CN111462893A - 一种提供诊断依据的中文病历辅助诊断方法及系统 - Google Patents

一种提供诊断依据的中文病历辅助诊断方法及系统 Download PDF

Info

Publication number
CN111462893A
CN111462893A CN202010177227.9A CN202010177227A CN111462893A CN 111462893 A CN111462893 A CN 111462893A CN 202010177227 A CN202010177227 A CN 202010177227A CN 111462893 A CN111462893 A CN 111462893A
Authority
CN
China
Prior art keywords
target
sequence
determining
basis
word sequence
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
Application number
CN202010177227.9A
Other languages
English (en)
Other versions
CN111462893B (zh
Inventor
曾祥荣
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.)
Unisound Intelligent Technology Co Ltd
Original Assignee
Unisound Intelligent 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 Unisound Intelligent Technology Co Ltd filed Critical Unisound Intelligent Technology Co Ltd
Priority to CN202010177227.9A priority Critical patent/CN111462893B/zh
Publication of CN111462893A publication Critical patent/CN111462893A/zh
Application granted granted Critical
Publication of CN111462893B publication Critical patent/CN111462893B/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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种提供诊断依据的中文病历辅助诊断方法及系统，所述方法包括：获取目标患者的中文病历；根据所述中文病历确定目标词序列，其中，所述目标词序列的长度为n+1，n大于等于1，且取整数；将所述目标词序列输入至目标BERT模型，得到目标向量序列，其中，所述目标向量序列中的向量与所述目标词序列中的词项一一对应；根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病；根据所述目标向量序列的前n个向量确定诊断依据。通过本发明的技术方案，不仅能够预测疾病，而且能够获得诊断依据，具有可解释性。

Description

一种提供诊断依据的中文病历辅助诊断方法及系统
技术领域
本发明涉及医疗技术领域，特别涉及一种提供诊断依据的中文病历辅助诊断方法及系统。
背景技术
现有的基于神经网络的病历辅助诊断系统，通常利用大规模的中文病历训作为训练数据，训练一个神经网络。训练好的神经网络可以在输入未见过的病历的情况下，预测该病历所反映的疾病。
但是，现有的基于神经网络的病理辅助诊断系统只能根据输入的病历预测疾病，而无法给出做出该判断的依据，因而不具有可解释性。
发明内容
本发明提供一种提供诊断依据的中文病历辅助诊断方法及系统，所述技术方案如下：
根据本发明实施例的第一方面，提供了一种提供诊断依据的中文病历辅助诊断方法，包括：
获取目标患者的中文病历；
根据所述中文病历确定目标词序列，其中，所述目标词序列的长度为n+1，n大于等于1，且取整数；
将所述目标词序列输入至目标BERT模型，得到目标向量序列，其中，所述目标向量序列中的向量与所述目标词序列中的词项一一对应；
根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病；
根据所述目标向量序列的前n个向量确定诊断依据。
在一个实施例中，所述根据所述中文病历确定目标词序列，包括：
根据预设分词工具对所述中文病历进行拆分，以得到原始词序列；
在所述原始词序列的末端增加目标字符，以得到所述目标词序列。
在一个实施例中，所述根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病，包括：
确定不同的疾病；
基于所述不同的疾病，通过第一预设公式对第n+1个向量进行计算，以得到所述中文病例分别属于所述不同的疾病的概率；
确定概率最大值对应的疾病为所述目标患者所患有的疾病。
在一个实施例中，所述根据所述目标向量序列的前n个向量确定诊断依据，包括：
确定诊断依据标签和非诊断依据标签；
基于所述诊断依据标签和所述非诊断依据标签，通过第二预算公式对所述目标向量序列的前n个向量分别进行计算，以得到所述目标词序列中前n个词项分别属于所述诊断依据标签和所述非诊断依据标签的概率；
分别确定概率大的标签为所述目标词序列中前n个词项分别对应的标签；
将所述前n个词项中连续且标注为所述诊断依据标签的词项合并成目标短语；
确定所述目标短语为所述诊断依据。
在一个实施例中，在将所述目标词序列输入至目标BERT模型，得到目标向量序列之前，还包括：
获取原始BERT模型及训练数据集；
通过所述训练数据集对所述原始BERT模型进行训练，以得到所述目标BERT模型。
根据本发明实施例的第二方面，提供了一种提供诊断依据的中文病历辅助诊断系统，包括：
第一获取模块，用于获取目标患者的中文病历；
第一确定模块，用于根据所述中文病历确定目标词序列，其中，所述目标词序列的长度为n+1，n大于等于1，且取整数；
输入模块，用于将所述目标词序列输入至目标BERT模型，得到目标向量序列，其中，所述目标向量序列中的向量与所述目标词序列中的词项一一对应；
预测模块，用于根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病；
第二确定模块，用于根据所述目标向量序列的前n个向量确定诊断依据。
在一个实施例中，所述第一确定模块，包括：
拆分子模块，用于根据预设分词工具对所述中文病历进行拆分，以得到原始词序列；
增加子模块，用于在所述原始词序列的末端增加目标字符，以得到所述目标词序列。
在一个实施例中，所述预测模块，包括：
第一确定子模块，用于确定不同的疾病；
第一计算子模块，用于基于所述不同的疾病，通过第一预设公式对第n+1个向量进行计算，以得到所述中文病例分别属于所述不同的疾病的概率；
第二确定子模块，用于确定概率最大值对应的疾病为所述目标患者所患有的疾病。
在一个实施例中，所述第二确定模块，包括：
第三确定子模块，用于确定诊断依据标签和非诊断依据标签；
第二计算子模块，用于基于所述诊断依据标签和所述非诊断依据标签，通过第二预算公式对所述目标向量序列的前n个向量分别进行计算，以得到所述目标词序列中前n个词项分别属于所述诊断依据标签和所述非诊断依据标签的概率；
第四确定子模块，用于分别确定概率大的标签为所述目标词序列中前n个词项分别对应的标签；
合并子模块，用于将所述前n个词项中连续且标注为所述诊断依据标签的词项合并成目标短语；
第五确定子模块，用于确定所述目标短语为所述诊断依据。
在一个实施例中，所述系统还包括：
第二获取模块，用于获取原始BERT模型及训练数据集；
训练模块，用于通过所述训练数据集对所述原始BERT模型进行训练，以得到所述目标BERT模型。
本发明的实施例提供的技术方案可以包括以下有益效果：
首先，获取目标患者的中文病历，之后根据中文病历确定目标词序列；其次，将目标词序列输入至目标BERT模型，能够得到目标向量序列；然后，根据目标向量序列中的第n+1个向量预测目标患者所患有的疾病；最后，根据目标向量序列的前n个向量确定诊断依据。通过本发明的技术方案，不仅能够预测疾病，而且能够获得诊断依据，具有可解释性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一实施例中一种提供诊断依据的中文病历辅助诊断方法的流程图；
图2为本发明一实施例中另一种提供诊断依据的中文病历辅助诊断方法的流程图；
图3为本发明一实施例中一种提供诊断依据的中文病历辅助诊断系统的框图；
图4为本发明一实施例中另一种提供诊断依据的中文病历辅助诊断系统的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1为本发明一实施例中一种提供诊断依据的中文病历辅助诊断方法的流程图，如图1所示，该方法可被实施为以下步骤S11-S15：
在步骤S11中，获取目标患者的中文病历；
在步骤S12中，根据中文病历确定目标词序列，其中，目标词序列的长度为n+1，n大于等于1，且取整数；目标词序列可以表示为：w＝[w1，w2，...，wn+1]。
在步骤S13中，将目标词序列输入至目标BERT模型，得到目标向量序列，其中，目标向量序列中的向量与目标词序列中的词项一一对应；目标向量序列可以表示为：V＝[v1，v2，…，vn+1]。
在步骤S14中，根据目标向量序列中的第n+1个向量预测目标患者所患有的疾病；
在步骤S15中，根据目标向量序列的前n个向量确定诊断依据。
首先，获取目标患者的中文病历，之后根据中文病历确定目标词序列；其次，将目标词序列输入至目标BERT模型，能够得到目标向量序列；然后，根据目标向量序列中的第n+1个向量预测目标患者所患有的疾病；最后，根据目标向量序列的前n个向量确定诊断依据。通过本发明的技术方案，不仅能够预测疾病，而且能够获得诊断依据，具有可解释性。
如图2所示，在一个实施例中，上述步骤S12可被实施为以下步骤S121-S122：
在步骤S121中，根据预设分词工具对中文病历进行拆分，以得到原始词序列；
在步骤S122中，在原始词序列的末端增加目标字符，以得到目标词序列。其中，目标字符可以是特殊字符“[CLS]”，得到的目标词序列可以表示为：
w＝[w1，w2，...，wn+1]。
通过填加目标字符，可直接利用目标字符的输出进行疾病的预测。
在一个实施例中，所述根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病，包括：
确定不同的疾病；
基于所述不同的疾病，通过第一预设公式对第n+1个向量进行计算，以得到所述中文病例分别属于所述不同的疾病的概率；其中，通过第一预设公式对第n+1个向量进行计算，得到概率如下：p＝softmax(vn+1×W1+b1)，W1和
b1是随机初始化且可以学习的参数，与疾病相关，随着疾病的不同数值也会变化。
确定概率最大值对应的疾病为所述目标患者所患有的疾病。
通过本实施例的技术方案，能够准确的确定目标患者所患有的疾病。
在一个实施例中，所述根据所述目标向量序列的前n个向量确定诊断依据，包括：
确定诊断依据标签和非诊断依据标签；
基于所述诊断依据标签和所述非诊断依据标签，通过第二预算公式对所述目标向量序列的前n个向量分别进行计算，以得到所述目标词序列中前n个词项分别属于所述诊断依据标签和所述非诊断依据标签的概率；其中，通过第二预算公式对所述目标向量序列的前n个向量分别进行计算如下：
qi＝softmax(vi×W2+b2)，qi表示词项wi属于诊断依据标签和非诊断依据标签的概率，vi表示v1，v2，...，vn中任一向量，上述1≤i≤n，w2和b2是随机初始化且可以学习的参数，与诊断依据标签和所述非诊断依据标签有关，随着标签的不同数值也不相同。
分别确定概率大的标签为所述目标词序列中前n个词项分别对应的标签；
将所述前n个词项中连续且标注为所述诊断依据标签的词项合并成目标短语；
确定所述目标短语为所述诊断依据。
通过上述技术方案，能够准确的得到诊断依据。
在一个实施例中，在将所述目标词序列输入至目标BERT模型，得到目标向量序列之前，还包括：
获取原始BERT模型及训练数据集；
通过所述训练数据集对所述原始BERT模型进行训练，以得到所述目标BERT模型。
通过训练数据集对原始BERT模型进行训练，得到满足需求的目标BERT模型。
对本发明实施例提供的上述一种提供诊断依据的中文病历辅助诊断方法，本发明实施例还提供了一种提供诊断依据的中文病历辅助诊断系统，如图3所示，该系统包括：
第一获取模块31，用于获取目标患者的中文病历；
第一确定模块32，用于根据所述中文病历确定目标词序列，其中，所述目标词序列的长度为n+1，n大于等于1，且取整数；
输入模块33，用于将所述目标词序列输入至目标BERT模型，得到目标向量序列，其中，所述目标向量序列中的向量与所述目标词序列中的词项一一对应；
预测模块34，用于根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病；
第二确定模块35，用于根据所述目标向量序列的前n个向量确定诊断依据。
如图4所示，在一个实施例中，所述第一确定模块32，包括：
拆分子模块321，用于根据预设分词工具对所述中文病历进行拆分，以得到原始词序列；
增加子模块322，用于在所述原始词序列的末端增加目标字符，以得到所述目标词序列。
在一个实施例中，所述预测模块，包括：
第一确定子模块，用于确定不同的疾病；
第一计算子模块，用于基于所述不同的疾病，通过第一预设公式对第n+1个向量进行计算，以得到所述中文病例分别属于所述不同的疾病的概率；
第二确定子模块，用于确定概率最大值对应的疾病为所述目标患者所患有的疾病。
在一个实施例中，所述第二确定模块，包括：
第三确定子模块，用于确定诊断依据标签和非诊断依据标签；
第二计算子模块，用于基于所述诊断依据标签和所述非诊断依据标签，通过第二预算公式对所述目标向量序列的前n个向量分别进行计算，以得到所述目标词序列中前n个词项分别属于所述诊断依据标签和所述非诊断依据标签的概率；
第四确定子模块，用于分别确定概率大的标签为所述目标词序列中前n个词项分别对应的标签；
合并子模块，用于将所述前n个词项中连续且标注为所述诊断依据标签的词项合并成目标短语；
第五确定子模块，用于确定所述目标短语为所述诊断依据。
在一个实施例中，所述系统还包括：
第二获取模块，用于获取原始BERT模型及训练数据集；
训练模块，用于通过所述训练数据集对所述原始BERT模型进行训练，以得到所述目标BERT模型。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种提供诊断依据的中文病历辅助诊断方法，其特征在于，包括：
获取目标患者的中文病历；
根据所述中文病历确定目标词序列，其中，所述目标词序列的长度为n+1，n大于等于1，且取整数；
将所述目标词序列输入至目标BERT模型，得到目标向量序列，其中，所述目标向量序列中的向量与所述目标词序列中的词项一一对应；
根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病；
根据所述目标向量序列的前n个向量确定诊断依据。
2.如权利要求1所述的方法，其特征在于，所述根据所述中文病历确定目标词序列，包括：
根据预设分词工具对所述中文病历进行拆分，以得到原始词序列；
在所述原始词序列的末端增加目标字符，以得到所述目标词序列。
3.如权利要求1所述的方法，其特征在于，所述根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病，包括：
确定不同的疾病；
基于所述不同的疾病，通过第一预设公式对第n+1个向量进行计算，以得到所述中文病例分别属于所述不同的疾病的概率；
确定概率最大值对应的疾病为所述目标患者所患有的疾病。
4.如权利要求1所述的方法，其特征在于，所述根据所述目标向量序列的前n个向量确定诊断依据，包括：
确定诊断依据标签和非诊断依据标签；
基于所述诊断依据标签和所述非诊断依据标签，通过第二预算公式对所述目标向量序列的前n个向量分别进行计算，以得到所述目标词序列中前n个词项分别属于所述诊断依据标签和所述非诊断依据标签的概率；
分别确定概率大的标签为所述目标词序列中前n个词项分别对应的标签；
将所述前n个词项中连续且标注为所述诊断依据标签的词项合并成目标短语；
确定所述目标短语为所述诊断依据。
5.如权利要求1所述的方法，其特征在于，在将所述目标词序列输入至目标BERT模型，得到目标向量序列之前，还包括：
获取原始BERT模型及训练数据集；
通过所述训练数据集对所述原始BERT模型进行训练，以得到所述目标BERT模型。
6.一种提供诊断依据的中文病历辅助诊断系统，其特征在于，包括：
第一获取模块，用于获取目标患者的中文病历；
第一确定模块，用于根据所述中文病历确定目标词序列，其中，所述目标词序列的长度为n+1，n大于等于1，且取整数；
输入模块，用于将所述目标词序列输入至目标BERT模型，得到目标向量序列，其中，所述目标向量序列中的向量与所述目标词序列中的词项一一对应；
预测模块，用于根据所述目标向量序列中的第n+1个向量预测所述目标患者所患有的疾病；
第二确定模块，用于根据所述目标向量序列的前n个向量确定诊断依据。
7.如权利要求6所述的系统，其特征在于，所述第一确定模块，包括：
拆分子模块，用于根据预设分词工具对所述中文病历进行拆分，以得到原始词序列；
增加子模块，用于在所述原始词序列的末端增加目标字符，以得到所述目标词序列。
8.如权利要求6所述的系统，其特征在于，所述预测模块，包括：
第一确定子模块，用于确定不同的疾病；
第一计算子模块，用于基于所述不同的疾病，通过第一预设公式对第n+1个向量进行计算，以得到所述中文病例分别属于所述不同的疾病的概率；
第二确定子模块，用于确定概率最大值对应的疾病为所述目标患者所患有的疾病。
9.如权利要求6所述的系统，其特征在于，所述第二确定模块，包括：
第三确定子模块，用于确定诊断依据标签和非诊断依据标签；
第二计算子模块，用于基于所述诊断依据标签和所述非诊断依据标签，通过第二预算公式对所述目标向量序列的前n个向量分别进行计算，以得到所述目标词序列中前n个词项分别属于所述诊断依据标签和所述非诊断依据标签的概率；
第四确定子模块，用于分别确定概率大的标签为所述目标词序列中前n个词项分别对应的标签；
合并子模块，用于将所述前n个词项中连续且标注为所述诊断依据标签的词项合并成目标短语；
第五确定子模块，用于确定所述目标短语为所述诊断依据。
10.如权利要求6所述的系统，其特征在于，所述系统还包括：
第二获取模块，用于获取原始BERT模型及训练数据集；
训练模块，用于通过所述训练数据集对所述原始BERT模型进行训练，以得到所述目标BERT模型。
CN202010177227.9A 2020-03-13 2020-03-13 一种提供诊断依据的中文病历辅助诊断方法及系统 Active CN111462893B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010177227.9A CN111462893B (zh) 2020-03-13 2020-03-13 一种提供诊断依据的中文病历辅助诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010177227.9A CN111462893B (zh) 2020-03-13 2020-03-13 一种提供诊断依据的中文病历辅助诊断方法及系统

Publications (2)

Publication Number Publication Date
CN111462893A true CN111462893A (zh) 2020-07-28
CN111462893B CN111462893B (zh) 2023-08-04

Family

ID=71682828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177227.9A Active CN111462893B (zh) 2020-03-13 2020-03-13 一种提供诊断依据的中文病历辅助诊断方法及系统

Country Status (1)

Country Link
CN (1) CN111462893B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037909A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 诊断信息复核系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120060216A1 (en) * 2010-09-01 2012-03-08 Apixio, Inc. Medical information navigation engine (mine) system
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
WO2019174422A1 (zh) * 2018-03-16 2019-09-19 北京国双科技有限公司 实体关联关系的分析方法及相关装置
CN110347799A (zh) * 2019-07-12 2019-10-18 腾讯科技（深圳）有限公司 语言模型训练方法、装置和计算机设备
CN110491499A (zh) * 2019-07-10 2019-11-22 厦门大学 面向标注电子病历的临床辅助决策方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120060216A1 (en) * 2010-09-01 2012-03-08 Apixio, Inc. Medical information navigation engine (mine) system
WO2019174422A1 (zh) * 2018-03-16 2019-09-19 北京国双科技有限公司 实体关联关系的分析方法及相关装置
CN110276066A (zh) * 2018-03-16 2019-09-24 北京国双科技有限公司 实体关联关系的分析方法及相关装置
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
CN110491499A (zh) * 2019-07-10 2019-11-22 厦门大学 面向标注电子病历的临床辅助决策方法及系统
CN110347799A (zh) * 2019-07-12 2019-10-18 腾讯科技（深圳）有限公司 语言模型训练方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037909A (zh) * 2020-08-31 2020-12-04 康键信息技术（深圳）有限公司 诊断信息复核系统
CN112037909B (zh) * 2020-08-31 2023-08-01 康键信息技术（深圳）有限公司 诊断信息复核系统

Also Published As

Publication number Publication date
CN111462893B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN112364174A (zh) 基于知识图谱的病人病历相似度评估方法及系统
CN111461168A (zh) 训练样本扩充方法、装置、电子设备及存储介质
CN111709966B (zh) 眼底图像分割模型训练方法及设备
CN111161249A (zh) 一种基于域适应的无监督医学图像分割方法
CN116932722A (zh) 一种基于跨模态数据融合的医学视觉问答方法及系统
CN110852076B (zh) 一种自动化疾病编码转换的方法及装置
US20220188636A1 (en) Meta pseudo-labels
CN111368066B (zh) 获取对话摘要的方法、装置和计算机可读存储介质
CN111462893B (zh) 一种提供诊断依据的中文病历辅助诊断方法及系统
CN111160638A (zh) 一种转化预估方法及装置
CN112216379A (zh) 一种基于智能联合学习的疾病诊断系统
CN116884648A (zh) 基于中医问诊的语音交互优化方法、装置、设备及介质
CN116680385A (zh) 基于人工智能的对话问答方法、装置、计算机设备及介质
CN116705345A (zh) 医疗实体标注方法、装置、设备及存储介质
CN116468043A (zh) 嵌套实体识别方法、装置、设备及存储介质
CN116383766A (zh) 基于多模态数据的辅诊方法、装置、设备及存储介质
CN116469103A (zh) 一种医学图像分割数据自动标注的方法
TWI781000B (zh) 機器學習裝置以及方法
CN112634255B (zh) 脑部病灶检测模型的建立方法、装置以及计算机设备
CN111428029B (zh) 一种手术名称标准化方法及装置
CN111666754B (zh) 基于电子疾病文本的实体识别方法、系统和计算机设备
CN113705692A (zh) 基于人工智能的情感分类方法、装置、电子设备及介质
CN114610854A (zh) 智能问答方法、装置、设备及存储介质
CN113591731A (zh) 一种基于知识蒸馏的弱监督视频时序行为定位方法
CN113487453A (zh) 基于犯罪要素的法律判决预测方法及系统

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