CN110533633A - 基于人工智能的信息推荐方法、装置、计算机设备及存储介质 - Google Patents

基于人工智能的信息推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110533633A
CN110533633A CN201910681830.8A CN201910681830A CN110533633A CN 110533633 A CN110533633 A CN 110533633A CN 201910681830 A CN201910681830 A CN 201910681830A CN 110533633 A CN110533633 A CN 110533633A
Authority
CN
China
Prior art keywords
skin disease
convolutional neural
neural networks
picture
samples pictures
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
Application number
CN201910681830.8A
Other languages
English (en)
Inventor
夏新
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.)
OneConnect Smart Technology Co Ltd
Original Assignee
OneConnect Smart 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 OneConnect Smart Technology Co Ltd filed Critical OneConnect Smart Technology Co Ltd
Priority to CN201910681830.8A priority Critical patent/CN110533633A/zh
Publication of CN110533633A publication Critical patent/CN110533633A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G16H50/20—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Abstract

本发明实施例公开了一种基于人工智能的信息推荐方法、装置、计算机设备及存储介质。该方法属于人工智能技术，该方法包括：获取预存的皮肤病图片训练集；通过皮肤病图片训练集对预构建的卷积神经网络模型进行训练；若接收到待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；将待测皮肤病图片所对应的患病特征作为目标患病特征，获取与目标患病特征匹配的专家信息发送给用户终端，从而实现了通过卷积神经网络识别待测皮肤病图片的患病特征，相比于人工识别具有更高的识别率。另外，根据用户的患病特征向用户推荐相应的专家信息，使得用户能够更加有针对性的寻找对应的专家去治疗，提高了用户的使用体验。

Description

基于人工智能的信息推荐方法、装置、计算机设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的信息推荐方法、装置、计算机设备及存储介质。
背景技术
皮肤病是一种常见的疾病。皮肤病的种类特别多，一般的患者限于自身的知识，难以分辨自身所患有的皮肤病的类型。
现有技术中，为了能够准确选择优秀的专家就诊，通常由患者对自身的病情进行描述，并将患者描述的病情信息发送给后台工作人员，以由后台工作人员确定患者需要选择的专家。由于患者描述的主观性较强，以及限于后台工作人员的技能专业性，导致患者难以针对性的找对应的专家就诊，从而导致治疗效果不好。
发明内容
本发明实施例提供了一种基于人工智能的信息推荐方法、装置、计算机设备及存储介质，旨在解决现有技术难以客观准确向患者推荐专家的问题。
第一方面，本发明实施例提供了一种基于人工智能的信息推荐方法，其包括：
获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；
通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；
若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；
将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
第二方面，本发明实施例还提供了一种基于人工智能的信息推荐装置，其包括：
第一获取单元，用于获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；
第一训练单元，用于通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；
预测单元，用于若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；
匹配单元，用于将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种基于人工智能的信息推荐方法、装置、计算机设备及存储介质。其中，所述方法包括：获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。本发明实施例通过卷积神经网络识别待测皮肤病图片的患病特征，相比于人工识别具有更高的识别率。另外，根据用户的患病特征向用户推荐相应的专家信息，使得用户能够更加有针对性的寻找对应的专家去治疗，从而达到了更好的治疗效果，提高了用户的使用体验。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于人工智能的信息推荐方法的应用场景示意图；
图2为本发明实施例提供的一种基于人工智能的信息推荐方法的流程示意图；
图3为本发明实施例提供的一种基于人工智能的信息推荐方法的子流程示意图；
图4为本发明实施例提供的一种基于人工智能的信息推荐方法的子流程示意图；
图5为本发明实施例提供的一种基于人工智能的信息推荐方法的子流程示意图；
图6为本发明实施例提供的一种基于人工智能的信息推荐方法的子流程示意图；
图7为本发明另一实施例提供的一种基于人工智能的信息推荐方法的流程示意图；
图8为本发明实施例提供的一种基于人工智能的信息推荐装置的示意性框图；
图9为本发明实施例提供的一种基于人工智能的信息推荐装置的第一训练单元的示意性框图；
图10为本发明实施例提供的一种基于人工智能的信息推荐装置的第二训练单元的示意性框图；
图11为本发明实施例提供的一种基于人工智能的信息推荐装置的预测单元的示意性框图；
图12为本发明实施例提供的一种基于人工智能的信息推荐装置的匹配单元的示意性框图；
图13为本发明另一实施例提供的一种基于人工智能的信息推荐装置的示意性框图；
图14为本发明另一实施例提供的一种基于人工智能的信息推荐装置的第五获取单元的示意性框图；以及
图15为本发明实施例提供的一种计算机设备的示意性框图。
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做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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1和图2，图1为本发明实施例提供的一种基于人工智能的信息推荐方法的应用场景示意图。图2为本发明实施例提供的一种基于人工智能的信息推荐方法的示意性流程图。本发明实施例提出的一种基于人工智能的信息推荐方法应用于皮肤病管理服务器1中。皮肤病管理服务器1获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；皮肤病管理服务器1通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；若接收到用户终端2发送的待测皮肤病图片，皮肤病管理服务器1根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；将所述待测皮肤病图片所对应的患病特征作为目标患病特征，皮肤病管理服务器1获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端2。
图2是本发明实施例提供的一种基于人工智能的信息推荐方法的流程示意图。如图所示，该方法包括以下步骤S1-S4。
S1，获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征。
具体实施中，预先在皮肤病管理服务器中存储皮肤病图片训练集，皮肤病图片训练集包括多个皮肤病样本图片以及该皮肤病样本图片的患病特征。常见的皮肤病患病特征包括手脚癣特征、体股癣特征、湿疹特征、寻麻疹特征以及牛皮癣特征等。皮肤病样本图片即以上皮肤病的典型症状图片。
皮肤病的患病特征可由特征向量的表示B。具体实施中，特征向量B是预先设定的，例如，可设定手脚癣特征的特征向量为B1；体股癣特征的特征向量为B2；湿疹特征的特征向量为B3；寻麻疹特征的特征向量为B4；以及牛皮癣特征的特征向量为B5。
具体操作中，皮肤病管理服务器可直接调用存储在皮肤病管理服务器中的皮肤病图片训练集，并根据该皮肤病图片训练集来对预构建的卷积神经网络模型进行训练。
需要说明的是，卷积神经网络(Convolutional NeuralNetwork,CNN)是一种前馈神经网络，其广泛应用于图像分类识别领域。本方案中，通过卷积神经网络来对待测皮肤病图片进行识别分类。
S2，通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练。
具体实施中，皮肤病管理服务器通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练，经过训练后的卷积神经网络模型可对皮肤病图片的患病特征进行预测。
需要说明的是，卷积神经网络模型是是一种前馈神经网络，其广泛应用于图像分类识别领域。本方案中，通过卷积神经网络来对待测皮肤病图片进行识别分类。
参见图3，在一实施例中，以上步骤S2具体包括如下步骤S21-S25。
S21，从所述皮肤病图片训练集中获取一皮肤病样本图片作为目标皮肤病样本图片。
具体实施中，皮肤病管理服务器从所述皮肤病图片训练集中获取一皮肤病样本图片作为目标皮肤病样本图片。
获取的方式可以是随机获取或者按照各皮肤病样本图片的排列顺序依次获取，本发明对此不做具体限定。
S22，通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练。
具体实施中，通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练。
参见图4，在一实施例中，以上步骤S21包括如下步骤S221-S225。
S221，获取所述目标皮肤病样本图片的特征图作为输入数据。
具体实施中，目标皮肤病样本图片是由多个像素组成的，像素的颜色由红(Red)、绿(Green)、蓝(Blue)三原色的色光以不同的比例相加得到。则每个像素可表示为(a,b,c)，其中a为红的比例，b为绿的比例，c为蓝的比例。则分别提取每个像素的a、b、c值可得到三个特征矩阵。此三个特征矩阵组成的三维张量即为皮肤病样本图片的特征图。特征图为卷积神经网络模型能够识别的数据。
S222，将所述输入数据输入到所述卷积神经网络模型中。
具体实施中，将所述输入数据输入到所述卷积神经网络模型中。
S223，判断所述卷积神经网络模型的输出结果是否与所述目标皮肤病样本图片的患病特征相同。
具体实施中，判断所述卷积神经网络模型的输出结果是否与所述目标皮肤病样本图片的患病特征相同。
S224，若所述卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征不相同，将所述卷积神经网络模型的输出结果作为新的输入数据，并返回所述将所述输入数据输入到所述卷积神经网络模型中的步骤。
具体实施中，如果所述卷积神经网络模型的输出结果是否与所述目标皮肤病样本图片的患病特征不相同，则将所述卷积神经网络模型的输出结果作为新的输入数据，并返回所述将所述输入数据输入到所述卷积神经网络模型中的步骤，如此循环迭代直到卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征相同为止。
S225，如果所述卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征相同，则转到步骤S23。
具体实施中，如果所述卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征相同，则转到步骤S23，即获取另一皮肤病样本图片来对所述卷积神经网络模型进行训练。
S23，将所述目标皮肤病样本图片从所述皮肤病图片训练集中移除，并判断所述皮肤病图片训练集中是否还存在皮肤病样本图片。
具体实施中，在步骤S22之后，皮肤病管理服务器将所述目标皮肤病样本图片从所述皮肤病图片训练集中移除，并判断所述皮肤病图片训练集中是否还存在皮肤病样本图片，若存在，则继续训练直到获取完所有的皮肤病样本图片为止；否则结束训练。
S24，若所述皮肤病图片训练集中还存在皮肤病样本图片，从所述皮肤病图片训练集中获取另一皮肤病样本图片作为新的目标皮肤病样本图片，并返回所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练的步骤。
具体实施中，如果所述皮肤病图片训练集中还存在皮肤病样本图片，从所述皮肤病图片训练集中获取另一皮肤病样本图片作为新的目标皮肤病样本图片，并返回所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练的步骤，如此循环直到获取完所述皮肤病图片训练集中的所有皮肤病样本图片为止。
S25，若所述皮肤病图片训练集中不存在皮肤病样本图片，结束对所述卷积神经网络模型的训练。
具体实施中，如果所述皮肤病图片训练集中不存在皮肤病样本图片，则结束对所述卷积神经网络模型的训练。
S3，若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征。
具体实施中，如果接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型对所述待测皮肤病图片的患病特征进行预测以确定所述待测皮肤病图片的患病特征。通过训练后的卷积神经网络模型能够更加准确的预测用户所患的皮肤病类型，提高了用户的使用体验。
参见图5，在一实施例中，以上步骤S3具体包括如下步骤S31-S32。
S31，获取所述待测皮肤病图片的特征图作为目标特征图。
具体实施中，待测皮肤病图片是由多个像素组成的，像素的颜色由红(Red)、绿(Green)、蓝(Blue)三原色的色光以不同的比例相加得到。则每个像素可表示为(a,b,c)，其中a为红的比例，b为绿的比例，c为蓝的比例。则分别提取每个像素的a、b、c值可得到三个特征矩阵。此三个特征矩阵组成的三维张量即为待测皮肤病图片的特征图。特征图为卷积神经网络模型能够识别的数据。
S32，将所述目标特征图输入到训练后的卷积神经网络模型中，并将所述卷积神经网络模型的输出结果作为所述待测皮肤病图片的患病特征。
具体实施中，将所述目标特征图输入到训练后的卷积神经网络模型中，并将所述卷积神经网络模型的输出结果作为所述待测皮肤病图片的患病特征。本方案通过卷积神经网络识别待测皮肤病图片的患病特征，相比于人工识别具有更高的识别率。
S4，将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
具体实施中，在确定了待测皮肤病图片的患病特征后，将所述待测皮肤病图片所对应的患病特征作为目标患病特征，并且获取与该患病特征相匹配的专家(擅长治疗该类型的皮肤病的专家)的专家信息。
并且，将获取到的专家信息发送给用户。专家信息包括，专家的联系方式、所在医院以及就诊信息等信息，以为用户联系医生，预约就诊提供便利。
参见图6，在一实施例中，以上步骤S4具体包括以下步骤S41-S42。
S41，向预设服务器发送专家信息获取请求，所述专家信息获取请求包含所述患病特征。
具体实施中，皮肤病管理服务器向预设服务器发送专家信息获取请求，所述专家信息获取请求包含所述患病特征。需要说明的是，专家信息管理服务器中储存有各中患病特征对应的专家信息。专家信息包括，专家的联系方式、所在医院以及就诊信息等信息。
S42，接收预设服务器返回的应答消息，所述应答消息包含所述患病特征对应的专家信息。
具体实施中，预设服务器在接收到专家信息获取请求后，根据专家信息获取请求包含的患病特征去查找患病特征对应的专家信息，并将其发送给皮肤病管理服务器。
相应地，皮肤病管理服务器接收预设服务器返回的应答消息。通过对该应答消息进行解析，获取患病特征对应的专家信息。
本发明的技术方案，获取预存的皮肤病图片训练集；通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征作为目标患病特征；获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。通过卷积神经网络识别待测皮肤病图片的患病特征，相比于人工识别具有更高的识别率。另外，根据用户的患病特征向用户推荐相应的专家信息，使得用户能够更加有针对性的寻找对应的专家去治疗，从而达到了更好的治疗效果，提高了用户的使用体验。
图7是本发明另一实施例提供的一种基于人工智能的信息推荐方法的流程示意图。如图7所示，本实施例的一种基于人工智能的信息推荐方法包括步骤S71-S77。其中步骤S71-S74与上述实施例中的步骤S1-S4类似，在此不再赘述。下面详细说明本实施例中所增加的步骤S75-S77。
S75，若接收到业务终端发送的问诊记录，对所述问诊记录进行分词处理，获得待测样本。
具体实施中，具体实施中，业务终端即为专家使用的服务器，业务终端记录用户与专家的问诊记录，并将收集到的问诊记录发送给皮肤病管理服务器。
分词处理是文本处理中的一个基础步骤，即从问诊记录中提取出词语作为待测样本。为了减少运算量(如果不去除则停止词也需要对比判断其是否为情绪词，增加了运算量)，需要去掉待测样本中的停止词。停止词(stop word)，常为介词、副词或连词等。例如，"在"、"里面"、"也"、"的"、"它"、"为"等都为停止词。
S76，判断待测样本中是否包含预设的疾病标签词语。
具体实施中，一一判断待测样本中的词语是否为预设的疾病标签词语，疾病标签词语是描述皮肤疾病症状或者成因的词语，例如、干涩、开裂、瘙痒、熬夜、辛辣等。疾病标签词语可由本领域技术人员根据实际情况进行设定，本方案对此不作具体限定。
S77，若待测样本中是否包含预设的疾病标签词语，获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端。
具体实施中，如果待测样本中是否包含预设的疾病标签词语，获取与该疾病标签词语匹配的疾病保险产品推送给用户终端。
在一实施例中，以上步骤具体包括：根据预设的产品映射表获取与所述疾病标签词语匹配的疾病保险产品，所述产品映射表记录了疾病标签词语与疾病保险产品的映射关系。
具体实施中，预先建立疾病标签词语与疾病保险产品的映射关系得到产品映射表，在获取了疾病标签词语后根据该产品映射表，确定与获取到的疾病标签词语对应的疾病保险产品推送给用户终端。
具体实施中，如果待测样本中不包含预设的疾病标签词语，则不向用户终端推送保险产品。
图8是本发明实施例提供的一种基于人工智能的信息推荐装置60的示意性框图。如图8所示，对应于以上基于人工智能的信息推荐方法，本发明还提供一种基于人工智能的信息推荐装置60。该基于人工智能的信息推荐装置60包括用于执行上述基于人工智能的信息推荐方法的单元，该装置60可以被配置于服务器中。具体地，请参阅图8，该基于人工智能的信息推荐装置60包括第一获取单元61、第一训练单元62、预测单元63以及匹配单元64。
第一获取单元61，用于获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；
第一训练单元62，用于通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；
预测单元63，用于若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；
匹配单元64，用于将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
在一实施例中，如图9所示，所述第一训练单元62包括第二获取单元621、第二训练单元622、第一判断单元623以及第一返回单元624。
第二获取单元621，用于从所述皮肤病图片训练集中获取一皮肤病样本图片作为目标皮肤病样本图片。
第二训练单元622，用于通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练；
第一判断单元623，用于将所述目标皮肤病样本图片从所述皮肤病图片训练集中移除，并判断所述皮肤病图片训练集中是否还存在皮肤病样本图片；
第一返回单元624，用于若所述皮肤病图片训练集中还存在皮肤病样本图片，从所述皮肤病图片训练集中获取另一皮肤病样本图片作为新的目标皮肤病样本图片，并返回所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练的步骤。
在一实施例中，如图10所示，所述第二训练单元622包括第三获取单元6221、第一输入单元6222、第二判断单元6223以及第二返回单元6224。
第三获取单元6221，用于获取所述目标皮肤病样本图片的特征图作为输入数据；
第一输入单元6222，用于将所述输入数据输入到所述卷积神经网络模型中；
第二判断单元6223，用于判断所述卷积神经网络模型的输出结果是否与所述目标皮肤病样本图片的患病特征相同；
第二返回单元6224，用于若所述卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征不相同，将所述卷积神经网络模型的输出结果作为新的输入数据，并返回所述将所述输入数据输入到所述卷积神经网络模型中的步骤。
在一实施例中，如图11所示，所述预测单元63包括第四获取单元631以及第二输入单元632。
第四获取单元631，用于获取所述待测皮肤病图片的特征图作为目标特征图；
第二输入单元632，用于将所述目标特征图输入到训练后的卷积神经网络模型中，并将所述卷积神经网络模型的输出结果作为所述待测皮肤病图片的患病特征。
在一实施例中，如图12所示，所述匹配单元64包括发送单元641以及接收单元642。
发送单元641，用于向预设服务器发送专家信息获取请求，所述专家信息获取请求包含所述患病特征；
接收单元642，用于接收预设服务器返回的应答消息，所述应答消息包含所述患病特征对应的专家信息。
图13是本发明另一实施例提供的一种基于人工智能的信息推荐装置60的示意性框图。如图13所示，本实施例的基于人工智能的信息推荐装置60是上述实施例的基础上增加了分词单元65、第三判断单元66以及第五获取单元67。
分词单元65，若接收到业务终端发送的问诊记录，用于对所述问诊记录进行分词处理，获得待测样本；
第三判断单元66，用于判断待测样本中是否包含预设的疾病标签词语；
第五获取单元67，用于若待测样本中是否包含预设的疾病标签词语，获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端。
在一实施例中，如图14所示，所述第五获取单元67包括第六获取单元671。
第六获取单元671，根据预设的产品映射表获取与所述疾病标签词语匹配的疾病保险产品，所述产品映射表记录了疾病标签词语与疾病保险产品的映射关系。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于人工智能的信息推荐装置60和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述基于人工智能的信息推荐装置60可以实现为一种计算机程序的形式，该计算机程序可以在如图15所示的计算机设备上运行。
请参阅图15，图15是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图15，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行一种基于人工智能的信息推荐方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种基于人工智能的信息推荐方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；
通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；
若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；
将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
在一实施例中，处理器502在实现所述通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练步骤时，具体实现如下步骤：
从所述皮肤病图片训练集中获取一皮肤病样本图片作为目标皮肤病样本图片；
通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练；
将所述目标皮肤病样本图片从所述皮肤病图片训练集中移除，并判断所述皮肤病图片训练集中是否还存在皮肤病样本图片；
若所述皮肤病图片训练集中还存在皮肤病样本图片，从所述皮肤病图片训练集中获取另一皮肤病样本图片作为新的目标皮肤病样本图片，并返回所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练的步骤。
在一实施例中，处理器502在实现所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练步骤时，具体实现如下步骤：
获取所述目标皮肤病样本图片的特征图作为输入数据；
将所述输入数据输入到所述卷积神经网络模型中；
判断所述卷积神经网络模型的输出结果是否与所述目标皮肤病样本图片的患病特征相同；
若所述卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征不相同，将所述卷积神经网络模型的输出结果作为新的输入数据，并返回所述将所述输入数据输入到所述卷积神经网络模型中的步骤。
在一实施例中，处理器502在实现所述根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征步骤时，具体实现如下步骤：
获取所述待测皮肤病图片的特征图作为目标特征图；
将所述目标特征图输入到训练后的卷积神经网络模型中，并将所述卷积神经网络模型的输出结果作为所述待测皮肤病图片的患病特征。
在一实施例中，处理器502在实现所述获取与所述目标患病特征匹配的专家信息步骤时，具体实现如下步骤：
向预设服务器发送专家信息获取请求，所述专家信息获取请求包含所述患病特征；
接收预设服务器返回的应答消息，所述应答消息包含所述患病特征对应的专家信息。
在一实施例中，处理器502还实现如下步骤：
若接收到业务终端发送的问诊记录，对所述问诊记录进行分词处理，获得待测样本；
判断待测样本中是否包含预设的疾病标签词语；
若待测样本中是否包含预设的疾病标签词语，获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端。
在一实施例中，处理器502在实现所述获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端步骤时，具体实现如下步骤：
根据预设的产品映射表获取与所述疾病标签词语匹配的疾病保险产品，所述产品映射表记录了疾病标签词语与疾病保险产品的映射关系。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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。其中，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。
本领域普通技术人员可以理解的是实现上述实施例的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。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行如下步骤：
获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；
通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；
若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；
将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
在一实施例中，所述处理器在执行所述计算机程序而实现所述通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练步骤时，具体实现如下步骤：
从所述皮肤病图片训练集中获取一皮肤病样本图片作为目标皮肤病样本图片；
通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练；
将所述目标皮肤病样本图片从所述皮肤病图片训练集中移除，并判断所述皮肤病图片训练集中是否还存在皮肤病样本图片；
若所述皮肤病图片训练集中还存在皮肤病样本图片，从所述皮肤病图片训练集中获取另一皮肤病样本图片作为新的目标皮肤病样本图片，并返回所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练的步骤。
在一实施例中，所述处理器在执行所述计算机程序而实现所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练步骤时，具体实现如下步骤：
获取所述目标皮肤病样本图片的特征图作为输入数据；
将所述输入数据输入到所述卷积神经网络模型中；
判断所述卷积神经网络模型的输出结果是否与所述目标皮肤病样本图片的患病特征相同；
若所述卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征不相同，将所述卷积神经网络模型的输出结果作为新的输入数据，并返回所述将所述输入数据输入到所述卷积神经网络模型中的步骤。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征步骤时，具体实现如下步骤：
获取所述待测皮肤病图片的特征图作为目标特征图；
将所述目标特征图输入到训练后的卷积神经网络模型中，并将所述卷积神经网络模型的输出结果作为所述待测皮肤病图片的患病特征。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取与所述目标患病特征匹配的专家信息步骤时，具体实现如下步骤：
向预设服务器发送专家信息获取请求，所述专家信息获取请求包含所述患病特征；
接收预设服务器返回的应答消息，所述应答消息包含所述患病特征对应的专家信息。
在一实施例中，所述处理器在执行所述计算机程序还实现如下步骤：
若接收到业务终端发送的问诊记录，对所述问诊记录进行分词处理，获得待测样本；
判断待测样本中是否包含预设的疾病标签词语；
若待测样本中是否包含预设的疾病标签词语，获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端。
在一实施例中，所述处理器在执行所述计算机程序而实现所述获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端步骤时，具体实现如下步骤：
根据预设的产品映射表获取与所述疾病标签词语匹配的疾病保险产品，所述产品映射表记录了疾病标签词语与疾病保险产品的映射关系。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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。
在本发明所提供的几个实施例中，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，各个单元的划分，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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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，也可以是两个或两个以上单元集成在一个单元中。
该集成的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，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
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细描述的部分，可以参见其他实施例的相关描述。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于人工智能的信息推荐方法，其特征在于，包括：
获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；
通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；
若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；
将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
2.根据权利要求1所述的方法，其特征在于，所述通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练，包括：
从所述皮肤病图片训练集中获取一皮肤病样本图片作为目标皮肤病样本图片；
通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练；
将所述目标皮肤病样本图片从所述皮肤病图片训练集中移除，并判断所述皮肤病图片训练集中是否还存在皮肤病样本图片；
若所述皮肤病图片训练集中还存在皮肤病样本图片，从所述皮肤病图片训练集中获取另一皮肤病样本图片作为新的目标皮肤病样本图片，并返回所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练的步骤。
3.根据权利要求2所述的方法，其特征在于，所述通过所述目标皮肤病样本图片对所述卷积神经网络模型进行训练，包括：
获取所述目标皮肤病样本图片的特征图作为输入数据；
将所述输入数据输入到所述卷积神经网络模型中；
判断所述卷积神经网络模型的输出结果是否与所述目标皮肤病样本图片的患病特征相同；
若所述卷积神经网络模型的输出结果与所述目标皮肤病样本图片的患病特征不相同，将所述卷积神经网络模型的输出结果作为新的输入数据，并返回所述将所述输入数据输入到所述卷积神经网络模型中的步骤。
4.根据权利要求1所述的方法，其特征在于，所述根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征，包括：
获取所述待测皮肤病图片的特征图作为目标特征图；
将所述目标特征图输入到训练后的卷积神经网络模型中，并将所述卷积神经网络模型的输出结果作为所述待测皮肤病图片的患病特征。
5.根据权利要求1所述的方法，其特征在于，所述获取与所述目标患病特征匹配的专家信息，包括：
向预设服务器发送专家信息获取请求，所述专家信息获取请求包含所述患病特征；
接收所述预设服务器返回的应答消息，所述应答消息包含所述患病特征对应的专家信息。
6.根据权利要求1所述的方法，其特征在于，所述根据所述问诊记录向用户终端推送疾病保险产品，包括：
若接收到业务终端发送的问诊记录，对所述问诊记录进行分词处理，获得待测样本；
判断待测样本中是否包含预设的疾病标签词语；
若待测样本中包含预设的疾病标签词语，获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端。
7.根据权利要求6所述的方法，其特征在于，所述获取与所述疾病标签词语匹配的疾病保险产品推送给用户终端，包括：
根据预设的产品映射表获取与所述疾病标签词语匹配的疾病保险产品，所述产品映射表记录了疾病标签词语与疾病保险产品的映射关系。
8.一种基于人工智能的信息推荐装置，其特征在于，包括：
第一获取单元，用于获取预存的皮肤病图片训练集，所述皮肤病图片训练集包括皮肤病样本图片以及所述皮肤病样本图片所对应的患病特征；
第一训练单元，用于通过所述皮肤病图片训练集对预构建的卷积神经网络模型进行训练；
预测单元，用于若接收到用户终端发送的待测皮肤病图片，根据训练后的卷积神经网络模型预测所述待测皮肤病图片所对应的患病特征；
匹配单元，用于将所述待测皮肤病图片所对应的患病特征作为目标患病特征，获取与所述目标患病特征匹配的专家信息，并将所述专家信息发送给所述用户终端。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现如权利要求1-7中任一项所述的方法。
CN201910681830.8A 2019-07-26 2019-07-26 基于人工智能的信息推荐方法、装置、计算机设备及存储介质 Pending CN110533633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910681830.8A CN110533633A (zh) 2019-07-26 2019-07-26 基于人工智能的信息推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910681830.8A CN110533633A (zh) 2019-07-26 2019-07-26 基于人工智能的信息推荐方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110533633A true CN110533633A (zh) 2019-12-03

Family

ID=68662014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910681830.8A Pending CN110533633A (zh) 2019-07-26 2019-07-26 基于人工智能的信息推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110533633A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111202511A (zh) * 2020-01-17 2020-05-29 武汉中旗生物医疗电子有限公司 一种心电数据标注的推荐分发方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198620A (zh) * 2018-01-12 2018-06-22 洛阳飞来石软件开发有限公司 一种基于深度学习的皮肤疾病智能辅助诊断系统
CN109255367A (zh) * 2018-08-03 2019-01-22 平安科技（深圳）有限公司 一种皮肤病疗效判断方法、装置、计算机设备及存储介质
CN109461482A (zh) * 2018-05-29 2019-03-12 平安医疗健康管理股份有限公司 健康计划生成方法、装置、计算机设备和存储介质
CN109461499A (zh) * 2018-10-23 2019-03-12 陈晋广 一种诊断脱色素性皮肤病的系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108198620A (zh) * 2018-01-12 2018-06-22 洛阳飞来石软件开发有限公司 一种基于深度学习的皮肤疾病智能辅助诊断系统
CN109461482A (zh) * 2018-05-29 2019-03-12 平安医疗健康管理股份有限公司 健康计划生成方法、装置、计算机设备和存储介质
CN109255367A (zh) * 2018-08-03 2019-01-22 平安科技（深圳）有限公司 一种皮肤病疗效判断方法、装置、计算机设备及存储介质
CN109461499A (zh) * 2018-10-23 2019-03-12 陈晋广 一种诊断脱色素性皮肤病的系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张启宇 等: "海参病害防治诊断专家系统的研究", 《江苏农业科学》 *
陈强 等: "基于BP 神经网络的水牛疾病诊断系统", 《计算机工程与设计》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111202511A (zh) * 2020-01-17 2020-05-29 武汉中旗生物医疗电子有限公司 一种心电数据标注的推荐分发方法及装置

Similar Documents

Publication Publication Date Title
Minaee et al. Deep-COVID: Predicting COVID-19 from chest X-ray images using deep transfer learning
CN107658023A (zh) 疾病预测方法、装置、介质和电子设备
CN109918291A (zh) 软件界面检测方法、装置、计算机设备及存储介质
Wittrock et al. A determinants of health conceptual model for fish and wildlife health
US11640852B2 (en) System for laboratory values automated analysis and risk notification in intensive care unit
CN109615012A (zh) 基于机器学习的就诊数据异常识别方法、设备及存储介质
CN106599553A (zh) 疾病预警方法及装置
CN110597628A (zh) 模型分发方法、装置、计算机可读介质及电子设备
CN113656558B (zh) 基于机器学习对关联规则进行评估的方法及装置
US8271414B2 (en) Network characterization, feature extraction and application to classification
CN109544376A (zh) 一种基于数据分析的异常病例识别方法及计算设备
CN109390040A (zh) 一种智能化电子病历系统
CN110428891A (zh) 一种就诊意图的处理方法、装置及设备
Álvarez-Rodríguez et al. Does imbalance in chest X-ray datasets produce biased deep learning approaches for COVID-19 screening?
Bush et al. Improving the precision of fMRI BOLD signal deconvolution with implications for connectivity analysis
CN108090597A (zh) 医疗预约排队优化方法及装置
Chushig-Muzo et al. Interpreting clinical latent representations using autoencoders and probabilistic models
Tran et al. Preliminary analysis of the cost‐effectiveness of the National Bowel Cancer Screening Program: demonstrating the potential value of comprehensive real world data
CN110533633A (zh) 基于人工智能的信息推荐方法、装置、计算机设备及存储介质
CN113724849A (zh) 基于人工智能的医疗资源配置方法、装置、设备及介质
Sujatha et al. A survey of health care prediction using data mining
JP7278256B2 (ja) 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法
US20130158398A1 (en) Medical imaging diagnosis apparatus and medical imaging diagnosis method for providing diagnostic basis
Puga et al. Discovery of patient phenotypes through multi-layer network analysis on the example of tinnitus
CN110533634A (zh) 基于人工智能的方案推荐方法、装置、计算机设备及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191203