申请的查找粒度更细，且查找到的相似病例与输入文本之间的匹配度较高，从而提高了查找到的相似病例的准确度。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (21)

1.一种相似病例的查找方法，其特征在于，包括：
对输入文本进行结构化解析处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性；
在病历检索系统中获取包括所述目标医学特征的S个历史病例，S为正整数；
分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度；
根据所述S个语义相似度和所述S个特征相似度各自对应的权重值、所述S个语义相似度及所述S个特征相似度，在所述S个历史病例中确定与所述输入文本对应的相似病例。
2.根据权利要求1所述的方法，其特征在于，所述目标特征属性包括乘积因子属性和加法因子属性，所述分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，包括：
计算所述目标特征属性中的乘积因子属性与第一历史病例中，所述目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度；其中，所述第一历史病例为所述S个历史病例中的任意一个历史病例；
计算所述目标特征属性中的加法因子属性与所述第一历史病例中，所述目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度；
根据所述第一相似度和所述第二相似度，计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一相似度和所述第二相似度，计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，包括：
根据
Figure FDA0003512971200000011
计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度；
其中，sim(x,y)表示目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度，
Figure FDA0003512971200000012
表示第一相似度，
Figure FDA0003512971200000013
表示第二相似度，x表示输入文本中的目标医学特征，y表示第一历史病历中的目标医学特征，Mx表示乘因子属性集合，Ax表示加法因子属性集合，px,i表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，py,i表示第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，sim(px,i,py,i)表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，与第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性之间的相似度，wj表示第j个加法因子属性的加权系数，且∑jwj＝1，px,j表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，py,j表示第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性，sim(px,j,py,j)表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，与第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性之间的相似度。
4.根据权利要求1所述的方法，其特征在于，所述根据所述S个语义相似度和所述S个特征相似度各自对应的权重值、所述S个语义相似度及所述S个特征相似度，在所述S个历史病例中确定所述输入文本对应的相似病例，包括：
根据
Figure FDA0003512971200000021
在所述S个历史病例中确定所述输入文本对应的相似病例；
其中，R(d,q)表示输入文本d与S个历史病历中任一个历史病历q之间的相似度，Wsem表示语义相似度对应的权重值，Sim(Semd，Semq)表示输入文本d与历史病历q之间的语义相似度，
Figure FDA0003512971200000022
表示特征相似度对应的权重值，Sim(Featd，i，Featq，i)表示输入文本d中第i个医学特征与历史病历q中第i个医学特征之间的特征相似度。
5.根据权利要求1所述的方法，其特征在于，所述分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，包括：
对所述输入文本和第二历史病例进行分布式语义编码，得到分布式语义编码结果；其中，所述第二历史病例为所述S个历史病例中的任意一个历史病例；
采用余弦距离算法，对所述分布式语义编码结果进行语义相似性计算，得到所述输入文本与所述第二历史病例之间的语义相似度。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述对输入文本进行结构化解析处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性，包括：
对所述输入文本进行结构化解析处理，得到所述输入文本中包括的初始医学特征、及所述初始医学特征对应的初始特征属性；
对所述初始医学特征、及所述初始医学特征对应的初始特征属性进行归一化处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性。
7.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
根据预设规则在与所述输入文本对应的相似病例中确定T个相似病历，T为小于S的正整数；
输出所述T个相似 病例。
8.根据权利要求7所述的方法，其特征在于，所述根据预设规则在与所述输入文本对应的相似病例中确定T个相似病历，包括：
按照与所述输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，由大到小的顺序，对所述与所述输入文本对应的相似病例进行排序；
在所述与所述输入文本对应的相似病例中选择前T个相似 病例。
9.根据权利要求7所述的方法，其特征在于，所述根据预设规则在与所述输入文本对应的相似病例中确定T个相似病历，包括：
按照与所述输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，在所述与所述输入文本对应的相似病例中选择特征相似度大于预设阈值的T个相似 病例。
10.一种相似病例的查找装置，其特征在于，包括：
处理模块，用于对输入文本进行结构化解析处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性；
获取模块，用于在病历检索系统中获取包括所述目标医学特征的S个历史病例，S为正整数；
所述处理模块，还用于分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度；并根据所述S个语义相似度和所述S个特征相似度各自对应的权重值、所述S个语义相似度及所述S个特征相似度，在所述S个历史病例中确定与所述输入文本对应的相似病例。
11.根据权利要求10所述的装置，其特征在于，所述目标特征属性包括乘积因子属性和加法因子属性；
所述处理模块，具体用于计算所述目标特征属性中的乘积因子属性与第一历史病例中，所述目标医学特征对应的目标特征属性中的乘积因子属性之间的第一相似度；其中，所述第一历史病例为所述S个历史病例中的任意一个历史病例；并计算所述目标特征属性中的加法因子属性与所述第一历史病例中，所述目标医学特征对应的目标特征属性中的加法因子属性之间的第二相似度；再根据所述第一相似度和所述第二相似度，计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度。
12.根据权利要求11所述的装置，其特征在于，所述处理模块，具体用于：
根据
Figure FDA0003512971200000041
计算所述目标医学特征对应的目标特征属性与所述第一历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度；
其中，sim(x,y)表示目标医学特征对应的目标特征属性与第一历史病例中目标医学特征对应的目标特征属性之间的特征相似度，
Figure FDA0003512971200000042
表示第一相似度，
Figure FDA0003512971200000043
表示第二相似度，x表示输入文本中的目标医学特征，y表示第一历史病历中的目标医学特征，Mx表示乘因子属性集合，Ax表示加法因子属性集合，px,i表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，py,i表示第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，sim(px，i,py,i)表示输入文本中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性，与第一历史病历中的目标医学特征的乘积因子属性集合中的第i个乘积因子属性之间的相似度，wj表示第j个加法因子属性的加权系数，且∑jwj＝1，px,j表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，py,j表示第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性，sim(px，j,py,j)表示输入文本中的目标医学特征的加法因子属性集合中的第j个加法因子属性，与第一历史病历中的目标医学特征的加法因子属性集合中的第j个加法因子属性之间的相似度。
13.根据权利要求10所述的装置，其特征在于，所述处理模块，具体用于：
根据
Figure FDA0003512971200000044
在所述S 个历史病例中确定所述输入文本对应的相似病例；
其中，R(d,q)表示输入文本d与S个历史病历中任一个历史病历q之间的相似度，Wsem表示语义相似度对应的权重值，Sim(Semd，Semq)表示输入文本d与历史病历q之间的语义相似度，
Figure FDA0003512971200000051
表示特征相似度对应的权重值，Sim(Featd，i，Featq，i)表示输入文本d中第i个医学特征与历史病历q中第i个医学特征之间的特征相似度。
14.根据权利要求10所述的装置，其特征在于，
所述处理模块，具体用于对所述输入文本和第二历史病例进行分布式语义编码，得到分布式语义编码结果；其中，所述第二历史病例为所述S个历史病例中的任意一个历史病例；并采用余弦距离算法，对所述分布式语义编码结果进行语义相似性计算，得到所述输入文本与所述第二历史病例之间的语义相似度。
15.根据权利要求10-14任一项所述的装置，其特征在于，
所述处理模块，具体用于对所述输入文本进行结构化解析处理，得到所述输入文本中包括的初始医学特征、及所述初始医学特征对应的初始特征属性；并对所述初始医学特征、及所述初始医学特征对应的初始特征属性进行归一化处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性。
16.根据权利要求10-14任一项所述的装置，其特征在于，所述装置还包括输出模块；
所述处理模块，还用于根据预设规则在与所述输入文本对应的相似病例中确定T个相似病历，T为小于S的正整数；
所述输出模块，用于输出所述T个相似 病例。
17.根据权利要求16所述的装置，其特征在于，
所述处理模块，具体用于按照与所述输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，由大到小的顺序，对所述与所述输入文本对应的相似病例进行排序；并在所述与所述输入文本对应的相似病例中选择前T个相似 病例。
18.根据权利要求16所述的装置，其特征在于，
所述处理模块，具体用于按照与所述输入文本对应的相似病例中，每一个相似病历各自对应的特征相似度，在所述与所述输入文本对应的相似病例中选择特征相似度大于预设阈值的T个相似 病例。
19.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的相似病例的查找方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的相似病例的查找方法。
21.一种相似病例的查找方法，其特征在于，包括：
对输入文本进行处理，得到所述输入文本中包括的目标医学特征、及所述目标医学特征对应的目标特征属性；
获取包括所述目标医学特征的S个历史病例，S为正整数；
分别计算所述输入文本与所述S个历史病例中每一个历史病例之间的语义相似度，得到S个语义相似度；并分别计算所述目标医学特征对应的目标特征属性与所述每一个历史病例中所述目标医学特征对应的目标特征属性之间的特征相似度，得到S个特征相似度；
根据所述S个语义相似度和所述S个特征相似度各自对应的权重值、所述S个语义相似度及所述S个特征相似度，在所述S个历史病例中确定与所述输入文本对应的相似病例。
CN201910800101.XA 2019-08-28 2019-08-28 相似病例的查找方法、装置及设备 Active CN110517785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910800101.XA CN110517785B (zh) 2019-08-28 2019-08-28 相似病例的查找方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910800101.XA CN110517785B (zh) 2019-08-28 2019-08-28 相似病例的查找方法、装置及设备

Publications (2)

Publication Number Publication Date
CN110517785A CN110517785A (zh) 2019-11-29
CN110517785B true CN110517785B (zh) 2022-05-10

Family

ID=68628402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910800101.XA Active CN110517785B (zh) 2019-08-28 2019-08-28 相似病例的查找方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110517785B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259664B (zh) * 2020-01-14 2023-03-24 腾讯科技（深圳）有限公司 医学文本信息的确定方法、装置、设备及存储介质
CN111445968A (zh) * 2020-03-16 2020-07-24 平安国际智慧城市科技股份有限公司 电子病历查询方法、装置、计算机设备和存储介质
CN111430037B (zh) * 2020-03-30 2024-04-09 讯飞医疗科技股份有限公司 相似病历查找方法及系统
CN111694964A (zh) * 2020-05-13 2020-09-22 平安科技（深圳）有限公司 一种药品发现方法、设备、服务器及可读存储介质
CN111599482A (zh) * 2020-05-14 2020-08-28 青岛海信医疗设备股份有限公司 电子病例推荐方法和服务器
CN111814447B (zh) * 2020-06-24 2022-05-27 平安科技（深圳）有限公司 基于分词文本的电子病例查重方法、装置、计算机设备
CN111785386B (zh) * 2020-06-30 2024-04-05 讯飞医疗科技股份有限公司 时间区间段的划分方法、相关设备及可读存储介质
CN112259254B (zh) * 2020-10-19 2024-05-07 平安科技（深圳）有限公司 基于交互反馈的病例搜索方法、装置及可读存储介质
CN112579750A (zh) * 2020-11-30 2021-03-30 百度健康(北京)科技有限公司 相似病案的检索方法、装置、设备及存储介质
CN112635072A (zh) * 2020-12-31 2021-04-09 大连东软教育科技集团有限公司 基于相似度计算的icu相似病例检索方法、系统及存储介质
CN112885460A (zh) * 2021-02-10 2021-06-01 暨南大学 基于案例推理的感冒证型评判方法、计算机装置及计算机可读存储介质
CN113241136A (zh) * 2021-05-17 2021-08-10 哈尔滨工业大学（深圳） 一种相似病例分析方法及系统
CN113990423A (zh) * 2021-10-28 2022-01-28 广东粤信智能科技有限公司 一种基于病情诊断结果的诊疗数据获取方法、存储介质及电子病历系统
CN115376643A (zh) * 2022-10-26 2022-11-22 神州医疗科技股份有限公司 病例自定义检索方法、装置、电子设备和计算机可读介质
CN116796046B (zh) * 2023-08-29 2023-11-10 武汉大学人民医院（湖北省人民医院） 基于罕见特征的病例检索方法及装置
CN117316371B (zh) * 2023-11-29 2024-04-16 杭州未名信科科技有限公司 病例报告表的生成方法、装置、电子设备和存储介质
CN118093649B (zh) * 2024-04-23 2024-08-16 腾讯科技（深圳）有限公司 一种基于数据库的内容查询方法和相关装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107958007B (zh) * 2016-10-18 2022-03-29 浙江格林蓝德信息技术有限公司 病例信息检索方法及装置
CN106503468A (zh) * 2016-11-05 2017-03-15 深圳市前海安测信息技术有限公司 医疗信息化基于匹配关键字的电子病历分析系统及方法
CN109299239B (zh) * 2018-09-29 2021-11-23 福建弘扬软件股份有限公司 一种基于es的电子病历检索方法
CN109935287A (zh) * 2019-02-28 2019-06-25 生活空间(沈阳)数据技术服务有限公司 一种病历信息的相似度分析方法、装置及设备

Also Published As

Publication number Publication date
CN110517785A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110517785B (zh) 相似病例的查找方法、装置及设备
CN112507715B (zh) 确定实体之间关联关系的方法、装置、设备和存储介质
CN110991196B (zh) 多义词的翻译方法、装置、电子设备及介质
CN111538815B (zh) 一种文本查询方法、装置、设备及存储介质
CN111274407B (zh) 知识图谱中三元组置信度计算方法和装置
WO2021189752A1 (zh) 搜索方法及装置
CN113032673B (zh) 资源的获取方法、装置、计算机设备及存储介质
CN112507091A (zh) 检索信息的方法、装置、设备以及存储介质
CN111640511B (zh) 医疗事实验证的方法、装置、电子设备及存储介质
KR101651780B1 (ko) 빅 데이터 처리 기술을 이용한 연관 단어 추출 방법 및 그 시스템
CN111435406A (zh) 一种纠正数据库语句拼写错误的方法和装置
CN111737501A (zh) 一种内容推荐方法及装置、电子设备、存储介质
CN111782785B (zh) 自动问答方法、装置、设备以及存储介质
CN111563198B (zh) 一种物料召回方法、装置、设备及存储介质
CN112380847A (zh) 兴趣点处理方法、装置、电子设备及存储介质
CN111666417B (zh) 生成同义词的方法、装置、电子设备以及可读存储介质
CN111241242B (zh) 目标内容的确定方法、装置、设备及计算机可读存储介质
CN110472034B (zh) 问答系统的检测方法、装置、设备及计算机可读存储介质
CN112084150A (zh) 模型训练、数据检索方法，装置，设备以及存储介质
CN111460296A (zh) 用于更新事件集合的方法和装置
US11669530B2 (en) Information push method and apparatus, device, and storage medium
CN112328896B (zh) 用于输出信息的方法、装置、电子设备和介质
CN111625706B (zh) 信息检索方法、装置、设备及存储介质
CN111881255B (zh) 同义文本获取方法、装置、电子设备及存储介质
Ribeiro et al. UA. PT Bioinformatics at ImageCLEF 2019: Lifelog Moment Retrieval based on Image Annotation and Natural Language Processing.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant