CN110993093B - 基于深度学习的眼科预问诊方法与装置 - Google Patents

Abstract

本发明公开了一种基于深度学习的眼科预问诊方法与装置，其中，装置包括：基础数据模块，基础数据模块存储基础数据；算法引擎模块，用于采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句；对话流程模块，用于根据SQL语句获取用户的问诊信息，并输出对应的眼科预问诊结果；平台能力模块，用于根据问诊信息和基础数据得到眼科预问诊结果，并将眼科预问诊结果发送至对话流程模块。该装置可以提高就诊前患者信息收集的效率和准确度，实现就诊前智能化收集患者信息，进而提升后期医生诊断效率。

Description

基于深度学习的眼科预问诊方法与装置

技术领域

本发明涉及信息技术领域，特别涉及一种基于深度学习的眼科预问诊方法与装置。

背景技术

人工智能和互联网的融合时代，优化问诊流程，提高就医效率是解决当下看病慢、看病难、医患关系紧张的必要途径。现有的优化方法中预问诊是目前成本低且较有效的。

比如，一种智能问诊单的建立方法及系统，总结归纳了针对糖尿病的问诊元模型，所述问诊元模型元数据模型是对不同问诊信息的概括和抽象，不涉及各类问诊信息的特征；所述问诊的元模型，包含主键、名称、类型和版本信息，问诊元模型是可以递归嵌套的类型，后续派生出问诊对象和子对象，类型表明信息是问题类还是答案类；根据用户填写的问诊单综合辩证结果计算分值给出预诊断信息。另外，一种基于智能终端的智慧预问诊系统和方法；包括：医生终端、医院电脑服务器、智能终端、用户服务器。有根据各种医学、各种疾病，设置相配套的智慧问诊题目集。用户通过智能终端填写内容、选择医院，并从用户服务器或者从医生终端中，获得相关的智慧问诊题目集；在用户就诊之前，通过移动互联网、用户用文字照片或语音回答问诊的若干题目；并且针对用户回答的内容，自动增减后续的问诊题目，产生预处理疾病的建议；此发明通过预问诊大幅提高问诊效率、提高问诊准确率，减少挂号排队。

然而，目前现有眼科预诊断装置方法大多是基于规则模版方式，采用预定义好的会话模版和问询逻辑，来记录用户的基本信息，但是基于模版方式难以满足不同用户之间差异情况。此外，用户往往无法对专业医学术语进行准确描述，现有方法仍然无法很好的解决用户口语到专业术语匹配问题，亟待解决。

发明内容

本申请是基于发明人对以下问题的认识和发现做出的：

针对于特定的用户A，仍需要依据个性化情况来进行特定的问询，以提升后期医生诊断效率。因此，要对用户潜在可能的疾病有初步判断，并且针对潜在的疾病来进行特定的问询。另外，现有方法仍然无法很好的解决用户口语到专业术语匹配问题，因此，需要在诊断装置中引入口语和术语的匹配模块，从而提升系统效率和准确度。

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于深度学习的眼科预问诊装置，该装置可以提高就诊前患者信息收集的效率和准确度，实现就诊前智能化收集患者信息，进而提升后期医生诊断效率。

本发明的另一个目的在于提出一种基于深度学习的眼科预问诊方法。

为达到上述目的，本发明一方面实施例提出了一种基于深度学习的眼科预问诊装置，包括：基础数据模块，所述基础数据模块存储基础数据；算法引擎模块，用于采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句；对话流程模块，用于根据所述SQL语句获取用户的问诊信息，并输出对应的眼科预问诊结果；平台能力模块，用于根据所述问诊信息和所述基础数据得到所述眼科预问诊结果，并将所述眼科预问诊结果发送至所述对话流程模块。

本发明实施例的基于深度学习的眼科预问诊装置，采用了基于深度学习的算法引擎，使得系统实现更高效和更具泛化能力；采用NL2SQL模块来解决用于的查询意图，能更加方便地扩展和应用在其他不同用户，使得提取出来SQL语句更准确，创新地引入整套预问诊框架，整合基础数据、算法引擎、对话流程和能力平台模块，具有适用性，从而提高就诊前患者信息收集的效率和准确度，实现就诊前智能化收集患者信息，进而提升后期医生诊断效率。

另外，根据本发明上述实施例的基于深度学习的眼科预问诊装置还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述算法引擎模块包括：专有名词匹配模块，用于将用户的口语表述匹配到医学专有名词库中，从而进行后续的预测追问；对轮对话模块，用于管理病史、预测追问的自然语言理解和对话管理，并提供多轮对话服务；NL2SQL模块，用于在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询。

进一步地，在本发明的一个实施例中，所述NL2SQL模块进一步用于通过BERT对用户输入的自然语言描述进行上下文表示，并采用基于树模型的解码器来对SQL解码，以自动生成用户所需要的SQL语句。

进一步地，在本发明的一个实施例中，所述基础数据包括医疗知识图谱、患者基本信息、离线对话数据、在线对话数据。

进一步地，在本发明的一个实施例中，所述平台能力模块还用于对外输出个性化预问诊，且查询医学知识图谱，以及将口语转化为术语。

为达到上述目的，本发明另一方面实施例提出了一种基于深度学习的眼科预问诊方法，包括以下步骤：采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句；根据所述SQL语句获取用户的问诊信息；根据所述问诊信息和基础数据得到所述眼科预问诊结果。

本发明实施例的基于深度学习的眼科预问诊方法，采用了基于深度学习的算法引擎，使得系统实现更高效和更具泛化能力；采用NL2SQL模块来解决用于的查询意图，能更加方便地扩展和应用在其他不同用户，使得提取出来SQL语句更准确，创新地引入整套预问诊框架，整合基础数据、算法引擎、对话流程和能力平台模块，具有适用性，从而提高就诊前患者信息收集的效率和准确度，实现就诊前智能化收集患者信息，进而提升后期医生诊断效率。

另外，根据本发明上述实施例的基于深度学习的眼科预问诊方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句，还包括：将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询；管理病史、预测追问的自然语言理解和对话管理，并提供多轮对话服务；在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询。

进一步地，在本发明的一个实施例中，所述在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，进一步包括：通过BERT对用户输入的自然语言描述进行上下文表示，并采用基于树模型的解码器来对SQL解码，以自动生成用户所需要的SQL语句。

进一步地，在本发明的一个实施例中，所述基础数据包括医疗知识图谱、患者基本信息、离线对话数据、在线对话数据。

进一步地，在本发明的一个实施例中，还包括：对外输出个性化预问诊，且查询医学知识图谱，以及将口语转化为术语。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的基于深度学习的眼科预问诊装置的结构示意图；

图2为根据本发明一个实施例的基于深度学习的眼科预问诊装置的结构示意图；

图3为根据本发明实施例的医疗知识图谱结构示意图；

图4为根据本发明实施例的基于分层式的NL2SQL解码器示意图；

图5为根据本发明实施例的算法引擎在对话系统中的流程示意图；

图6为根据本发明实施例的对话实现泳道图；

图7为根据本发明实施例的基于深度学习的眼科预问诊方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

智能预问诊机器人通过线上模拟医生问诊，在聊天中提前收集患者信息，方便医生提前了解患者情况，让患者提前做好相关检查，缩短患者就医路径，同时减少医生重复性的问询工作，提升工作效率。

主要有以下技术难点：

1、帮助患者准确描述患病信息。患者常常无法准确描述病情，需要引导和提前回忆。如针对患病时间、诱因、症状位置、颜色、频率等方面进行交互，同时还会询问患者既往病史和过敏史等信息。

2、每条医学语言还配有相应的医学术语解释，引导患者更加准确便捷地回复。(基于医学术语和解释的映射模版)

3、对于患者在使用过程中的通俗语言，预问诊系统会基于深度学习的技术去理解，并将其翻译为标准的医学语言。(实体匹配)

4、系统根据所的用户信息，返回给用户所需要完成的检查清单。(基于疾病和准备工作的映射模版)

5、患者的回答会自动生成预诊信息表，节省医生写病历的时间。包括主诉、现病史、既往史、过敏史、家族史等。医生只需在此基础上进行修改即可完成病历书写。

6、医疗记录标准化。患者的历史医疗记录，由于诊断的医生不同，导致对应的病历记录存在多种记录情况。即使是相同症状的患者中，医疗记录的描述内容也可能会不同。其中歧义的存在，会影响医生对于病情的正确判断。因此讲一声记录的医疗记录标准化，可将相同病症的临床症状归纳总结，从而帮助医生更快速更明智的决策。

针对以上技术难点，本发明实施例提出了一种基于深度学习的眼科预问诊方法与装置。下面参照附图描述根据本发明实施例提出的基于深度学习的眼科预问诊方法与装置，首先将参照附图描述根据本发明实施例提出的基于深度学习的眼科预问诊装置。

图1是本发明一个实施例的基于深度学习的眼科预问诊装置的结构示意图。

如图1所示，该基于深度学习的眼科预问诊装置10包括：基础数据模块100、算法引擎模块200、对话流程模块300和平台能力模块400。

其中，基础数据模块100基础数据模块存储基础数据；算法引擎模块200用于采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句；对话流程模块300用于根据SQL语句获取用户的问诊信息，并输出对应的眼科预问诊结果；平台能力模块400用于根据问诊信息和基础数据得到眼科预问诊结果，并将眼科预问诊结果发送至对话流程模块。本发明实施例的装置10可以提高就诊前患者信息收集的效率和准确度，实现就诊前智能化收集患者信息，进而提升后期医生诊断效率。

可以理解的是，本发明实施例基于深度学习技术，设计了一整套眼科预诊断装置，如图2所示，装置核心实现包括四大部分：基础数据、算法引擎、对话流程和平台能力模块。本发明实施例的装置10利用自然语言技术，采用多轮对话机制与用户交互，预先采集用户问诊信息。

下面将分别对基于深度学习的眼科预问诊装置10中的每个模块进行详细阐述。

进一步地，在本发明的一个实施例中，基础数据包括医疗知识图谱、患者基本信息、离线对话数据、在线对话数据。

具体而言，基础数据模块100主要有医疗知识图谱、患者基本信息、离线对话数据、在线对话数据组成。医疗知识图谱数据来自垂直类医疗数据库，以结构化数据为主，要包含有三种节点：实体、概念、属性，构建了以疾病为中心的医疗知识图谱，如图3所示。

患者基本信息主要存储用户基本资料、用户主诉、起病情况、主要症状、病因诱因、功能型健康、既往史、家族史等。系统采用关系型数据库MYSQL管理用户基本信息。

对话数据部门由在线和离线对话数据组成。其中离线对话数据负责训练算法引擎中状态分类和意图分类模型。通过人工标注单句对话数据中的槽位和意图，可以训练意图模型中的序列标注模型和分类模型。通过标注对轮对话中采用的状态顺序，能得到多轮对话中状态管理数据，用于训练状态分类模型。在线对话数据是记录线上系统和用户交互的记录。

进一步地，在本发明的一个实施例中，算法引擎模块200包括：对轮对话模块、NL2SQL模块和专有名词匹配模块。

其中，专有名词匹配模块，用于将用户的口语表述匹配到医学专有名词库中，从而进行后续的预测追问；对轮对话模块，用于管理病史、预测追问的自然语言理解和对话管理，并提供多轮对话服务；NL2SQL模块，用于在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询。

具体而言，算法引擎模块200采用基于深度学习的自然语言处理技术，主要包括多轮对话模块、NL2SQL模块和专有名词匹配模块。算法引擎采用以上三个算法模块提供的自然语言处理能力，提供对话过程中的算法底层技术支持。通过运行在GPU计算卡上的算法实现框架，实现对话流程需求。以下介绍算法引擎中的独立模块功能：

(1)多轮对话模块主要基于深度学习技术实现自然语言理解(NLU)和对话管理功能(DM)。其中自然语言理解包括序列标注模型(NER)和意图分类模块。其中序列标注模型采用NER框架，意图分类模型采用基于RNN的分类网络结构。对话管理模块也是类似意图分类的网络结构，通过历史的槽位状态来决定下一个可能的动作选择。

(2)NL2SQL用于解析对话过程中用户的查询意图。本发明实施例采用基于分层式的Seq2TREE模型进行实现，如图4所示。对于用户输入的自然语言描述，本发明实施例通过BERT来做上下文表示，所用采用基于树模型的解码器来对SQL解码，从而自动产生用户所需要的SQL语句。NL2SQL模块采用三个分离的解码器，一个Sketch解码器用于生成SQL的整体骨架，一个Detail解码器来对SQL细节进行补充，最后一个Column解码器来从数据库中选取相对应的列名。NL2SQL模型通过整合以上三个组件，达到根据自然语言自动生成SQL语句的功能。

下面将对算法引擎模块200的算法引擎流程进行进一步阐述。

如图5所示，该算法引擎在各个对话步骤中提供算法能力。针对于主诉阶段，本发明实施例采用名词匹配模块来将用户的口语表述匹配到医学专有名词库中，从而进行后续的预测追问。同时，多轮对话模块用于管理病史和预测追问的自然语言理解和对话管理功能，提供多轮对话服务。最后对于用户追问环节，本发明实施例采用NL2SQL模块来将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询。

进一步地，对话流程模块300的对话基本流程主要包括以下步骤：

下面将通过一个具体是示例对对话流程模块300的对话基本流程进行说明，具体如下：

进一步地，预问诊多轮对话主要需要填充以下槽位：

下面将对对话实现流程进行进一步阐述，如图6所示，具体包括：

1.用户在预问诊助手列表页面选择关联某一医院的助手，用户进入聊天页面，呼叫中心的机器人坐席将转发用户ID、助手ID给交互引擎，交互引擎根据其助手ID连接对应的离线AI模型，若连接失败，则将失败信息逐级传回，同时递交给交互引擎、机器人坐席和客户；连接成功则进入步骤2；

2.连接成功，机器人坐席接收到来自离线AI的标准问好并向用户显示，等待用户输入。用户输入请求，机器人坐席转发给离线AI模型，若接收成功(失败)，则将成功(失败)信息逐级传回，先后递交给机器人坐席、用户；

3.若AI模型成功接收用户输入，并根据上下文为用户生成应答，若应答生成成功(失败)，则将成功(失败)信息逐级传回，先后递交给机器人坐席、用户；

4.循环步骤3至用户发送结束语句，AI模型检查出结束的意图，返回结束语句。若语句返回成功(失败)，则将成功(失败)信息逐级传回，先后递交给机器人坐席、用户。然后再将通过对话得到的预问诊信息存储到交互引擎的数据库中。若存储成功(失败)，则将成功(失败)信息传回给交互引擎。

进一步地，在本发明的一个实施例中，平台能力模块400还用于对外输出个性化预问诊，且查询医学知识图谱，以及将口语转化为术语。

具体而言，通过整合算法引擎模块、基础数据模块、对话流程模块，本系统能对外输出个性化预问诊功能、医学知识图谱查询功能、口语术语转化功能等。用户可直接调用该系统对外提供的API功能，实现智能眼科医学预诊断能力。

下面将对基于深度学习的眼科预诊断装置的使用方法进行介绍。

进入眼科预诊聊天界面。输入最主要的疾苦或最明显的症状和发作时间，即主诉，病史的精华。主诉应言简意明，用一、两句话全面概括。然后机器人会进行基本资料的收集，主要是姓名、出生日期、性别、职业。接着进入病史、功能形态、既往史、家族史询问阶段，依照机器人引导回答相应问题即可。系统根据收集到的信息会预测可能的目标疾病。可追问机器人预测结果，如可能的疾病名称、传染性、重点检查项目、护理建议等。结束对话前，患者可得到此次预诊的信息表单，下载后携带交给主治医师即可。

综上，本发明实施例提出的基于深度学习的眼科预问诊装置，采用了基于深度学习的算法引擎，使得系统实现更高效和更具泛化能力；采用NL2SQL模块来解决用于的查询意图，能更加方便地扩展和应用在其他不同用户，使得提取出来SQL语句更准确，创新地引入整套预问诊框架，整合基础数据、算法引擎、对话流程和能力平台模块，具有适用性，从而提高就诊前患者信息收集的效率和准确度，实现就诊前智能化收集患者信息，进而提升后期医生诊断效率。

其次参照附图描述根据本发明实施例提出的基于深度学习的眼科预问诊方法。

图7是本发明一个实施例的基于深度学习的眼科预问诊方法的流程图。

如图7所示，该基于深度学习的眼科预问诊方法包括以下步骤：

在步骤S701中，采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句；

在步骤S702中，根据SQL语句获取用户的问诊信息；

在步骤S703中，根据问诊信息和基础数据得到眼科预问诊结果。

进一步地，在本发明的一个实施例中，采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句，还包括：将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询；管理病史、预测追问的自然语言理解和对话管理，并提供多轮对话服务；在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询。

进一步地，在本发明的一个实施例中，在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，进一步包括：通过BERT对用户输入的自然语言描述进行上下文表示，并采用基于树模型的解码器来对SQL解码，以自动生成用户所需要的SQL语句。

进一步地，在本发明的一个实施例中，基础数据包括医疗知识图谱、患者基本信息、离线对话数据、在线对话数据。

进一步地，在本发明的一个实施例中，还包括：对外输出个性化预问诊，且查询医学知识图谱，以及将口语转化为术语。

需要说明的是，前述对基于深度学习的眼科预问诊装置实施例的解释说明也适用于该实施例的基于深度学习的眼科预问诊方法，此处不再赘述。

根据本发明实施例提出的基于深度学习的眼科预问诊方法，采用了基于深度学习的算法引擎，使得系统实现更高效和更具泛化能力；采用NL2SQL模块来解决用于的查询意图，能更加方便地扩展和应用在其他不同用户，使得提取出来SQL语句更准确，创新地引入整套预问诊框架，整合基础数据、算法引擎、对话流程和能力平台模块，具有适用性，从而提高就诊前患者信息收集的效率和准确度，实现就诊前智能化收集患者信息，进而提升后期医生诊断效率。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于深度学习的眼科预问诊装置，其特征在于，包括：

基础数据模块，所述基础数据模块存储基础数据；

算法引擎模块，用于采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句；

对话流程模块，用于根据所述SQL语句获取用户的问诊信息，并输出对应的眼科预问诊结果；以及

平台能力模块，用于根据所述问诊信息和所述基础数据得到所述眼科预问诊结果，并将所述眼科预问诊结果发送至所述对话流程模块；

其中，所述算法引擎模块包括：

专有名词匹配模块，用于将用户的口语表述匹配到医学专有名词库中，从而进行后续的预测追问；

对轮对话模块，用于管理病史、预测追问的自然语言理解和对话管理，并提供多轮对话服务；

NL2SQL模块，用于在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询；

所述NL2SQL模块进一步用于通过BERT对用户输入的自然语言描述进行上下文表示，并采用基于树模型的解码器来对SQL解码，以自动生成用户所需要的SQL语句；

其中，所述解码器包括：Sketch解码器，用于生成所述SQL的整体骨架；Detail解码器，用于对所述SQL的细节进行补充；Column解码器，用于从数据库中选取对应的列名。

2.根据权利要求1所述的装置，其特征在于，所述基础数据包括医疗知识图谱、患者基本信息、离线对话数据、在线对话数据。

3.根据权利要求1所述的装置，其特征在于，所述平台能力模块还用于对外输出个性化预问诊，且查询医学知识图谱，以及将口语转化为术语。

4.一种基于深度学习的眼科预问诊方法，其特征在于，包括以下步骤：

采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句；

根据所述SQL语句获取用户的问诊信息；以及

根据所述问诊信息和基础数据得到所述眼科预问诊结果；

其中，所述采用基于深度学习的自然语言处理相应对话流程需求，以根据自然语言生成SQL语句，还包括：

将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询；

管理病史、预测追问的自然语言理解和对话管理，并提供多轮对话服务；

在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，从而在存储用户信息的关系型数据库中进行信息查询；

所述在用户追问环节时，将用户的自然语言表述转换成SQL查询语句，进一步包括：

通过BERT对用户输入的自然语言描述进行上下文表示，并采用基于树模型的解码器来对SQL解码，以自动生成用户所需要的SQL语句；

其中，所述解码器包括：Sketch解码器，用于生成所述SQL的整体骨架；Detail解码器，用于对所述SQL的细节进行补充；Column解码器，用于从数据库中选取对应的列名。

5.根据权利要求4所述的方法，其特征在于，所述基础数据包括医疗知识图谱、患者基本信息、离线对话数据、在线对话数据。

6.根据权利要求4所述的方法，其特征在于，还包括：

对外输出个性化预问诊，且查询医学知识图谱，以及将口语转化为术语。

Images