CN111028934B - 诊断质检方法、装置、电子设备和存储介质 - Google Patents

诊断质检方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111028934B
CN111028934B CN201911338750.9A CN201911338750A CN111028934B CN 111028934 B CN111028934 B CN 111028934B CN 201911338750 A CN201911338750 A CN 201911338750A CN 111028934 B CN111028934 B CN 111028934B
Authority
CN
China
Prior art keywords
diagnosis
medical record
quality inspection
features
diagnostic
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
CN201911338750.9A
Other languages
English (en)
Other versions
CN111028934A (zh
Inventor
葛健聪
肖飞
赵景鹤
付青远
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.)
Iflytek Medical Technology Co ltd
Original Assignee
Anhui Iflytek Medical Information 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 Anhui Iflytek Medical Information Technology Co ltd filed Critical Anhui Iflytek Medical Information Technology Co ltd
Priority to CN201911338750.9A priority Critical patent/CN111028934B/zh
Publication of CN111028934A publication Critical patent/CN111028934A/zh
Application granted granted Critical
Publication of CN111028934B publication Critical patent/CN111028934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Bioethics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实施例提供一种诊断质检方法、装置、电子设备和存储介质，其中方法包括：确定诊断结果和病历文本；将诊断结果和病历文本输入至诊断质检模型中，得到诊断质检模型输出的质检结果；诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，诊断知识库包括各种疾病对应的诊断相关的医学知识；诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，诊断相关特征是基于诊断结果和诊断知识库确定的，病历相关特征是基于病历文本确定的。本发明实施例提供的方法、装置、电子设备和存储介质，提高了诊断质检方法的适用性和准确性。

Description

诊断质检方法、装置、电子设备和存储介质
技术领域
本发明涉及智能医疗技术领域，尤其涉及一种诊断质检方法、装置、电子设备和存储介质。
背景技术
随着人工智能技术的快速发展，基于人工智能的诊断质检方法应运而生，通过对医生的诊断结果进行质量检测，在诊断结果有误时及时提醒，能够有效提高医疗水平、降低误诊风险。
然而，目前的诊断质检方法多依赖于预先设定的规则进行逻辑推理，以确定质检结果。但是规则的设定需要对大量复杂的医学诊断知识进行总结归纳，耗费大量人力物力，且逻辑推理的灵活度低，难以适应不同的应用场景，因此导致质检结果的准确性欠佳。
发明内容
本发明实施例提供一种诊断质检方法、装置、电子设备和存储介质，用以解决现有的诊断质检成本高，灵活度低，适应性差的问题。
第一方面，本发明实施例提供一种诊断质检方法，包括：
确定诊断结果和病历文本；
将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果；
所述诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，所述诊断知识库包括各种疾病对应的诊断相关的医学知识；
所述诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，所述诊断相关特征是基于所述诊断结果和所述诊断知识库确定的，所述病历相关特征是基于所述病历文本确定的。
优选地，所述将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果，具体包括：
将所述诊断结果输入至所述诊断质检模型的诊断特征提取层，得到所述诊断特征提取层输出的所述诊断相关特征；
将所述病历文本输入至所述诊断质检模型的病历特征提取层，得到所述病历特征提取层输出的所述病历相关特征；
将所述诊断相关特征和所述病历相关特征输入至所述诊断质检模型的特征融合层，得到所述特征融合层输出的所述融合特征；
将所述融合特征输入至所述诊断质检模型的分类层，得到所述分类层输出的所述质检结果。
优选地，所述将所述诊断结果输入至所述诊断质检模型的诊断特征提取层，得到所述诊断特征提取层输出的所述诊断相关特征，具体包括：
基于所述诊断知识库，确定所述诊断结果所对应诊断相关特征；
所述诊断相关特征是基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重确定的。
优选地，所述将所述病历文本输入至所述诊断质检模型的病历特征提取层，得到所述病历特征提取层输出的所述病历相关特征，具体包括：
将所述病历文本输入至所述病历特征提取层的关键特征提取层中，得到所述关键特征提取层输出的病历关键特征，所述病历关键特征用于表征所述病历文本中包含的每一预设类型的病历实体；
和/或，将所述病历文本输入至所述病历提取层的文本特征提取层中，得到所述文本特征提取层输出的病历文本特征。
优选地，所述将所述病历文本输入至所述病历特征提取层的关键特征提取层中，得到所述关键特征提取层输出的病历关键特征，具体包括：
将所述病历文本输入至所述关键特征提取层中的序列标注层，得到所述序列标注层输出的所述病历文本所包含的若干个预设类型的病历实体；
基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定每一病历实体的权重；
基于每一病历实体，以及每一病历实体的权重，确定所述病历关键特征。
优选地，所述基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定每一病历实体的权重，具体包括：
若任一病历实体与所述诊断结果所对应的任一诊断实体一致，则将所述任一诊断实体的权重作为所述任一病历实体的权重；
若所述任一病历实体与所述诊断结果所对应的任一诊断实体相反，则将所述任一病历实体的权重设置为第一预设权重；
否则，将所述任一病历实体的权重设置为第二预设权重。
优选地，所述将所述诊断相关特征和所述病历相关特征输入至所述诊断质检模型的特征融合层，得到所述特征融合层输出的所述融合特征，具体包括：
对所述诊断相关特征和所述病历关键特征进行注意力交互，得到所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性；
基于所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性，以及所述病历关键特征，确定诊断融合特征；
基于所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性，以及所述诊断相关特征，确定病历融合特征。
第二方面，本发明实施例提供一种诊断质检装置，包括：
诊断数据确定单元，用于确定诊断结果和病历文本；
诊断质检单元，用于将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果；
所述诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，所述诊断知识库包括各种疾病对应的诊断相关的医学知识；
所述诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，所述诊断相关特征是基于所述诊断结果和所述诊断知识库确定的，所述病历相关特征是基于所述病历文本确定的。
第三方面，本发明实施例提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑命令，以执行如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种诊断质检方法、装置、电子设备和存储介质，基于诊断结果和诊断知识库确定诊断相关特征，诊断知识库的应用，使得模型能够直接得到诊断结果所对应的诊断相关的医学知识，克服了传统的逻辑推理方法灵活性差的问题，提高了诊断质检方法的适用性；通过诊断质检模型，对诊断相关特征和病历相关特征进行特征融合，以充分挖掘两者之间的相关性，从而提高诊断质检的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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诊断质检方法的流程示意图；
图2为本发明实施例提供的诊断质检模型的运行流程示意图；
图3为本发明实施例提供的特征融合方法的流程示意图；
图4为本发明另一实施例提供的诊断质检模型的运行流程示意图；
图5为本发明实施例提供的诊断质检装置的结构示意图；
图6为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
在医疗领域，医生的诊断质量直接影响着患者的治疗和预后效果，一旦发生误诊，极可能耽误治疗时机，甚至危及患者的生命安全。基于人工智能的诊断质检方法的出现，为降低误诊风险，提高医疗质量提供了新的途径。
目前的诊断质检方法多是将通过病历文本获取的信息与诊断相关的医学知识相结合，进行逻辑推理，进而得到质检结果。但是，诊断相关的医学知识十分复杂，对医学知识进行整理、归纳和总结需要耗费大量的人力物力，且逻辑推理的灵活度低，难以适应不同的应用场景，因此导致质检结果的准确性欠佳。因此，如何合理利用诊断相关的医学知识，以实现灵活使用的诊断质检，从而提高诊断质检的准确性，仍然是本领域技术人员亟待解决的问题。
对此，本发明实施例提供了一种诊断质检方法。图1为本发明实施例提供的诊断质检方法的流程示意图，如图1所示，该方法包括：
步骤110，确定诊断结果和病历文本。
具体地，在医疗诊断过程中，医生通常会记录患者病例，并根据患者病例分析得到诊断结果。此处，诊断结果即待进行诊断质检的结果，诊断结果可以是患者所患疾病名称，例如“急性上呼吸道感染”。病例文本是患者病例所对应的文本，此处患者病例可以是电子病例，也可以是纸质病例，可以通过对纸质病例进行光学字符识别OCR得到病例文本。
此处，确定诊断结果和病历文本可以是直接获取待质检的电子版的诊断结果和病历文本，也可以是对纸质版的病历进行图像识别从而得到诊断结果和病历文本，或者接收客户端传输的待质检的诊断结果和病历文本等，本发明实施例对此不作具体限定。
步骤120，将诊断结果和病历文本输入至诊断质检模型中，得到诊断质检模型输出的质检结果；诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，诊断知识库包括各种疾病对应的诊断相关的医学知识；诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，诊断相关特征是基于诊断结果和诊断知识库确定的，病历相关特征是基于病历文本确定的。
具体地，诊断知识库为预先构建的包含有诊断相关的医学知识的数据库，其中针对于任意一种疾病，可以对应包含该种疾病的诊断相关的医学知识，例如症状、体征、患病人群属性、发病时间、发病因素等多个维度的信息。
基于诊断结果和诊断知识库，可以确定诊断结果所对应的诊断相关特征。此处，诊断相关特征用于表征诊断结果所对应的各个维度的信息，例如诊断结果所指示的疾病的症状、体征、患病人群属性、发病时间、发病因素等。
基于病历文本，可以确定病历相关特征。此处，病历相关特征用于表征病历文本中所包含的患者在各个维度的信息，例如病历文本中包含的患者的症状、体征、患病人群属性、发病时间、发病因素等。
诊断质检模型用于基于诊断结果和诊断知识库确定诊断结果所对应的诊断相关特征，基于病历文本确定病历相关特征，从而对诊断相关特征和病历相关特征进行特征融合，充分挖掘两者之间的相关性，并在此基础上，基于诊断结果和病历文本所反映出来的相关性，进行诊断质检，判断诊断结果所对应的诊断相关特征是否与病历文本所包含的病历相关特征相吻合，并得到质检结果，此处质检结果用于表示诊断结果正确与否。
在执行步骤120之前，还可以预先训练得到诊断质检模型，具体可以通过如下方式训练得到诊断质检模型：首先，收集大量样本诊断结果及其对应的样本病历文本，并基于样本诊断结果和样本病历文本进行人工质检，标记样本诊断结果的样本质检结果。此外，构建包含各个诊断结果对应的诊断相关医学知识的诊断知识库。随即，基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练初始模型，从而得到诊断质检模型。
本发明实施例提供的方法，基于诊断结果和诊断知识库确定诊断相关特征，诊断知识库的应用，使得模型能够直接得到诊断结果所对应的诊断相关的医学知识，克服了传统的逻辑推理方法灵活性差的问题，提高了诊断质检方法的适用性；通过诊断质检模型，对诊断相关特征和病历相关特征进行特征融合，以充分挖掘两者之间的相关性，从而提高诊断质检的准确性。
基于上述实施例，诊断质检模型包括诊断特征提取层、病历特征提取层、特征融合层和分类层。对应地，图2为本发明实施例提供的诊断质检模型的运行流程示意图，如图2所示，步骤120具体包括：
步骤121，将诊断结果输入至诊断质检模型的诊断特征提取层，得到诊断特征提取层输出的诊断相关特征。
步骤122，将病历文本输入至诊断质检模型的病历特征提取层，得到病历特征提取层输出的病历相关特征。
步骤123，将诊断相关特征和病历相关特征输入至诊断质检模型的特征融合层，得到特征融合层输出的融合特征。
步骤124，将融合特征输入至诊断质检模型的分类层，得到分类层输出的质检结果。
具体地，诊断特征提取层用于基于诊断结果以及预先存储的诊断知识库，分析诊断结果所对应的诊断相关的医学知识，并输出诊断相关特征。此处，诊断相关特征可以是针对结果所对应的诊断相关的医学知识的向量表示。病历特征提取层用于从病历文本中提取病历文本中包含的患者的相关信息，并输出上述相关信息的向量表示，即病历相关特征。
特征融合层用于对输入的诊断相关特征和病历相关特征进行特征融合，从而挖掘诊断相关特征与病历相关特征之间的相关性，并将特征融合后的特征作为融合特征输出。分类层用于对输入的融合特征进行分类，并将分类结果作为质检结果输出。
需要说明的是，本发明实施例不对步骤121和步骤122的执行顺序做具体限定，步骤121可以在步骤122之前或之后执行，也可以与步骤122同步执行。
基于上述任一实施例，步骤121具体包括：基于诊断知识库，确定诊断结果所对应诊断相关特征；诊断相关特征是基于诊断知识库中，诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重确定的。
具体地，诊断知识库中可以结构化存储各种疾病对应的若干个预设类型的诊断实体以及每一诊断实体的权重。此处，预设类型即预先设定的诊断相关的医学知识维度，每一预设类型可以对应若干个诊断实体，诊断实体用于表示该预设类型下的用于疾病诊断的实体。针对于不同的疾病，每种疾病所对应的预设类型是一致的，每种疾病所对应的同一预设类型下的诊断实体可能相同，可能不同。此处，预设类型可以包括症状、体征、患病人群属性、发病时间、发病因素、既往病史中的至少一种。
例如，疾病为“急性肠胃炎”时，预设类型“症状”对应的诊断实体包括“腹痛”、“腹泻”、“恶心”、“呕吐”等，预设类型“体征”对应的诊断实体包括“腹部压痛”、“肠鸣音亢进”等，疾病为“功能性消化不良”时，预设类型“症状”对应的诊断实体包括“上腹痛”、“上腹胀”、“早饱”、“食欲不振”、“恶心”、“呕吐”等，预设类型“体征”对应的诊断实体包括“上腹触痛”等。
针对于任一预设类型，预先为预设类型下的每一诊断实体配置有权重，此处权重用于表征该诊断实体在该种疾病的诊断过程中的重要性，权重越高则越可能是该种疾病。
针对任一诊断结果，可以从诊断知识库中提取该诊断结果所对应的每一预设类型的诊断实体以及每一诊断实体的权重，并通过对任一预设类型的每一诊断实体所对应的向量进行加权，得到该诊断结果所对应的诊断相关特征。此外，诊断知识库中还可以预先存储有每一疾病对应的诊断相关特征，可以直接从诊断知识库中提取该诊断结果所对应的诊断相关特征，本发明实施例对此不做具体限定。
本发明实施例提供的方法，通过诊断知识库中结构化存储的各种疾病对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定诊断结果的诊断相关特征，从而实现诊断相关的医学知识的灵活应用。
基于上述任一实施例，病历特征提取层包括关键特征提取层和/或文本特征提取层；对应地，步骤122具体包括：
步骤1221，将病历文本输入至病历特征提取层的关键特征提取层中，得到关键特征提取层输出的病历关键特征，病历关键特征用于表征病历文本中包含的每一预设类型的病历实体；
和/或，步骤1222，将病历文本输入至病历提取层的文本特征提取层中，得到文本特征提取层输出的病历文本特征。
具体地，关键特征提取层用于提取输入的病历文本中包含的每一预设类型的病历实体，并输出病历关键特征。此处，预设类型即预先设定的诊断相关的医学知识维度，任一预设类型的病历实体是指病历文本中包含的该预设类型下的用于疾病诊断的实体。预设类型可以包括症状、体征、患病人群属性、发病时间、发病因素、既往病史中的至少一种，病历文本中可能包含其中一种或多种预设类型的病历实体。病历关键特征可以是病历文本中包含的每一病历实体的向量表示。
文本特征提取层用于提取输入的病历文本的病历文本特征。此处，病历文本特征可以是病历文本中所有字段的向量表示，也可以是病历文本中若干个预设字段的向量表示，本发明实施例对此不作具体限定。例如，病历文本特征可以是病历文本中主诉、现病史、既往史、检查四个字段的向量表示。
当仅执行步骤1221不执行步骤1222时，病历文本的病历相关特征可以仅包括病历关键特征，不包括病历文本特征；当仅执行步骤1222不执行步骤1221时，病历文本的病历相关特征可以不包括病历关键特征，仅包括病历文本特征；当既执行步骤1221又执行步骤1222时，病历文本的病历相关特征可以同时包括病历关键特征和病历文本特征。
基于上述任一实施例，步骤1221具体包括：
步骤1221-1，将病历文本输入至关键特征提取层中的序列标注层，得到序列标注层输出的病历文本所包含的若干个预设类型的病历实体。
具体地，序列标注层用于对病历文本中的所有字符进行序列标注，得到每一字符的类别标签，并基于每一字符的类型标签确定病历文本中包含的病历实体，以及每一病历实体所对应的预设类型，最终输出每一预设类型的病历实体。此处，序列标注层可以通过Bert+CRF的结构实现。
步骤1221-2，基于诊断知识库中，诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定每一病历实体的权重。
具体地，针对于任一病历实体，该病历实体的权重可以基于诊断结果所对应的诊断实体和诊断实体的权重确定。例如，在病历实体与诊断结果所对应的一个诊断实体一致时，可以直接将该诊断实体的权重作为病历实体的权重，从而将诊断知识库中诊断相关的医学知识应用到病历文本所包含的病历实体上。
步骤1221-3，基于每一病历实体，以及每一病历实体的权重，确定病历关键特征。
具体地，在确定每一病历实体的权重后，可以通过对每一预设类型的病历实体所对应的向量进行加权，得到病历关键特征。
基于上述任一实施例，步骤1221-1之后，考虑到病历文本可能存在不规范、模板化的问题，可以在得到每一预设类型的病历实体后，利用提取的病历实体的字段来源，进行冗余信息剔除操作，例如剔除预设类型“症状”中，字段来源为“主诉”和“现病史”之外的病历实体，剔除预设类型“既往史”中字段来源为“既往史”之外的病历实体，剔除预设类型“检查项及其检查结果”中字段来源为“检查检验”之外的病历实体。
此外，还可以根据病历实体本身的语义进行冗余信息剔除操作，例如剔除相互矛盾的病历实体，如“无腹泻”和“腹泻”。
基于上述任一实施例，步骤1221-2具体包括：若任一病历实体与诊断结果所对应的任一诊断实体一致，则将该诊断实体的权重作为该病历实体的权重；若该病历实体与诊断结果所对应的任一诊断实体相反，则将该病历实体的权重设置为第一预设权重；否则，将该病历实体的权重设置为第二预设权重。
具体地，第一预设权重和第二预设权重均为预先设定的权重值，其中第一预设权重应用于病历实体与诊断结果所对应的诊断实体相矛盾的情况，第二预设权重应用于诊断结果所对应的诊断实体中存在该病历实体的情况。例如，可以将第一预设权重设置为0，将第二预设权重设置为0.5。
基于上述任一实施例，图3为本发明实施例提供的特征融合方法的流程示意图，如图3所示，步骤123具体包括：
步骤1231，对诊断相关特征和病历关键特征进行注意力交互，得到诊断相关特征所对应的每一预设类型与病历关键特征所对应的每一预设类型的向量相关性。
此处，诊断相关特征可以包括每一预设类型的诊断相关向量，任一预设类型的诊断相关向量是对该预设类型下的每一诊断实体的向量加权求和得到的。同样地，病历关键特征可以包括每一预设类型的病历关键向量，任一预设类型的病历关键向量是对该预设类型下的每一病历实体的向量加权求和得到的。
通过将诊断相关特征中每一预设类型的诊断相关向量，与病历关键特征中每一预设类型的病历关键向量进行注意力交互，得到每一预设类型的诊断相关向量与每一预设类型的病历关键向量之间的向量相关性，即诊断相关特征所对应每一预设类型与病历关键特征所对应的每一预设类型的向量相关性。
步骤1232，基于诊断相关特征所对应的每一预设类型与病历关键特征所对应的每一预设类型的向量相关性，以及病历关键特征，确定诊断融合特征。
具体地，将诊断相关特征所对应的任一预设类型与病历关键特征所对应的每一预设类型的向量相关性作为病历关键特征中每一预设类型的病历关键向量的权重，对病历关键特征中每一预设类型的病历关键向量进行加权求和，得到诊断相关特征所对应的该预设类型的诊断融合向量。诊断相关特征所对应的每一预设类型的诊断融合向量构成诊断融合特征。
步骤1233，基于诊断相关特征所对应的每一预设类型与病历关键特征所对应的每一预设类型的向量相关性，以及诊断相关特征，确定病历融合特征。
具体地，将病历关键特征所对应的任一预设类型与诊断相关特征所对应的每一预设类型的向量相关性作为诊断相关特征所对应的每一预设类型的诊断相关向量的权重，对诊断相关特征中每一预设类型的诊断相关向量进行加权求和，得到病例关键特征所对应的任一预设类型的病历融合向量。病历关键特征所对应的每一预设类型的病历融合向量构成病历融合特征。
本发明实施例提供的方法，通过注意力机制实现诊断相关特征和病历关键特征的特征融合，从而挖掘两者之间的相关性，从而提高诊断质检的准确性。
基于上述任一实施例，步骤123具体包括：
假设诊断相关特征MKB的矩阵大小和病历关键特征MKI的矩阵大小为[max_lenth,hidden_size]，其中，max_lenth表示预设类型数量，hidden_size表示预设类型的向量长度。
诊断相关特征MKB中，任一预设类型的诊断相关向量为vzz-kb；病历关键特征MKI中，任一预设类型的病历关键向量为vzz-ki。对诊断相关特征和病历关键特征进行注意力交互，即可得到诊断相关特征所对应的每一预设类型与病历关键特征所对应的每一预设类型的向量相关性，表现为如下形式：
Figure BDA0002331677360000121
MKBKI的矩阵大小为[max_lenth,max_lenth]，该矩阵的每一位元素，表示一个诊断相关向量和一个病历关键向量的相关性结果，具体可以表示为：
Figure BDA0002331677360000122
由此确定，MKBKI的任一行，表示任一诊断相关向量与每一病历关键向量的相关性，MKBKI的任一列，表示任一病历关键向量与每一诊断相关向量的相关性。
为得到诊断融合特征，首先需要对MKBKI的每行进行softmax归一化处理，获得WKBKI矩阵。接着，利用归一化后的相关性权重向量矩阵WKBKI，确定诊断相关特征所对应的每一预设类型的诊断融合向量。例如，对MKBKI的任一行向量进行softmax归一化后，可以得到归一化后的相关性权重向量wzz-kbki。接着，基于wzz-kbki，对每一预设类型的病历关键向量进行加权求和，由此得到该行向量对应的预设类型的诊断相关向量与每一预设类型的病历关键向量的注意力向量azz-kbki。具体的矩阵计算公式如下：
AKBKI＝WKBKI*MKI
其中，注意力矩阵AKBKI的维度为[max_lenth,hidden_size]。最后，对注意力矩阵AKBKI按列进行max-pooling，即可得到诊断融合特征vkbki，维度为[1,hidden_size]。
同理，为得到病历融合特征，首先需要对MKBKI的每列进行softmax归一化处理，获得WKIKB矩阵。接着，利用归一化后的相关性权重向量矩阵WKIKB，确定病历关键特征所对应的每一预设类型的病历融合向量。例如，对MKBKI的任一列向量进行softmax归一化后，可以得到归一化后的相关性权重向量wzz-kikb。接着，基于wzz-kikb，对每一预设类型的诊断相关向量进行加权求和，由此得到该列向量对应的预设类型的病历关键向量与每一预设类型的诊断相关向量的注意力向量azz-kikb。具体的矩阵计算公式如下：
Figure BDA0002331677360000131
其中，注意力矩阵AKIKB的维度为[max_lenth,hidden_size]。最后，对注意力矩阵AKIKB按列进行max-pooling，即可得到病历融合特征vkikb，维度为[1,hidden_size]。
基于上述任一实施例，图4为本发明另一实施例提供的诊断质检模型的运行流程示意图，如图4所示，诊断质检模型包括诊断特征提取层、关键特征提取层、文本特征提取层、特征融合层和分类层。
其中，诊断特征提取层用于基于输入的诊断结果，从预先存储的诊断知识库中提取诊断结果所对应的每一预设类型的诊断实体以及每一诊断实体的权重，并通过对任一预设类型的每一诊断实体所对应的向量进行加权，得到每一预设类型的诊断相关向量，构成该诊断结果所对应的诊断相关特征。
以诊断结果为“急性肠胃炎”为例，基于诊断知识库得到的“急性肠胃炎”所对应的每一预设类型的诊断实体以及每一诊断实体的权重如下表所示：
Figure BDA0002331677360000132
Figure BDA0002331677360000141
以预设类型“症状”为例，分别确定诊断实体“腹痛”、“腹泻”、“恶心”、“呕吐”的向量v，具体可以通过word embedding的方式实现。将诊断实体的权重w加权到向量v上，即可确定预设类型“症状”下每一诊断实体的向量表示w*v。将预设类型“症状”下每一诊断实体的向量表示拼接为矩阵表示，即可得到预设类型“症状”的信息矩阵M。对信息矩阵M进行自注意力操作，即可得到预设类型“症状”的诊断相关向量V。
在此基础上，将每一预设类型的诊断相关向量V拼接为矩阵表示，即可得到诊断向量特征MKB。
关键特征提取层用于对病历文本中的所有字符进行序列标注，得到每一字符的类别标签，并基于每一字符的类型标签确定病历文本中包含的病历实体，以及每一病历实体所对应的预设类型，输出每一预设类型的病历实体，并基于每一病历实体，以及每一病历实体的权重，确定病历关键特征。
其中，病历文本中病历实体的提取可以通过序列标注的方式实现，此处字符的类别标签的形式可以是：实体名称-B/I/E/S，或者O，例如“咽痛”的序列标注结果分别为“症状-B”，“症状-E”。在确定病历实体后，可以基于诊断知识库中，诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定每一病历实体的权重，进而基于每一病历实体，以及每一病历实体的权重，确定病历关键特征。
需要说明的是，基于病历实体及其权重，确定病历关键特征的方法与上述诊断特征提取层中确定诊断相关特征的方法一致，此处不再赘述。由此可到病历关键特征MKI。
文本特征提取层用于提取输入的病历文本的病历文本特征。此处，可以通过深度学习语言模型，例如bert或者Bilstm得到病历文本中主诉、现病史、既往史、检查四个字段的向量，在此基础上通过自注意力机制对四个字段的向量进行编码融合，得到病历文本特征vbl。
特征融合层用于对诊断相关特征和病历关键特征进行注意力交互，得到诊断相关特征所对应的每一预设类型与病历关键特征所对应的每一预设类型的向量相关性，并基于诊断相关特征所对应的每一预设类型与病历关键特征所对应的每一预设类型的向量相关性，以及病历关键特征，确定诊断融合特征vkbki，基于诊断相关特征所对应的每一预设类型与病历关键特征所对应的每一预设类型的向量相关性，以及诊断相关特征，确定病历融合特征vkikb。
分类层用于将诊断融合特征vkbki、病历融合特征vkikb以及病历文本特征vbl拼接成vf，并将vf输入至分类器中，得到概率标量P作为质检结果。此处，vf包含了病历文本的原始语义信息，诊断知识库中诊断相关的医学知识与病历文本中包含的病历相关信息融合后的所有信息。概率标量P表示诊断结果与病历文本相符合的概率，即诊断结果正确的概率，范围在[0,1]之间。
此处，分类器可以是多层感知器+sigmoid的二分类器，v-f向量通过多层感知器的映射变换，获得标量A。利用sigmoid非线性映射函数将标量A映射到概率空间[0,1]中，获得最终的概率标量P。可以预先设定诊断正确的可信度阈值Thred，P≥Thred则质检通过，诊断正确，否则，质检不通过，诊断错误。
本发明实施例提供的方法，基于诊断结果和诊断知识库确定诊断相关特征，诊断知识库的应用，使得模型能够直接得到诊断结果所对应的诊断相关的医学知识，克服了传统的逻辑推理方法灵活性差的问题，提高了诊断质检方法的适用性；通过诊断质检模型，对诊断相关特征和病历相关特征进行特征融合，以充分挖掘两者之间的相关性，从而提高诊断质检的准确性。
基于上述任一实施例，图5为本发明实施例提供的诊断质检装置的结构示意图，如图5所示，该装置包括诊断数据确定单元510和诊断质检单元520；
其中，诊断数据确定单元510用于确定诊断结果和病历文本；
诊断质检单元520用于将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果；
所述诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的；所述诊断质检模型用于基于诊断相关特征和病历相关特征进行诊断质检，其中，所述诊断相关特征是基于所述诊断结果和所述诊断知识库确定的，所述病历相关特征是基于所述病历文本确定的。
本发明实施例提供的装置，基于诊断结果和诊断知识库确定诊断相关特征，诊断知识库的应用，使得模型能够直接得到诊断结果所对应的诊断相关的医学知识，克服了传统的逻辑推理方法灵活性差的问题，提高了诊断质检方法的适用性；通过诊断质检模型，对诊断相关特征和病历相关特征进行特征融合，以充分挖掘两者之间的相关性，从而提高诊断质检的准确性。
基于上述任一实施例，诊断质检单元520包括：
诊断特征提取单元，用于将所述诊断结果输入至所述诊断质检模型的诊断特征提取层，得到所述诊断特征提取层输出的所述诊断相关特征；
病历特征提取单元，用于将所述病历文本输入至所述诊断质检模型的病历特征提取层，得到所述病历特征提取层输出的所述病历相关特征；
特征融合单元，用于将所述诊断相关特征和所述病历相关特征输入至所述诊断质检模型的特征融合层，得到所述特征融合层输出的所述融合特征；
分类单元，用于将所述融合特征输入至所述诊断质检模型的分类层，得到所述分类层输出的所述质检结果。
基于上述任一实施例，诊断特征提取单元具体用于：
基于所述诊断知识库，确定所述诊断结果所对应诊断相关特征；
所述诊断相关特征是基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重确定的。
基于上述任一实施例，病历特征提取单元包括：
关键特征提取子单元，用于将所述病历文本输入至所述病历特征提取层的关键特征提取层中，得到所述关键特征提取层输出的病历关键特征，所述病历关键特征用于表征所述病历文本中包含的每一预设类型的病历实体；
和/或，文本特征提取子单元，用于将所述病历文本输入至所述病历提取层的文本特征提取层中，得到所述文本特征提取层输出的病历文本特征。
基于上述任一实施例，关键特征提取子单元包括：
实体提取模块，用于将所述病历文本输入至所述关键特征提取层中的序列标注层，得到所述序列标注层输出的所述病历文本所包含的若干个预设类型的病历实体；
权重确定模块，用于基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定每一病历实体的权重；
关键特征确定模块，用于基于每一病历实体，以及每一病历实体的权重，确定所述病历关键特征。
基于上述任一实施例，权重确定模块具体用于：
若任一病历实体与所述诊断结果所对应的任一诊断实体一致，则将所述任一诊断实体的权重作为所述任一病历实体的权重；
若所述任一病历实体与所述诊断结果所对应的任一诊断实体相反，则将所述任一病历实体的权重设置为第一预设权重；
否则，将所述任一病历实体的权重设置为第二预设权重。
基于上述任一实施例，特征融合单元具体用于：
对所述诊断相关特征和所述病历关键特征进行注意力交互，得到所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性；
基于所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性，以及所述病历关键特征，确定诊断融合特征；
基于所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性，以及所述诊断相关特征，确定病历融合特征。
图6为本发明实施例提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑命令，以执行如下方法：确定诊断结果和病历文本；将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果；所述诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，所述诊断知识库包括各种疾病对应的诊断相关的医学知识；所述诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，所述诊断相关特征是基于所述诊断结果和所述诊断知识库确定的，所述病历相关特征是基于所述病历文本确定的。
此外，上述的存储器630中的逻辑命令可以通过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，可以存储在一个计算机可读取存储介质中。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，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：确定诊断结果和病历文本；将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果；所述诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，所述诊断知识库包括各种疾病对应的诊断相关的医学知识；所述诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，所述诊断相关特征是基于所述诊断结果和所述诊断知识库确定的，所述病历相关特征是基于所述病历文本确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种诊断质检方法，其特征在于，包括：
确定诊断结果和病历文本，所述诊断结果为患者所患疾病名称；
将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果，所述质检结果用于表示所述诊断结果正确与否；
所述诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，所述诊断知识库包括各种疾病对应的诊断相关的医学知识；
所述诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，所述诊断相关特征是基于所述诊断结果和所述诊断知识库确定的，所述病历相关特征是基于所述病历文本确定的；
所述特征融合用于挖掘所述诊断相关特征和所述病历相关特征之间的相关性，所述基于融合后的特征进行诊断质检，包括：基于所述诊断相关特征和所述病历相关特征之间的相关性，判断所述诊断结果所对应的诊断相关特征是否与所述病历文本所包含的病历相关特征相吻合，并得到所述质检结果。
2.根据权利要求1所述的诊断质检方法，其特征在于，所述将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果，具体包括：
将所述诊断结果输入至所述诊断质检模型的诊断特征提取层，得到所述诊断特征提取层输出的所述诊断相关特征；
将所述病历文本输入至所述诊断质检模型的病历特征提取层，得到所述病历特征提取层输出的所述病历相关特征；
将所述诊断相关特征和所述病历相关特征输入至所述诊断质检模型的特征融合层，得到所述特征融合层输出的融合特征；
将所述融合特征输入至所述诊断质检模型的分类层，得到所述分类层输出的所述质检结果。
3.根据权利要求2所述的诊断质检方法，其特征在于，所述将所述诊断结果输入至所述诊断质检模型的诊断特征提取层，得到所述诊断特征提取层输出的所述诊断相关特征，具体包括：
基于所述诊断知识库，确定所述诊断结果所对应诊断相关特征；
所述诊断相关特征是基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重确定的。
4.根据权利要求2所述的诊断质检方法，其特征在于，所述将所述病历文本输入至所述诊断质检模型的病历特征提取层，得到所述病历特征提取层输出的所述病历相关特征，具体包括：
将所述病历文本输入至所述病历特征提取层的关键特征提取层中，得到所述关键特征提取层输出的病历关键特征，所述病历关键特征用于表征所述病历文本中包含的每一预设类型的病历实体；
和/或，将所述病历文本输入至所述病历特征提取层的文本特征提取层中，得到所述文本特征提取层输出的病历文本特征。
5.根据权利要求4所述的诊断质检方法，其特征在于，所述将所述病历文本输入至所述病历特征提取层的关键特征提取层中，得到所述关键特征提取层输出的病历关键特征，具体包括：
将所述病历文本输入至所述关键特征提取层中的序列标注层，得到所述序列标注层输出的所述病历文本所包含的若干个预设类型的病历实体；
基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定每一病历实体的权重；
基于每一病历实体，以及每一病历实体的权重，确定所述病历关键特征。
6.根据权利要求5所述的诊断质检方法，其特征在于，所述基于所述诊断知识库中，所述诊断结果所对应的若干个预设类型的诊断实体以及每一诊断实体的权重，确定每一病历实体的权重，具体包括：
若任一病历实体与所述诊断结果所对应的任一诊断实体一致，则将所述任一诊断实体的权重作为所述任一病历实体的权重；
若所述任一病历实体与所述诊断结果所对应的任一诊断实体相反，则将所述任一病历实体的权重设置为第一预设权重；
否则，将所述任一病历实体的权重设置为第二预设权重。
7.根据权利要求4所述的诊断质检方法，其特征在于，所述将所述诊断相关特征和所述病历相关特征输入至所述诊断质检模型的特征融合层，得到所述特征融合层输出的所述融合特征，具体包括：
对所述诊断相关特征和所述病历关键特征进行注意力交互，得到所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性；
基于所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性，以及所述病历关键特征，确定诊断融合特征；
基于所述诊断相关特征所对应的每一预设类型与所述病历关键特征所对应的每一预设类型的向量相关性，以及所述诊断相关特征，确定病历融合特征。
8.一种诊断质检装置，其特征在于，包括：
诊断数据确定单元，用于确定诊断结果和病历文本，所述诊断结果为患者所患疾病名称；
诊断质检单元，用于将所述诊断结果和所述病历文本输入至诊断质检模型中，得到所述诊断质检模型输出的质检结果，所述质检结果用于表示所述诊断结果正确与否；
所述诊断质检模型是基于样本诊断结果、样本病历文本、样本质检结果以及诊断知识库训练得到的，所述诊断知识库包括各种疾病对应的诊断相关的医学知识；
所述诊断质检模型用于对诊断相关特征和病历相关特征进行特征融合，并基于融合后的特征进行诊断质检，其中，所述诊断相关特征是基于所述诊断结果和所述诊断知识库确定的，所述病历相关特征是基于所述病历文本确定的；
所述特征融合用于挖掘所述诊断相关特征和所述病历相关特征之间的相关性，所述基于融合后的特征进行诊断质检，包括：基于所述诊断相关特征和所述病历相关特征之间的相关性，判断所述诊断结果所对应的诊断相关特征是否与所述病历文本所包含的病历相关特征相吻合，并得到所述质检结果。
9.一种电子设备，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至7中任一项所述的诊断质检方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的诊断质检方法的步骤。
CN201911338750.9A 2019-12-23 2019-12-23 诊断质检方法、装置、电子设备和存储介质 Active CN111028934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911338750.9A CN111028934B (zh) 2019-12-23 2019-12-23 诊断质检方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911338750.9A CN111028934B (zh) 2019-12-23 2019-12-23 诊断质检方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN111028934A CN111028934A (zh) 2020-04-17
CN111028934B true CN111028934B (zh) 2022-02-18

Family

ID=70212744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911338750.9A Active CN111028934B (zh) 2019-12-23 2019-12-23 诊断质检方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111028934B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111710412B (zh) * 2020-05-29 2023-07-25 北京百度网讯科技有限公司 诊断结果的校验方法、装置及电子设备
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
CN111863174B (zh) * 2020-07-27 2023-10-20 北京颐圣智能科技有限公司 一种病历质量评估方法及计算设备
CN112148882B (zh) * 2020-11-27 2021-09-10 北京惠及智医科技有限公司 病历文本处理方法、装置、电子设备及存储介质
CN112509691B (zh) * 2020-11-30 2024-04-19 北京百度网讯科技有限公司 鉴别诊断的提示方法、装置、电子设备及存储介质
CN113051373B (zh) * 2021-04-19 2024-02-13 讯飞医疗科技股份有限公司 文本分析方法、装置、电子设备和存储介质
CN113096799B (zh) * 2021-04-25 2024-04-02 北京百度网讯科技有限公司 质控方法和装置
CN113393934B (zh) * 2021-06-07 2022-07-12 义金(杭州)健康科技有限公司 基于生命体征大数据的健康趋势估计方法和预测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447534A (zh) * 2018-05-18 2018-08-24 灵玖中科软件（北京）有限公司 一种基于nlp的电子病历数据质量管理方法
CN109859841A (zh) * 2019-03-01 2019-06-07 中国科学院上海高等研究院 基于神经网络的肝癌辅助诊断系统、方法、设备和介质
CN110097969A (zh) * 2019-05-10 2019-08-06 安徽科大讯飞医疗信息技术有限公司 一种诊断报告的分析方法、装置及设备
CN110162779A (zh) * 2019-04-04 2019-08-23 北京百度网讯科技有限公司 病历质量的评估方法、装置及设备
WO2019177724A2 (en) * 2018-03-14 2019-09-19 Siemens Healthcare Diagnostics Inc. Predictive quality control apparatus and methods in diagnostic testing systems
CN110347832A (zh) * 2019-07-01 2019-10-18 电子科技大学 一种基于transformer的长文本质量分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8694335B2 (en) * 2011-02-18 2014-04-08 Nuance Communications, Inc. Methods and apparatus for applying user corrections to medical fact extraction
US11024406B2 (en) * 2013-03-12 2021-06-01 Nuance Communications, Inc. Systems and methods for identifying errors and/or critical results in medical reports

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019177724A2 (en) * 2018-03-14 2019-09-19 Siemens Healthcare Diagnostics Inc. Predictive quality control apparatus and methods in diagnostic testing systems
CN108447534A (zh) * 2018-05-18 2018-08-24 灵玖中科软件（北京）有限公司 一种基于nlp的电子病历数据质量管理方法
CN109859841A (zh) * 2019-03-01 2019-06-07 中国科学院上海高等研究院 基于神经网络的肝癌辅助诊断系统、方法、设备和介质
CN110162779A (zh) * 2019-04-04 2019-08-23 北京百度网讯科技有限公司 病历质量的评估方法、装置及设备
CN110097969A (zh) * 2019-05-10 2019-08-06 安徽科大讯飞医疗信息技术有限公司 一种诊断报告的分析方法、装置及设备
CN110347832A (zh) * 2019-07-01 2019-10-18 电子科技大学 一种基于transformer的长文本质量分析方法

Also Published As

Publication number Publication date
CN111028934A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
CN111028934B (zh) 诊断质检方法、装置、电子设备和存储介质
WO2018028077A1 (zh) 一种基于深度学习的中文语义分析的方法及装置
CN108182177A (zh) 一种数学试题知识点自动化标注方法和装置
US11610678B2 (en) Medical diagnostic aid and method
Carchiolo et al. Medical prescription classification: a NLP-based approach
CN107644011A (zh) 用于细粒度医疗实体提取的系统和方法
CN106980767A (zh) 一种基于结构化医学数据库的数据搜索方法及系统
CN110335653A (zh) 基于openEHR病历格式的非标准病历解析方法
CN110377731A (zh) 投诉文本处理方法、装置、计算机设备及存储介质
CN111259111B (zh) 基于病历的辅助决策方法、装置、电子设备和存储介质
CN114691525A (zh) 测试用例的选择方法及装置
CN116976321A (zh) 文本处理方法、装置、计算机设备、存储介质和程序产品
CN116611449A (zh) 异常日志解析方法、装置、设备及介质
CN114462418B (zh) 事件检测方法、系统、智能终端及计算机可读存储介质
CN115525750A (zh) 机器人话术检测可视化方法、装置、电子设备及存储介质
CN114155957A (zh) 文本确定方法、装置、存储介质及电子设备
CN114417045A (zh) 基于神经网络保险案件抽检方法、系统、设备及存储介质
CN113111660A (zh) 数据处理方法、装置、设备和存储介质
CN112528887A (zh) 审核方法及装置
CN112487184A (zh) 用户性格判定方法、装置、存储器和电子设备
CN113688854A (zh) 数据处理方法、装置及计算设备
CN113448843B (zh) 基于缺陷分析的图像识别软件测试数据增强方法及装置
CN117421428B (zh) 基于完整期刊库的论文发表诚信评估分析方法及系统
CN111402979B (zh) 病情描述与诊断一致性检测方法及装置
CN112861757B (zh) 基于文本语义理解的笔录智能审核方法及电子设备

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201124

Address after: 230088 18 Floor, A5 Building, 666 Wangjiangxi Road, Hefei High-tech Zone, Anhui Province

Applicant after: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY Co.,Ltd.

Address before: Wangjiang Road high tech Development Zone Hefei city Anhui province 230088 No. 666

Applicant before: IFLYTEK Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province

Patentee after: Anhui Xunfei Medical Co.,Ltd.

Address before: 230088 18th floor, building A5, NO.666, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province

Patentee before: ANHUI IFLYTEK MEDICAL INFORMATION TECHNOLOGY CO.,LTD.

CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province

Patentee after: IFLYTEK Medical Technology Co.,Ltd.

Address before: 230088 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei, Anhui Province

Patentee before: Anhui Xunfei Medical Co.,Ltd.