CN111709233A - 基于多注意力卷积神经网络的智能导诊方法及系统 - Google Patents

基于多注意力卷积神经网络的智能导诊方法及系统 Download PDF

Info

Publication number
CN111709233A
CN111709233A CN202010464150.3A CN202010464150A CN111709233A CN 111709233 A CN111709233 A CN 111709233A CN 202010464150 A CN202010464150 A CN 202010464150A CN 111709233 A CN111709233 A CN 111709233A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
layer
intelligent diagnosis
patient
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
CN202010464150.3A
Other languages
English (en)
Other versions
CN111709233B (zh
Inventor
王志
余新蕊
惠维
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202010464150.3A priority Critical patent/CN111709233B/zh
Publication of CN111709233A publication Critical patent/CN111709233A/zh
Application granted granted Critical
Publication of CN111709233B publication Critical patent/CN111709233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开的基于多注意力卷积神经网络的智能导诊方法及系统，使用患者自述症状作为训练数据，最大程度地保留患者症状描述的语义信息，其次，有很多疾病有相似的症状，仅依靠症状描述词难以精确对应某种疾病，同时避免了先提取疾病再对应科室步骤中可能造成的信息丢失的问题。在嵌入层加入BERT模型，词向量包含上下文信息，更好地获取了词向量；另外在池化层加入多头注意力，获取词的权重，使模型更关注辨识性比较高的词汇，同时添加了患者个人信息特征，增加了导诊的正确率。

Description

基于多注意力卷积神经网络的智能导诊方法及系统
技术领域
本发明涉及自然语言处理以及数据处理的领域，涉及一种基于多注意力卷积神经网络的智能导诊方法及系统，以提高导诊的准确性。
背景技术
随着智能化信息化的浪潮，医院的导诊方法也由很传统的人工分诊台导诊变成了结合互联网+的智能导诊方法，能够帮助患者进行自助导诊，使患者对疾病有初步的判断，减少患者挂错科室的概率。
目前比较流行的智能导诊的方法是从患者描述的症状中提取症状关键词，然后根据症状关键词和某个疾病的病理描述词的相似度进行匹配，诊断疾病，然后根据疾病和科室的映射关系为患者推荐相应的科室。首先，患者的症状描述过于口语化，在提取症状关键词的时候，忽略了除去症状关键词之外的语义信息。此外，多种疾病可能拥有相似的症状，即一种症状对应多个疾病，这样可能会造成推荐科室时推荐不准确。
发明内容
针对现有的导诊方法在分诊时容易出现错误的问题，本发明提供一种基于多注意力卷积神经网络的智能导诊方法，提高导诊的准确率。
本发明是通过以下技术方案来实现：
一种基于多注意力卷积神经网络的智能导诊方法，包括以下步骤：
步骤1、获取患者问答数据，以及问答数据对应的诊治科室；
步骤2、对问答数据进行预处理，得到训练数据集；
步骤3、构建基于多头注意卷积神经网络的智能导诊模型，包括嵌入层、卷积层、池化层和分类器；
嵌入层，用于对训练数据集进行预训练，输出嵌入矩阵；
卷积层，用于对嵌入矩阵进行卷积操作，输出特征图；
池化层，用于对特征图进行池化操作，得到带有词权重信息的特征向量；
分类器，用于对词的不同权重进行K分类，输出推荐诊疗科室；
步骤4、采用训练数据集对基于多头注意卷积神经网络的智能导诊模型进行训练；
步骤5、将患者的个人信息以及病症信息输入至训练后的基于多头注意卷积神经网络的智能导诊模型，得到患者病症对应的诊疗科室。
优选的，步骤1中，所述患者问答数据包括患者的病症、年龄、性别以及对应的挂号科室，同时建立挂号科室与标准科室名称的对应关系。
优选的，采用相似度计算方法建立科室与标准科室的对应关系。
优选的，步骤2中数据的预处理，使用分词工具结合词典对问答数据进行分词，将分词结果去停用词和标点符号后的结果进行去停用词处理，加入医学专有词典，统计词频建立医学专有词典，获得训练数据集。
优选的，所述分词工具为ICTCLAS、IKAnalyzer、HTTPCWS、SCWS、PhpanAlysis、盘古分词、腾讯文智或语言云。
优选的，步骤3中嵌入层采用BERT模型对训练数据集进行预训练。
优选的，步骤4中基于多头注意卷积神经网络的智能导诊模型的训练方法如下：
步骤4.1、将训练数据集输入至嵌入层，通过BERT模型对训练数据集进行预训练，得到词向量矩阵；
步骤4.2、将得到的词向量矩阵输入至卷积层，进行卷积操作提取词向量矩阵的特征，不同的卷积核得到不同的的特征向量，不同的特征向量共同组合成卷积层的输出，即特征图；
步骤4.3、将得到的特征图池化层，池化层加入多头注意力，进行池化操作得到特征权重向量；
步骤4.4、将特征权重向量输入至分类器进行K分类，得到各个类别的概率，同时使用dropout机制防止过拟合。
优选的，步骤4.2中卷积操作的表达式如下：
Oi＝w·A[i:i+h-1],i＝1,2,…,m-h+1
其中，Oi表示中间层的值，A[i:j]表示A的第i行到第j行，m为输入文本词的个数，h为卷积核的高度；
特征值的表达式如下：
ci＝f(oi+b)
其中，b为偏置，f为激活函数。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供的基于多注意力卷积神经网络的智能导诊方法，首先爬取大量的医患问答数据和患者的个人信息，作为训练数据集，最大程度地保留患者症状描述的语义信息，然后建立多注意力卷积神经网络的智能导诊模型，并在模型的嵌入层加入BERT模型，池化层加入多头注意力，更好地获取了词向量和词的权重，以病症问诊数据和患者的个人信息作为训练数据，提取症状描述中的症状特征和患者个人信息中的患者性别和年龄，相应的科室信息作为分类标签，进而通过分离器得到患者症状对应的诊疗科室，使模型更关注辨识性比较高的词汇，增加了导诊的正确率。
附图说明
图1为本发明智能导诊方法流程图；
图2为本发明BERT-TextCNN模型图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
参阅图1，一种基于多注意力卷积神经网络的智能导诊方法，包括以下步骤：
步骤1、获取患者问答数据，以及问答数据对应的诊治科室。
具体的，爬取网络上医疗网站的问答数据，网页爬取的数据提取的字段主要有患者信息(包括患者年龄、性别)、患者问询内容以及对应的挂号科室，建立科室与标准科室名称的对应关系。
步骤2、对问答数据进行预处理。
具体的，使用分词工具结合词典对问答数据进行分词，将分词结果去停用词、去标点符号等无用标记，加入医学专有词典，统计词频建立医学专有词典，获得训练数据集。
在上述方案中，中文分词算法可以是基于字典、词库匹配的分词方法，也可以是基于词频统计的分词方法，也可以是基于知识理解的分词方法，也可以是两种或多种分词方法的组合，主要是为了达到理想的中文分词的目的。
在上述方案中，中文分词器可以是ICTCLAS、IKAnalyzer、HTTPCWS、SCWS、PhpanAlysis、盘古分词、腾讯文智、语言云等。只要在需要在准确度上达到标准，并且分词性能参考指数均表现不错的算法都在本文技术包括范围内。准确度的计算标准为:
(1)、去除所有标点符号；
(2)、针对进行了实体识别的部分测试系统，防止词语认定的不统一，将对对应位置进行人工标注替换，得到一个准确率估值的上限；
(3)、用SIGHAN评分脚本得到最终分词性能。
分词性能参考指数为:准确率(precision)、召回率(recall)和综合指标F-1值。
步骤3、构建基于多头注意卷积神经网络的智能导诊模型，包括：嵌入层、卷积层、池化层和分类器。
步骤4、根据训练数据集对多头注意卷积神经网络的智能导诊模型进行训练，训练过程如下：
步骤4.1、将训练数据集输入嵌入层，嵌入层的输入是文本，这里的文本包含的是患者的症状描述、患者的个人信息以及科室结果，嵌入层输出嵌入矩阵，嵌入矩阵的每一行都是一个词向量。
嵌入层有两种实现方式，先利用Word2Vector等算法进行预训练得到词向量以作为初始值，输入到BERT模型得到词向量矩阵；
第二种方式是直接使用BERT模型进行预训练，得到嵌入矩阵。使用BERT模型可以不用进行分词，直接将文本输入到BERT模型。
在卷积神经网络的嵌入层使用BERT预训练词向量，BERT中的多头注意力模型能够改善卷积层的输入，患者症状描述的每个词被表征为一个向量，一句话被表征为一个嵌入矩阵，嵌入矩阵的每一行都是一个词向量，使用BERT是很重要的一步，可以将自然语言更好地映射为词向量矩阵，保留上下文信息，比传统的Word2Vec和glove的效果要好。
步骤4.2、将词向量矩阵输入至卷积层，通过卷积操作提取词向量矩阵的特征，得到特征图。
卷积层：通过分词工具对患者症状描述进行分词，假设分词结果为该句被分为m个词，如果不进行分词，则假设文本中含有m个字符。假设词向量为n维，得到嵌入矩阵Rm×n，词向量的维数可以自己指定，嵌入矩阵可以看成图像利用神经网络卷积核提取特征，文本卷积神经网络使用一维卷积。卷积核用来对滑动窗口操作形成新的特征。卷积核的宽度为n，假设卷积核的高度为h，这里的h是参数，根据实验结果进行调整，得到最优结果。如果有s个滤波器(s也是参数，需要根据结果进行调整)，则生成s维向量，卷积层的输出featureMap，即特征图。
卷积操作可以用式(1)表示：
Oi＝w·A[i:i+h-1],i＝1,2,…,m-h+1 (1)
其中，Oi表示中间层的值，A[i:j]表示A的第i行到第j行，再叠加上偏置b，再使用激活函数f激活，得到所需的特征值，具体如下：
ci＝f(oi+b) (2)
步骤4.3、将特征图输入至池化层，进行池化操作得到特征权重向量。
池化层：池化的作用是降维、不变性和定长输出，不同尺寸卷积核得到的特征图不相同，使用池化将特征图的特征统一化。
参阅图2，池化层的输入是卷积层的特征图，TextCNN原本使用最大池化(1-Maxpooling)来提取最大值，即为从每个滑动窗口产生的特征向量中筛选出一个最大的特征，然后将这些特征拼接起来构成向量表示，但是这样丢失了特征的权重信息。在TextCNN的池化层加入多头注意力，获得词的不同权重。池化层的输出即是带有特征权重信息的向量。
步骤4.3、采用分类器对特征权重向量进行K分类，根据分类结果得到推荐诊疗科室。
softmax进行K分类：相应的科室信息作为分类标签，利用softmax进行K分类，K对应的值即是科室种类个数，对于本文叙述的智能导诊问题，K对应的值即是科室种类个数，将池化的结果拼接送入到softmax中，得到各个类别的概率，使用dropout机制防止过拟合。
步骤5、根据科室名称预先设置科室挂号链接，得到智能导诊模型的科室推荐结果之后，患者可以直接进行相应科室的预约挂号；
步6、获取患者预约挂号的科室，为患者指引科室的位置。
本发明提供的基于多注意力卷积神经网络的智能导诊方法，使用患者自述症状作为训练数据，最大程度地保留患者症状描述的语义信息，其次，有很多疾病有相似的症状，仅依靠症状描述词难以精确对应某种疾病，同时避免了先提取疾病再对应科室步骤中可能造成的信息丢失的问题。在嵌入层加入BERT模型，词向量包含上下文信息，更好地获取了词向量；另外在池化层加入多头注意力，获取词的权重，使模型更关注辨识性比较高的词汇，同时添加了患者个人信息特征，增加了导诊的正确率。
本发明还提供了一种基于多注意力卷积神经网络的智能导诊系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于多注意力卷积神经网络的智能导诊方法。
处理器可能是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，包括以下步骤：
步骤1、获取患者问答数据，以及问答数据对应的诊治科室；
步骤2、对问答数据进行预处理，得到训练数据集；
步骤3、构建基于多头注意卷积神经网络的智能导诊模型，包括嵌入层、卷积层、池化层和分类器；
嵌入层，用于对训练数据集进行预训练，输出嵌入矩阵；
卷积层，用于对嵌入矩阵进行卷积操作，输出特征图；
池化层，用于对特征图进行池化操作，得到带有词权重信息的特征向量；
分类器，用于对词的不同权重进行K分类，输出推荐诊疗科室；
步骤4、采用训练数据集对基于多头注意卷积神经网络的智能导诊模型进行训练；
步骤5、将患者的个人信息以及病症信息输入至训练后的基于多头注意卷积神经网络的智能导诊模型，得到患者病症对应的诊疗科室。
2.根据权利要求1所述的一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，步骤1中，所述患者问答数据包括患者的病症、年龄、性别以及对应的挂号科室，同时建立挂号科室与标准科室名称的对应关系。
3.根据权利要求2所述的一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，采用相似度计算方法建立科室与标准科室的对应关系。
4.根据权利要求1所述的一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，步骤2中数据的预处理，使用分词工具结合词典对问答数据进行分词，将分词结果去停用词和标点符号后的结果进行去停用词处理，加入医学专有词典，统计词频建立医学专有词典，获得训练数据集。
5.根据权利要求1所述的一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，所述分词工具为ICTCLAS、IKAnalyzer、HTTPCWS、SCWS、PhpanAlysis、盘古分词、腾讯文智或语言云。
6.根据权利要求1所述的一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，步骤3中嵌入层采用BERT模型对训练数据集进行预训练。
7.根据权利要求1所述的一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，步骤4中基于多头注意卷积神经网络的智能导诊模型的训练方法如下：
步骤4.1、将训练数据集输入至嵌入层，通过BERT模型对训练数据集进行预训练，得到词向量矩阵；
步骤4.2、将得到的词向量矩阵输入至卷积层，进行卷积操作提取词向量矩阵的特征，不同的卷积核得到不同的的特征向量，不同的特征向量共同组合成卷积层的输出，即特征图；
步骤4.3、将得到的特征图池化层，池化层加入多头注意力，进行池化操作得到特征权重向量；
步骤4.4、将特征权重向量输入至分类器进行K分类，得到各个类别的概率，同时使用dropout机制防止过拟合。
8.根据权利要求7所述的一种基于多注意力卷积神经网络的智能导诊方法，其特征在于，步骤4.2中卷积操作的表达式如下：
Oi＝w·A[i:i+h-1],i＝1,2,…,m-h+1
其中，Oi表示中间层的值，A[i:j]表示A的第i行到第j行，m为输入文本词的个数，h为卷积核的高度；
特征值的表达式如下：
ci＝f(oi+b)
其中，b为偏置，f为激活函数。
9.一种基于多注意力卷积神经网络的智能导诊系统，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至8任一项所述的方法。
CN202010464150.3A 2020-05-27 2020-05-27 基于多注意力卷积神经网络的智能导诊方法及系统 Active CN111709233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010464150.3A CN111709233B (zh) 2020-05-27 2020-05-27 基于多注意力卷积神经网络的智能导诊方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010464150.3A CN111709233B (zh) 2020-05-27 2020-05-27 基于多注意力卷积神经网络的智能导诊方法及系统

Publications (2)

Publication Number Publication Date
CN111709233A true CN111709233A (zh) 2020-09-25
CN111709233B CN111709233B (zh) 2023-04-18

Family

ID=72538490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010464150.3A Active CN111709233B (zh) 2020-05-27 2020-05-27 基于多注意力卷积神经网络的智能导诊方法及系统

Country Status (1)

Country Link
CN (1) CN111709233B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112420192A (zh) * 2020-11-26 2021-02-26 清华大学 融合多维诊疗信息的疾病分型方法及相关设备
CN112951394A (zh) * 2021-03-10 2021-06-11 中电健康云科技有限公司 一种基于深度学习的医院分诊和预测医学检查项目的方法
CN113223735A (zh) * 2021-04-30 2021-08-06 平安科技（深圳）有限公司 基于对话表征的分诊方法、装置、设备及存储介质
CN113345574A (zh) * 2021-05-26 2021-09-03 复旦大学 基于bert语言模型与cnn模型的中医胃痛养生方案获取装置
CN113436754A (zh) * 2021-07-06 2021-09-24 吴国军 一种智能终端问诊的医疗软件及其方法
CN113607325A (zh) * 2021-10-09 2021-11-05 武汉地震工程研究院有限公司 一种钢结构螺栓群松动定位智能监测方法及系统
CN113673451A (zh) * 2021-08-25 2021-11-19 上海鹏冠生物医药科技有限公司 一种用于组织细胞学病理片图像特征抽取的图卷积模块
CN113724854A (zh) * 2021-07-27 2021-11-30 广州医科大学附属第二医院 一种基于机器学习的分级分诊方法、系统及计算机设备
CN113779360A (zh) * 2021-08-18 2021-12-10 深圳技术大学 基于多头问答模型的解题方法、装置、设备及存储介质
CN113823394A (zh) * 2021-11-22 2021-12-21 宏景科技股份有限公司 一种基于蚁群算法的智能导诊方法、系统、设备及介质
CN114678113A (zh) * 2022-03-14 2022-06-28 浙江大学 一种基于卷积神经网络的智能急诊预检分诊系统
CN115270715A (zh) * 2021-12-17 2022-11-01 郑州大学第一附属医院 一种面向电子病历的智能辅助icd自动编码方法及系统
CN115274086A (zh) * 2022-09-27 2022-11-01 无码科技（杭州）有限公司 一种智能导诊方法及系统
CN116740476A (zh) * 2023-08-15 2023-09-12 四川互慧软件有限公司 一种基于患者360可视化人体自动标注方法
CN116936078A (zh) * 2023-07-18 2023-10-24 南京大经中医药信息技术有限公司 中医预问诊收集管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180211010A1 (en) * 2017-01-23 2018-07-26 Ucb Biopharma Sprl Method and system for predicting refractory epilepsy status
CN108806785A (zh) * 2018-05-29 2018-11-13 四川长虹电器股份有限公司 一种基于卷积神经网络的诊疗科室推荐方法及系统
CN110364251A (zh) * 2019-06-14 2019-10-22 南京理工大学 一种基于机器阅读理解的智能交互导诊咨询系统
WO2019200806A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 文本分类模型的生成装置、方法及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180211010A1 (en) * 2017-01-23 2018-07-26 Ucb Biopharma Sprl Method and system for predicting refractory epilepsy status
WO2019200806A1 (zh) * 2018-04-20 2019-10-24 平安科技（深圳）有限公司 文本分类模型的生成装置、方法及计算机可读存储介质
CN108806785A (zh) * 2018-05-29 2018-11-13 四川长虹电器股份有限公司 一种基于卷积神经网络的诊疗科室推荐方法及系统
CN110364251A (zh) * 2019-06-14 2019-10-22 南京理工大学 一种基于机器阅读理解的智能交互导诊咨询系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孔鸣;何前锋;李兰娟;: "人工智能辅助诊疗发展现状与战略研究" *
汤人杰;江涛;杨巧节;: "基于自然语言学习的智能云导诊技术" *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112420192A (zh) * 2020-11-26 2021-02-26 清华大学 融合多维诊疗信息的疾病分型方法及相关设备
CN112420192B (zh) * 2020-11-26 2023-12-15 清华大学 融合多维诊疗信息的疾病分型方法及相关设备
CN112951394A (zh) * 2021-03-10 2021-06-11 中电健康云科技有限公司 一种基于深度学习的医院分诊和预测医学检查项目的方法
CN113223735A (zh) * 2021-04-30 2021-08-06 平安科技（深圳）有限公司 基于对话表征的分诊方法、装置、设备及存储介质
CN113345574A (zh) * 2021-05-26 2021-09-03 复旦大学 基于bert语言模型与cnn模型的中医胃痛养生方案获取装置
CN113436754A (zh) * 2021-07-06 2021-09-24 吴国军 一种智能终端问诊的医疗软件及其方法
CN113724854A (zh) * 2021-07-27 2021-11-30 广州医科大学附属第二医院 一种基于机器学习的分级分诊方法、系统及计算机设备
CN113779360A (zh) * 2021-08-18 2021-12-10 深圳技术大学 基于多头问答模型的解题方法、装置、设备及存储介质
CN113673451A (zh) * 2021-08-25 2021-11-19 上海鹏冠生物医药科技有限公司 一种用于组织细胞学病理片图像特征抽取的图卷积模块
CN113607325A (zh) * 2021-10-09 2021-11-05 武汉地震工程研究院有限公司 一种钢结构螺栓群松动定位智能监测方法及系统
CN113823394B (zh) * 2021-11-22 2022-04-05 宏景科技股份有限公司 一种基于蚁群算法的智能导诊方法、系统、设备及介质
CN113823394A (zh) * 2021-11-22 2021-12-21 宏景科技股份有限公司 一种基于蚁群算法的智能导诊方法、系统、设备及介质
CN115270715A (zh) * 2021-12-17 2022-11-01 郑州大学第一附属医院 一种面向电子病历的智能辅助icd自动编码方法及系统
CN114678113A (zh) * 2022-03-14 2022-06-28 浙江大学 一种基于卷积神经网络的智能急诊预检分诊系统
CN115274086A (zh) * 2022-09-27 2022-11-01 无码科技（杭州）有限公司 一种智能导诊方法及系统
CN115274086B (zh) * 2022-09-27 2023-01-13 无码科技（杭州）有限公司 一种智能导诊方法及系统
CN116936078A (zh) * 2023-07-18 2023-10-24 南京大经中医药信息技术有限公司 中医预问诊收集管理系统
CN116936078B (zh) * 2023-07-18 2024-04-26 南京大经中医药信息技术有限公司 中医预问诊收集管理系统
CN116740476A (zh) * 2023-08-15 2023-09-12 四川互慧软件有限公司 一种基于患者360可视化人体自动标注方法
CN116740476B (zh) * 2023-08-15 2023-11-07 四川互慧软件有限公司 一种基于患者360可视化人体自动标注方法

Also Published As

Publication number Publication date
CN111709233B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111709233B (zh) 基于多注意力卷积神经网络的智能导诊方法及系统
CN111414393B (zh) 一种基于医学知识图谱的语义相似病例检索方法及设备
CN111274806B (zh) 分词和词性识别方法、装置及电子病历的分析方法、装置
CN109871538A (zh) 一种中文电子病历命名实体识别方法
CN112131393A (zh) 一种基于bert和相似度算法的医疗知识图谱问答系统构建方法
CN110069779B (zh) 医疗文本的症状实体识别方法及相关装置
Carchiolo et al. Medical prescription classification: a NLP-based approach
CN112257449B (zh) 命名实体识别方法、装置、计算机设备和存储介质
CN110335653A (zh) 基于openEHR病历格式的非标准病历解析方法
CN112329964A (zh) 用于推送信息的方法、装置、设备以及存储介质
CN110277167A (zh) 基于知识图谱的慢性非传染性疾病风险预测系统
CN113343703B (zh) 医学实体的分类提取方法、装置、电子设备及存储介质
WO2023029502A1 (zh) 基于问诊会话构建用户画像的方法、装置、设备和介质
CN110444261B (zh) 序列标注网络训练方法、电子病历处理方法及相关装置
CN113779179B (zh) 一种基于深度学习和知识图谱的icd智能编码的方法
CN111858940A (zh) 一种基于多头注意力的法律案例相似度计算方法及系统
WO2023160264A1 (zh) 医疗数据处理方法、装置及存储介质
CN114358001A (zh) 诊断结果的标准化方法及其相关装置、设备和存储介质
CN112541066A (zh) 基于文本结构化的医技报告检测方法及相关设备
CN111581364B (zh) 一种面向医疗领域的中文智能问答短文本相似度计算方法
Hsu et al. Multi-label classification of ICD coding using deep learning
CN115982222A (zh) 一种基于特病特药场景的搜索方法
CN114420233A (zh) 一种中文电子病历后结构化信息的抽取方法
US20220121824A1 (en) Method for determining text similarity, method for obtaining semantic answer text, and question answering method
CN116719840A (zh) 一种基于病历后结构化处理的医疗信息推送方法

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