发明内容
本申请的主要目的为提供一种三维图片的生成方法、装置、计算机设备和存储介质,旨在解决现有的对于就诊信息的存储方式无法直观清晰展示出用户在每一个时间节点的就诊信息,灵活性低的技术问题。
本申请提出一种三维图片的生成方法,所述方法包括步骤:
获取用户的多个就诊信息;
将所有所述就诊信息划分为多个疾病名称,以及与各所述疾病名称分别对应的就诊细节信息;
按照国际疾病分类标准编码ICD-11编码表中的亚目编码对所有所述疾病名称进行分类,得到与各所述疾病名称分别对应的疾病代码;
将所有所述疾病名称划分为具有相同的疾病代码的多个指定疾病名称;
为各所述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有所述指定疾病名称进行排序;
以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片。
可选地,所述按照预设顺序对所有所述指定疾病名称进行排序的步骤,包括:
将具有相同的类别标注的指定疾病名称进行组合,生成对应的多个指定疾病名称组合;
获取每一个所述指定疾病名称组合中包含的指定疾病名称的名称数量;
按照所述名称数量从大到小的顺序对各所述指定疾病名称组合进行排序。
可选地,所述以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片的步骤之后,包括:
获取所述指定疾病名称在所述三维图片中每一个时间刻度对应的指定就诊细节信息;
从所有所述指定就诊信息筛选出与预设类型对应的多个指定数据;
计算各所述指定数据对应的趋势值与波动值;
获取各所述指定数据对应的权重;
根据所述权重、所述趋势值与所述波动值,计算所述与所述指定就诊细节信息对应的就诊评价值。
可选地,所述三维图片为与指定疾病相关的图片,所述以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片的步骤之后,包括:
采集第一指定数量的与所述指定疾病相关的指定三维图片,其中,所述指定三维图片包括所述三维图片;
生成与所述指定三维图片对应的色彩映射图像;
对所述色彩映射图像与所述指定三维图片进行加权叠加处理,生成对应的热力图;
对所述热力图进行分析,挖掘出与所述指定疾病对应的相关性疾病特征。
可选地,所述以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片的步骤之后,包括:
将所述三维图片输入至训练完成的单病种疾病预测模型;
通过所述单病种疾病预测模型对所述三维图片进行预测处理,得到与所述三维图片对应的疾病预测结果;
接收所述单病种疾病预测模型反馈的所述疾病预测结果;
生成包含所述三维图片与所述疾病预测结果的第一提醒信息;
向所述用户发送所述第一提醒信息。
可选地,所述将所述三维图片输入至训练完成的单病种疾病预测模型的步骤之前,包括:
获取第二指定数量的样本数据,并将所述样本数据划分为训练集和测试集,其中,所述样本数据为三维图片样本;
对训练集的样本数据进行归一化处理,提取出与指定单病种疾病关联的疾病向量;
将所述疾病向量作为输入值,将与所述疾病向量对应的已知疾病诊断结果作为输出值,对预设的卷积神经网络进行训练,当所述卷积神经网络的损失函数值小于预设阈值时,结束训练,得到初始预测模型;
通过所述测试集的样本数据对所述初始预测模型据进行验证;
如果所述初始预测模型验证通过,将所述初始预测模型确定为所述单病种疾病预测模型。
可选地,所述疾病预测结果包括多个特定疾病名称,以及与各所述特定疾病名称分别对应的患病风险概率,且所述特定疾病名称与指定单病种疾病对应,所述接收所述单病种疾病预测模型反馈的所述疾病预测结果的步骤之后,包括:
获取与各所述特定疾病名称分别对应的正常年发生概率;
根据各所述特定疾病名称分别对应的患病风险概率,对第一特定疾病名称对应的患病风险概率以及正常年发生概率进行比较,以从所有所述特定疾病名称中查找出所述患病风险概率大于所述正常年发生概率的目标疾病名称,其中,所述第一特定疾病名称为所述多个特定疾病名称中的任意一个特定疾病名称;
查询与所述目标疾病名称相关的目标疾病信息与治疗信息;
向所述用户发出具有患目标疾病风险的第二提醒信息,其中,所述第二提醒信息携带所述目标疾病信息与所述治疗信息。
本申请还提供一种三维图片的生成装置,包括:
第一获取模块,用于获取用户的多个就诊信息;
第一划分模块,用于将所有所述就诊信息划分为多个疾病名称,以及与各所述疾病名称分别对应的就诊细节信息;
分类模块,用于按照国际疾病分类标准编码ICD-11编码表中的亚目编码对所有所述疾病名称进行分类,得到与各所述疾病名称分别对应的疾病代码;
第二划分模块,用于将所有所述疾病名称划分为具有相同的疾病代码的多个指定疾病名称;
排序模块,用于为各所述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有所述指定疾病名称进行排序;
第一生成模块,用于以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本申请中提供的三维图片的生成方法、装置、计算机设备和存储介质,具有以下有益效果:
本申请中提供的三维图片的生成方法、装置、计算机设备和存储介质,通过获取用户的多个就诊信息,再将得到的用户的多个就诊信息划分为对应的多个疾病名称与多个就诊细节信息,并按照预设的排序规则对所有疾病名称进行排序处理,最后以时间、所有的疾病名称与所有的就诊细节信息作为三个维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,以生成与就诊信息对应的形式新颖且智能性较高的三维图片,有效的实现了以三维可视化的图片形式来直观清晰展示出用户在每一个时间节点的疾病信息与就诊细节信息。另外,还可以基于生成的三维图片来方便快捷的进行统计学上的数据分析以及机器学习上的模型构建,有效提高数据的集成和处理的效率。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用于解释本申请,并不用于限定本申请。
需要说明,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
参照图1,本申请一实施例的三维图片的生成方法,包括:
S1:获取用户的多个就诊信息;
S2:将所有所述就诊信息划分为多个疾病名称,以及与各所述疾病名称分别对应的就诊细节信息;
S3:按照国际疾病分类标准编码ICD-11编码表中的亚目编码对所有所述疾病名称进行分类,得到与各所述疾病名称分别对应的疾病代码;
S4:将所有所述疾病名称划分为具有相同的疾病代码的多个指定疾病名称;
S5:为各所述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有所述指定疾病名称进行排序;
S6:以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片。
如上述步骤S1至S6上述,本方法实施例的执行主体为一种三维图片的生成装置。在实际应用中,该三维图片的生成装置可以通过虚拟装置,例如软件代码实现,也可以通过写入或集成有相关执行代码的实体装置实现。本实施例能够根据用户的就诊信息,生成与该就诊信息对应的客观全面的三维图片。具体地,首先获取用户的多个就诊信息,其中,可通过查询用户所在地区的医保数据库来获取与用户对应的多个就诊信息。或者还可以通过某些医疗机构(例如医院、体检中心等)来获取与用户对应的多个就诊信息,且对于就诊信息的收集过程可以是装置通过定时任务来执行的,从而可以根据医疗机构的服务器中就诊数据的更新频率来设置定时任务的启动时间,以便于装置可以周期性地从医疗机构对应的服务器收集到与用户对应的多个就诊信息。在得到了上述多个就诊信息后,再将所有上述就诊信息划分为多个疾病名称,以及与各上述疾病名称分别对应的就诊细节信息。其中,上述就诊细节信息具体可包括就诊方式、就诊时间、就诊机构、就诊医生、就诊次数、就诊花费、检查花费、药物花费、检验检查指标、住院时长等信息。在得到了上述疾病名称与就诊细节信息后,再对所有上述疾病名称进行排序处理。具体地,首先按照国际疾病分类标准编码ICD(International Classification of Disease,国际疾病分类)-11编码表中的亚目编码对所有上述疾病名称进行分类,来得到与各上述疾病名称对应的疾病代码。其中,国际疾病分类(ICD)是WHO发布的疾病分类手册,是世界范围广泛应用的诊断分类系统,如广泛用于临床时间有利于规范化诊断,为指导治疗打下基础;也用于疾病预防控制与医疗保险范围。举例地,常见的疾病如趋酮症性糖尿病属于糖尿病类别,疾病代码是E10,疾病如原发性高血压属于高血压类别,疾病代码是I20。在得到了与各疾病名称对应的多个疾病代码后,再从所有上述疾病名称中筛选出具有相同的疾病代码的多个指定疾病名称。举例地,如果存在疾病名称A为原发性高血压,疾病名称B为继发性高血压,由于原发性高血压与继发性高血压均属于高血压类别,疾病代码为I20,则可筛选出疾病名称A与疾病名称B为具有相同的疾病代码的指定疾病名称。在筛选出上述指定疾病名称后,再为各上述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有上述指定疾病名称进行排序。其中,上述类别标注为与疾病代码对应的标注,举例地,可对疾病代码为I20的指定疾病名称,如上述疾病名称A与疾病名称B添加高血压的类别标注。另外,对上述预设顺序不作具体限定,可根据实际需求进行设置。举例地,上述预设顺序可为各类别标注对应的字符数量从大到小的顺序,也可为各类别标注的首个字符的首字母的自然排列顺序,即ABCD…MNOP…WXYZ,等等。最后在完成了对于所有上述指定疾病名称的排序后,再以时间作为第一维度,以上述疾病名称作为第二维度,以上述就诊细节信息作为第三维度,将预设的时间刻度、所有上述指定疾病名称以及所有上述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与上述就诊信息对应的三维图片,即将用户的就诊信息三维化呈现的病历图片。其中,上述三维图片模板为只具有x、y、z轴,而不包含其他数据的空白图片。举例地,可将三维图片模板的x轴作为上述第一维度(即时间)对应的时间轴,并将该时间轴的刻度时长,即上述时间刻度设置为一个月;以及将三维图片模板的y轴作为上述第二维度(即疾病名称)对应的疾病轴,以显示出用户的各种疾病;以及将三维图片模板的z轴作为上述第三维度(即就诊细节信息)对应的就诊细节轴,以显示用户在各种疾病上的各种就诊细节。本实施例通过获取用户的多个就诊信息,再将得到的用户的多个就诊信息划分为对应的多个疾病名称与多个就诊细节信息,并按照预设的排序规则对所有疾病名称进行排序处理,最后以时间、所有的疾病名称与所有的就诊细节信息作为三个维度,将预设的时间刻度、所有上述指定疾病名称以及所有上述就诊细节信息一一对应地输入至预创建的三维图片模板中,以生成与就诊信息对应的形式新颖且智能性较高的三维图片,有效的实现了以三维可视化的图片形式来直观清晰展示出用户在每一个时间节点的疾病信息与就诊细节信息。另外,还可以基于生成的三维图片来方便快捷的进行统计学上的数据分析以及机器学习上的模型构建,有效提高数据的集成和处理的效率。
进一步地,本申请一实施例中,上述步骤S5,包括:
S500:将具有相同的类别标注的指定疾病名称进行组合,生成对应的多个指定疾病名称组合;
S501:获取每一个所述指定疾病名称组合中包含的指定疾病名称的名称数量;
S502:按照所述名称数量从大到小的顺序对各所述指定疾病名称组合进行排序。
如上述步骤S500至S502所述,上述按照预设顺序对所有上述指定疾病名称进行排序的步骤,具体可包括:首先将具有相同类别标注的指定疾病名称排列进行组合,生成与对应的(即与上述类别标注的数量相同的)多个指定疾病名称组合,从而实现根据类别标注来将所有疾病名称划分为多个指定疾病名称组合。在得到了上述指定疾病名称组合后,再获取每一个上述指定疾病名称组合中的包含的指定疾病名称的名称数量。最后在得到了上述名称数量时,按照上述名称数量从大到小的顺序对各上述指定疾病名称组合进行排序,进而实现将病原理相近的疾病名称排列在一起,有效的为后期进行的与三维图片相关的数据观察与分析提供了便捷性。举例地,如果在对所有的疾病名称进行分类及筛选后得到了3个指定疾病名称组合(第一指定疾病名称组合、第二指定疾病名称组合与第三指定疾病名称组合),且第一指定疾病名称组合包含的名称数量为5,第二指定疾病名称组合包含的名称数量为3,第三指定疾病名称组合包含的名称数量为1,则对上述指定疾病名称组合的排序方式为:第一指定疾病名称组合-第二指定疾病名称组合-第三指定疾病名称组合。
进一步地,本申请一实施例中,上述步骤S6之后,包括:
S600:获取所述指定疾病名称在所述三维图片中每一个时间刻度对应的指定就诊细节信息;
S601:从所有所述指定就诊信息筛选出与预设类型对应的多个指定数据;
S602:计算各所述指定数据对应的趋势值与波动值;
S603:获取各所述指定数据对应的权重;
S604:根据所述权重、所述趋势值与所述波动值,计算所述与所述指定就诊细节信息对应的就诊评价值。
如上述步骤S600至S604上述,在生成了上述三维图片后,还可根据该三维图片中同一疾病对应的所有不同就诊细节信息来计算出用户对于该疾病的就诊评价。具体地,首先获取指定疾病名称在上述三维图片中每一个时间刻度对应的指定就诊细节信息,其中,上述指定疾病名称为所有上述疾病名称中的任意一个疾病名称。然后,从所有上述指定就诊信息筛选出与预设类型对应的多个指定数据。其中,上述预设类型至少包括消费项目变更类型、疾病诊断变更类型。在完成了对上述指定就诊信息的转化后,再计算各上述指定数据对应的趋势值与波动值。其中,上述趋势值是用于度量在每一个时间刻度内与上述指定数据对应的用户对于每一个预设类型的数据的评分趋势发展,上述波动值是用于度量在每一个时间刻度内与上述指定数据对应的用户对于每一个预设类型的数据的评分的波动。另外,上述计算各上述指定数据对应的趋势值与波动值的步骤,具体可包括:根据上述指定数据计算用户在不同时间刻度所分别对应的指定评分;对上述用户在不同时间刻度所分别对应的指定评分进行线性拟合,并将线性拟合得到的直线的斜率的均值作为与上述指定数据对应的趋势值;根据线性拟合得到的直线上上述用户在不同时间刻度的预测评分与上述指定评分之间的差值,并根据上述差值计与上述指定数据对应的波动值。举例地,可以根据上述指定数据来计算出用户在不同时间刻度所分别对应的指定评分,当上述预设类型为消费项目变更类型时,则将与上一次就诊相比新增的消费项目金额及同类消费项目多消耗的金额的和值作为消费项目变更评分(即上述指定评分),例如,对于同类降血糖药,本次花费的金额比上次多产生的金额或本次多加了时血糖监测的项目费用即可视为上述指定评分。而当上述预设类型为疾病诊断变更类型时,则按照疾病病种分值(疾病病种分值为一种社保付费方式,可以通过查表的方式来获取)计算,则可将本次疾病分值与上次分值的差作为疾病诊断变更评分(即上述指定评分)。在计算得到上述指定数据对应的趋势值与波动值后,再获取各上述指定数据对应的权重。其中,上述权重是预先存储在三维图片的生成装置内的,该权重与每一个预设类型相对应,对于权重的设定方式不作具体限定,例如可以根据用户的偏好需求进行实时进行并产生,或者也可以由装置自动设置生成。在获得了上述权重后,再根据上述权重、上述趋势值与上述波动值,计算上述与上述指定就诊细节信息对应的就诊评价值。在实际应用中,当上述预设类型只包括消费项目变更类型与疾病诊断变更类型两种时,上述就诊评价值可以通过如下的计算公式进行计算来得到:
其中,上述x、y为上述的权重,且x与y的和值为1。本实施例通过对用户在每一个时间刻度对应的指定就诊细节信息进行与就诊评价相关的计算处理,从而能够快速准确地计算出用户对于医疗就诊服务的就诊评价值,进而获取得到用户对于医疗就诊服务的评价信息,以便后续可以根据用户的评价信息对所提供的医疗就诊服务进行对应的完善处理。
进一步地,本申请一实施例中,所述三维图片为与指定疾病相关的图片,上述步骤S6之后,包括:
S610:采集第一指定数量的与所述指定疾病相关的指定三维图片,其中,所述指定三维图片包括所述三维图片;
S611:生成与所述指定三维图片对应的色彩映射图像;
S612:对所述色彩映射图像与所述指定三维图片进行加权叠加处理,生成对应的热力图;
S613:对所述热力图进行分析,挖掘出与所述指定疾病对应的相关性疾病特征。
如上述步骤S610至S613所述,当出现了上述三维图片为与指定疾病相关的病历图片的情况时,例如该三维病历中记载患有该指定疾病或者患有与该指定疾病相关的其他疾病,在生成了上述三维图片后,还可以根据该三维图片来对上述指定疾病进行相关性疾病特征的分析挖掘。具体地,首先采集第一指定数量的与上述指定疾病相关的指定三维图片,其中,上述指定三维图片包括上述三维图片,另外,对上述第一指定数量不作具体限定,可根据实际需求进行设置。在获得了上述指定三维图片后,生成与上述指定三维图片对应的色彩映射图像。之后再对上述色彩映射图像与上述指定三维图片进行加权叠加处理,生成对应的热力图。最后在得到了上述热力图时,进一步对上述热力图进行分析,进而挖掘出与上述指定疾病对应的相关性疾病特征。本实施例通过根据与三维图片相关的指定疾病对应的色彩映射图像,来生成与指定疾病对应的热力图,使得可以直观明了的对该热力图进行观察和分析,进而挖掘出与上述指定疾病对应的相关性疾病特征,以及该指定疾病的演变情况等信息。
进一步地,本申请一实施例中,上述步骤S6之后,包括:
S620:将所述三维图片输入至训练完成的单病种疾病预测模型;
S621:通过所述单病种疾病预测模型对所述三维图片进行预测处理,得到与所述三维图片对应的疾病预测结果;
S622:接收所述单病种疾病预测模型反馈的所述疾病预测结果;
S623:生成包含所述三维图片与所述疾病预测结果的第一提醒信息;
S624:向所述用户发送所述第一提醒信息。
如上述步骤S620至S624所述,在生成了与用户的就诊信息对应的三维图片后,还可将该三维图片输入到预创建并且训练完成的单病种疾病预测模型中,来得到对应的疾病预测结果。具体地,首先将上述三维图片图片输入至训练完成的单病种疾病预测模型,以通过上述单病种疾病预测模型对上述三维图片图片进行预测处理,得到与上述三维图片图片对应的疾病预测结果。其中,上述单病种疾病预测模型是基于预先创建的卷积神经网络(例如VGG16,AlexNet)训练生成的。另外,上述疾病预测结果具体可包括多个疾病名称以及与各疾病名称对应的患病风险概率。然后,接收上述单病种疾病预测模型反馈的上述疾病预测结果,并根据该疾病预测结果,生成包含上述三维图片与上述疾病预测结果的第一提醒信息。最后在生成了该第一提醒信息时,向用户发送该第一提醒信息,使得用户持有的用户终端在接收到该第一提醒信息后会在终端屏幕上输出该第一提醒信息,从而用户可以及时清楚的知晓与自身相关的疾病预测结果,进而根据自身的疾病风险来采取对应的处理措施。
本申请一实施例中,上述步骤S620之前,包括:
S6200:获取第二指定数量的样本数据,并将所述样本数据划分为训练集和测试集,其中,所述样本数据为三维图片样本;
S6201:对训练集的样本数据进行归一化处理,提取出与指定单病种疾病关联的疾病向量;
S6202:将所述疾病向量作为输入值,将与所述疾病向量对应的已知疾病诊断结果作为输出值,对预设的卷积神经网络进行训练,当所述卷积神经网络的损失函数值小于预设阈值时,结束训练,得到初始预测模型;
S6203:通过所述测试集的样本数据对所述初始预测模型据进行验证;
S6204:如果所述初始预测模型验证通过,将所述初始预测模型确定为所述单病种疾病预测模型。
如上述步骤S6200至S6204所述,在将上述三维图片输入至训练好的单病种疾病预测模型,以通过上述单病种疾病预测模型对上述三维图片进行预测处理,得到与上述三维图片对应的疾病预测结果的步骤之前,还包括创建该单病种疾病预测模型的创建过程。具体地,首先获取第二指定数量的样本数据,并将上述样本数据划分为训练集和测试集,其中,上述样本数据为三维图片样本;另外,对上述第二指定数量不作具体限定,可根据实际需求进行设置。在得到了上述样本数据后,再对训练集的样本数据进行归一化处理,提取出与指定单病种疾病关联的疾病向量,并通过上述疾病向量对卷积神经网络进行训练,以得到最终的上述单病种疾病预测模型。具体地,上述单病种疾病预测模型的具体训练过程,可包括:将上述疾病向量作为输入值,将与上述疾病向量对应的已知疾病诊断结果作为输出值,对预设的卷积神经网络进行训练,当卷积神经网络的损失函数值小于预设阈值时,结束训练,得到初始预测模型。其中,上述卷积神经网络具体可包括VGG16,AlexNet等。之后,通过上述测试集的样本数据对上述初始预测模型进行验证,如果验证通过,则将上述初始预测模型确定为上述单病种疾病预测模型,以完成对于单病种疾病预测模型的创建。
进一步地,本申请一实施例中,所述疾病预测结果包括多个特定疾病名称,以及与各所述特定疾病名称分别对应的患病风险概率,且所述特定疾病名称与指定单病种疾病对应,上述步骤S622之后,包括:
S6220:获取与各所述特定疾病名称分别对应的正常年发生概率;
S6221:根据各所述特定疾病名称分别对应的患病风险概率,对第一特定疾病名称对应的患病风险概率以及正常年发生概率进行比较,以从所有所述特定疾病名称中查找出所述患病风险概率大于所述正常年发生概率的目标疾病名称,其中,所述第一特定疾病名称为所述多个特定疾病名称中的任意一个特定疾病名称;
S6222:查询与所述目标疾病名称相关的目标疾病信息与治疗信息;
S6223:向所述用户发出具有患目标疾病风险的第二提醒信息,其中,所述第二提醒信息携带所述目标疾病信息与所述治疗信息。
如上述步骤S6220至S6223所述,上述疾病预测结果包括多个特定疾病名称,以及与各上述特定疾病名称对应的患病风险概率,且上述特定疾病名称与指定单病种疾病对应。在通过单病种疾病预测模型得到了上述疾病预测结果后,还可根据该疾病预测结果来识别出用户是否具备患有目标疾病的风险。具体地,在得到了上述疾病预测结果后,首先获取各上述特定疾病名称分别对应的正常年发生概率。然后根据各上述特定疾病名称对应的患病风险概率,对第一特定疾病名称对应的患病风险概率以及正常年发生概率进行比较,以从所有上述特定疾病名称中查找出上述患病风险概率大于上述正常年发生概率的目标疾病名称,其中,上述第一特定疾病名称为上述多个特定疾病名称中的任意一个特定疾病名称。在得到了上述目标疾病名称后,再查询与上述目标疾病名称相关的目标疾病信息与治疗信息。其中,可通过使用预创建的医疗数据库来查询出上述目标疾病信息与治疗信息,上述医疗数据库预先存储有包含疾病名称、疾病信息与治疗信息的对应关系的映射表。另外,也可以根据该目标疾病名称来从网络数据中查询出对应的目标疾病信息与治疗信息。最后向上述用户发出具有患目标疾病风险的第二提醒信息,且上述第二提醒信息携带上述目标疾病信息与上述治疗信息,使得用户持有的用户终端在接收到该第二提醒信息后会在终端屏幕上输出该第二提醒信息,从而用户可以及时清楚的知晓自身的疾病风险,以及自身所患有疾病的对应的治疗信息,进而可以根据该治疗信息来对自身的疾病风险采取对应的应对处理,提高了用户的使用体验。
参照图2,本申请一实施例中还提供了一种三维图片的生成装置,包括:
第一获取模块1,用于获取用户的多个就诊信息;
第一划分模块2,用于将所有所述就诊信息划分为多个疾病名称,以及与各所述疾病名称分别对应的就诊细节信息;
分类模块3,用于按照国际疾病分类标准编码ICD-11编码表中的亚目编码对所有所述疾病名称进行分类,得到与各所述疾病名称分别对应的疾病代码;
第二划分模块4,用于将所有所述疾病名称划分为具有相同的疾病代码的多个指定疾病名称;
排序模块5,用于为各所述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有所述指定疾病名称进行排序;
第一生成模块6,用于以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片。
本实施例中,上述三维图片的生成装置中的第一获取模块、划分模块、分类模块、第二划分模块、排序模块与第一生成模块的功能和作用的实现过程具体详见上述三维图片的生成方法中对应步骤S1至S6的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述排序模块,包括:
组合单元,用于将具有相同的类别标注的指定疾病名称进行组合,生成对应的多个指定疾病名称组合;
获取单元,用于获取每一个所述指定疾病名称组合中包含的指定疾病名称的名称数量;
排序单元,用于按照所述名称数量从大到小的顺序对各所述指定疾病名称组合进行排序。
本实施例中,上述三维图片的生成装置中的组合单元、获取单元与排序单元的功能和作用的实现过程具体详见上述三维图片的生成方法中对应步骤S500至S502的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述三维图片的生成装置,包括:
第二获取模块,用于获取所述指定疾病名称在所述三维图片中每一个时间刻度对应的指定就诊细节信息;
筛选模块,用于从所有所述指定就诊信息筛选出与预设类型对应的多个指定数据;
第一计算模块,用于计算各所述指定数据对应的趋势值与波动值;
第三获取模块,用于获取各所述指定数据对应的权重;
第二计算模块,用于根据所述权重、所述趋势值与所述波动值,计算所述与所述指定就诊细节信息对应的就诊评价值。
本实施例中,上述三维图片的生成装置中的第二获取模块、筛选模块、第一计算模块、第三获取模块与第二计算模块的功能和作用的实现过程具体详见上述三维图片的生成方法中对应步骤S600至S604的实现过程,在此不再赘述。
进一步地,本申请一实施例中,所述三维图片为与指定疾病相关的病历图片,上述三维图片的生成装置,包括:
采集模块,用于采集第一指定数量的与所述指定疾病相关的指定三维图片,其中,所述指定三维图片包括所述三维图片;
第二生成模块,用于生成与所述指定三维图片对应的色彩映射图像;
处理模块,用于对所述色彩映射图像与所述指定三维图片进行加权叠加处理,生成对应的热力图;
分析模块,用于对所述热力图进行分析,挖掘出与所述指定疾病对应的相关性疾病特征。
本实施例中,上述三维图片的生成装置中的采集模块、第二生成模块、处理模块与分析模块的功能和作用的实现过程具体详见上述三维图片的生成方法中对应步骤S610至S613的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述三维图片的生成装置,包括:
输入模块,用于将所述三维图片输入至训练完成的单病种疾病预测模型;
预测模块,用于通过所述单病种疾病预测模型对所述三维图片进行预测处理,得到与所述三维图片对应的疾病预测结果;
接收模块,用于接收所述单病种疾病预测模型反馈的所述疾病预测结果;
第三生成模块,用于生成包含所述三维图片与所述疾病预测结果的第一提醒信息;
第一发送模块,用于向所述用户发送所述第一提醒信息。
本实施例中,上述三维图片的生成装置中的输入模块、预测模块、接收模块、第三生成模块与第一发送模块的功能和作用的实现过程具体详见上述三维图片的生成方法中对应步骤S620至S624的实现过程,在此不再赘述。
进一步地,本申请一实施例中,上述三维图片的生成装置,包括:
第四获取模块,用于获取第二指定数量的样本数据,并将所述样本数据划分为训练集和测试集,其中,所述样本数据为三维图片样本;
提取模块,用于对训练集的样本数据进行归一化处理,提取出与指定单病种疾病关联的疾病向量;
训练模块,用于将所述疾病向量作为输入值,将与所述疾病向量对应的已知疾病诊断结果作为输出值,对预设的卷积神经网络进行训练,当所述卷积神经网络的损失函数值小于预设阈值时,结束训练,得到初始预测模型;
验证模块,用于通过所述测试集的样本数据对所述初始预测模型据进行验证;
确定模块,用于如果所述初始预测模型验证通过,将所述初始预测模型确定为所述单病种疾病预测模型。
本实施例中,上述三维图片的生成装置中的第四获取模块、提取模块、训练模块、验证模块与确定模块的功能和作用的实现过程具体详见上述三维图片的生成方法中对应步骤S6200至S6204的实现过程,在此不再赘述。
进一步地,本申请一实施例中,所述疾病预测结果包括多个特定疾病名称,以及与各所述特定疾病名称分别对应的患病风险概率,且所述特定疾病名称与指定单病种疾病对应,上述三维图片的生成装置,还包括:
第五获取模块,用于获取与各所述特定疾病名称分别对应的正常年发生概率;
比较模块,用于根据各所述特定疾病名称分别对应的患病风险概率,对第一特定疾病名称对应的患病风险概率以及正常年发生概率进行比较,以从所有所述特定疾病名称中查找出所述患病风险概率大于所述正常年发生概率的目标疾病名称,其中,所述第一特定疾病名称为所述多个特定疾病名称中的任意一个特定疾病名称;
查询模块,用于查询与所述目标疾病名称相关的目标疾病信息与治疗信息;
第二发送模块,用于向所述用户发出具有患目标疾病风险的第二提醒信息,其中,所述第二提醒信息携带所述目标疾病信息与所述治疗信息。
本实施例中,上述三维图片的生成装置中的第五获取模块、比较模块、查询模块与第二发送模块的功能和作用的实现过程具体详见上述三维图片的生成方法中对应步骤S6220至S6223的实现过程,在此不再赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储就诊信息以及三维图片模板等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种三维图片的生成方法。
上述处理器执行上述三维图片的生成方法的步骤:
获取用户的多个就诊信息;
将所有所述就诊信息划分为多个疾病名称,以及与各所述疾病名称分别对应的就诊细节信息;
按照国际疾病分类标准编码ICD-11编码表中的亚目编码对所有所述疾病名称进行分类,得到与各所述疾病名称分别对应的疾病代码;
将所有所述疾病名称划分为具有相同的疾病代码的多个指定疾病名称;
为各所述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有所述指定疾病名称进行排序;
以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的装置、计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种三维图片的生成方法,具体为:
获取用户的多个就诊信息;
将所有所述就诊信息划分为多个疾病名称,以及与各所述疾病名称分别对应的就诊细节信息;
按照国际疾病分类标准编码ICD-11编码表中的亚目编码对所有所述疾病名称进行分类,得到与各所述疾病名称分别对应的疾病代码;
将所有所述疾病名称划分为具有相同的疾病代码的多个指定疾病名称;
为各所述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有所述指定疾病名称进行排序;
以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片。
综上所述,本申请实施例中提供的三维图片的生成方法、装置、计算机设备和存储介质,获取用户的多个就诊信息;将所有所述就诊信息划分为多个疾病名称,以及与各所述疾病名称分别对应的就诊细节信息;按照国际疾病分类标准编码ICD-11编码表中的亚目编码对所有所述疾病名称进行分类,得到与各所述疾病名称分别对应的疾病代码;将所有所述疾病名称划分为具有相同的疾病代码的多个指定疾病名称;为各所述指定疾病名称分别添加一一对应的类别标注,并按照预设顺序对所有所述指定疾病名称进行排序;以时间作为第一维度,以所述疾病名称作为第二维度,以所述就诊细节信息作为第三维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,生成与所述就诊信息对应的三维图片。本申请通过获取用户的多个就诊信息,再将得到的用户的多个就诊信息划分为对应的多个疾病名称与多个就诊细节信息,并按照预设的排序规则对所有疾病名称进行排序处理,最后以时间、所有的疾病名称与所有的就诊细节信息作为三个维度,将预设的时间刻度、所有所述指定疾病名称以及所有所述就诊细节信息一一对应地输入至预创建的三维图片模板中,以生成与就诊信息对应的形式新颖且智能性较高的三维图片,有效的实现了以三维可视化的图片形式来直观清晰展示出用户在每一个时间节点的疾病信息与就诊细节信息。另外,还可以基于生成的三维图片来方便快捷的进行统计学上的数据分析以及机器学习上的模型构建,有效提高数据的集成和处理的效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。