CN111145852A - 医学信息的处理方法、装置及计算机可读存储介质 - Google Patents
医学信息的处理方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111145852A CN111145852A CN201911392714.0A CN201911392714A CN111145852A CN 111145852 A CN111145852 A CN 111145852A CN 201911392714 A CN201911392714 A CN 201911392714A CN 111145852 A CN111145852 A CN 111145852A
- Authority
- CN
- China
- Prior art keywords
- information
- medical
- value
- time
- target
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 230000010365 information processing Effects 0.000 title description 8
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000011282 treatment Methods 0.000 claims abstract description 26
- 238000003745 diagnosis Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 6
- 208000028659 discharge Diseases 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010882 preoperative diagnosis Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000010354 integration Effects 0.000 abstract description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 10
- 201000005202 lung cancer Diseases 0.000 description 10
- 208000020816 lung neoplasm Diseases 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 238000002271 resection Methods 0.000 description 5
- 210000004072 lung Anatomy 0.000 description 4
- 230000036210 malignancy Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 210000001165 lymph node Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000002224 dissection Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011268 retreatment Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及医学信息的处理方法、装置及计算机可读存储介质，处理方法主要包括：基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源；结合时间点，从取值来源中提取与其对应的目标结构化信息；根据所述目标结构化信息，得到待分析医学信息的目标值。处理装置主要包括：信息源选取模块；结构化信息提取模块；处理模块。计算机可读存储介质实现医学信息的处理方法。本公开在对医疗文本信息进行处理的过程中，保留了在后续进行信息整合、分析、运用时所需要的时间属性维度上的各类信息，以此作为结构化信息的背景信息，使基于结构化数据的计算更加适配真实的诊疗场景，有充分的灵活性。
Description
技术领域
本公开涉及医学信息智能处理技术领域，具体涉及一种医学信息的处理方法、装置及计算机可读存储介质。
背景技术
医疗文本数据的结构化处理是支持后续应用的必要步骤。由于初始存储文本对于相同医学信息的表述方式在不同地域、不同阶段、不同用户的表述习惯层面有着显著的差异性，因此需要进行结构化处理以消除该层面的表述多样性，使得医学信息能够在后续的应用中被准确、高效使用。
现有技术中，已有一些涉及上述结构化处理的解决方案。但这些解决方案存在以下不足：处理对象为实际病患的医学检查报告，非全类型的医疗文本数据；对医学术语库的组织架构有较强的依赖性；未考虑到病患生命周期中医学信息的时间属性，等等。
发明内容
本公开意图提供一种医学信息的处理方法、装置及计算机可读存储介质，在对医疗文本信息进行处理的过程中，保留了在后续进行信息整合、分析、运用时所需要的时间属性维度上的各类信息，以此作为结构化信息的背景信息，使基于结构化数据的计算更加适配真实的诊疗场景，有充分的灵活性。
根据本公开的方案之一，提供一种医学信息的处理方法，包括：
基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源；
结合时间点，从取值来源中提取与其对应的目标结构化信息；
根据所述目标结构化信息，得到待分析医学信息的目标值。
在一些实施例中，其中，所述基于针对待分析医学信息的时间推理和医学推理，包括：
选取关联于待分析医学信息的信息源；
对确定取值来源所需要的基本信息进行时间推理、以及医学推理逻辑层面的拆分。
在一些实施例中，其中，还包括：
确定目标结构化信息之间的基于时间信息以及基于医学推理的计算逻辑。
在一些实施例中，其中，所述结合时间点，包括：
基于所有时间点生成的全维度医疗文本信息，依次遍历各个时间点，划定出用于提取所述目标结构化信息的特定时间点。
在一些实施例中，其中，所述从取值来源中提取与其对应的目标结构化信息，包括：
针对每一个特定时间点，以及各个取值来源，利用深度神经网络训练的模型提取各个取值来源的目标结构化信息。
在一些实施例中，其中，所述模型的输出还包括：
目标结构化信息在各个取值来源的不同值；以及
对应的时间属性维度上的各类信息。
在一些实施例中，其中，所述取值来源为多个，所述目标结构化信息对应地为多个；
所述根据所述目标结构化信息，得到待分析医学信息的目标值，包括：
针对多个不同取值来源上的目标结构化信息，通过分析来源维度、时间维度以及医学推理，得到待分析医学信息的目标值。
在一些实施例中，其中，
所述待分析医学信息包括病症的手术信息；
所述基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源，包括：
获取针对所述病症的诊断信息；
获取关联于所述手术信息的诊治信息；
确定所述诊断信息和/或诊治信息的生成时间；
所述取值来源包括：至少包含有手术报告、术前诊断、出院诊断在内的医疗文本；
所述结合时间点，从取值来源中提取与其对应的目标结构化信息，包括：
以就诊时间点作为所述时间点，遍历每一次就诊以及取值来源，提取目标结构化信息；
所述根据所述目标结构化信息，得到待分析医学信息的目标值，包括：
依次遍历就诊时间，基于至少从所述手术报告、术前诊断、出院诊断中提取的目标结构化信息确定分别对应于就诊时间的逻辑值，根据所述逻辑值得到所述待分析医学信息的目标值。
根据本公开的方案之一，提供一种医学信息的处理装置，包括：
信息源选取模块，配置为基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源；
结构化信息提取模块，配置为结合时间点，从取值来源中提取与其对应的目标结构化信息；
处理模块，配置为根据所述目标结构化信息，得到待分析医学信息的目标值。
根据本公开的方案之一，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据上述的医学信息的处理方法。
在真实的诊疗场景中，随着患者预防意识的提升带来的前期筛查数据的积累，以及由于治疗水平、老龄化等因素带来的整体存货周期延长，患者从早筛、诊断到结束治疗，时间跨度以年为单位。由此，本公开的各种实施例的医学信息的处理方法、装置及计算机可读存储介质，主要考虑了医疗文本信息可以被作为是患者生存时间轴上各个时间点的健康数据，能够在这段时间内的各个检查、治疗、复查、再治疗的时间点上的多维度的医疗文本信息。在对医疗文本信息进行处理的过程中，本公开的各实施例保留了在后续进行信息整合、分析、运用时所需要的时间属性维度上的各类信息，以此作为结构化信息的背景信息，使基于结构化数据的计算更加适配真实的诊疗场景，有充分的灵活性。
应当理解，前面的大体描述以及后续的详细描述只是示例性的和说明性的，并非对所要求保护的本公开的限制。
附图说明
在未必按照比例绘制的附图中，不同视图中相似的附图标记可以表示相似的构件。具有字母后缀的相似附图标记或具有不同字母后缀的相似附图标记可以表示相似构件的不同实例。附图通常作为示例而非限制地图示各种实施例，并且与说明书和权利要求书一起用于解释所公开的实施例。
图1示出本公开的实施例的医学信息的处理方法的流程图；
图2示出本公开的实施例一种实施例的医学信息的处理方法的流程图；
图3示出本公开的实施例又一种实施例的医学信息的处理方法的流程图；
图4示出本公开的实施例的医学信息的处理装置的架构图。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例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公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。
对医疗文本信息的结构化处理中，主要包括两类实现方式：
1.基于中间态而构建的规则分类器
这类系统分为两步：首先使用自然语言处理技术对输入的病历文本进行处理，得到病历文本的中间态表示，例如根据语法、依存关系等得到的语法树，以及基于支持向量机(SVM)、神经网络提取的特征等。然后系统根据人工设计的算法规则，例如有限状态机、决策树等，对于希望提取的每个条目，分别在中间态表示中进行搜索，根据搜索结果，逐个输出各个待条目的取值。
2.基于机器学习算法的端到端自动提取
端到端的系统，直接使用神经阅读器等技术，对输入的医疗文本进行理解，输出待提取的各个条目的取值。这类系统需要使用训练数据进行预先的训练，训练数据一般通过对同类型输入数据进行标注而得到，即给定一批医疗文本，由人工完成相同的结构化过程，将人工结果送入系统，使用梯度下降等算法对端到端系统进行训练。
作为方案之一，如图1所示，本公开的实施例提供了一种医学信息的处理方法，包括：
S1：基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源。
随着患者预防意识的提升带来的前期筛查数据的积累，以及由于治疗水平、老龄化等因素带来的整体存货周期延长，患者从早筛、诊断到结束治疗，时间跨度以年为单位。
本公开的实施例的基于时间推理，可以是基于病患的某一流转时间段，在该时间段之外的医学信息则可以不作为结构化信息的背景信息。例如以患者在某次一入院治疗的前后时间范围内、以病患在某一次疗程的前后时间范围内、以患者在转院前后的时间范围内，等等。本公开旨在考虑医疗文本信息在本公开的技术方案中，可以作为是患者生存时间轴上，以及病患病程时间轴上各个时间点的数据，即：以时间属性作为分析医学信息的考虑因素。本文中时间属性，可以理解为诊断事件、治疗事件发生的时间，并以该时间为轴得到诊断事件、治疗事件的时序性。具体可以通过时间标签来标记各事件的时间点。
本公开的实施例的基于医学推理，可以是根据医疗图谱、诊断规范、治疗规范等进行推理。
在此基础上，如图2所示，本公开的实施例的处理方法可以具体为：所述基于针对待分析医学信息的时间推理和医学推理，包括：
S101：选取关联于待分析医学信息的信息源；
S102：对确定取值来源所需要的基本信息进行时间推理、以及医学推理逻辑层面的拆分。
针对待分析医学信息，可以对每一个提取目标的可能信息来源进行选取，同时对提取目标所需要的基本信息进行时间推理以及医学推理逻辑层面的拆分。
进一步的，本实施例中可以包括：
确定目标结构化信息之间的基于时间信息以及基于医学推理的计算逻辑。
具体的，能够确定不同信息来源所需要产出的目标结构化信息，以及结构化信息之间的基于时间信息以及基于医学推理的计算逻辑。
S2：结合时间点，从取值来源中提取与其对应的目标结构化信息。
具体的，如图3所示，所述结合时间点，可以包括：
S201：基于所有时间点生成的全维度医疗文本信息，依次遍历各个时间点，划定出用于提取所述目标结构化信息的特定时间点。
更进一步的，所述从取值来源中提取与其对应的目标结构化信息，包括：
S202：针对每一个特定时间点，以及各个取值来源，利用深度神经网络训练的模型提取各个取值来源的目标结构化信息。
具体来说，在结构化实现环节，将患者维度的所有时间点的全维度医疗文本信息作为输入。例如，将患者在某一次入院前后的时间范围内的全部科室产生的医疗文本信息作为本实施例的深度神经网络训练模型的输入。
依次遍历各个时间点，针对每一个特定时间点，依次在各个取值来源上，利用深度神经网络训练的模型提取该来源的目标结构化信息，以及提取事先定义的时间信息。通过向本公开实施例的深度神经网络训练模型输入文本，例如医疗文本数据等，得到结构化信息的输出结果。
作为本公开实施例的深度神经网络训练的模型，其输出还包括：
目标结构化信息在各个取值来源的不同值；以及
对应的时间属性维度上的各类信息。
具体的，该环节通过深度神经网络训练的模型输出的目标结构化信息在各个取值来源的不同值，以及对应的时间属性维度上的各类信息，可以被归纳为：在某一个特征时间点上，某一个或者某一组目标结构化信息的结果的取值。
S3：根据所述目标结构化信息，得到待分析医学信息的目标值。
具体来说，本公开的实施例中，所述取值来源为多个，所述目标结构化信息对应地为多个；
所述根据所述目标结构化信息，得到待分析医学信息的目标值，包括：
S301：针对多个不同取值来源上的目标结构化信息，通过分析来源维度、时间维度以及医学推理，得到待分析医学信息的目标值。
本公开的实施例在在计算环节中，可以对各来源上提取到的目标结构化信息，即N个不同来源上的目标结构化信息，进行来源维度、时间维度以及医学推理层面上的计算，得到提取的目标值。
作为本公开的医学信息的处理方法一种具体应用场景，可以为：
其中，
所述待分析医学信息包括病症的手术信息；
所述基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源，包括：
获取针对所述病症的诊断信息；
获取关联于所述手术信息的诊治信息；
确定所述诊断信息和/或诊治信息的生成时间；
所述取值来源包括：至少包含有手术报告、术前诊断、出院诊断在内的医疗文本；
所述结合时间点，从取值来源中提取与其对应的目标结构化信息，包括：
以就诊时间点作为所述时间点，遍历每一次就诊以及取值来源，提取目标结构化信息；
所述根据所述目标结构化信息，得到待分析医学信息的目标值，包括：
依次遍历就诊时间，基于至少从所述手术报告、术前诊断、出院诊断中提取的目标结构化信息确定分别对应于就诊时间的逻辑值，根据所述逻辑值得到所述待分析医学信息的目标值。
以肺癌手术作为待分析医学信息的目标值为例，具体以针对确定原发肺癌患者是否做过针对原发肺癌的根治性切除术为提取目标举例进行详细说明。
步骤一：确定待提取的目标结构化信息
所述基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源，可以为：
医学推理逻辑层面的拆分，作为待提取的目标结构化信息：
信息1：根据相应的诊断规范可以将原发肺癌患者拆分为：
出院诊断是否在医疗文本数据中显示为：肺恶性肿瘤或者支气管恶性肿瘤，将其作为目标结构化信息1。
信息2：根据相应的诊治规范可以将针对上述原发肺癌的根治性切除术拆分为：
1)是否为切除术，将其作为目标结构化信息2；
2)是否包含淋巴结清扫，将其作为目标结构化信息3；
3)是否显示病灶(例如肿瘤)完全切除，将其作为目标结构化信息4；
4)手术治疗的术前诊断是否为原发肺癌，将其作为目标结构化信息5。
时间推理逻辑层面的拆分：
上述信息1是否与信息2在同一次住院生成的数据中，即出院诊断、手术报告的时间均在一次出入院的时间窗内，才能进行计算。
关于取值来源，可能信息来源的选取：
关于目标结构化信息1，可以选取“出院诊断”
关于目标结构化信息2，可以选取“手术报告”
关于目标结构化信息3，可以选取“手术报告”
关于目标结构化信息4，可以选取“手术报告”
关于目标结构化信息5，可以选取“术前诊断”。
步骤二：得到目标结构化信息
可以通过患者就诊信息的发生次数作为时间点，例如：患者共有5次就诊信息，遍历每一次就诊以及特定取值来源提取目标结构化信息,记录在下表中。
目标结构化信息1(出院诊断是否显示为肺恶性肿瘤或者支气管恶性肿瘤)
目标结构化信息2提取结果(是否为肺部切除术)
目标结构化信息3提取结果(是否包含淋巴结清扫)
目标结构化信息4提取结果(是否显示病灶完全切除)
目标结构化信息5提取结果(手术治疗的术前诊断是否为原发肺癌)
其中：就诊序号1至就诊序号3中，患者无手术报告，因此目标结构化信息2至目标结构化信息5取值为not applicable，代表“无需取值”。
步骤三：计算得到提取目标的值
依次遍历就诊序号1至就诊序号5，计算逻辑值，如果同时满足：
a)目标结构化信息1：出院诊断是否显示为肺恶性肿瘤或者支气管恶性肿瘤为“是”
b)目标结构化信息2：是否为切除术为“是”
c)目标结构化信息3：是否包含淋巴结清扫为“是”
d)目标结构化信息4：是否显示病灶完全切除为“是”
e)目标结构化信息5：手术治疗的术前诊断是否为原发肺癌为“是”
这些条件，则取“是”。
据此，得到如下取值：
就诊序号1-5的值分别为
a)就诊序号1：not applicable
b)就诊序号2：not applicable
c)就诊序号3：not applicable
d)就诊序号4：是
e)就诊序号5：not applicable；
因此，对于本实施例中的待分析医学信息，原发肺癌患者是否做过针对原发肺癌的根治性切除术，其取值结果为“是”。
作为方案之一，如图4所示，本公开的实施例提供了一种医学信息的处理装置100，包括：
信息源选取模块101，配置为基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源；
结构化信息提取模块102，配置为结合时间点，从取值来源中提取与其对应的目标结构化信息；
处理模块103，配置为根据所述目标结构化信息，得到待分析医学信息的目标值。
具体来说，本公开的发明构思之一，旨在考虑了医疗文本信息可以被作为是患者生存时间轴上各个时间点的健康数据，能够在这段时间内的各个检查、治疗、复查、再治疗的时间点上的多维度的医疗文本信息。在对医疗文本信息进行处理的过程中，本公开的各实施例保留了在后续进行信息整合、分析、运用时所需要的时间属性维度上的各类信息，以此作为结构化信息的背景信息，使基于结构化数据的计算更加适配真实的诊疗场景，有充分的灵活性。
本公开还提供了一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，主要实现根据上述的医学信息的处理方法，至少包括：
基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源；
结合时间点，从取值来源中提取与其对应的目标结构化信息；
根据所述目标结构化信息，得到待分析医学信息的目标值。
在一些实施例中，执行算机可执行指令处理器可以是包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地，该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备，诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
在一些实施例中，计算机可读存储介质可以为存储器，诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。
本公开描述了各种操作或功能，其可以实现为软件代码或指令或者定义为软件代码或指令。显示单元可以实现为在存储器上存储的软件代码或指令模块，其由处理器执行时可以实现相应的步骤和方法。
这样的内容可以是可以直接执行(“对象”或“可执行”形式)的源代码或差分代码(“delta”或“patch”代码)。这里描述的实施例的软件实现可以通过其上存储有代码或指令的制品提供，或者通过操作通信接口以通过通信接口发送数据的方法提供。机器或计算机可读存储介质可以使机器执行所描述的功能或操作，并且包括以可由机器(例如，计算显示设备、电子系统等)访问的形式存储信息的任何机制，例如可记录/不可记录介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光存储介质、闪存显示设备等)。通信接口包括与硬连线、无线、光学等介质中的任何一种接口以与其他显示设备通信的任何机制，例如存储器总线接口、处理器总线接口、因特网连接、磁盘控制器等。通信接口可以通过提供配置参数和/或发送信号来配置以准备通信接口，以提供描述软件内容的数据信号。可以通过向通信接口发送一个或多个命令或信号来访问通信接口。
本公开的实施例的计算机可执行指令可以组织成一个或多个计算机可执行组件或模块。可以用这类组件或模块的任何数量和组合来实现本公开的各方面。例如，本公开的各方面不限于附图中示出的和本文描述的特定的计算机可执行指令或特定组件或模块。其他实施例可以包括具有比本文所示出和描述的更多或更少功能的不同的计算机可执行指令或组件。
以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本公开的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
以上实施例仅为本公开的示例性实施例，不用于限制本公开，本公开的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本公开做出各种修改或等同替换，这种修改或等同替换也应视为落在本公开的保护范围内。
Claims (10)
1.一种医学信息的处理方法，包括：
基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源；
结合时间点，从取值来源中提取与其对应的目标结构化信息；
根据所述目标结构化信息，得到待分析医学信息的目标值。
2.根据权利要求1所述的处理方法，其中，所述基于针对待分析医学信息的时间推理和医学推理，包括：
选取关联于待分析医学信息的信息源；
对确定取值来源所需要的基本信息进行时间推理、以及医学推理逻辑层面的拆分。
3.根据权利要求2所述的处理方法，其中，还包括：
确定目标结构化信息之间的基于时间信息以及基于医学推理的计算逻辑。
4.根据权利要求1所述的处理方法，其中，所述结合时间点，包括：
基于所有时间点生成的全维度医疗文本信息，依次遍历各个时间点，划定出用于提取所述目标结构化信息的特定时间点。
5.根据权利要求4所述的处理方法，其中，所述从取值来源中提取与其对应的目标结构化信息，包括：
针对每一个特定时间点，以及各个取值来源，利用深度神经网络训练的模型提取各个取值来源的目标结构化信息。
6.根据权利要求5所述的处理方法，其中，所述模型的输出还包括：
目标结构化信息在各个取值来源的不同值；以及
对应的时间属性维度上的各类信息。
7.根据权利要求1所述的处理方法，其中，所述取值来源为多个，所述目标结构化信息对应地为多个；
所述根据所述目标结构化信息，得到待分析医学信息的目标值，包括：
针对多个不同取值来源上的目标结构化信息，通过分析来源维度、时间维度以及医学推理，得到待分析医学信息的目标值。
8.根据权利要求1至7中任一项所述的处理方法，其中，
所述待分析医学信息包括病症的手术信息；
所述基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源，包括：
获取针对所述病症的诊断信息；
获取关联于所述手术信息的诊治信息；
确定所述诊断信息和/或诊治信息的生成时间；
所述取值来源包括：至少包含有手术报告、术前诊断、出院诊断在内的医疗文本；
所述结合时间点，从取值来源中提取与其对应的目标结构化信息，包括：
以就诊时间点作为所述时间点，遍历每一次就诊以及取值来源，提取目标结构化信息；
所述根据所述目标结构化信息，得到待分析医学信息的目标值，包括：
依次遍历就诊时间，基于至少从所述手术报告、术前诊断、出院诊断中提取的目标结构化信息确定分别对应于就诊时间的逻辑值，根据所述逻辑值得到所述待分析医学信息的目标值。
9.一种医学信息的处理装置，包括：
信息源选取模块，配置为基于针对待分析医学信息的时间推理和医学推理，在医学信息中确定取值来源；
结构化信息提取模块，配置为结合时间点，从取值来源中提取与其对应的目标结构化信息；
处理模块，配置为根据所述目标结构化信息，得到待分析医学信息的目标值。
10.一种计算机可读存储介质，其上存储有计算机可执行指令，所述计算机可执行指令由处理器执行时，实现：
根据权利要求1至8中任一项所述的医学信息的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911392714.0A CN111145852B (zh) | 2019-12-30 | 2019-12-30 | 医学信息的处理方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911392714.0A CN111145852B (zh) | 2019-12-30 | 2019-12-30 | 医学信息的处理方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111145852A true CN111145852A (zh) | 2020-05-12 |
| CN111145852B CN111145852B (zh) | 2023-10-27 |
Family
ID=70521736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911392714.0A Active CN111145852B (zh) | 2019-12-30 | 2019-12-30 | 医学信息的处理方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111145852B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882005A (zh) * | 2020-09-28 | 2020-11-03 | 平安科技（深圳）有限公司 | 数据类别确定方法及装置、终端设备、存储介质 |
| CN112434756A (zh) * | 2020-12-15 | 2021-03-02 | 杭州依图医疗技术有限公司 | 医学数据的训练方法、处理方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010001852A1 (en) * | 1996-10-30 | 2001-05-24 | Rovinelli Richard J. | Computer architecture and process of patient generation, evolution, and simulation for computer based testing system |
| CN103020453A (zh) * | 2012-12-15 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于本体技术的结构化电子病历生成方法 |
| CN103473444A (zh) * | 2013-08-27 | 2013-12-25 | 温州医科大学附属第一医院 | 一种基于智能解析数据结构的电子病历系统及其处理方法 |
| WO2019160557A1 (en) * | 2018-02-16 | 2019-08-22 | Google Llc | Automated extraction of structured labels from medical text using deep convolutional networks and use thereof to train a computer vision model |
| US20190347269A1 (en) * | 2018-05-08 | 2019-11-14 | Siemens Healthcare Gmbh | Structured report data from a medical text report |
-
2019
- 2019-12-30 CN CN201911392714.0A patent/CN111145852B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010001852A1 (en) * | 1996-10-30 | 2001-05-24 | Rovinelli Richard J. | Computer architecture and process of patient generation, evolution, and simulation for computer based testing system |
| CN103020453A (zh) * | 2012-12-15 | 2013-04-03 | 中国科学院深圳先进技术研究院 | 基于本体技术的结构化电子病历生成方法 |
| CN103473444A (zh) * | 2013-08-27 | 2013-12-25 | 温州医科大学附属第一医院 | 一种基于智能解析数据结构的电子病历系统及其处理方法 |
| WO2019160557A1 (en) * | 2018-02-16 | 2019-08-22 | Google Llc | Automated extraction of structured labels from medical text using deep convolutional networks and use thereof to train a computer vision model |
| US20190347269A1 (en) * | 2018-05-08 | 2019-11-14 | Siemens Healthcare Gmbh | Structured report data from a medical text report |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111882005A (zh) * | 2020-09-28 | 2020-11-03 | 平安科技（深圳）有限公司 | 数据类别确定方法及装置、终端设备、存储介质 |
| CN112434756A (zh) * | 2020-12-15 | 2021-03-02 | 杭州依图医疗技术有限公司 | 医学数据的训练方法、处理方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111145852B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10482603B1 (en) | Medical image segmentation using an integrated edge guidance module and object segmentation network | |
| Shorfuzzaman et al. | Artificial Neural Network‐Based Deep Learning Model for COVID‐19 Patient Detection Using X‐Ray Chest Images | |
| CN113656558B (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
| CN111066033A (zh) | 用于生成模糊结果的标签的机器学习方法 | |
| WO2017198461A1 (en) | Clinical report retrieval and/or comparison | |
| CN111145852B (zh) | 医学信息的处理方法、装置及计算机可读存储介质 | |
| CN111581969A (zh) | 医疗术语向量表示方法、装置、存储介质及电子设备 | |
| CN117036894B (zh) | 基于深度学习的多模态数据分类方法、装置及计算机设备 | |
| Özkan et al. | Effect of data preprocessing on ensemble learning for classification in disease diagnosis | |
| US20230228756A1 (en) | Transfer learning across hematological malignancies | |
| Alghamdi et al. | A prediction modelling and pattern detection approach for the first-episode psychosis associated to cannabis use | |
| Pradhan et al. | Prediction of stroke disease using different types of gradient boosting classifiers | |
| Raja et al. | An entropy-based hybrid feature selection approach for medical datasets | |
| CN112766779B (zh) | 信息处理方法、计算机设备及存储介质 | |
| CN112749545B (zh) | 医学数据的处理方法、装置及存储介质 | |
| US11710068B2 (en) | Labeling a dataset | |
| Hasan et al. | Cardiovascular Disease Prediction Through Comparative Analysis of Machine Learning Models | |
| Shi et al. | LIVE: A Local Interpretable model-agnostic Visualizations and Explanations | |
| Cheslerean-Boghiu et al. | Transformer-based interpretable multi-modal data fusion for skin lesion classification | |
| CN114974554A (zh) | 融合图谱知识强化病历特征的方法、装置及存储介质 | |
| Hu et al. | Convolutional Neural Network‐Based CT Image Segmentation of Kidney Tumours | |
| Soares et al. | Automated and intelligent system for World Health Organization data forecasting | |
| CN117786536B (zh) | 大语言模型训练方法、装置、设备及介质 | |
| Andersson | Classification of heart sounds with deep learning | |
| WO2024216763A1 (zh) | 图像处理方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |