CN111326250A - 一种基于变型nlp算法的疾病辅助诊断方法 - Google Patents
一种基于变型nlp算法的疾病辅助诊断方法 Download PDFInfo
- Publication number
- CN111326250A CN111326250A CN201911313653.4A CN201911313653A CN111326250A CN 111326250 A CN111326250 A CN 111326250A CN 201911313653 A CN201911313653 A CN 201911313653A CN 111326250 A CN111326250 A CN 111326250A
- Authority
- CN
- China
- Prior art keywords
- disease
- reference value
- auxiliary
- value
- auxiliary reference
- 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.)
- Pending
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 186
- 201000010099 disease Diseases 0.000 title claims abstract description 174
- 238000003745 diagnosis Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 46
- 208000024891 symptom Diseases 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000003058 natural language processing Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 17
- 208000035475 disorder Diseases 0.000 description 9
- BALXUFOVQVENIU-KXNXZCPBSA-N pseudoephedrine hydrochloride Chemical compound [H+].[Cl-].CN[C@@H](C)[C@@H](O)C1=CC=CC=C1 BALXUFOVQVENIU-KXNXZCPBSA-N 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 206010000087 Abdominal pain upper Diseases 0.000 description 2
- 206010047700 Vomiting Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 206010003011 Appendicitis Diseases 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 208000005577 Gastroenteritis Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010022773 Intracranial pressure increased Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 206010000059 abdominal discomfort Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000008673 vomiting Effects 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于特征提取的图片检索方法，一种基于变型NLP算法的疾病辅助诊断方法，包括如下步骤：a.通过人机问答接收用户的输入信息；b.基于NLP算法以及医学诊断近似词库对所述输入信息进行处理，确定至少第一初选病症以及第二初选病症；c.基于疾病库对所述第一初选病症以及第二初选病症进行筛选操作，确定与所述第一初选病症最为匹配的第一疾病，并确定与所述第二初选病症最为匹配的第二疾病；d.基于如下公式计算所述疾病的第一辅助参考值：∑初始权重α*value，其中，所述value表示所述第一疾病或第二疾病的症状特异度指标；d.基于所述第一辅助参考值确定所述用户的辅助诊断结果。本发明功能强大、使用方便、具有极高的商业价值。
Description
技术领域
本发明属于智能交互技术领域，具体地，涉及一种基于变型NLP 算法的疾病辅助诊断方法。
背景技术
NLP(Natural Language Processing)是人工智能(AI)的一个子领域，疾病的诊断，是基于症状，体征，辅助检查等方式综合考量来进行判断。对于任意一种疾病，其症状、体征、辅助检查均有一定的特异性。特异性越高，对于诊断该疾病的价值越大。根据特异度，本发明对于任意疾病的特征均赋予一个权重，以特征出现的多少，综合判断疾病的可能性。
而目前，并没有一种能够解决上述技术问题的技术方案，具体地，并没有一种基于变型NLP算法的疾病辅助诊断方法。
发明内容
针对现有技术存在的技术缺陷，本发明的目的是提供一种基于变型NLP算法的疾病辅助诊断方法，包括如下步骤：
a.通过人机问答接收用户的输入信息；
b.基于NLP算法以及医学诊断近似词库对所述输入信息进行处理，确定至少第一初选病症以及第二初选病症；
c.基于疾病库对所述第一初选病症以及第二初选病症进行筛选操作，确定与所述第一初选病症最为匹配的第一疾病，并确定与所述第二初选病症最为匹配的第二疾病；
d.基于如下公式计算所述疾病的第一辅助参考值：
∑初始权重α*value，
其中，所述value表示所述第一疾病或第二疾病的症状特异度指标；
e.基于所述第一辅助参考值确定所述用户的辅助诊断结果。
优选地，步骤e包括如下步骤：
e1.基于所述用户输入信息以及所述第一辅助参考值确定所述用户的所述辅助诊断结果。
优选地，步骤e1包括如下步骤：
e11.根据性别，年龄，疾病可能性进行综合排序。
优选地：
i.通过采集装置采集所述用户的人体特征信息；
ii.将所述人体特征信息转化为矩阵向量；
iii.基于NLP算法以及医学诊断近似词库对所述矩阵向量进行处理，确定至少第三初选病症以及第四初选病症；
iv.基于疾病库对所述第三初选病症以及第四初选病症进行筛选操作，确定与所述第三初选病症最为匹配的第三疾病，并确定与所述第三初选病症最为匹配的第四疾病；
v.基于如下公式计算所述疾病的第二辅助参考值：
∑初始权重α*value，
其中，所述value表示所述第三疾病或第四疾病的症状特异度指标；
vi.基于所述第一辅助参考值以及所述第二辅助参考值确定所述用户的辅助诊断结果。
优选地，所述步骤vi包括如下步骤：
vi1.基于NLP算法对与所述第一辅助参考值对应的诊断系数k1以及与所述第二辅助参考值对应的诊断系数k2进行调整，并更新所述诊断系数k1以及所述诊断系数k2；
vi2.通过如下公式计算辅助参考值，并基于所述辅助参考值确定所述用户的辅助诊断结果：
k＝k1m+k2n，其中，所述k为辅助参考值，所述k1为第一辅助参考值，所述k2为第二辅助参考值，所述m为第一辅助参考值，所述n为第二辅助参考值。
优选地，所述特异度指标通过病例数量累积到指定阈值，并基于NLP 算法进行调整，基于调整结果更新所述特异度指标。
优选地，所述指定阈值的阈值范围为0～10000。
优选地，通过如下公式更新所述特异度指标：
Value＝x(u+v)/u(x+y)，其中，所述x表示有症状的病例，所述y 表示有症状的非病例，所述u表示无症状的病例，所述v表示无症状的非病例。
优选地，更新所述特异度指标Value的同时，更新疾病的初始权重α。
优选地，在所述步骤b或者所述步骤iii中，在所述基于NLP算法以及医学诊断近似词库进行处理的过程中，若一初选病症的匹配度超过第一阈值，则只确定一个初选病症，并基于该一个初选病症执行后续步骤。
优选地，所述初始权重α与疾病被用户输入的频度正相关，并基于 NLP算法进行调整，基于调整结果更新所述初始权重α。
优选地，每个疾病为一个字典，疾病的症状为Key。
本发明公开了一种基于变型NLP算法的疾病辅助诊断方法，包括如下步骤：a.通过人机问答接收用户的输入信息；b.基于NLP算法以及医学诊断近似词库对所述输入信息进行处理，确定至少第一初选病症以及第二初选病症；c.基于疾病库对所述第一初选病症以及第二初选病症进行筛选操作，确定与所述第一初选病症最为匹配的第一疾病，并确定与所述第二初选病症最为匹配的第二疾病；d.基于如下公式计算所述疾病的第一辅助参考值：e.基于所述第一辅助参考值确定所述用户的辅助诊断结果。本发明所记载的技术方案可以通过人机对话的模式，记录问诊记录，并采用一种新型的NLP技术，识别对话中的症状、体征、辅助检查，去匹配疾病库中的特征，采用这种新型的NLP算法，在诊断疾病具有显著的准确性。本发明基于健康咨询的数据，查询国内外大量文献，开发相应地算法，结合开发的诊断近似词库与分词包，达成了智能咨询这一目的。本发明能够有效对线上智能咨询的大流量进行分流，也能够记录问诊，帮助线上医生节省问诊时间。本发明功能强大、使用方便、具有极高的商业价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出了本发明的具体实施方式的，一种基于变型NLP算法的疾病辅助诊断方法的具体流程示意图；
图2示出了本发明的第一实施例的，一种基于变型NLP算法的疾病辅助诊断方法的具体流程示意图；以及
图3示出了本发明的第二实施例的，基于所述第一辅助参考值以及所述第二辅助参考值确定所述用户的辅助诊断结果的具体流程示意图。
具体实施方式
为了更好的使本发明的技术方案清晰地表示出来，下面结合附图对本发明作进一步说明。
图1示出了本发明的具体实施方式的，一种基于变型NLP算法的疾病辅助诊断方法的具体流程示意图，NLP(Natural Language Processing)是人工智能(AI)的一个子领域，疾病的诊断，是基于症状，体征，辅助检查等方式综合考量来进行判断，而在本发明中，实际上使用的是一种变型的NLP算法，其利用NLP技术，医学诊断近似词库，医学诊断分词库对对话中的症状进行识别，更为具体地，本发明中所采用的技术方案均是通过用户的输入信息与医学库中大数据进行匹配，从而得到与用户的输入信息相匹配的匹配结果，所述匹配结果可以为病症、病症分析或者其他医学事项，而这种匹配是基于一种对应关系的结果，并不需要付出创造性的劳动，且本发明的发明点也不在于此，故这并不代表本发明是通过用户的特征信息、用户的生理数据等进行疾病的诊断，本发明所用到的均为目前常用的大数据疾病匹配方式，例如肚痛，则可以匹配肠胃炎、阑尾炎等等疾病，而本发明的重点是通过一定的算法去更好的适应、完善上述中所述的匹配，使其更为精准、更能找出与用户输入信息相适应地疾病诊断结果。
进一步地，本发明公开了一种基于变型NLP算法的疾病辅助诊断方法，包括如下步骤：
首先，进入步骤S101，通过人机问答接收用户的输入信息，在这样的实施例中，所述用户的输入信息可以通过智能终端获取，进一步地，可以通过网页、APP、应用程序、客户端等等，更为具体地，所述人机问答可以为填表式的获取形式、可以为循序渐进问答式的获取形式、甚至可以为语音问答形式，用户的输入信息的获取属于目前现有技术，在此不予赘述。所述用户的输入信息则优选地包括用户的症状自述、用户的性别、年龄、过往病史、用户的疾病检查结果等等信息。
然后，进入步骤S102，基于NLP算法以及医学诊断近似词库对所述输入信息进行处理，确定至少第一初选病症以及第二初选病症，所述医学诊断近似词库是一种能够通过用户的输入信息匹配与所述用户表现最为接近的病症，所述病症可以为腹痛、胃痛、呕吐、腹泻、头晕等等，但用户的输入信息可能并不能进行统一的规范，其在某种程序上还会有一定的歧义、误导，例如，用户可能会说“肚子不舒服”、“头像针在扎”等等模糊限定，这就需要NLP算法以及医学诊断近似词库对所述输入信息进行处理，使其变得规范化，进一步地，所述第一初选病症以及所述第二初选病症为用户在医学诊断近似词库中最相近的两个病症，而在其他的实施例中，通过步骤S102所确定的还可以有更多初选病症，例如三个、五个甚至更多。
紧接着，进入步骤S103，基于疾病库对所述第一初选病症以及第二初选病症进行筛选操作，确定与所述第一初选病症最为匹配的第一疾病，并确定与所述第二初选病症最为匹配的第二疾病，在这样的实施例中，所述疾病库是指可以通过初选病症匹配出最接近的疾病的疾病集合，进一步地，由于存在至少两个初选病症，则可以匹配出至少两个疾病，分别为第一疾病以及第二疾病。
在执行完步骤S103之后，执行步骤S104，基于如下公式计算所述疾病的第一辅助参考值：∑初始权重α*value，其中，所述value表示所述第一疾病或第二疾病的症状特异度指标，在这样的实施例中，所述第一辅助参考值在本实施例中存在两个，一个是基于第一疾病的辅助参考值，而另一个是基于第二疾病的辅助参考值，进一步地，所述第一疾病或第二疾病的症状特异度指标是一个具体的数值，所述数值需要结合初选病症进行确定，比如头痛，很多疾病都有，特异度就低，value可以为1.1，但如果是喷射样恶心呕吐，那么对于颅内压增高来说，特异度高，value可以达到1.7-2；如果是CT做出来占位，那么对于肿瘤来说，基本是确诊性质的，value可以达到60-100，而这些都属于目前现有技术，在此不予赘述。
最后，执行步骤S105，基于所述第一辅助参考值确定所述用户的辅助诊断结果，所述用户的辅助诊断结果为用户最终的诊断结果，进一步地，可以通过判断基于第一疾病的辅助参考值以及基于第二疾病的辅助参考值的数值大小来判断用户更为趋近于哪种疾病，进而确定所述用户的辅助诊断结果。
更为具体地，基于所述用户输入信息以及所述第一辅助参考值确定所述用户的所述辅助诊断结果，在这样的实施例中，还考虑到用户输入信息作为影响最终结果的其他因素，具体地，根据性别，年龄，疾病可能性进行综合排序，即性别以及年龄会在一定程序上对用户患上某种疾病的难易程度产生一定的影响，进一步地，例如：年龄为age，可能性男性：p＝1-POWER(0.89225,EXP(sum(LN(value(n))+LN(age/10)-LN(1/ α)))可能性女性： p＝1-POWER(0.93136,EXP(sum(LN(value(n))+LN(age/10)-LN(1/α))) P的大小决定顺序。进一步地，有些疾病为男女特发，会优先进行筛选，比如子宫肌瘤、前列腺炎等。
图2示出了本发明的第一实施例的，一种基于变型NLP算法的疾病辅助诊断方法的具体流程示意图，具体地，图2示出的是另一个用以实现疾病辅助诊断的方法，具体地，包括：
首先，进入步骤S201，通过采集装置采集所述用户的人体特征信息，在这样的实施例中，本发明中所述的采集装置可以为采血装置、采尿装置等等，进一步地，对采集的人体特征信息进行处理，所述人体特征信息可以为用户的血液、尿液、血压等等常规检查，亦或者是CT、B超等等超声检查，通过这些检查，从而确定用户的人体特征信息。
然后，进入步骤S202，将所述人体特征信息转化为矩阵向量，在这样的实施例中，即通过将人体特征信息的数字向量进行转换，转换为用于匹配NLP算法以及医学诊断近似词库的矩阵向量。
紧接着，进入步骤S203，基于NLP算法以及医学诊断近似词库对所述矩阵向量进行处理，确定至少第三初选病症以及第四初选病症，本领域技术人员理解，所述步骤S203可以参考前述步骤S102，相应地，所述第一初选病症以及所述第二初选病症对应于所述第三初选病症以及所述第四初选病症。
再然后，进入步骤S204，基于疾病库对所述第三初选病症以及第四初选病症进行筛选操作，确定与所述第三初选病症最为匹配的第三疾病，并确定与所述第三初选病症最为匹配的第四疾病，相应地，所述步骤 S204可以参考前述步骤S103，所述第一疾病以及所述第二疾病对应于所述第三疾病以及所述第四疾病，在此不予赘述。
紧接着，进入步骤S205，基于如下公式计算所述疾病的第二辅助参考值：∑初始权重α*value，其中，所述value表示所述第三疾病或第四疾病的症状特异度指标，所述步骤S205可以参考前述步骤S104，即在本步骤S205中所使用的公式与图1中的公式相同。
最后，进入步骤S206，基于所述第一辅助参考值以及所述第二辅助参考值确定所述用户的辅助诊断结果，本领域技术人员理解，在所述图 1中，最后确定了第一辅助参考值，所述第一辅助参考值是根据用户的输入信息所确认的，即比较主观的主述所确定的参考值，而在图2中可以确定，本实施例中所确定的第二辅助参考值是通过较为客观的采集而来的具体数值而确定的参考值，而在这样的实施例中，所述第一辅助参考值以及所述第二辅助参考值都可以一定程度的决定所述用户的辅助诊断结果。
本发明首先通过人机问答或其他形式接收用户的输入信息，并通过 NLP识别语义，医学分词进入医学近似词库与医学分词包进行识别，记录为标准化症状，每个疾病定义为一个字典，包含疾病的各种症状与辅助检查，所有症状与辅助检查均有各自值，为各自得到特异度。标准化症状与疾病字典内的症状进行匹配，匹配成功，该疾病命中T＝T+1，如果T＝2，则进入症状问诊，如果第二次问诊结束，T＝1，则转人工咨询，要求用户描述第二症状，若无第二症状，则进入人工，若有第二症状，则转回人机问答。
进一步地，T＝2的所有疾病字典中，剩余症状进行问诊，已经问诊过的症状，剩余疾病中不再重复，如果命中症状，则在该疾病下记录该症状，未命中，则不记录，问诊结束，根据算法，进行计算疾病诊断可能性，此处可以参考前述步骤S105，给出三个可能性最高的疾病诊断，让用户点击相关疾病库资讯，如不满意，可选择转人工。
进一步地，在本发明中，若问诊次数达到10000次，计算机重新进行算法调整，重新计算value值，即Value＝x(u+v)/u(x+y)，其中，所述x表示有症状的病例，所述y表示有症状的非病例，所述u表示无症状的病例，所述v表示无症状的非病例，同时根据诊断在所有病例中的发生率，重新计算α，α为疾病命中数/10000，同样，问诊次数达到20000 例时，value与α会以20000例为基础，重新计算。
图3示出了本发明的第二实施例的，基于所述第一辅助参考值以及所述第二辅助参考值确定所述用户的辅助诊断结果的具体流程示意图，本领域技术人员理解，所述图3是对图2中步骤S206的详细描述，具体地，所述步骤S206包括如下步骤：
首先，进入步骤S2061，基于NLP算法对与所述第一辅助参考值对应的诊断系数k1以及与所述第二辅助参考值对应的诊断系数k2进行调整，并更新所述诊断系数k1以及所述诊断系数k2，在这样的实施例中，所述特异度指标通过病例数量累积到指定阈值，并基于NLP算法进行调整，基于调整结果更新所述特异度指标。优选地，所述指定阈值的阈值范围为0～10000，在这样的实施例中，所述诊断系数k1以及所述诊断系数k2为通过大量实验数据而确定的加权平均数，而在本实施例中，所述k1可以为0.48，所述k2可以为0.52，进一步地，当病例数量累积到10000份时，需要对特异度指标进行调整，而在其他实施例中，所述指定阈值可以进行人为调整。
进一步地，通过如下公式更新所述特异度指标：Value＝ x(u+v)/u(x+y)，其中，所述x表示有症状的病例，所述y表示有症状的非病例，所述u表示无症状的病例，所述v表示无症状的非病例，与此同时，在更新所述特异度指标Value的同时，更新疾病的初始权重α。
最后，进入步骤S2062，通过如下公式计算辅助参考值，并基于所述辅助参考值确定所述用户的辅助诊断结果：k＝k1m+k2n，其中，所述k 为辅助参考值，所述k1为第一辅助参考值，所述k2为第二辅助参考值，所述m为第一辅助参考值，所述n为第二辅助参考值，进一步地，通过所述辅助参考值确定诊断结果。
在一个优选地实施例中，在所述步骤S102或者所述步骤S203中，在所述基于NLP算法以及医学诊断近似词库进行处理的过程中，若一初选病症的匹配度超过第一阈值，则只确定一个初选病症，并基于该一个初选病症执行后续步骤，即本实施例公开了一种当前病症相较于其他病症非常突出的情况下，则优选地只选择一种病症，并继续之后的步骤。进一步地，所述初始权重α与疾病被用户输入的频度正相关，并基于NLP 算法进行调整，基于调整结果更新所述初始权重α。
本领域技术人员理解，在一个优选地实施例中，本发明还可以通过如下步骤予以实现，具体地：步骤1、根据大样本咨询库中疾病的咨询的频度，确定疾病的优先级权重。如疾病1发生率为α，则初级权重为α。步骤2、每个疾病为一个字典，疾病的症状为Key，根据权威文献，将症状的特异度定为value；步骤3、设计问诊APP，以对话的形式进行问诊，询问客户的年龄，性别，症状。步骤4、利用NLP技术，医学诊断近似词库，医学诊断分词库对对话中的症状进行识别。除了几个特定疾病，这一阶段需要客户提供至少两个症状。识别后的症状分别记录为症状1和症状2。步骤5、在疾病库搜索症状1和症状2，将符合两个症状的疾病挑选出来。步骤6、将挑选出来疾病的症状作为问题，在客户端对客户进行问诊，如果问诊结果为阳性，那将该症状的value记录下来。步骤7、所有问诊结束，疾病本身的初始权重α与所有记录的value 乘积，作为疾病可能性的参考值。步骤8、根据性别，年龄，疾病可能性进行综合排序，选出最为符合的疾病。步骤9、设计特殊疾病问诊流程，如果在初次问诊时出现特定症状(腹痛、腰痛、胸痛等)，则进入特定疾病问诊流程，即在限定的几种疾病中进行问诊，缩减问题数量，提升效率。步骤10、对于可能性最高的疾病，将疾病知识库中的知识推送给客户。步骤11、如果客户目前已知疾病诊断，则利用NLP技术识别出对话中的疾病，将疾病知识库中的知识推送给客户。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (12)
1.一种基于变型NLP算法的疾病辅助诊断方法，其特征在于，包括如下步骤：
a.通过人机问答接收用户的输入信息；
b.基于NLP算法以及医学诊断近似词库对所述输入信息进行处理，确定至少第一初选病症以及第二初选病症；
c.基于疾病库对所述第一初选病症以及第二初选病症进行筛选操作，确定与所述第一初选病症最为匹配的第一疾病，并确定与所述第二初选病症最为匹配的第二疾病；
d.基于如下公式计算所述疾病的第一辅助参考值：
∑初始权重α*value，
其中，所述value表示所述第一疾病或第二疾病的症状特异度指标；
e.基于所述第一辅助参考值确定所述用户的辅助诊断结果。
2.根据权利要求1所述的辅助诊断方法，其特征在于，步骤e包括如下步骤：
e1.基于所述用户输入信息以及所述第一辅助参考值确定所述用户的所述辅助诊断结果。
3.根据权利要求1或2所述的辅助诊断方法，其特征在于，步骤e1包括如下步骤：
e11.根据性别，年龄，疾病可能性进行综合排序。
4.根据权利要求1至3中任一项所述的辅助诊断方法，其特征在于：
i.通过采集装置采集所述用户的人体特征信息；
ii.将所述人体特征信息转化为矩阵向量；
iii.基于NLP算法以及医学诊断近似词库对所述矩阵向量进行处理，确定至少第三初选病症以及第四初选病症；
iv.基于疾病库对所述第三初选病症以及第四初选病症进行筛选操作，确定与所述第三初选病症最为匹配的第三疾病，并确定与所述第三初选病症最为匹配的第四疾病；
v.基于如下公式计算所述疾病的第二辅助参考值：
∑初始权重α*value，
其中，所述value表示所述第三疾病或第四疾病的症状特异度指标；
vi.基于所述第一辅助参考值以及所述第二辅助参考值确定所述用户的辅助诊断结果。
5.根据权利要求4所述的辅助诊断方法，其特征在于，所述步骤vi包括如下步骤：
vi1.基于NLP算法对与所述第一辅助参考值对应的诊断系数k1以及与所述第二辅助参考值对应的诊断系数k2进行调整，并更新所述诊断系数k1以及所述诊断系数k2；
vi2.通过如下公式计算辅助参考值，并基于所述辅助参考值确定所述用户的辅助诊断结果：
k＝k1m+k2n，其中，所述k为辅助参考值，所述k1为第一辅助参考值的诊断系数，所述k2为第二辅助参考值的诊断系数，所述m为第一辅助参考值，所述n为第二辅助参考值。
6.根据权利要求1至5中任一项所述的辅助诊断方法，其特征在于，所述特异度指标通过病例数量累积到指定阈值，并基于NLP算法进行调整，基于调整结果更新所述特异度指标。
7.根据权利要求6所述的辅助诊断方法，其特征在于，所述指定阈值的阈值范围为0～10000。
8.根据权利要求6所述的辅助诊断方法，其特征在于，通过如下公式更新所述特异度指标：
Value＝x(u+v)/u(x+y)，其中，所述x表示有症状的病例，所述y表示有症状的非病例，所述u表示无症状的病例，所述v表示无症状的非病例。
9.根据权利要求8所述的辅助诊断方法，其特征在于，更新所述特异度指标Value的同时，更新疾病的初始权重α。
10.根据权利要求1至9中任一项所述的辅助诊断方法，其特征在于，在所述步骤b或者所述步骤iii中，在所述基于NLP算法以及医学诊断近似词库进行处理的过程中，若一初选病症的匹配度超过第一阈值，则只确定一个初选病症，并基于该一个初选病症执行后续步骤。
11.根据权利要求1至10中任一项所述的辅助诊断方法，其特征在于，所述初始权重α与疾病被用户输入的频度正相关，并基于NLP算法进行调整，基于调整结果更新所述初始权重α。
12.根据权利要求1至11中任一项所述的辅助诊断方法，其特征在于，每个疾病为一个字典，疾病的症状为Key。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911313653.4A CN111326250A (zh) | 2019-12-19 | 2019-12-19 | 一种基于变型nlp算法的疾病辅助诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911313653.4A CN111326250A (zh) | 2019-12-19 | 2019-12-19 | 一种基于变型nlp算法的疾病辅助诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111326250A true CN111326250A (zh) | 2020-06-23 |
Family
ID=71166935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911313653.4A Pending CN111326250A (zh) | 2019-12-19 | 2019-12-19 | 一种基于变型nlp算法的疾病辅助诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111326250A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150066537A1 (en) * | 2013-09-05 | 2015-03-05 | A-Life Medical, LLC. | Automated clinical indicator recognition with natural language processing |
| JP2018120430A (ja) * | 2017-01-25 | 2018-08-02 | 株式会社メドレー | 医療情報提供方法、医療情報提供装置、及びプログラム |
| CN109478259A (zh) * | 2016-07-15 | 2019-03-15 | 小脑股份有限公司 | 医疗咨询支持工具 |
-
2019
- 2019-12-19 CN CN201911313653.4A patent/CN111326250A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150066537A1 (en) * | 2013-09-05 | 2015-03-05 | A-Life Medical, LLC. | Automated clinical indicator recognition with natural language processing |
| CN109478259A (zh) * | 2016-07-15 | 2019-03-15 | 小脑股份有限公司 | 医疗咨询支持工具 |
| JP2018120430A (ja) * | 2017-01-25 | 2018-08-02 | 株式会社メドレー | 医療情報提供方法、医療情報提供装置、及びプログラム |
Non-Patent Citations (1)
| Title |
|---|
| 马钰;王宏志;高宏;: "基于医疗知识库的辅助诊疗系统" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292853B (zh) | 基于多参数的心血管疾病风险预测网络模型及其构建方法 | |
| CN109299239B (zh) | 一种基于es的电子病历检索方法 | |
| CN111292848B (zh) | 一种基于贝叶斯估计的医疗知识图谱辅助推理方法 | |
| CN112801168B (zh) | 一种肿瘤影像的病灶区域预测分析方法、系统及终端设备 | |
| WO1997029447A2 (en) | Method for selecting medical and biochemical diagnostic tests using neural network-related applications | |
| WO2021147363A1 (zh) | 一种基于文本的抑郁症识别方法 | |
| CN112037919B (zh) | 一种用于甲状腺结节患者乳头状癌的风险评估模型 | |
| CN111329494A (zh) | 基于语音关键词检索和语音情绪识别的抑郁症检测方法 | |
| CN113674767A (zh) | 一种基于多模态融合的抑郁状态识别方法 | |
| CN104820681A (zh) | 一种用于线上问答服务的应答方法及系统 | |
| CN111341458B (zh) | 基于多层级结构相似度的单基因病名称推荐方法和系统 | |
| Liao et al. | Medical data inquiry using a question answering model | |
| CN109907751B (zh) | 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法 | |
| CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
| CN112700861B (zh) | 伴随症状交互方法及伴随症状交互系统 | |
| CN112349367B (zh) | 一种生成仿真病历的方法、装置、电子设备及存储介质 | |
| CN112802569A (zh) | 一种语义信息的获取方法、装置、设备及可读存储介质 | |
| CN111326250A (zh) | 一种基于变型nlp算法的疾病辅助诊断方法 | |
| CN117153422A (zh) | 基于深度学习和ChatGPT的脓毒症早期检测装置 | |
| Ben-Bassat et al. | Evaluating multimembership classifiers: A methodology and application to the MEDAS diagnostic system | |
| CN114201613B (zh) | 试题生成方法、试题生成装置、电子设备以及存储介质 | |
| JP2023175142A (ja) | 疾病評価指標算出システム、方法、及び、プログラム | |
| Patel et al. | Different Transfer Learning Approaches for Recognition of Lung Sounds | |
| CN113972008A (zh) | 一种关联病种分析方法、装置、设备和存储介质 | |
| CN114238558A (zh) | 一种电子病历的质检方法、装置、存储介质及设备 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 13 / F, building 1, Century metropolis, 1229 Century Avenue, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200122 Applicant after: Pacific Health Insurance Co.,Ltd. Address before: 13 / F, building 1, Century metropolis, 1229 Century Avenue, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 200122 Applicant before: Taibao Allianz Health Insurance Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200623 |