CN110675944A

CN110675944A - 分诊方法及装置、计算机设备及介质

Info

Publication number: CN110675944A
Application number: CN201910892647.2A
Authority: CN
Inventors: 魏小红; 苗新宇; 雷一鸣; 王洪
Original assignee: BOE Technology Group Co Ltd
Current assignee: BOE Technology Group Co Ltd
Priority date: 2019-09-20
Filing date: 2019-09-20
Publication date: 2020-01-10

Abstract

本发明公开一种分诊方法及装置、计算机设备及介质。该方法的一具体实施方式包括：获取并对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句；根据上述标准医疗问诊语句，利用第一分诊模型获取分诊结果；若第一分诊模型获取分诊结果失败，则根据上述标准医疗问诊语句，利用第二分诊模型获取分诊结果；其中，第一分诊模型为基于规则的分诊模型且第二分诊模型为基于知识图谱的分诊模型或基于深度学习的分诊模型，或，第一分诊模型为基于知识图谱的分诊模型且第二分诊模型为基于深度学习的分诊模型；输出获取的分诊结果。该实施方式可在保证分诊有效性的基础上，提升分诊的准确性、稳定性和健壮性。

Description

分诊方法及装置、计算机设备及介质

技术领域

本发明涉及计算机技术领域。更具体地，涉及一种分诊方法及装置、计算机设备及介质。

背景技术

医院传统的分诊方式为设置分诊台，对医院的科室分类不了解、不清楚自己病症的患者可以去分诊台向工作人员咨询。一方面患者通常只能口语化表达自己的病情而无法使用医学术语，另一方面很多分诊台工作人员并非医师专业出身，所以，分诊台工作人员给出的科室推荐的准确性难以得到保证，且此种方式效率较低，人力成本较大。

有鉴于此，现有技术中提供了一些智能分诊方法，例如，将从患者输入的信息抽取的候选信息和从医学文献中抽取的知识信息进行匹配，返回分诊结果等等。但智能分诊方法均存在对患者输入的信息的质量要求很高且对用于匹配的医学数据库的质量要求很高的问题，往往会出现由于患者输入的信息较为口语化、不够丰富等原因而出现匹配误差甚至无法成功匹配，从而出现错误分诊甚至分诊失败的情况，因此这些智能分诊方法在准确性、健壮性及有效性等方面均存在缺陷。

因此，需要提供一种新的分诊方法及装置、计算机设备及介质。

发明内容

本发明的目的在于提供一种分诊方法及装置、计算机设备及介质，以解决现有技术存在的问题中的至少一个。

为达到上述目的，本发明采用下述技术方案：

本发明第一方面提供了一种分诊方法，包括：

获取用户输入的询问信息，并对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句；

根据用户输入的询问信息对应的标准医疗问诊语句，利用第一分诊模型获取分诊结果；若第一分诊模型获取分诊结果失败，则根据用户输入的询问信息对应的标准医疗问诊语句，利用第二分诊模型获取分诊结果；其中，第一分诊模型为基于规则的分诊模型且第二分诊模型为基于知识图谱的分诊模型或基于深度学习的分诊模型，或，第一分诊模型为基于知识图谱的分诊模型且第二分诊模型为基于深度学习的分诊模型；

输出获取的分诊结果。

本发明第一方面提供的分诊方法，一方面，用户输入询问信息时通常只能采用口语表达而并非医学术语，因此通过对用户输入的询问信息进行语义分析而将其映射为规划化的标准医疗问诊语句，可提高后续利用分诊模型进行分诊的效率及准确度。另一方面，利用基于规则的分诊模型、基于知识图谱的分诊模型、基于深度学习的分诊模型中的任意两个分诊模型依次进行分诊，且鉴于基于规则的分诊模型、基于知识图谱的分诊模型、基于深度学习的分诊模型各自的特点而将基于规则的分诊模型的执行优先级排在第一位、将基于知识图谱的分诊模型的执行优先级排在第二位、将基于深度学习的分诊模型的执行优先级排在第三位，可在保证分诊有效性的基础上，提升分诊的准确性、稳定性和健壮性。采用本发明第一方面提供的分诊方法，可精确高效地依据用户输入的询问信息而向用户推荐最适合的科室，对于作为患者角色的用户而言，可提升用户确定问诊科室的便利性，提高用户的时间利用率；对于医院而言，可节省医院提供分诊服务的人力成本，有利于医院及时对患者进行分流，提升医院的患者接待量，为医院服务质量的提升做出贡献。

可选地，在所述利用第二分诊模型获取分诊结果之后，该方法还包括：

若第二分诊模型获取分诊结果失败，则根据用户输入的询问信息对应的标准医疗问诊语句，利用第三分诊模型获取分诊结果；其中，第一分诊模型为基于规则的分诊模型，第二分诊模型为基于知识图谱的分诊模型，第三分诊模型为基于深度学习的分诊模型。

该实现方式采用三种不同类型的分诊模型相结合的方式，即依次利用基于规则的分诊模型、基于知识图谱的分诊模型和基于深度学习的分诊模型中的进行分诊，可进一步保证分诊的有效性，进一步提升分诊的准确性、稳定性和健壮性。

可选地，所述对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句进一步包括：

对用户输入的询问信息进行语义理解以判断用户输入的询问信息是否为问诊信息：若是，则对用户输入的询问信息进行命名实体识别，并对命名实体识别结果与标准医疗语句进行语义匹配，获取用户输入的询问信息对应的标准医疗问诊语句。

采用此可选方式，可通过先对用户输入的询问信息进行语义理解而避免用户输入的询问信息非问诊信息时依旧执行后续流程造成时间、计算资源等成本的浪费。在判断用户输入的询问信息为问诊信息时，可通过命名实体识别及语义匹配，保证将用户输入的询问信息映射为规划化的标准医疗问诊语句的精确性，可保证提高后续利用分诊模型进行分诊的效率及准确度的效果。

可选地，所述对用户输入的询问信息进行命名实体识别进一步包括：对用户输入的询问信息进行症状实体识别、部位实体识别、结合部位实体识别结果的方位词匹配及结合方位词的部位确定。

采用此可选方式，可通过方位词的辅助而更加精确的确定用户描述的部位，可进一步保证对命名实体识别结果与标准医疗语句进行语义匹配的精确性，进而进一步保证分诊的有效性并进一步提升分诊的准确性、稳定性和健壮性。

可选地，所述对命名实体识别结果与标准医疗语句进行语义匹配进一步包括：利用深度语义匹配模型对命名实体识别结果与标准医疗语句进行语义匹配。

采用此可选方式，可保证对命名实体识别结果与标准医疗语句进行语义匹配的精确性，进而进一步保证分诊的有效性并进一步提升分诊的准确性、稳定性和健壮性。

可选地，所述基于规则的分诊模型为利用决策树构建的基于规则的分诊模型。

采用此可选方式，可保证利用基于规则的分诊模型进行分诊的效率及准确度。

可选地，所述基于深度学习的分诊模型为基于TextCNN的分诊模型。

基于TextCNN的分诊模型能够更好地捕捉局部相关性，可保证进行分诊的效率及准确度。

本发明第二方面提供了一种用于执行本发明第一方面提供的分诊方法的分诊装置，包括：

交互模块，用于获取用户输入的询问信息；

语义分析模块，用于对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句；

分诊模块，用于根据用户输入的询问信息对应的标准医疗问诊语句，利用第一分诊模型获取分诊结果；若第一分诊模型获取分诊结果失败，则根据用户输入的询问信息对应的标准医疗问诊语句，利用第二分诊模型获取分诊结果；其中，第一分诊模型为基于规则的分诊模型且第二分诊模型为基于知识图谱的分诊模型或基于深度学习的分诊模型，或，第一分诊模型为基于知识图谱的分诊模型且第二分诊模型为基于深度学习的分诊模型；

所述交互模块，还用于输出获取的分诊结果。

本发明第三方面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，所述处理器执行所述程序时实现本发明第一方面提供的分诊方法。

本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一方面提供的分诊方法。

本发明的有益效果如下：

本发明所述技术方案，一方面，用户输入询问信息时通常只能采用口语表达而并非医学术语，因此通过对用户输入的询问信息进行语义分析而将其映射为规划化的标准医疗问诊语句，可提高后续利用分诊模型进行分诊的效率及准确度。另一方面，利用基于规则的分诊模型、基于知识图谱的分诊模型、基于深度学习的分诊模型中的任意两个分诊模型依次进行分诊，且鉴于基于规则的分诊模型、基于知识图谱的分诊模型、基于深度学习的分诊模型各自的特点而将基于规则的分诊模型的执行优先级排在第一位、将基于知识图谱的分诊模型的执行优先级排在第二位、将基于深度学习的分诊模型的执行优先级排在第三位，可在保证分诊有效性的基础上，提升分诊的准确性、稳定性和健壮性。采用本发明所述技术方案，可精确高效地依据用户输入的询问信息而向用户推荐最适合的科室，对于作为患者角色的用户而言，可提升用户确定问诊科室的便利性，提高用户的时间利用率；对于医院而言，可节省医院提供分诊服务的人力成本，有利于医院及时对患者进行分流，提升医院的患者接待量，为医院服务质量的提升做出贡献。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明；

图1示出本发明实施例提供的分诊方法的流程图。

图2示出一实现方式中本发明实施例提供的分诊方法的流程图。

图3示出语义理解的流程图。

图4示出命名实体识别的流程图。

图5示出语义匹配的流程图。

图6示出决策树的示例图。

图7示出知识图谱的示例图。

图8示出利用基于知识图谱的分诊模型进行分诊的流程图。

图9示出利用基于TextCNN的分诊模型进行分诊的流程示意图。

图10示出分诊装置的示意图。

图11示出本发明实施例提供的分诊装置的结构示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

如图1所示，本发明的一个实施例提供了一种分诊方法，包括：

获取用户输入的询问信息，并对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句，其中，用户输入的询问信息中应包含作为患者角色的用户的年龄、性别、症状描述等信息；

根据用户输入的询问信息对应的标准医疗问诊语句，利用第一分诊模型获取分诊结果；若第一分诊模型获取分诊结果失败，则根据用户输入的询问信息对应的标准医疗问诊语句，利用第二分诊模型获取分诊结果；其中，第一分诊模型为基于规则的分诊模型且第二分诊模型为基于知识图谱的分诊模型或基于深度学习的分诊模型，或，第一分诊模型为基于知识图谱的分诊模型且第二分诊模型为基于深度学习的分诊模型；即，一种方式是第一分诊模型为基于规则的分诊模型且第二分诊模型为基于知识图谱的分诊模型，另一种方式是第一分诊模型为基于规则的分诊模型且第二分诊模型为基于深度学习的分诊模型，再一种方式是第一分诊模型为基于知识图谱的分诊模型且第二分诊模型为基于深度学习的分诊模型；以上三种方式中，均是只要第一分诊模型获取分诊结果成功，就直接输出获取的分诊结果而不再执行利用第二分诊模型获取分诊结果的步骤；

输出获取的分诊结果。

本实施例提供的分诊方法，一方面，用户输入询问信息时通常只能采用口语表达而并非医学术语，因此通过对用户输入的询问信息进行语义分析而将其映射为规划化的标准医疗问诊语句，可提高后续利用分诊模型进行分诊的效率及准确度。另一方面，利用基于规则的分诊模型、基于知识图谱的分诊模型、基于深度学习的分诊模型中的任意两个分诊模型依次进行分诊，且鉴于基于规则的分诊模型、基于知识图谱的分诊模型、基于深度学习的分诊模型各自的特点而将基于规则的分诊模型的执行优先级排在第一位、将基于知识图谱的分诊模型的执行优先级排在第二位、将基于深度学习的分诊模型的执行优先级排在第三位，可在保证分诊有效性的基础上，提升分诊的准确性、稳定性和健壮性。采用本实施例提供的分诊方法，可精确高效地依据用户输入的询问信息而向用户推荐最适合的科室，对于作为患者角色的用户而言，可提升用户确定问诊科室的便利性，提高用户的时间利用率；对于医院而言，可节省医院提供分诊服务的人力成本，有利于医院及时对患者进行分流，提升医院的患者接待量，为医院服务质量的提升做出贡献。

在一个具体示例中，用户以自然语言的交互方式输入的询问信息，这样可提升用户交互流畅感。同时，用于执行分诊方法的系统中的后台系统记录用户输入的询问信息，以提升其产品能力。基于规则的分诊模型所利用的规则库和基于知识图谱的分诊模型所利用的知识图谱由专业医生参与审核修订，以保证医学严谨性。基于深度学习的分诊模型所利用的深度学习网络可对海量问诊数据和病历进行学习，通过训练得到各科室常见疾病的诊疗路径和分诊模型，可弥补基于规则和知识图谱的分诊方式完全依赖于数据库的缺点，使得分诊更加智能、准确、稳定。

进一步，用户可通过以下方式中的一项或多项进行以自然语言的交互方式输入的询问信息：

①用户通过人机交互方式点击用于执行分诊方法的系统中的交互装置，选择符合自身情况的症状；

②用户用文本的方式录入用于执行分诊方法的系统中的交互装置，输入自身症状描述的语句；

③用户点击用于执行分诊方法的系统中的交互装置的语音交互按钮，口述描述自身症状，用于执行分诊方法的系统中的交互装置通过语音识别技术将用户的语音输入转换为文本内容。

其中，用户输入的询问信息是描述自身病状的内容，主要会是关于部位及症状的表述，如果是询问信息时问诊信息则还会包括询问科室。例如：“被螃蟹咬了后，全身痒，眼肿耳肿手肿，应该看什么科室”。

在一个具体示例中，输出获取的分诊结果进一步包括通过显示屏向用户呈现分诊结果和/或向用户语音播放分诊结果，此外，还可同时向用户呈现/语音播放挂号处的位置及从用于执行输出分诊结果的输出装置去往挂号处的路线、分诊结果中的科室的位置及去往科室的路线，以提升便捷性及用户体验。

如图2所示，在本实施例的一些可选的实现方式中，在所述利用第二分诊模型获取分诊结果之后，该方法还包括：

其中，

基于规则的分诊模型的特点为：根据用户提供的少量症状描述便能够较为快速的获取分诊结果(即推荐科室)。其中的每条规则可由专业医师指导和审核通过后构建为决策树，进而通过建立症状与科室之间的关系实现智能分诊，有较高的准确度。

基于知识图谱的分诊模型的特点为：擅长处理用户输入的询问信息中包含多症状的情况。基于知识图谱的查询效率比关系型数据库高出几千倍甚至几百万倍，并且方便插入新的数据源，还可以直观清晰地展示实体和实体之间的关系。

基于深度学习的分诊模型的特点为：可基于海量的训练数据，通过构建具有多个隐层的机器学习模型，学习更有用的特征，从而提升最终分类(分诊)的准确性。与人工规则构造特征的方式相比，利用大数据来学习特征，更能够刻画数据的丰富的内在信息。将特征学习融入到了建立模型的过程中，可减少人为设计特征造成的不完备性。

综上，采用三种不同类型的分诊模型相结合的方式，即依次利用基于规则的分诊模型、基于知识图谱的分诊模型和基于深度学习的分诊模型中的进行分诊，可进一步保证分诊的有效性，进一步提升分诊的准确性、稳定性和健壮性。且，鉴于基于规则的分诊模型、基于知识图谱的分诊模型、基于深度学习的分诊模型各自的特点而在依次执行时将基于规则的分诊模型的执行优先级排在第一位、将基于知识图谱的分诊模型的执行优先级排在第二位、将基于深度学习的分诊模型的执行优先级排在第三位，可在保证分诊有效性的基础上，提升分诊的准确性、稳定性和健壮性。

在本实施例的一些可选的实现方式中，所述对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句进一步包括：

采用此可选方式，可通过先对用户输入的询问信息进行语义理解而避免用户输入的询问信息非问诊信息时依旧执行后续流程造成时间、计算资源等成本的浪费，其中，通过对用户输入的询问信息进行语义理解以判断用户输入的询问信息是否为问诊信息可理解为意图识别，即识别用户是否有问诊(询问应该看哪个科室)意图。在判断用户输入的询问信息为问诊信息时，可通过命名实体识别及语义匹配，保证将用户输入的询问信息映射为规划化的标准医疗问诊语句的精确性，可保证提高后续利用分诊模型进行分诊的效率及准确度的效果。

在本实施例的一些可选的实现方式中，所述对用户输入的询问信息进行命名实体识别进一步包括：对用户输入的询问信息进行症状实体识别、部位实体识别、结合部位实体识别结果的方位词匹配及结合方位词的部位确定。

在本实施例的一些可选的实现方式中，所述对命名实体识别结果与标准医疗语句进行语义匹配进一步包括：利用深度语义匹配模型对命名实体识别结果与标准医疗语句进行语义匹配。

在一个具体示例中，

对用户输入的询问信息进行语义理解以判断用户输入的询问信息是否为问诊信息的具体过程为：

对用户输入的询问信息进行语义理解以实现意图识别，判断用户输入的询问信息是否为问诊信息。意图识别用于准确理解用户的意图，然后给予相应的回复，以进一步提高用户体验。该意图识别仅考虑问诊、非问诊两类的意图，具体过程如图3所示：获取训练语料；进行语料预处理，包括去除语料中的标点符号、停用词等；将语料初始化后，利用word2vec生成词向量；利用LSTM进行特征提取；最后利用Softmax完成意图分类，即完成问诊、非问诊的二分类。进一步，训练语料包括问诊意图的语料和非问诊意图的语料。其中，问诊意图的语料，即通过描述症状而询问就诊科室的语料，例如：“心脏跳动过快，看什么科室”、“腰酸腰胀痛挂什么科室”等；非问诊意图的语料，即询问信息与问诊无关，例如：“去眼袋手术怎么做”、“刷牙的时候发现唾液有血，是不是牙龈出血”等。

如图4所示，对用户输入的询问信息进行命名实体识别的具体过程为：

对用户输入的询问信息进行症状实体识别、部位实体识别、结合部位实体识别结果的方位词匹配及结合方位词的部位确定。其中，用户的语言表达习惯是在分诊前通过描述部位对应的症状表现来尽可能详细准确地表达自己身体病状，但是，用户对某些部位表达不清楚的情况也是常常发生的。因此，用户输入的询问信息中除了部位及症状外，往往会加上方位词来确切表达部位位置，例如：肚脐上方疼。考虑到自然语言处理过程中不可避免的误差，以及用户输入的询问信息中常用的方位词仅有有限的几种，因此，进行命名实体识别时不对方位词进行命名实体识别，而是通过模型匹配的方式将方位词与主诉的部位实体信息进行匹配，并与部位实体识别得到的部位实体相结合以确定具体部位。例如：对“肚脐上方胀痛，挂哪科的号”进行命名实体识别，症状实体识别结果为“胀痛”，部位实体识别结果为“肚脐”，结合部位实体识别结果的方位词匹配得到“肚脐上方”，结合方位词“上方”的部位确定即为将“肚脐上方”确定为“胃”，则进行命名实体识别的结果为部位“胃”，症状“胀痛”。再例如，对“肋骨下疼痛，应该挂哪个科室检查”进行命名实体识别，症状实体识别结果为“疼痛”，部位实体识别结果为“肚脐”，与方位词“下”结合，则进行命名实体识别的结果为部位“肋骨下”，症状“疼痛”。本示例中，方位词包括以下任意一项或几项：上、下、左、右、前、后、周围、内、外、里等

对命名实体识别结果与标准医疗语句进行语义匹配，获取用户输入的询问信息对应的标准医疗问诊语句的具体过程为：

为提高后续利用三个分诊模型进行分诊准确率，利用深度语义匹配模型(DSSM模型)对命名实体识别结果与标准医疗语句进行基于语义相似度计算的语义匹配，如图5所示，具体过程为：DSSM模型是一种用于进行语义相似度计算的模型，具体地，将命名实体识别结果与规范化的医疗术语的词语集(标准化词语)输入输入层；利用深度神经网络(DNN)把两个词语(命名实体识别结果和标准化词语)分别表示为低纬语义向量，并通过余弦(cosine)距离等参数来计算两个语义向量的距离，最终训练出语义相似度模型，用来预测两个词的语义相似度。若两个词语的语义相似度大于等于预设阈值，则判定为相似。通过DSSM模型进行语义相似度计算，可将通俗的口语表达映射到规范化的医学术语，例如：“手拿物品不觉掉落”到“持物不稳”的映射、“全身发抖”到“颤抖”的映射。其中，规范化的医疗术语的词语集可通过网络爬取获取或由医学文献的标准化的症状术语获取。另外，若两个词语的语义相似度小于预设阈值，即实体在数据库中无法找到语义相似度较高的词语，则可执行如下步骤：将用户输入的询问信息(自然语言)记录到日志中，使用于执行分诊方法的系统中的后台系统跳转到人工处理界面，以通知后台开发人员提供标准化数据库的完善服务。

在本实施例的一些可选的实现方式中，所述基于规则的分诊模型为利用决策树构建的基于规则的分诊模型。

在本实施例的一些可选的实现方式中，所述基于深度学习的分诊模型为基于TextCNN的分诊模型。

下面分别引用具体示例，对基于规则的分诊模型、基于知识图谱的分诊模型及基于深度学习的分诊模型分别作进一步说明。

对于基于规则的分诊模型：

在一个具体示例中，决策树是一类常用的机器学习方法，其可从给定的训练集学习生成一个用以对输入信息进行分类的模型，其采用自顶向下的递归的方法，以信息熵为度量构造一棵熵值下降最快的树。

本示例中，训练集的属性集合为{患者年龄，患者性别，患者输入文本信息，紧急症状，导向症状，科室，导向科室}，用以学习生成一棵能预测症状导向科室的决策树，训练集示例如以下表格中的信息(数据)所示：

决策树通过计算信息增益、增益率或基尼指数而选择最优划分属性。通过给定的训练集学习生成一颗决策树，如图6所示，根据用户输入的询问信息对应的标准医疗问诊语句，利用决策树构建的基于规则的分诊模型进行分诊(实质为一种分类)的过程例如：根据目前已获取的信息开始查询决策树后，每进行到一个节点，确定已获取的信息是否包含对应节点的信息，若是，则相应地进行到下一个判断节点；若否，则可以用于生成询问关于该症状节点对应症状的提问语句输出给用户，响应于用户补充输入或选择操作获取对应节点的信息并相应地进行到下一个判断节点。本示例中，用户进入交互页面后，首先输出年龄选择界面以使用户选择年龄，若年龄小于14岁，则进入儿科，即输出分诊结果为儿科，分诊结束。若年龄大于14岁，则进入下一个节点，输出性别选择界面以使用户选择性别，响应于用户给予的反馈，如果性别为男，则进入下一个节点，输出症状选择界面以使用户对症状进行选择，若用户选择的症状为咽痛，则需要进一步判断是否有紧急症状，若有紧急症状且为呼吸困难，则进入急诊科，分诊结束；若无紧急症状，则进入下一个节点，判断是否存在导向症状，若导向症状存在且为咳嗽，则进入呼吸内科，否则进入耳鼻喉科。

对于基于知识图谱的分诊模型：

在一个具体示例中，需要预先构建每种疾病的数据库，包括易感人群、典型症状、相关症状和就诊科室，由专业医师进行判断和确认后，存入医学知识图谱。其中，构造的知识图谱包括四种实体和三种关系，实体包括：疾病、症状、易感人群和科室；关系包括：疾病与症状之间存在症状表现关系、疾病和科室之间存在就诊科室的关系、疾病和人群之间存在易感人群关系。以图7所示的“月经不调”的知识图谱为例，症状表现为：月经周期延长、月经推迟、月经发黑、月经量多；易感人群为：女性；就诊科室为：妇产科。

如图8所示，根据用户输入的询问信息对应的标准医疗问诊语句，利用基于知识图谱的分诊模型进行分诊(实质为一种分类)的过程例如：

步骤1)：当获取到用户输入的询问信息对应的标准医疗问诊语句后，按照从描述语句中识别的症状信息以及用户的年龄和性别信息对科室信息进行查询。首先从知识图谱中检索一条或多条与症状相关的疾病实体和权重关系；

步骤2)：在知识图谱中，检索步骤1)得到的疾病实体的易感人群，判断是否与用户的年龄、性别存在冲突，若冲突，则删除此疾病实体；例如，疾病为“月经不调”的易感人群：年龄大于14岁的女性。当用户性别为男性或者年龄小于14岁时，便排除这种疾病；

步骤3)：若不存在关联的疾病，则显示与用户交互的首页页面，提示查找失败信息；若关联的疾病只有一种，则对应的就诊科室即为分诊科室，分诊结束；若关联的疾病有多种，且指向的科室相同，则对应的就诊科室即为分诊科室，分诊结束；若关联的疾病有多种，且指向的科室不同，则转入步骤4)；

步骤4)：当查询结果为多个科室时(关联的疾病有多种且指向的科室不同)，可根据症状到疾病的患病概率的加权和进行计算：

根据专业医师指定或权威医学文献，对不同的症状到疾病的患病概率赋予权重系数，设定症状i到疾病j的概率为w_i,j≥0(i＝1,2,…,m；j＝1,2,…,n)，疾病j的患病概率的计算公式如下：

按y_j的值由大到小排序，最大的y_j对应的科室即为即为分诊科室，分诊结束，向用户输入作为分诊结果的该分诊科室。

对于基于深度学习的分诊模型：

如图9所示，根据用户输入的询问信息对应的标准医疗问诊语句，利用基于TextCNN的分诊模型进行分诊(实质为一种分类)的过程例如：

步骤a：从海量问诊数据和病历中获取关于分诊的症状信息和科室信息，对包含这些信息的文本进行预处理，得到若干个语句，语句中包含若干的症状，提取语句的word2vec的特征；其中，预处理包括：对文本进行切词、去停用词、去标点符号、补充和截断操作。

步骤b：建立TextCNN模型，TextCNN模型可将卷积神经网络CNN应用到文本分类任务，利用多个不同大小的卷积核来提取语句中的关键信息，从而能够更好地捕捉局部相关性。TextCNN模型包括：嵌入层(Embedding层)、卷积层、池化层和全连接层；其中，Embedding层，用于将输入的文本向量转化为数字向量；卷积核只进行一维的滑动，即卷积核的宽度与词向量的维度等宽；使用多个不同尺寸的卷积核，卷积核的宽度，即窗口值，可理解为N-gram模型中的N，即利用的局部次序的长度，提取初级的特征，所述局部次序的长度一般选取2-8之间的值；池化层中使用Max-pool，即减少了模型的参数，将所述的初级特征组合为高级特征，以缩小特征图，又可保证在不定长的卷积层的输出上获得一个定长的全连接层的输入；全连接层通过Softmax输出每个类别的概率；

步骤c：在训练完成基于TextCNN的分诊模型后，输入一个或多个症状，便可返回分诊结果(推荐科室)。

接续上述三个具体示例，依次利用基于规则的分诊模型、基于知识图谱的分诊模型及基于深度学习的分诊模型的分诊方法的整体流程例如：

步骤(1)：用户选择年龄21岁，性别男，输入的询问信息为“头痛、眼睛发胀、眼睛痛，应该去哪个科室挂号”时；

步骤(2)：对“头痛、眼睛发胀、眼睛痛，应该去哪个科室挂号”进行意图识别，确认是分诊意图；

步骤(3)：进行命名实体识别，识别出的实体包括：症状实体“看不清东西、发胀、痛”；部位实体“头、眼睛”，方位匹配无结果，确认部位为原部位实体“头、眼睛”；

步骤(4)：进行语义匹配，将“眼睛”映射为“眼”、“发胀”映射为“胀”，经部位和症状组合得到规范化的标准医疗问诊语句，其包含的规范化的目标症状包括“头痛”、“眼胀”和“眼痛”；

步骤(5)：利用基于规则的分诊模型进行分诊：利用规则库查找，若“头痛”、“眼胀”和“眼痛”这三类症状都存在，且可以精确获取推荐科室，则输出分诊结果，分诊结束；否则执行步骤(6)：；

步骤(6)：利用基于知识图谱的分诊模型进行分诊：在知识库中检索，定位包含目标症状“头痛”、“眼胀”和“眼痛”的症状实体的知识条目，各条知识是由作为节点的实体、实体的属性和实体之间的关系构成的，若可以获取推荐科室，则输出分诊结果，分诊结束；否则执行步骤(7)；

步骤(7)：利用基于深度学习的分诊模型进行分诊：将目标症状“头痛”、“眼胀”和“眼痛”症状输入预先训练生成的基于TextCNN的分诊模型，输出分诊结果，分诊结束。

如图10所示，本发明的另一个实施例提供了一种分诊装置，包括：

交互模块10，用于获取用户输入的询问信息；

语义分析模块20，用于对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句；

分诊模块30，用于根据用户输入的询问信息对应的标准医疗问诊语句，利用第一分诊模型获取分诊结果；若第一分诊模型获取分诊结果失败，则根据用户输入的询问信息对应的标准医疗问诊语句，利用第二分诊模型获取分诊结果；其中，第一分诊模型为基于规则的分诊模型且第二分诊模型为基于知识图谱的分诊模型或基于深度学习的分诊模型，或，第一分诊模型为基于知识图谱的分诊模型且第二分诊模型为基于深度学习的分诊模型；

所述交互模块10，还用于输出获取的分诊结果。

其中，分诊装置可由终端设备实现，终端设备可以是设置于医院大厅中的具有触控、语音交互等功能的计算机设备。分诊装置也可由位于前端(设置于医院大厅)的交互设备和位于后端(设置于医院机房中)的服务器实现，其中，交互模块10在交互设备中实现，语义分析模块20和分诊模块30在服务器中实现，交互设备与服务器通过网络进行通信，该网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

在本实施例的一些可选的实现方式中，所述分诊模块30还用于：

在本实施例的一些可选的实现方式中，所述语义分析模块20进一步用于：

在本实施例的一些可选的实现方式中，所述语义分析模块20进一步用于：对用户输入的询问信息进行症状实体识别、部位实体识别、结合部位实体识别结果的方位词匹配及结合方位词的部位确定。

在本实施例的一些可选的实现方式中，所述语义分析模块20进一步用于：利用深度语义匹配模型对命名实体识别结果与标准医疗语句进行语义匹配。

其中，利用深度语义匹配模型(DSSM模型)对命名实体识别结果与标准医疗语句进行基于语义相似度计算的语义匹配可提高后续利用三个分诊模型进行分诊准确率，基于语义相似度计算的语义匹配的过程为：将命名实体识别结果与规范化的医疗术语的词语集(标准化词语)输入输入层；利用深度神经网络(DNN)把两个词语(命名实体识别结果和标准化词语)分别表示为低纬语义向量，并通过余弦(cosine)距离等参数来计算两个语义向量的距离，最终训练出语义相似度模型，用来预测两个词的语义相似度。若两个词语的语义相似度大于等于预设阈值，则判定为相似。通过DSSM模型进行语义相似度计算，可将通俗的口语表达映射到规范化的医学术语，例如：“手拿物品不觉掉落”到“持物不稳”的映射、“全身发抖”到“颤抖”的映射。其中，规范化的医疗术语的词语集可通过网络爬取获取或由医学文献的标准化的症状术语获取。另外，分诊装置还包括异常处理模块40，用于在两个词语的语义相似度小于预设阈值，即实体在数据库中无法找到语义相似度较高的词语时，将用户输入的询问信息(自然语言)记录到日志中，使用于执行分诊方法的系统中的后台系统跳转到人工处理界面，以通知后台开发人员提供标准化数据库的完善服务。

需要说明的是，本实施例提供的分诊装置的原理及工作流程与上述分诊方法相似，相关之处可以参照上述说明，在此不再赘述。

如图11所示，适于用来实现本实施例提供的分诊装置的计算机系统，包括中央处理模块(CPU)，其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中，还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。

以下部件连接至I/O接口:包括键盘、鼠标等的输入部分；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。

特别地，根据本实施例，上文流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括有形地包含在计算机可读介质上的计算机程序，上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。

附图中的流程图和示意图，图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分，上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括语义分析模块和分诊模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。例如，语义分析模块还可以被描述为“映射模块”。

作为另一方面，本实施例还提供了一种非易失性计算机存储介质，该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质，也可以是单独存在，未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序，当上述一个或者多个程序被一个设备执行时，使得上述设备：获取用户输入的询问信息，并对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句；根据用户输入的询问信息对应的标准医疗问诊语句，利用第一分诊模型获取分诊结果；若第一分诊模型获取分诊结果失败，则根据用户输入的询问信息对应的标准医疗问诊语句，利用第二分诊模型获取分诊结果；其中，第一分诊模型为基于规则的分诊模型且第二分诊模型为基于知识图谱的分诊模型或基于深度学习的分诊模型，或，第一分诊模型为基于知识图谱的分诊模型且第二分诊模型为基于深度学习的分诊模型；输出获取的分诊结果。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims

1.一种分诊方法，其特征在于，包括：

输出获取的分诊结果。

2.根据权利要求1所述的方法，其特征在于，在所述利用第二分诊模型获取分诊结果之后，该方法还包括：

3.根据权利要求1所述的方法，其特征在于，所述对用户输入的询问信息进行语义分析以获取用户输入的询问信息对应的标准医疗问诊语句进一步包括：

4.根据权利要求3所述的方法，其特征在于，所述对用户输入的询问信息进行命名实体识别进一步包括：对用户输入的询问信息进行症状实体识别、部位实体识别、结合部位实体识别结果的方位词匹配及结合方位词的部位确定。

5.根据权利要求3所述的方法，其特征在于，所述对命名实体识别结果与标准医疗语句进行语义匹配进一步包括：利用深度语义匹配模型对命名实体识别结果与标准医疗语句进行语义匹配。

6.根据权利要求1或2所述的方法，其特征在于，所述基于规则的分诊模型为利用决策树构建的基于规则的分诊模型。

7.根据权利要求1或2所述的方法，其特征在于，所述基于深度学习的分诊模型为基于TextCNN的分诊模型。

8.一种用于执行如权利要求1-7中任一项所述方法的分诊装置，其特征在于，包括：

交互模块，用于获取用户输入的询问信息；

所述交互模块，还用于输出获取的分诊结果。

9.一种计算机设备，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，其特征在于，所述处理器执行所述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，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。