CN110706772A - 一种排序方法及装置、电子设备、存储介质 - Google Patents
一种排序方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN110706772A CN110706772A CN201910966511.1A CN201910966511A CN110706772A CN 110706772 A CN110706772 A CN 110706772A CN 201910966511 A CN201910966511 A CN 201910966511A CN 110706772 A CN110706772 A CN 110706772A
- Authority
- CN
- China
- Prior art keywords
- disease
- information
- medical data
- feature vector
- element information
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种排序方法及装置、电子设备、存储介质，涉及人工智能领域。具体实现方案为：获取到原始医疗数据，所述原始医疗数据至少包含有与疾病特征相关的要素信息；至少基于所述原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量；获取针对所述原始医疗数据而得到的至少两个疑似疾病信息；根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量；基于第一特征向量与第二特征向量的相似度，对至少两个疑似疾病信息进行排序，输出排序结果。如此，提高排序结果的准确度，提高输出结果的参考价值。
Description
技术领域
本申请涉及数据处理领域，尤其涉及人工智能领域。
背景技术
智能诊断推荐，也称辅助诊断，是临床辅助支持决策系统中的核心功能，主要根据医生填写的患者病历，推荐该患者可能存在的疾病，通常，推荐结果存在多个，推荐结果中疑似疾病的相对排序是医生的重要参考，所以推荐结果排序成为了推荐效果的重要衡量指标，而如何提高推荐排序的准确度成为辅助诊断的研究热点。
发明内容
本申请实施例提供一种排序方法及装置、电子设备、存储介质，如此，提高排序结果的准确度，提高输出结果的参考价值。
第一方面，本申请实施例提供了一种排序方法，包括：
获取到原始医疗数据，原始医疗数据至少包含有与疾病特征相关的要素信息；
至少基于原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量；
获取针对原始医疗数据而得到的至少两个疑似疾病信息；
根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量；
基于第一特征向量与第二特征向量的相似度，对至少两个疑似疾病信息进行排序，输出排序结果。
本申请实施例将表征疾病特征的要素信息进行向量化，即利用向量来表示与疾病特征相关的要素信息，进而得到原始医疗数据的第一特征向量，同理，得到各疑似疾病信息对应的第二特征向量，进而基于原始医疗数据的第一特征向量与各疑似疾病信息的第二特征向量的相似度，来确定原始医疗数据与各疑似疾病信息之间的关联度，实现对疑似疾病信息进行排序的目的，且该方案是通过二位空间的相似度来衡量相关性的，简单可行，可解释性强。
而且，由于本申请实施例利用特征向量来表征原始医疗数据，所以，可以通过特征向量来表征医疗数据中与疾病特征相关联的要素信息之间的关联关系，同理，可以通过特征向量来表征疾病信息中与疾病特征相关联的要素信息之间的关联关系，且该表达方式更准确；进一步，基于原始医疗数据的特征向量与疑似疾病信息的特征向量的相似度来确定原始医疗数据与各疑似疾病信息之间的关联度的方案更可靠，更准确，因此，为后续输出准确的排序结果奠定了基础。
进一步地，本申请实施例无需自行去判断与原始医疗数据相关联的多个(两个或两个以上)疑似疾病信息，而直接去获取与原始医疗数据相关联的多个疑似疾病信息，显然，大大减少了计算量，为实现工程化奠定了基础。
在一种实施方式中，至少基于原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量，包括：
从疾病图谱模型中选取出与原始医疗数据所包含的要素信息相关联的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取选取出的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量；
将获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为原始医疗数据的第一特征向量。
这里，该实施方式中提前构建疾病图谱模型，且该疾病图谱模型可以离线存储，也即离线存储预设要素信息与疾病信息之间的关联关系，进而方便利用该疾病图谱模型来进行要素信息查询，或者进行疾病信息查询，或者要素信息与疾病信息关联关系查询；同时，要素信息与特征向量之间的关联关系也可以离线存储，比如，疾病图谱模型还可以设置有预设要素信息、疾病信息、特征向量三者之间的关联关系，进而便于基于疾病图谱模查询到要素信息的特征向量，为快速确定出原始医疗数据的特征向量奠定了基础。
进一步地，由于使用的离线数据，且该离线数据为预先存储的，所以，降低了计算量，为实现工程化奠定了基础。
再进一步，由于该疾病图谱模型为离线存储的，所以，训练得到该疾病图谱模型的样本医疗数据可以为经过验证的，比如，经由医院准确性验证的病例，如此，可确保该疾病图谱模型的准确性、完整性以及可靠性，进而避免了由于训练数据不准确造成的模型不准确的问题，为后续输出准确的排序结果奠定了基础。
在一种实施方式中，将获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为原始医疗数据的第一特征向量，包括：
从原始医疗数据中提取出用户信息；
将从原始医疗数据提取出的用户信息，和获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量进行组合，将组合后的特征向量作为原始医疗数据的第一特征向量。
这里，该实施方式中，将用户信息添加到原始医疗数据的特征向量中，如此，来丰富第一特征向量所表征的维度，为确定原始医疗数据与疑似疾病信息之间的关联度提供了又一参考维度，进而为后续输出准确的排序结果奠定了基础。
在一种实施方式中，根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量，包括：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的预设要素信息的特征向量；
将疑似疾病信息所对应的预设要素信息的特征向量作为疑似疾病信息的第二特征向量。
这里，该实施方式中提前构建疾病图谱模型，且该疾病图谱模型可以离线存储，也即离线存储预设要素信息与疾病信息之间的关联关系，进而方便利用该疾病图谱模型来进行要素信息查询，或者进行疾病信息查询，或者要素信息与疾病信息关联关系查询；同时，要素信息与特征向量之间的关联关系也可以离线存储，比如，疾病图谱模型还可以设置有预设要素信息、疾病信息、特征向量三者之间的关联关系，进而便于基于疾病图谱模查询到要素信息的特征向量，为快速确定出原始医疗数据的特征向量奠定了基础。
进一步地，由于使用的离线数据，且该离线数据为预先存储的，所以，降低了计算量，为实现工程化奠定了基础。
再进一步，由于该疾病图谱模型为离线存储的，所以，训练得到该疾病图谱模型的样本医疗数据可以为经过验证的，比如，经由医院准确性验证的病例，如此，可确保该疾病图谱模型的准确性、完整性以及可靠性，进而避免了由于训练数据不准确造成的模型不准确的问题，为后续输出准确的排序结果奠定了基础。
在一种实施方式中，根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量，包括：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的第一预设要素信息的特征向量；
从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据；
获取目标样本医疗数据的特征向量；
基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
这里，该实施方式中，为丰富疑似疾病信息的特征向量的维度，使疑似疾病信息的特征向量更贴合医疗数据，最大化还原医疗数据，在确定疑似疾病信息的第二特征向量时，引用了样本医疗数据集合，如此，为后续输出准确的排序结果奠定了基础。具体地，首先，构建疾病图谱模型，基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，并确定出第一预设要素信息的特征向量，其次，从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据，进而获取到目标样本医疗数据的特征向量，最后，基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
而且，该实施方式中还提前构建疾病图谱模型，且该疾病图谱模型可以离线存储，也即离线存储预设要素信息与疾病信息之间的关联关系，进而方便利用该疾病图谱模型来进行要素信息查询，或者进行疾病信息查询，或者要素信息与疾病信息关联关系查询；同时，要素信息与特征向量之间的关联关系也可以离线存储，比如，疾病图谱模型还可以设置有预设要素信息、疾病信息、特征向量三者之间的关联关系，进而便于基于疾病图谱模查询到要素信息的特征向量，为快速确定出原始医疗数据的特征向量奠定了基础。由于使用的离线数据，且该离线数据为预先存储的，所以，降低了计算量，为实现工程化奠定了基础。由于该疾病图谱模型为离线存储的，所以，训练得到该疾病图谱模型的样本医疗数据可以为经过验证的，比如，经由医院准确性验证的病例，如此，可确保该疾病图谱模型的准确性、完整性以及可靠性，进而避免了由于训练数据不准确造成的模型不准确的问题，为后续输出准确的排序结果奠定了基础。
在一种实施方式中，获取目标样本医疗数据的特征向量，包括：
从目标样本医疗数据中提取出用户信息；
从疾病图谱模型中选取出目标样本医疗数据所对应的第二预设要素信息；
获取第二预设要素信息的特征向量；
将确定出的第二预设要素信息的特征向量与从目标样本医疗数据中提取出的用户信息进行组合，得到目标样本医疗数据的特征向量。
这里，该实施方式中，将用户信息添加到目标样本医疗数据的特征向量中，如此，来丰富目标样本医疗数据的特征向量所表征的维度，进而来丰富第二特征向量所表征的维度，为确定原始医疗数据与疑似疾病信息之间的关联度提供了又一参考维度，进而为后续输出准确的排序结果奠定了基础。
第二方面，本申请实施例提供了一种排序装置，包括：
向量处理单元，用于获取到原始医疗数据，原始医疗数据至少包含有与疾病特征相关的要素信息；至少基于原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量；获取针对原始医疗数据而得到的至少两个疑似疾病信息；根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量；
排序单元，用于基于第一特征向量与第二特征向量的相似度，对至少两个疑似疾病信息进行排序，输出排序结果。
在一种实施方式中，向量处理单元，还用于：
从疾病图谱模型中选取出与原始医疗数据所包含的要素信息相关联的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取选取出的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量；
将获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为原始医疗数据的第一特征向量。
在一种实施方式中，向量处理单元，还用于：
从原始医疗数据中提取出用户信息；
将从原始医疗数据提取出的用户信息，和获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量进行组合，将组合后的特征向量作为原始医疗数据的第一特征向量。
在一种实施方式中，向量处理单元，还用于：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的预设要素信息的特征向量；
将疑似疾病信息所对应的预设要素信息的特征向量作为疑似疾病信息的第二特征向量。
在一种实施方式中，向量处理单元，还用于：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的第一预设要素信息的特征向量；
从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据；
获取目标样本医疗数据的特征向量；
基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
在一种实施方式中，向量处理单元，还用于：
从目标样本医疗数据中提取出用户信息；
从疾病图谱模型中选取出目标样本医疗数据所对应的第二预设要素信息；
获取第二预设要素信息的特征向量；
将确定出的第二预设要素信息的特征向量与从目标样本医疗数据中提取出的用户信息进行组合，得到目标样本医疗数据的特征向量。
第三方面，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行以上方法。
第四方面，本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行以上方法。
上述申请中的一个实施例具有如下优点或有益效果：
本申请实施例将表征疾病特征的要素信息进行向量化，即利用向量来表示与疾病特征相关的要素信息，进而得到原始医疗数据的第一特征向量，同理，得到各疑似疾病信息对应的第二特征向量，进而基于原始医疗数据的第一特征向量与各疑似疾病信息的第二特征向量的相似度，来确定原始医疗数据与各疑似疾病信息之间的关联度，实现对疑似疾病信息进行排序的目的，且该方案是通过二位空间的相似度来衡量相关性的，简单可行，可解释性强。
而且，由于本申请实施例利用特征向量来表征原始医疗数据，所以，可以通过特征向量来表征医疗数据中与疾病特征相关联的要素信息之间的关联关系，同理，可以通过特征向量来表征疾病信息中与疾病特征相关联的要素信息之间的关联关系，且该表达方式更准确；进一步，基于原始医疗数据的特征向量与疑似疾病信息的特征向量的相似度来确定原始医疗数据与各疑似疾病信息之间的关联度的方案更可靠，更准确，因此，为后续输出准确的排序结果奠定了基础。
进一步地，本申请实施例无需自行去判断与原始医疗数据相关联的多个(两个或两个以上)疑似疾病信息，而直接去获取与原始医疗数据相关联的多个疑似疾病信息，显然，大大减少了计算量，为实现工程化奠定了基础。
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是根据本申请实施例的方法流程示意图；
图2是根据本申请实施例一具体应用的示意图；
图3是用来实现本申请实施例的排序方法的排序装置的框图；
图4是可以实现本申请实施例的电子设备的框图。
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。
临床辅助支持决策系统中排序方法主要采用如下方式：
方式一：根据经验值将各类权重进行线性加权后的结果进行排序。具体地，首先根据大量病历统计得到每种疾病的[疾病，要素，权重]关系，例如[小儿肺炎，咳嗽，0.6]，或者[小儿肺炎，56岁，0.0001]，实际应用中，要素可能还包括体征维度、病史维度、检查结果维等。当获取到医生输入的患者病历后，先由特定的召回方法得到一个疾病候选集，并筛选出疾病候选集中各疾病的要素权重，最后将各种维度的权重进行线性拟合，得到一个得分，基于得分对疾病候选集中的疾病进行排序，得到排序结果。
这种方式中，首先需要可靠的知识图谱，即基于可靠的图谱才能得出疾病对应的要素的权重，若知识图谱中病例质量参差不齐，则容易引入误差，导致排序结果不准确。进一步，各影响因子(也即各要素的权重)进行线性加权，此时，每个因子的权重很难确定，且医学专家也无法给出经验值，仅是给出粗略指定值，因此，导致排序结果的准确度降低。
方式二：根据概率图模型(PGM)的计算结果进行排序。具体地，设置横纵坐标分别为疾病和要素的概率矩阵，该概率矩阵可根据贝叶斯条件概率生成。当获取到医生输入的患者病历后，提取患者病例的相关要素，查询提取出的各要素在矩阵中的概率值及概率不为0的相关疾病，计算各要素针对一个疾病的条件概率值，按照条件概率值的大小进行疾病排序，得到排序结果。
这种方式中，假设条件是各个要素相互独立，显然，与实际不符，因此，在此假设基础上进行单个要素对于疾病的条件概率计算，必然脱离了实际，忽略了要素之间的联系，降低了推荐结果的准确性。另外，当疾病和要素的数量庞大时，矩阵的维度等于疾病个数×要素个数，数值大不便维护，而且，当输入变量较多时，条件概率尝尝会趋近于0，导致无法排序，失去了排序的意义。
基于此，本申请实施例提供一种排序方法，如图1所示，排序方法包括：
步骤S101：获取到原始医疗数据，原始医疗数据至少包含有与疾病特征相关的要素信息。
在一具体示例中，原始医疗数据可以具体为患者病例；要素信息包括但不限于以下信息中的至少一种：体征、症状、病史、检查结果等。
实际应用中，原始医疗数据所包含的要素信息可以为一个也可以为多个，原始医疗数据所包含要素信息对应的预设要素信息也可以为一个或多个。同理，疑似疾病信息所包含的要素信息也可以为一个或多个，疑似疾病信息所包含要素信息对应的预设要素信息也可以为一个或多个。
步骤S102：至少基于原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量。
在一具体示例中，第一特征向量可以具体为embedding向量，相应地，第二特征向量也具体为embedding向量，如此，能够更多捕捉到要素信息之间的关联关系，使得表达更为准确。
在一具体示例中，可以采用如下方式得到原始医疗数据的第一特征向量，具体地，
方式一：从疾病图谱模型中选取出与原始医疗数据所包含的要素信息相关联的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；获取选取出的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量；将获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为原始医疗数据的第一特征向量。
该方式中提前构建疾病图谱模型，且该疾病图谱模型可以离线存储，也即离线存储预设要素信息与疾病信息之间的关联关系，进而方便利用该疾病图谱模型来进行要素信息查询，或者进行疾病信息查询，或者要素信息与疾病信息关联关系查询；同时，要素信息与特征向量之间的关联关系也可以离线存储，比如，在一具体示例中，疾病图谱模型还可以设置有预设要素信息、疾病信息、特征向量三者之间的关联关系，进而便于基于疾病图谱模查询到要素信息的特征向量，为快速确定出原始医疗数据的特征向量奠定了基础。
进一步地，由于使用的离线数据，且该离线数据为预先存储的，所以，降低了计算量，为实现工程化奠定了基础。又由于该疾病图谱模型为离线存储的，所以，训练得到该疾病图谱模型的样本医疗数据可以为经过验证的，比如，经由医院准确性验证的病例，如此，可确保该疾病图谱模型的准确性、完整性以及可靠性，进而避免了由于训练数据不准确造成的模型不准确的问题，为后续输出准确的排序结果奠定了基础。
方式二：从疾病图谱模型中选取出与原始医疗数据所包含的要素信息相关联的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；获取选取出的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量；从原始医疗数据中提取出用户信息；将从原始医疗数据提取出的用户信息，和获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量进行组合，将组合后的特征向量作为原始医疗数据的第一特征向量。
这里，该方式中，在能够实现方式一的效果的基础上，将用户信息添加到原始医疗数据的特征向量中，如此，来丰富第一特征向量所表征的维度，为确定原始医疗数据与疑似疾病信息之间的关联度提供了又一参考维度，进而为后续输出准确的排序结果奠定了基础。
这里，需要说明的是，在实际应用中，以上两种得到原始医疗数据的第一特征向量的方式可以择一而执行。当然，实际应用中，第一特征向量可以利用疾病图谱模型得到，也可以不利用疾病图谱模型得到，换言之，第一特征向量还可以通过其他方式得到，比如，当获取到原始医疗数据所包含的与疾病特征相关的要素信息后，获取到的要素信息经由向量处理层，比如embedding层进行向量化处理，得到第一特征向量。
步骤S103：获取针对原始医疗数据而得到的至少两个疑似疾病信息。
步骤S104：根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量。
在另一具体示例中，可以采用如下方式得到疑似疾病信息的第二特征向量，具体地，
方式一：基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；获取疑似疾病信息所对应的预设要素信息的特征向量；将疑似疾病信息所对应的预设要素信息的特征向量作为疑似疾病信息的第二特征向量。
这里，该方式中提前构建疾病图谱模型，且该疾病图谱模型可以离线存储，也即离线存储预设要素信息与疾病信息之间的关联关系，进而方便利用该疾病图谱模型来进行要素信息查询，或者进行疾病信息查询，或者要素信息与疾病信息关联关系查询；同时，要素信息与特征向量之间的关联关系也可以离线存储，比如，疾病图谱模型还可以设置有预设要素信息、疾病信息、特征向量三者之间的关联关系，进而便于基于疾病图谱模查询到要素信息的特征向量，为快速确定出原始医疗数据的特征向量奠定了基础。进一步地，由于使用的离线数据，且该离线数据为预先存储的，所以，降低了计算量，为实现工程化奠定了基础。再进一步，由于该疾病图谱模型为离线存储的，所以，训练得到该疾病图谱模型的样本医疗数据可以为经过验证的，比如，经由医院准确性验证的病例，如此，可确保该疾病图谱模型的准确性、完整性以及可靠性，进而避免了由于训练数据不准确造成的模型不准确的问题，为后续输出准确的排序结果奠定了基础。
方式二：基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；获取疑似疾病信息所对应的第一预设要素信息的特征向量；从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据；获取目标样本医疗数据的特征向量；基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
这里，该实施方式中，为丰富疑似疾病信息的特征向量的维度，使疑似疾病信息的特征向量更贴合医疗数据，最大化还原医疗数据，在确定疑似疾病信息的第二特征向量时，引用了样本医疗数据集合，如此，为后续输出准确的排序结果奠定了基础。具体地，首先，构建疾病图谱模型，基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，并确定出第一预设要素信息的特征向量，其次，从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据，进而获取到目标样本医疗数据的特征向量，最后，基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
而且，该实施方式中还提前构建疾病图谱模型，且该疾病图谱模型可以离线存储，也即离线存储预设要素信息与疾病信息之间的关联关系，进而方便利用该疾病图谱模型来进行要素信息查询，或者进行疾病信息查询，或者要素信息与疾病信息关联关系查询；同时，要素信息与特征向量之间的关联关系也可以离线存储，比如，疾病图谱模型还可以设置有预设要素信息、疾病信息、特征向量三者之间的关联关系，进而便于基于疾病图谱模查询到要素信息的特征向量，为快速确定出原始医疗数据的特征向量奠定了基础。由于使用的离线数据，且该离线数据为预先存储的，所以，降低了计算量，为实现工程化奠定了基础。由于该疾病图谱模型为离线存储的，所以，训练得到该疾病图谱模型的样本医疗数据可以为经过验证的，比如，经由医院准确性验证的病例，如此，可确保该疾病图谱模型的准确性、完整性以及可靠性，进而避免了由于训练数据不准确造成的模型不准确的问题，为后续输出准确的排序结果奠定了基础。
这里，需要说明的是，实际应用中，目标样本医疗数据所包含的要素信息，与疑似疾病信息所包含的要素信息可能部分重叠，也可能完全重叠。但是，即便完成重叠，此时，目标样本医疗数据所对应的特征向量与疑似疾病信息所对应的特征向量，也并非会完全相同，因为目标样本医疗数据的数据维度可能更多样化，进而能够利用目标样本医疗数据的多样性，来丰富疑似疾病信息的特征向量的维度，如此，为后续输出准确的排序结果奠定了基础。
方式三：基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；获取疑似疾病信息所对应的第一预设要素信息的特征向量；从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据；从目标样本医疗数据中提取出用户信息；从疾病图谱模型中选取出目标样本医疗数据所对应的第二预设要素信息；获取第二预设要素信息的特征向量；将确定出的第二预设要素信息的特征向量与从目标样本医疗数据中提取出的用户信息进行组合，得到目标样本医疗数据的特征向量；基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
该方式中，能够在实现方式二的效果的基础上，将用户信息添加到目标样本医疗数据的特征向量中，如此，来丰富目标样本医疗数据的特征向量所表征的维度，进而来丰富第二特征向量所表征的维度，为确定原始医疗数据与疑似疾病信息之间的关联度提供了又一参考维度，进而为后续输出准确的排序结果奠定了基础。
需要说明的是，该方式中所采用的样本医疗数据集合为经过准确性验证的，如此，以确保第二特征向量的准确性。进一步地，在一具体示例中，该样本医疗数据集合可以来自于训练疾病图谱模型所使用的样本医疗数据中的至少部分数据，当然，也可以并非来自于训练疾病图谱模型所使用的样本医疗数据，本申请实施例对此不作限制。
实际应用中，目标样本医疗数据所对应的要素信息的维度可能会多于疑似疾病信息所对应的要素信息的维度，以此利用目标样本医疗数据的特征向量来丰富疑似疾病信息的特征向量的维度。进一步地，疑似疾病信息对应的要素信息并非会完全与原始医疗数据对应的要素信息相重叠(要素信息的数量和内容完全相同)，只要两者要素信息相关联，且满足预设规则即可作为针对原始医疗数据的疑似疾病信息。
这里，需要说明的是，在实际应用中，以上三种得到疑似疾病信息的第二特征向量的方式可以择一而执行。
步骤S105：基于第一特征向量与第二特征向量的相似度，对至少两个疑似疾病信息进行排序，输出排序结果。
本申请实施例将表征疾病特征的要素信息进行向量化，即利用向量来表示与疾病特征相关的要素信息，进而得到原始医疗数据的第一特征向量，同理，得到各疑似疾病信息对应的第二特征向量，进而基于原始医疗数据的第一特征向量与各疑似疾病信息的第二特征向量的相似度，来确定原始医疗数据与各疑似疾病信息之间的关联度，实现对疑似疾病信息进行排序的目的，且该方案是通过二位空间的相似度来衡量相关性的，简单可行，可解释性强。
而且，由于本申请实施例利用特征向量来表征原始医疗数据，所以，可以通过特征向量来表征医疗数据中与疾病特征相关联的要素信息之间的关联关系，同理，可以通过特征向量来表征疾病信息中与疾病特征相关联的要素信息之间的关联关系，且该表达方式更准确；进一步，基于原始医疗数据的特征向量与疑似疾病信息的特征向量的相似度来确定原始医疗数据与各疑似疾病信息之间的关联度的方案更可靠，更准确，因此，为后续输出准确的排序结果奠定了基础。
进一步地，本申请实施例无需自行去判断与原始医疗数据相关联的多个(两个或两个以上)疑似疾病信息，而直接去获取与原始医疗数据相关联的多个疑似疾病信息，显然，大大减少了计算量，为实现工程化奠定了基础。
以下结合具体示例，对本申请实施例的排序方法做进一步详细说明：
本示例针对智能诊断推荐的排序问题，其实，该问题也可以认为是搜索排序问题，类比到智能诊断推荐领域，输入的搜索信息为患者真实的病例，抽取的特征即为患者各种维度的信息，如病历中的主诉、现病史、体格检查、检查结果、辅助检查、既往史等各种患者信息；然后，智能诊断推荐引擎会针对患者信息给出一个最相关的疾病的排序列表。这里，真实标签即为经过准确度验证的结果，如病历中三甲医院的医生的确认诊断。
这里，根据智能诊断问题特点，在智能诊断推荐引擎中，影响排序结果的因子有很多，比如命中的症状、体征，患者既往病史，患者最近做过的体格检查以及检查结果等要素信息。本示例使用PointWise类中的方法来确定各因子的影响程度，进而完成排序输出排序结果，具体地，
在一具体示例中，在智能诊断排序装置(也即排序装置)前可以设置召回模块，该召回模块可以粗略地从疾病空间(比如疾病空间存储有7000多个疾病)中选出与患者病历(也即原始医疗数据)最接近的多个疾病(如选取出top50前的50种疾病作为疑似疾病信息)，而本示例智能推荐排序是在获取到与患者病历最接近的多个疾病的基础上进行的，进而优化与患者病历最接近的多个疑似疾病信息的排序效果。这样，会大大减少训练时的计算量。这里，疑似疾病信息能够在疾病图谱模型中找到对应疾病信息，如此，便于快速确定出疑似疾病信息的要素信息，进而快速确定出疑似疾病信息的特征向量。如图2所示，排序流程具体包括：
步骤1：离线构建疾病图谱模型，也可称为知识图谱，利用样本医疗数据训练得到要素信息与疾病信息之间的对应关系，该样本医疗数据为经过验证的准确数据，进而将要素信息与疾病信息之间的对应关系的结构化数据作为知识图谱进行离线存储。进一步地，同理，可以确定各要素信息的特征向量，此时，由于疾病信息与要素信息对应，而要素信息与特征向量对应，所以，依此关系可以确定出疾病信息对应的特征向量。换言之，知识图谱中还可以存在疾病信息、要素信息、特征向量三者之间对应关系的结构化数据。
实际应用中，医疗数据比如患者病例，可以从知识图谱中确定出对应的多个要素信息，进而将多个要素信息的特征向量进行加权平均，即可得到患者病例的特征向量。同理，基于大量患者病例，也可得到疾病信息对应的多个要素信息，进而得到疾病信息的特征向量。该疾病信息与特征向量的对应关系，也可以离线存储，如此，降低计算量。
步骤2：对于输入一份原始患者病历，其年龄、性别、人群等用户信息是无需解析的特征，直接从原始患者病历中即可提取到；而表征疾病特征的要素信息，如症状、体征、检查所见、检查结果、诱因、既往史、个人史等需要原始患者病例经由自然语言理解(NaturalLanguage Understanding，NLU)解析之后得到，将这些要素信息经过一个embedding层转化为embedding向量，这里，该embedding层可以利用知识图谱即可得到这些要素信息的embedding向量，然后，与年龄、性别、人群等用户信息结合后，即可得到原始患者病例的第一特征向量。
这里，实际应用中，该embedding层也可以不利用知识图谱自行得到embedding向量，本实施例对此不作限制。
步骤3：在线使用，召回模块返回多个疑似疾病信息(比如，返回50个疑似疾病信息)后，基于知识图谱得到每个疑似疾病信息的要素信息，进而得到每个疑似疾病信息对应的第二特征向量，将第一特征向量与第二特征向量进行相似度计算，得到相似度得分，根据相似度得分对50个疑似疾病信息进行排序，输出排序结果，比如输出前top10的疑似疾病信息。
这里，可以采用cosin或者BM25等相似度计算方法，本示例对此不作限制。
这样，由于知识图谱是基于准确度验证后的样本医疗数据训练得到的，所以，能够保证知识图谱的准确性、完整性及可靠性，因此，利用知识图谱对患者病例进行校正，即可减少病例带来的误差。
而且，本示例中，影响智能推荐的各种影响因子能够全部体现在特征向量中，无需选一种加权方法强行拟合成一个得分，因此，避免了现有技术采用加权方法本身所带来的局限性。
进一步地，本示例中，每种疾病信息均包含有多种要素信息，且该多种要素信息通过embedding之后更多捕捉到要素信息之间的关联关系，使得特征向量更为准确。另外，本示例中，离线存储部分可以只存储与疾病信息个数等量的特征向量，如此，便于获取疾病信息的特征向量，为后续快速计算相似度奠定了基础，而且，不会存在没有结果输出的情况。
本申请实施例还提供了一种排序装置，如图3所示，包括：
向量处理单元301，用于获取到原始医疗数据，原始医疗数据至少包含有与疾病特征相关的要素信息；至少基于原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量；获取针对原始医疗数据而得到的至少两个疑似疾病信息；根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量；
排序单元302，用于基于第一特征向量与第二特征向量的相似度，对至少两个疑似疾病信息进行排序，输出排序结果。
在一种实施方式中，向量处理单元，还用于：
从疾病图谱模型中选取出与原始医疗数据所包含的要素信息相关联的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取选取出的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量；
将获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为原始医疗数据的第一特征向量。
在一种实施方式中，向量处理单元301，还用于：
从原始医疗数据中提取出用户信息；
将从原始医疗数据提取出的用户信息，和获取到的与原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量进行组合，将组合后的特征向量作为原始医疗数据的第一特征向量。
在一种实施方式中，向量处理单元301，还用于：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的预设要素信息的特征向量；
将疑似疾病信息所对应的预设要素信息的特征向量作为疑似疾病信息的第二特征向量。
在一种实施方式中，向量处理单元301，还用于：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的第一预设要素信息的特征向量；
从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据；
获取目标样本医疗数据的特征向量；
基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
在一种实施方式中，向量处理单元301，还用于：
从目标样本医疗数据中提取出用户信息；
从疾病图谱模型中选取出目标样本医疗数据所对应的第二预设要素信息；
获取第二预设要素信息的特征向量；
将确定出的第二预设要素信息的特征向量与从目标样本医疗数据中提取出的用户信息进行组合，得到目标样本医疗数据的特征向量。
本申请实施例将表征疾病特征的要素信息进行向量化，即利用向量来表示与疾病特征相关的要素信息，进而得到原始医疗数据的第一特征向量，同理，得到各疑似疾病信息对应的第二特征向量，进而基于原始医疗数据的第一特征向量与各疑似疾病信息的第二特征向量的相似度，来确定原始医疗数据与各疑似疾病信息之间的关联度，实现对疑似疾病信息进行排序的目的，且该方案是通过二位空间的相似度来衡量相关性的，简单可行，可解释性强。
而且，由于本申请实施例利用特征向量来表征原始医疗数据，所以，可以通过特征向量来表征医疗数据中与疾病特征相关联的要素信息之间的关联关系，同理，可以通过特征向量来表征疾病信息中与疾病特征相关联的要素信息之间的关联关系，且该表达方式更准确；进一步，基于原始医疗数据的特征向量与疑似疾病信息的特征向量的相似度来确定原始医疗数据与各疑似疾病信息之间的关联度的方案更可靠，更准确，因此，为后续输出准确的排序结果奠定了基础。
进一步地，本申请实施例无需自行去判断与原始医疗数据相关联的多个(两个或两个以上)疑似疾病信息，而直接去获取与原始医疗数据相关联的多个疑似疾病信息，显然，大大减少了计算量，为实现工程化奠定了基础。
这里需要指出的是：以上装置实施例项的描述，与上述方法描述是类似的，具有同方法实施例相同的有益效果，因此不做赘述。对于本申请装置实施例中未披露的技术细节，本领域的技术人员请参照本申请方法实施例的描述而理解，为节约篇幅，这里不再赘述。
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4所示，是根据本申请实施例的排序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4所示，该电子设备包括：一个或多个处理器401、存储器402，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)上显示图形用户界面(Graphical User Interface，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4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的排序方法。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排序方法。
存储器402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排序方法对应的程序指令/模块(例如，附图3所示的向量处理单元301和排序单元302)。处理器401通过运行存储在存储器402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排序方法。
存储器402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排序方法的电子设备的使用所创建的数据等。此外，存储器402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402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至排序方法的电子设备。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。
排序方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与排序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404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(Liquid Crystal Display，LCD)、发光二极管(Light EmittingDiode，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、专用集成电路(Application Specific Integrated Circuits，ASIC)、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(programmable logic device，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(Cathode Ray Tube，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(Local Area Network，LAN)、广域网(Wide Area Network，WAN)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。
本申请实施例将表征疾病特征的要素信息进行向量化，即利用向量来表示与疾病特征相关的要素信息，进而得到原始医疗数据的第一特征向量，同理，得到各疑似疾病信息对应的第二特征向量，进而基于原始医疗数据的第一特征向量与各疑似疾病信息的第二特征向量的相似度，来确定原始医疗数据与各疑似疾病信息之间的关联度，实现对疑似疾病信息进行排序的目的，且该方案是通过二位空间的相似度来衡量相关性的，简单可行，可解释性强。
而且，由于本申请实施例利用特征向量来表征原始医疗数据，所以，可以通过特征向量来表征医疗数据中与疾病特征相关联的要素信息之间的关联关系，同理，可以通过特征向量来表征疾病信息中与疾病特征相关联的要素信息之间的关联关系，且该表达方式更准确；进一步，基于原始医疗数据的特征向量与疑似疾病信息的特征向量的相似度来确定原始医疗数据与各疑似疾病信息之间的关联度的方案更可靠，更准确，因此，为后续输出准确的排序结果奠定了基础。
进一步地，本申请实施例无需自行去判断与原始医疗数据相关联的多个(两个或两个以上)疑似疾病信息，而直接去获取与原始医疗数据相关联的多个疑似疾病信息，显然，大大减少了计算量，为实现工程化奠定了基础。
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 (14)
1.一种排序方法，其特征在于，包括：
获取到原始医疗数据，所述原始医疗数据至少包含有与疾病特征相关的要素信息；
至少基于所述原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量；
获取针对所述原始医疗数据而得到的至少两个疑似疾病信息；
根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量；
基于第一特征向量与第二特征向量的相似度，对至少两个疑似疾病信息进行排序，输出排序结果。
2.根据权利要求1所述的方法，其特征在于，所述至少基于所述原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量，包括：
从疾病图谱模型中选取出与所述原始医疗数据所包含的要素信息相关联的预设要素信息，所述疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取选取出的与所述原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量；
将获取到的与所述原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为所述原始医疗数据的第一特征向量。
3.根据权利要求2所述的方法，其特征在于，所述将获取到的与所述原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为所述原始医疗数据的第一特征向量，包括：
从所述原始医疗数据中提取出用户信息；
将从所述原始医疗数据提取出的用户信息，和获取到的与所述原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量进行组合，将组合后的特征向量作为所述原始医疗数据的第一特征向量。
4.根据权利要求1所述的方法，其特征在于，所述根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量，包括：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的预设要素信息，所述疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的预设要素信息的特征向量；
将疑似疾病信息所对应的预设要素信息的特征向量作为疑似疾病信息的第二特征向量。
5.根据权利要求1所述的方法，其特征在于，所述根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量，包括：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，所述疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的第一预设要素信息的特征向量；
从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据；
获取所述目标样本医疗数据的特征向量；
基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及所述目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
6.根据权利要求5所述的方法，其特征在于，所述获取所述目标样本医疗数据的特征向量，包括：
从所述目标样本医疗数据中提取出用户信息；
从疾病图谱模型中选取出目标样本医疗数据所对应的第二预设要素信息；
获取第二预设要素信息的特征向量；
将确定出的第二预设要素信息的特征向量与从所述目标样本医疗数据中提取出的用户信息进行组合，得到所述目标样本医疗数据的特征向量。
7.一种排序装置，其特征在于，包括：
向量处理单元，用于获取到原始医疗数据，所述原始医疗数据至少包含有与疾病特征相关的要素信息；至少基于所述原始医疗数据所包含的与疾病特征相关的要素信息，得到原始医疗数据的第一特征向量；获取针对所述原始医疗数据而得到的至少两个疑似疾病信息；根据疑似疾病信息所对应的与疾病特征相关的要素信息，得到疑似疾病信息的第二特征向量；
排序单元，用于基于第一特征向量与第二特征向量的相似度，对至少两个疑似疾病信息进行排序，输出排序结果。
8.根据权利要求7所述的装置，其特征在于，所述向量处理单元，还用于：
从疾病图谱模型中选取出与所述原始医疗数据所包含的要素信息相关联的预设要素信息，所述疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取选取出的与所述原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量；
将获取到的与所述原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量作为所述原始医疗数据的第一特征向量。
9.根据权利要求8所述的装置，其特征在于，所述向量处理单元，还用于：
从所述原始医疗数据中提取出用户信息；
将从所述原始医疗数据提取出的用户信息，和获取到的与所述原始医疗数据所包含的要素信息相关联的预设要素信息的特征向量进行组合，将组合后的特征向量作为所述原始医疗数据的第一特征向量。
10.根据权利要求7所述的装置，其特征在于，所述向量处理单元，还用于：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的预设要素信息，所述疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的预设要素信息的特征向量；
将疑似疾病信息所对应的预设要素信息的特征向量作为疑似疾病信息的第二特征向量。
11.根据权利要求7所述的装置，其特征在于，所述向量处理单元，还用于：
基于疾病图谱模型，确定出疑似疾病信息所对应的与疾病特征相关的第一预设要素信息，所述疾病图谱模型设置有预设要素信息与疾病信息的关联关系；
获取疑似疾病信息所对应的第一预设要素信息的特征向量；
从样本医疗数据集合中选取出包含有第一预设要素信息的目标样本医疗数据；
获取所述目标样本医疗数据的特征向量；
基于疑似疾病信息所对应的第一预设要素信息的特征向量，以及所述目标样本医疗数据的特征向量，得到疑似疾病信息的第二特征向量。
12.根据权利要求11所述的装置，其特征在于，所述向量处理单元，还用于：
从所述目标样本医疗数据中提取出用户信息；
从疾病图谱模型中选取出目标样本医疗数据所对应的第二预设要素信息；
获取第二预设要素信息的特征向量；
将确定出的第二预设要素信息的特征向量与从所述目标样本医疗数据中提取出的用户信息进行组合，得到所述目标样本医疗数据的特征向量。
13.一种电子设备，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1-6中任一项所述的方法。
14.一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1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910966511.1A CN110706772B (zh) | 2019-10-11 | 2019-10-11 | 一种排序方法及装置、电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910966511.1A CN110706772B (zh) | 2019-10-11 | 2019-10-11 | 一种排序方法及装置、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110706772A true CN110706772A (zh) | 2020-01-17 |
| CN110706772B CN110706772B (zh) | 2023-05-09 |
Family
ID=69198596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910966511.1A Active CN110706772B (zh) | 2019-10-11 | 2019-10-11 | 一种排序方法及装置、电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110706772B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111785340A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种医疗数据处理方法、装置、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
| CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
| CN108986871A (zh) * | 2018-08-27 | 2018-12-11 | 东北大学 | 一种智慧医疗知识图谱的构建方法 |
| CN109119134A (zh) * | 2018-08-09 | 2019-01-01 | 脉景（杭州）健康管理有限公司 | 医学病历数据处理方法、医学数据推荐系统、设备及介质 |
| CN109271530A (zh) * | 2018-10-17 | 2019-01-25 | 长沙瀚云信息科技有限公司 | 一种疾病知识图谱构建方法和平台系统、设备、存储介质 |
| CN109344703A (zh) * | 2018-08-24 | 2019-02-15 | 深圳市商汤科技有限公司 | 对象检测方法及装置、电子设备和存储介质 |
| CN109378066A (zh) * | 2018-12-20 | 2019-02-22 | 翼健(上海)信息科技有限公司 | 一种基于特征向量实现疾病预测的控制方法及控制装置 |
| CN109471978A (zh) * | 2018-11-22 | 2019-03-15 | 腾讯科技（深圳）有限公司 | 一种电子资源推荐方法及装置 |
| CN109616169A (zh) * | 2018-12-24 | 2019-04-12 | 广州天鹏计算机科技有限公司 | 相似患者挖掘方法、装置、计算机设备和存储介质 |
| CN109978022A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 一种医疗文本信息处理方法及装置、存储介质 |
| CN110032682A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技（上海）有限公司 | 一种信息推荐列表生成方法、装置及设备 |
| CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
-
2019
- 2019-10-11 CN CN201910966511.1A patent/CN110706772B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
| CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
| CN109119134A (zh) * | 2018-08-09 | 2019-01-01 | 脉景（杭州）健康管理有限公司 | 医学病历数据处理方法、医学数据推荐系统、设备及介质 |
| CN109344703A (zh) * | 2018-08-24 | 2019-02-15 | 深圳市商汤科技有限公司 | 对象检测方法及装置、电子设备和存储介质 |
| CN108986871A (zh) * | 2018-08-27 | 2018-12-11 | 东北大学 | 一种智慧医疗知识图谱的构建方法 |
| CN109271530A (zh) * | 2018-10-17 | 2019-01-25 | 长沙瀚云信息科技有限公司 | 一种疾病知识图谱构建方法和平台系统、设备、存储介质 |
| CN109471978A (zh) * | 2018-11-22 | 2019-03-15 | 腾讯科技（深圳）有限公司 | 一种电子资源推荐方法及装置 |
| CN109378066A (zh) * | 2018-12-20 | 2019-02-22 | 翼健(上海)信息科技有限公司 | 一种基于特征向量实现疾病预测的控制方法及控制装置 |
| CN109616169A (zh) * | 2018-12-24 | 2019-04-12 | 广州天鹏计算机科技有限公司 | 相似患者挖掘方法、装置、计算机设备和存储介质 |
| CN109978022A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技（深圳）有限公司 | 一种医疗文本信息处理方法及装置、存储介质 |
| CN110032682A (zh) * | 2019-04-17 | 2019-07-19 | 腾讯科技（上海）有限公司 | 一种信息推荐列表生成方法、装置及设备 |
| CN110110799A (zh) * | 2019-05-13 | 2019-08-09 | 广州锟元方青医疗科技有限公司 | 细胞分类方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 阮彤;高炬;冯东雷;钱夕元;王婷;孙程琳;: "基于电子病历的临床医疗大数据挖掘流程与方法" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111785340A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种医疗数据处理方法、装置、设备及存储介质 |
| CN111785340B (zh) * | 2020-06-24 | 2023-08-15 | 北京百度网讯科技有限公司 | 一种医疗数据处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110706772B (zh) | 2023-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111984689B (zh) | 信息检索的方法、装置、设备以及存储介质 | |
| CN111710412B (zh) | 诊断结果的校验方法、装置及电子设备 | |
| CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
| EP3862892A1 (en) | Session recommendation method and apparatus, and electronic device | |
| CN111582479B (zh) | 神经网络模型的蒸馏方法和装置 | |
| CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
| CN111708934A (zh) | 知识内容的评价方法、装置、电子设备和存储介质 | |
| CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
| CN111326251B (zh) | 一种问诊问题输出方法、装置以及电子设备 | |
| CN111539479A (zh) | 生成样本数据的方法和装置 | |
| CN111695680B (zh) | 成绩预测方法、成绩预测模型训练方法、装置及电子设备 | |
| CN112632403A (zh) | 推荐模型的训练方法、推荐方法、装置、设备和介质 | |
| CN111259222A (zh) | 物品推荐方法、系统、电子设备及存储介质 | |
| CN112329453B (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
| CN111079945A (zh) | 端到端模型的训练方法及装置 | |
| CN111563593A (zh) | 神经网络模型的训练方法和装置 | |
| CN114417194A (zh) | 推荐系统排序方法、参数预测模型训练方法及装置 | |
| CN114443989B (zh) | 排序方法、排序模型的训练方法、装置、电子设备及介质 | |
| KR20230006601A (ko) | 정렬 방법, 정렬 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
| CN115168545A (zh) | 群组搜索方法、装置、电子设备及介质 | |
| JP7128311B2 (ja) | 文書種別の推奨方法、装置、電子機器、可読記憶媒体及びコンピュータプログラム製品 | |
| CN111461306B (zh) | 特征评估的方法及装置 | |
| CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
| CN110706772A (zh) | 一种排序方法及装置、电子设备、存储介质 | |
| CN112837466A (zh) | 票据识别方法、装置、设备以及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |