CN111710412B - 诊断结果的校验方法、装置及电子设备 - Google Patents
诊断结果的校验方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111710412B CN111710412B CN202010478500.1A CN202010478500A CN111710412B CN 111710412 B CN111710412 B CN 111710412B CN 202010478500 A CN202010478500 A CN 202010478500A CN 111710412 B CN111710412 B CN 111710412B
- Authority
- CN
- China
- Prior art keywords
- medical record
- record data
- label
- target
- diagnosis result
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000012795 verification Methods 0.000 title claims description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 181
- 201000010099 disease Diseases 0.000 claims abstract description 175
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 175
- 238000013145 classification model Methods 0.000 claims abstract description 84
- 238000013507 mapping Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 100
- 238000002372 labelling Methods 0.000 claims description 47
- 238000003058 natural language processing Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 230000000875 corresponding effect Effects 0.000 description 135
- 208000015754 perinatal disease Diseases 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 12
- 235000019580 granularity Nutrition 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 208000007502 anemia Diseases 0.000 description 3
- 238000004820 blood count Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 208000014951 hematologic disease Diseases 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000019838 Blood disease Diseases 0.000 description 2
- 208000002330 Congenital Heart Defects Diseases 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 208000028831 congenital heart disease Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000018706 hematopoietic system disease Diseases 0.000 description 2
- 208000026278 immune system disease Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000003800 pharynx Anatomy 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000021754 continuous fever Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 208000030172 endocrine system disease Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 208000018555 lymphatic system disease Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 208000005264 motor neuron disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 210000002229 urogenital system Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提出一种诊断结果的校验方法、装置及电子设备,属于人工智能医疗及知识图谱技术领域。其中,该方法包括:获取第一客户端发送的待校验的诊断结果及关联的目标病历数据;依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集;利用预设的标签分类模型对目标病历数据进行处理,以确定目标病历数据对应的第二标签集;以及根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。由此,通过这种诊断结果的校验方法,根据待校验的诊断结果所属的疾病大类与目标病历数据所属的疾病大类的重合度,实现对医生诊断结果的误诊校验,从而提高了基层医疗机构的诊断准确率,降低了误诊率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及人工智能医疗及知识图谱技术领域,提出一种诊断结果的校验方法、装置及电子设备。
背景技术
在基层医疗机构,由于就业人员的技术水平及医疗设备有限,导致基层医疗的诊疗水平较低,误诊率较高。
因此,如何辅助基层医疗机构提高诊断的准确率、降低误诊率,是目前亟待解决的问题。
发明内容
提供了一种用于诊断结果的校验方法、装置、电子设备及存储介质。
根据第一方面,提供了一种诊断结果的校验方法,包括:获取第一客户端发送的待校验的诊断结果及关联的目标病历数据;依据预设的标签与疾病的映射关系,确定与所述待校验的诊断结果所对应的第一标签集;利用预设的标签分类模型对所述目标病历数据进行处理,以确定所述目标病历数据对应的第二标签集;以及根据所述第一标签集与所述第二标签集的重合度,确定所述待校验的诊断结果的可信度。
根据第二方面,提供了一种诊断结果的校验装置,包括:第一获取模块,用于获取第一客户端发送的待校验的诊断结果及关联的目标病历数据;第一确定模块,用于依据预设的标签与疾病的映射关系,确定与所述待校验的诊断结果所对应的第一标签集;第二确定模块,用于利用预设的标签分类模型对所述目标病历数据进行处理,以确定所述目标病历数据对应的第二标签集;以及第三确定模块,用于根据所述第一标签集与所述第二标签集的重合度,确定所述待校验的诊断结果的可信度。
根据第三方面,提供了一种电子设备,其包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如前所述的诊断结果的校验方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如前所述的诊断结果的校验方法。
根据本申请的技术方案,通过依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集,并利用预设的标签分类模型,确定目标病历数据对应的第二标签集,进而根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。由此,通过将全病种疾病划分为有限数量的疾病大类,建立标签与疾病的映射关系,进而利用预设的标签分类模型直接召回目标病历数据对应的标签集,即目标病历数据所属的疾病大类,以根据待校验的诊断结果所属的疾病大类与目标病历数据所属的疾病大类的重合度,实现对医生诊断结果的误诊校验,从而提高了基层医疗机构的诊断准确率,降低了误诊率。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例所提供的一种诊断结果的校验方法的流程示意图;
图2为疾病分类标签的示意图;
图3为本申请实施例所提供的另一种诊断结果的校验方法的流程示意图;
图4为本申请实施例所提供的再一种诊断结果的校验方法的流程示意图;
图5为本申请实施例所提供的又一种诊断结果的校验方法的流程示意图;
图6为本申请实施例提供的一种诊断结果的校验装置的结构示意图;
图7为本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例针对相关技术中,基层医疗机构的就业人员的技术水平及医疗设备有限,导致基层医疗的诊疗水平较低,误诊率较高的问题,提出一种诊断结果的校验方法。
下面参考附图对本申请提供的诊断结果的校验方法、装置、电子设备及存储介质进行详细描述。
图1为本申请实施例所提供的一种诊断结果的校验方法的流程示意图。
如图1所示,该诊断结果的校验方法,包括以下步骤:
步骤101,获取第一客户端发送的待校验的诊断结果及关联的目标病历数据。
需要说明的是,实际使用时,本申请实施例的诊断结果的校验方法,可以由本申请实施例的诊断结果的校验装置执行。本申请实施例的诊断结果的校验装置可以配置在任意电子设备中,以执行本申请实施例的诊断结果的校验方法。
举例来说,本申请实施例的诊断结果的校验方法,可以应用在基层医疗机构的辅助诊断场景中,因此,本申请实施例的诊断结果的校验装置可以配置在基层医疗机构原有的医疗信息系统的服务器中,以对医生的诊断结果进行校验;或者,还可以专门建立新的用于诊断结果校验的服务器,并将本申请实施例的诊断结果的校验装置配置在建立的服务器中,为基层医疗机构提供辅助诊断服务。
其中,第一客户端,是指请求对诊断结果进行校验的客户端。比如,本申请实施例的诊断结果的校验方法应用在基层医疗机构的辅助诊断场景时,第一客户端可以是医生在看诊时使用的电子设备(如电脑、手机等);或者,还可以是医生在看诊时使用的看诊软件或诊断结果校验的应用程序等。实际使用时,可以根据实际需要及具体的应用场景,确定第一客户端的类型,本申请实施例对此不做限定。
其中,待校验的诊断结果,是指用户通过第一客户端输入的诊断结果。比如,第一客户端为医生在看诊时使用的看诊软件,则医生可以在根据病人的主诉、病历、检查结果等信息,给出诊断结果之后,将诊断结果通过鼠标、键盘、触摸屏等输入设备输入第一客户端。
其中,目标病历数据,是指与待校验的诊断结果对应的病历数据,可以包括病人一次或多次的主诉、病史、各项检查结果等信息,也就是说,待校验的诊断结果是医生根据目标病历数据做出的。比如,待校验的诊断结果是病人A的诊断结果,则目标病历数据则是病人A的病历数据。
作为一种可能的实现方式,服务器可以实时获取第一客户端发送的诊断结果校验请求,并从诊断结果校验请求中解析出待校验的诊断结果以及与待校验的诊断结果关联的目标病历数据。需要说明的是,目标病历数据可以是第一客户端的用户在输入待校验的诊断结果的同时主动输入的,即诊断结果校验请求中包括待校验的诊断结果与目标病历数据,从而服务器可以同时获取到待校验的诊断结果及目标病历数据。
举例来说,医生在根据病人A的病历数据,确定出病人A的诊断结果为“感冒”,则医生可以在第一客户端中输入病人A的诊断结果与病人A的病历数据,并点击“发送”或“确定”等按钮生成诊断结果校验请求发送至服务器,从而服务器可以从诊断结果校验请求中直接获取到病人A的诊断结果“感冒”作为待校验的诊断结果,以及将病人A的病历数据确定为目标病历数据。
作为另一种可能的实现方式,诊断结果校验请求中,还可以包括待校验的诊断结果与待校验的诊断结果标识(如病人的身份证号、就诊卡号等),从而服务器可以从诊断结果校验请求中解析出待校验的诊断结果标识之后,从存储的病人信息中获取与待校验的诊断结果标识对应的病历数据,作为目标病历数据。
举例来说,服务器在从诊断结果校验请求中,解析出待校验的诊断结果为“感冒”,待校验的诊断结果标识为就诊卡号X,从而服务器可以从存储的病人信息中获取与就诊卡号X对应的病历信息,确定为目标病历信息。
需要说明的是,上述举例仅为示例性,不能视为对本申请是限制。实际使用时,可以根据实际需要及具体的应用场景,确定待校验的诊断结果与目标病历数据的获取方式,本申请实施例对此不做限定。
步骤102,依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集。
需要说明的是,全病种疾病类型数以万计,如果直接将疾病名称直接作为标签召回,由于标签数量庞大,疾病召回的准确度较低。因此,在本申请实施例中,可以从疾病分类、身体部位等维度对全病种疾病进行分类,以生成预设的标签与疾病的映射关系,也就是说疾病对应的标签为疾病所属的疾病大类。从而可以直接将待校验的诊断结果对应的标签,与模型召回的疾病标签进行比较,以对待校验的诊断结果的准确性进行校验。
作为一种可能的实现方式,可以根据ICD-10(International Classification ofDiseases,国际疾病分类)将全病种疾病划分为14个疾病大类,并将每个疾病大类作为一个疾病分类标签,生成标签与疾病的映射关系。
如图2所示,疾病分类标签可以包括泌尿生殖系统疾病、循环系统疾病、肿瘤、呼吸系统疾病、内分泌、营养和代谢疾病、消化系统疾病、血液疾病、围生期疾病、感觉器疾病、淋巴系统疾病、免疫疾病、运动系统疾病、神经系统疾病、精神疾病。疾病分类标签与部分疾病的映射关系如表1所示。
表1
在本申请实施例中,由于待校验的诊断结果为具体的疾病,从而可以根据预设的标签与疾病的映射关系,确定待校验的诊断结果对应的标签,并确定出的标签构成待校验的诊断结果对应的第一标签集。
举例来说,若待校验的诊断结果为“新生儿先天性心脏病”,则根据预设的标签与疾病的映射关系,可以确定出待校验的诊断结果对应的标签为“围生期疾病”,即第一标签集为“围生期疾病”。
需要说明的是,上述举例仅为示例性的,不能视为对本申请的限制。实际使用时,可以根据实际需要及具体的应用场景,选择预设的标签与疾病的映射关系的确定方式,本申请实施例对此不做限定。
步骤103,利用预设的标签分类模型对目标病历数据进行处理,以确定目标病历数据对应的第二标签集。
其中,预设的标签分类模型,是指预先训练的、可以对病历数据对应的标签进行预测的深度学习模型。
其中,第二标签集,是指利用预设的标签分类模型预测的目标病历数据对应的标签。需要说明的是,第二标签集中可以包括的标签类型(即预设的标签分类模型可预测的标签类型),与预设的标签与疾病的映射关系中包括的标签类型相同。也就是说,第二标签集中可能包括标签类型与第一标签集中可能包括的标签类型相同。
举例来说,预设的标签与疾病的映射关系如表1所示,则可以确定第一标签集中仅可能包括表1中的14种疾病分类标签的一种或多种,第二标签集也仅可能包括表1中的14种疾病分类标签的一种或多种。
在本申请实施例中,可以预先训练预设的标签分类模型,并利用预设的标签分类模型对目标病历数据进行处理,以预测目标病历数据对应的第二标签集并输出。
步骤104,根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。
其中,第一标签集与第二标签集的重合度,可以是指第一标签集中与第二标签集中相同的标签数量,与第二标签集中标签数量的比例。比如,第一标签集为“围生期疾病”,第二标签集为“围生期疾病、血液疾病”,则可以确定第一标签集与第二标签集的重合度为0.5。
其中,待校验的诊断结果的可信度,可以用于衡量待校验的诊断结果准确度。也就是说,待校验的诊断结果的可信度越大,待校验的诊断结果的准确度越高;反之,待校验的诊断结果的准确度越低。
作为一种可能的实现方式,可以将第一标签集与第二标签集的重合度,确定为待校验的诊断结果的可信度,并将待校验的诊断结果的可信度反馈至第一客户端。并且,还可以在待校验的诊断结果的可信度小于可信度阈值时,向第一客户端返回预警信息,以提醒第一客户端的用户可能发生误诊,重新进行诊断。其中,预警信息中可以包括第二标签集,以供第一客户端的用户进行参考。
举例来说,第一标签集为“围生期疾病”,第二标签集为“围生期疾病”,可信度阈值为0.5,从而可以确定第一标签集与第二标签集的重合度为1,即待校验的诊断结果的可信度为1,从而可以将可信度1反馈至第一客户端,以使第一客户端的用户查看待校验的诊断结果的准确性;若第二标签集为“神经系统疾病”,则可以确定第一标签集与第二标签集的重合度为0,即待校验的诊断结果的可信度为0,从而可以将可信度0,以及误诊预警信息同时反馈至第一客户端,以提醒第一客户端的用户可能发生误诊,重新进行诊断。
作为另一种可能的实现方式,还可以将待校验的诊断结果的可信度分为0和1两种情况,并在第一标签集与第二标签集的重合度为0时,确定待校验的诊断结果的可信度为0,即待校验的诊断结果不可信;在第一标签集与第二标签集的重合度不为0时,确定待校验的诊断结果的可信度为1,即待校验的诊断结果可信。也就是说,只要第一标签集中的标签在第二标签集中存在,即认为待校验的诊断结果可信。
举例来说,第一标签集为“围生期疾病”,第二标签集为“围生期疾病、血液疾病”,则可以确定第一标签集与第二标签集的重合度为0.5,待校验的诊断结果的可信度为1,即确定待校验的诊断结果可信。
需要说明的是,上述举例仅为示例性的,不能视为对本申请的限制。实际使用时,可以根据实际需要及具体的应用场景,选择可信度的确定方式,本申请实施例对此不做限定。
根据本申请实施例的技术方案,通过依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集,并利用预设的标签分类模型,确定目标病历数据对应的第二标签集,进而根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。由此,通过将全病种疾病划分为有限数量的疾病大类,建立标签与疾病的映射关系,进而利用预设的标签分类模型直接召回目标病历数据对应的标签集,即目标病历数据所属的疾病大类,以根据待校验的诊断结果所属的疾病大类与目标病历数据所属的疾病大类的重合度,实现对医生诊断结果的误诊校验,从而提高了基层医疗机构的诊断准确率,降低了误诊率。
在本申请一种可能的实现形式中,预设的标签分类模型可以从目标病历数据的文本和词语两个粒度,对目标病历数据进行分析处理,从而使得目标病历数据对应的预测标签更加准确,以进一步提升诊断结果校验的准确性。
下面结合图3,对本申请实施例提供的诊断结果的校验方法进行进一步说明。
图3为本申请实施例所提供的另一种诊断结果的校验方法的流程示意图。
如图3所示,该诊断结果的校验方法,包括以下步骤:
步骤201,获取第一客户端发送的待校验的诊断结果及关联的目标病历数据。
上述步骤201-202的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤202,依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集。
需要说明的是,全病种疾病类型数以万计,如果直接将疾病名称直接作为标签召回,由于标签数量庞大,疾病召回的准确度较低。因此,在本申请实施例中,可以从疾病分类、身体部位等维度对全病种疾病进行分类,以生成预设的标签与疾病的映射关系,也就是说疾病对应的标签为疾病所属的疾病大类。从而可以直接将待校验的诊断结果对应的标签,与模型召回的疾病标签进行比较,以对待校验的诊断结果的准确性进行校验。
作为一种可能的实现方式,预设的标签与疾病的映射关系,可以是疾病分类标签与疾病的映射关系,因此可以根据ICD-10(International Classification of Diseases,国际疾病分类)将全病种疾病划分为14个疾病大类,并将每个疾病大类作为一个疾病分类标签,生成标签与疾病的映射关系。具体过程可以参照上述实施例的详细描述,此处不再赘述。
作为另一种可能的实现方式,预设的标签与疾病的映射关系,还可以是部位标签与疾病的映射关系,因此还可以根据人体的身体构造建立部位标签,如表2所示,为建立的人体一级部位标签与二级部位标签的对应关系。进而根据建立的部位标签,确定全病种疾病中每个疾病对应的部位,以生成部位标签与疾病的映射关系。可选地,部位标签与疾病的映射关系,可以是表2中的二级部位标签与疾病的映射关系,以使对疾病的分类更加细化,提升诊断结果校验的准确性。如表3所示,为部分部位标签与部分疾病的映射关系。
表2
表3
作为再一种可能的实现方式,预设的标签与疾病的映射关系,还可以包括疾病分类标签与疾病的映射关系以及部位标签与疾病的映射关系。因此,可以按照上述方式分别确定出疾病分类标签与疾病的映射关系,以及部位标签与疾病的映射关系,以构成预设的标签与疾病的映射关系。
在本申请实施例中,由于待校验的诊断结果为具体的疾病,从而可以根据预设的标签与疾病的映射关系,确定待校验的诊断结果对应的第一标签集。可选地,在预设的标签与疾病的映射关系,包括分类标签与疾病的映射关系以及部位标签与疾病的映射关系时,可以根据疾病分类标签与疾病的映射关系,确定出待校验的诊断结果对应的疾病分类标签,以及根据部位标签与疾病的映射关系,确定出待校验的诊断结果对应的部位标签,进而利用分类标签与部位标签构成待校验的诊断结果对应的第一标签集。
举例来说,若待校验的诊断结果为“新生儿先天性心脏病”,则根据预设的标签与疾病的映射关系,可以确定出待校验的诊断结果对应的分类标签为“围生期疾病”,对应的部位标签为“心脏”,即第一标签集为“围生期疾病、心脏”。
步骤203,对目标病历数据进行自然语言处理,以确定目标病历数据中包括的目标文本数据及目标关键词集。
其中,目标文本数据,可以包括目标病历数据中包括的主诉、现病史、体格检查、辅助检查等项目分别对应的数据。
其中,目标关键词集,可以是指目标病历数据中包括的可以用于描述疾病信息的关键词集合。比如,目标关键词集中可以包括用于描述症状、异常体征等信息的词语。
在本申请实施例中,可以利用任意的文本分析算法,对目标病历数据进行自然语言处理,确定目标病历数据的文本结构,进而根据目标病历数据的文本结构,提取出目标病历数据中包括的主诉数据、现病史数据、体格检查数据、辅助检查数据中的一种或多种信息,作为目标文本数据。
举例来说,目标病历数据包括主诉、现病史、体格检查、辅助检查四个项目,主诉为“持续发烧、咳嗽一天”,现病史为“无”,体格检查为“体温38.5度,咽部红肿”,辅助检查为“血常规:白细胞计数X……(包括血常规检查中的各项指标及各项指标对应的参数值、参考数值范围,此处不一一列举)”,则可以确定目标文本数据为“持续发烧、咳嗽一天、无、体温38.5度、咽部红肿、白细胞计数X……”。
在本申请实施例中,可以利用关键词提取算法对目标病历数据进行自然语言处理,确定目标病历数据中包括的描述症状、异常体征等信息的关键词,构成目标关键词集;或者,还可以从目标文本数据中提取关键词,构成关键词集。
举例来说,在上例中,通过对目标文本数据进行关键词提取,可以确定关键词集为“发烧、咳嗽、38.5度、咽部红肿、白细胞计数X”。
进一步的,还可以通过对大量病历数据进行统计分析,将病历数据中出现频率较高的词作为参考词,以将各参考词作为参考确定目标病历数据中的关键词。即在本申请实施例一种可能的实现形式中,上述步骤203之前,还可以包括:
获取第一样本数据集,其中,第一样本数据集中包括多个标注病历数据;
对多个标注病历数据中的每个标注病历数据进行自然语言处理,以确定在多个标注病历数据中出现频率大于第一阈值的各个参考词;
相应的,上述步骤203,可以包括:
对目标病历数据进行自然语言处理,以获取目标病历数据中包括的与各个参考词匹配的目标关键词。
其中,标注病历数据,是指已知疾病分类标签或诊断结果的病历数据。
作为一种可能的实现方式,可以从医院信息系统等渠道获取大量已经确定出诊断结果的病历数据,并根据每个病历数据对应的诊断结果分别每个病历数据进行标注,或者利用每个病历数据对应的诊断结果的标签分别对每个病历数据进行标注,以生成第一样本数据集。以下以标注病历数据为已知疾病分类标签的病历数据为例,进行具体说明。
可选地,在本申请实施例一种可能的实现方式中,可以对第一样本数据集中的每个标注病历数据进行自然语言处理,确定每个标注病历数据对应的文本数据,并将每个标注病历数据对应的文本数据进行拼接,生成一篇组合文档。之后将对组合文档进行分词处理,确定组合文档中包括的各分词,并计算每个分词在组合文档中的出现频率,进而在组合文档中的出现频率大于第一阈值的分词确定为参考词。
举例来说,第一阈值为0.1,组合文档中包括1000个分词,分词“发热”在组合文档中出现150次,从而可以确定分词“发热”在组合文档中的出现频率为0.15,从而可以将分词“发热”确定为参考词。
可选地,在在本申请实施例另一种可能的实现方式中,还可以根据每个标注病历数据对应标签,将第一样本数据集划分为多个分组。比如,将标签为“围生期疾病”的标注病历数据划分为一个分组,将标签为“免疫疾病”的标注病历数据划分为一个分组,等等。之后,对于第一样本数据集中的每个分组,对分组内的每个标注病历数据进行自然语言处理,确定该分组内的每个标注病历数据对应的文本数据,并将该分组内每个标注病历数据对应的文本数据进行拼接,生成该分组对应的组合文档。之后,将对该分组对应的组合文档进行分词处理,确定该分组对应的组合文档中包括的各分词,并计算每个分词在该分组对应的组合文档中的出现频率,进而将在该分组对应的组合文档中的出现频率大于第一阈值的分词确定为该分组对应的参考词。之后以相同的方式,确定出每个分组对应的参考词。
举例来说,第一阈值为0.1,“血液疾病”对应分组的组合文档中包括500个分词,分词“贫血”在组合文档中出现100次,从而可以确定分词“贫血”在该分组对应的组合文档中的出现频率为0.2,从而可以将分词“贫血”确定该分组对应的参考词。
可选的,在本申请实施例再一种可能的实现方式中,还可以采用TF-IDF(TermFrequency-Inverse Document Frequency,词频-逆向文件频率)算法,确定第一样本数据集中的各参考词。具体的,可以对第一样本数据集中的每个标注病历数据进行自然语言处理,确定每个标注病历数据对应的文本数据,之后对每个标注病历数据对应的文本数据进行分词处理,确定每个标注病历数据对应的文本数据中包括的各分词。对于每个分词,可以根据该分词在其所在的文本数据中的出现频率、包括该分词的文本数据的数量、第一样本数据集中包括的标注病历数据的数量,确定出该分词的TF-IDF值,进而将TF-IDF值大于第一阈值的分词确定为参考词。
需要说明的是,确定第一样本数据集中的参考词的方式,可以包括但不限于以上列举的情形。实际使用时,可以根据实际需要选择参考词的确定方式,以及第一阈值的具体取值,并且采用不同的方式确定参考词时,第一阈值的取值可以不同,本申请实施例对此不做限定。
在本申请实施例中,确定出参考词之后,可以对目标病历数据进行自然语言处理,以确定目标病历数据对应的目标文本数据,之后对目标文本数据进行分词处理,确定目标文本数据中包括的各分词。若参考词中包括目标文本数据中的一个分词,则可以确定该分词与参考词匹配,从而可以将该分词确定为目标关键词,进而利用确定出的各目标关键词,构成目标关键词集合。
步骤204,利用预设的标签分类模型的第一编码器对目标文本数据进行编码处理,以确定目标病历数据对应的第一向量。
其中,第一编码器,是指可以对文本数据进行处理,确定文本数据对应的向量表示的算法或模型。比如,可以是基于卷积神经网络的文本分类算法。
作为一种可能的实现方式,预设的标签分类模型可以包括第一编码器、第二编码器与多层感知机,以通过第一编码器与第二编码器分别从不同粒度对目标病历数据进行处理,从而对目标病历数据进行准确的向量表示。在本申请实施例中,可以利用第一编码器对目标文本数据进行编码处理,生成目标文本数据的向量表示,即生成目标病历数据对应的第一向量。
步骤205,利用预设的标签分类模型的第二编码器对目标关键词集进行编码处理,以确定目标病历数据对应的第二向量。
其中,第二编码器,是指可以对文本数据或分词进行处理,确定文本数据或分词对应的向量表示的算法或模型。比如,第二编码器可以为深度神经网络模型。
在本申请实施例中,可以利用第二编码器对目标关键词集中的每个目标关键词进行编码处理,以确定每个目标关键词对应的词向量,进而将每个目标关键词对应的词向量进行拼接,确定为目标病历数据对应的第二向量;或者,还可以将每个目标关键词对应的词向量的均值,确定为目标病历数据对应的第二向量。
步骤206,利用预设的标签分类模型的多层感知机,对第一向量及第二向量进行处理,以确定目标病历数据对应的第二标签集。
在本申请实施例中,预设的标签分类模型的多层感知机,在预设的标签分类模型的过程中,以及学习到了病历数据对应的向量与标签之间的关联性。因此,可以将第一向量与第二向量通过多层感知机的输入层输入多层感知机,以使多层感知机对第一向量与第二向量进行分析处理,确定与第一向量及第二向量对应的标签,并通过多层感知机的输出层输出与第一向量及第二向量对应的标签,进而利用第一向量及第二向量对应的标签生成目标病历数据对应的第二标签集。
作为一种可能的实现方式,可以首先对第一向量与第二向量进行拼接处理,进而将拼接后的向量输入多层感知机的输入层,利用多层感知机对拼接后的向量进行处理,以根据拼接后的向量进行标签预测,进而利用多层感知机的输出层输出的标签生成第二标签集。
作为另一种可能的实现方式,还可以首先计算第一向量与第二向量的均值,进而将第一向量与第二向量的均值输入多层感知机的输入层,利用多层感知机对第一向量与第二向量的均值进行处理,并进行标签预测,进而利用多层感知机的输出层输出的标签生成第二标签集。
进一步的,由于本申请实施例可以按照疾病分类与人体构造中的至少一种,生成预设的标签与疾病的映射关系,因此,预设的标签分类模型可以预测的标签类型,与生成预设的标签与疾病的映射关系时使用的标签可以是相同的。即在本申请实施例一种可能的实现形式中,上述第一标签集及第二标签集中分别包括以下标签中的至少一种:疾病分类标签及部位标签,且第二标签集中包括的标签类型与第一标签集中包括的标签类型相同。
具体的,若预设的标签与疾病的映射关系为疾病分类标签与疾病的映射关系,则第一标签集中与第二标签集中的标签均为疾病分类标签。比如,疾病分类标签可以为图2中所示的14中疾病分类标签。
若预设的标签与疾病的映射关系为部位标签与疾病的映射关系,则第一标签集中与第二标签集中的标签均为部位标签。比如,部位标签可以为表2中所示的各二级部位标签。
若预设的标签与疾病的映射关系,包括疾病分类标签与疾病的映射关系以及部位标签与疾病的映射关系,则第一标签集中可以包括疾病分类标签与部位标签,第二标签集中也可以包括疾病分类标签与部位标签。比如,疾病分类标签可以为图2中所示的14中疾病分类标签,部位标签可以为表2中所示的各二级部位标签。
需要说明的是,在预设的标签与疾病的映射关系,包括疾病分类标签与疾病的映射关系以及部位标签与疾病的映射关系时,根据预设的标签与疾病的映射关系,确定待校验的诊断结果对应的第一标签集时,可以同时确定出待校验的诊断结果对应的疾病分类标签与部位标签,并利用待校验的诊断结果对应的疾病分类标签与部位标签,构成第一标签集。
相应的,在利用预设的标签分类模型预测目标病历数据对应的第二标签集时,也可以同时预测出目标病历数据对应的疾病分类标签与部位标签,以构成第二标签集。
步骤207,根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。
上述步骤207的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
根据本申请实施例的技术方案,通过依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集,并利用预设的标签分类模型的第一编码器与第二编码器分词从文本粒度与词语粒度对目标病历数据进行编码处理,以确定目标病历数据对应的第一向量与第二向量,之后利用多层感知机对第一向量及第二向量进行处理,确定目标病历数据对应的第二标签集,进而根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。由此,通过从多种粒度对目标病历数据进行向量表示,并利用预设的标签分类模型直接召回目标病历数据对应的标签集,即目标病历数据所属的疾病大类,以根据待校验的诊断结果所属的疾病大类与目标病历数据所属的疾病大类的重合度,实现对医生诊断结果的误诊校验,从而进一步提升了召回的预测标签的准确度,进一步提高了基层医疗机构的诊断准确率,降低了误诊率。
在本申请一种可能的实现形式中,由于预设的标签分类模型仅可以召回目标病历数据对应的标签,而无法召回目标病历数据的具体疾病,因此在确定待校验的诊断结果的可信度较低时,可以请求专业水平更好的医生进行辅助诊断,以进一步提升诊断结果校验的可用性。
下面结合图4,对本申请实施例提供的诊断结果的校验方法进行进一步说明。
图4为本申请实施例所提供的再一种诊断结果的校验方法的流程示意图。
如图4所示,该诊断结果的校验方法,包括以下步骤:
步骤301,获取第一客户端发送的待校验的诊断结果及关联的目标病历数据。
步骤302,依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集。
步骤303,利用预设的标签分类模型对目标病历数据进行处理,以确定目标病历数据对应的第二标签集。
步骤304,根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。
上述步骤301-304的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤305,若待校验的诊断结果的可信度小于第二阈值,则将待校验的诊断结果及目标病历数据发送给第二客户端,以使第二客户端所属用户对诊断结果进行修正。
其中,第二客户端,是指与第一客户端不同的、且所属用户的职称级别、工作单位级别中的一种或多种高于第一客户端所属用户的客户端。比如,第一客户端的所属用户为某社区医院的医生,第二客户端的所属用户可以为某三甲医院的主任医师。
在本申请实施例中,服务器若确定待校验的诊断结果的可信度小于第二阈值,则可以确定待校验的诊断结果的可信度较低,很可能出现了误诊,从而可以将待校验的诊断结果与目标病历数据发送给第二客户端,以使第二客户端的所属用户(如,可以为三甲医院的主任医师)可以根据目标病历数据,重新做出诊断结果,以对待校验的诊断结果进行修正。并且,可以将第二客户端的所属用户做出的诊断结果发送至第一客户端,以使第一客户端的用户修正诊断结果,以防止误诊。
需要说明的是,实际使用时,可以根据实际需要及具体的应用场景,确定第二阈值的具体取值,本申请实施例对此不做限定。
步骤306,根据可信度,更新第一客户端所属用户的得分。
作为一种可能的实现方式,还可以根据医生的诊断记录对医生进行打分,以便对医生的服务水平进行统计分析,或者作为对医生进行评价、考核的参考数据等。因此,服务器在确定待校验的诊断结果的可信度之后,还可以根据待校验的诊断结果的可信度,更新第一客户端所属用不的得分。
可选地,在本申请实施例一种可能的实现形式中,可以将待校验的诊断结果的可信度与第一客户端所属用户的得分相加,得到更新后的第一客户端所属用户的得分。
可选的,在本申请实施例一种可能的实现形式中,还可以在待校验的诊断结果的可信度大于或等于第二阈值时,即在待校验的诊断结果较准确时,将第一客户端所属用户的得分增加预设分数(如1分),得到更新后的第一客户端所属用户的得分;在待校验的诊断结果的可信度小于第二阈值时,即在待校验的诊断结果可能为误诊时,将第一客户端所属用户的得分减去预设分数,得到更新后的第一客户端所属用户的得分。
需要说明的是,更新第一客户端所属用户的得分的方式,可以包括但不限于以上列举的情形。实际使用时,可以依据第一客户端所属用户的得分与待校验的诊断结果的可信度呈正相关的原则,根据实际需要及具体的应用场景,选择第一客户端所属用户的得分的更新方式,本申请实施例对此不做限定。
根据本申请实施例的技术方案,通过依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集,并利用预设的标签分类模型,确定目标病历数据对应的第二标签集,之后根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度,进而在待校验的诊断结果的可信度较低时,通过第二客户端所属用户对诊断结果进行修正,以及根据可信度更新第一客户端所属用户的得分。由此,通过在确定待校验的诊断结果的可信度较低时,请求专业水平更好的医生进行辅助诊断,并根据待校验的诊断结果的可信度,对第一客户端所属用户进行评分,从而进一步提升了诊断结果校验的可用性和智能化程度,进一步降低了误诊率。
在本申请一种可能的实现形式中,可以通过预先获取并标注的样本数据集对初始标签分类模型进行训练,从而使得初始标签分类模型学习到病历数据与标签之前的关联性,以生成预设的标签分类模型。
下面结合图5,对本申请实施例提供的诊断结果的校验方法进行进一步说明。
图5为本申请实施例所提供的又一种诊断结果的校验方法的流程示意图。
如图5所示,该诊断结果的校验方法,包括以下步骤:
步骤401,获取第一客户端发送的待校验的诊断结果及关联的目标病历数据。
步骤402,依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集。
上述步骤401-402的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
步骤403,获取第二样本数据集,其中,第二样本数据集中包括多个样本,其中,每个样本中包括标注病历数据及标注标签集。
其中,第二样本数据集,是指包括大量病历数据及病历数据对应的标注标签的数据集。在本申请实施例中,第二样本数据集与上述实施例中的第一样本数据集可以是相同的,也可以是不同的。
在本申请实施例中,可以从医院信息系统中获取大量病历数据,作为标注病历数据,若医院信息系统中存储有病历数据的诊断结果,则可以直接将各标注病历数据的诊断结果对应的疾病分类标签和/或部位标签作为标注标签集,分别对各标注病历数据进行标注,以生成第二样本集中的每个样本;或者,若医院信息系统中未存储病历数据的诊断结果,还可以通过医学领域的专家对获取的各标注病历数据进行分析,确定各标注病历数据对应的疾病分类标签和/或部位标签,并对各标注病历数据进行标注,以生成第二样本集中的每个样本。以下步骤以标签病历数据对应的标注标签集中包括疾病分类标签和部位标签为例,进行具体说明。
步骤404,利用初始标签分类模型,对每个样本中的标注病历数据进行处理,以确定对应的候选标签集。
其中,初始标签分类模型,可以是任意的深度学习模型。实际使用时,可以根据实际需要及具体的应用场景,选取合适的深度学习模型作为初始标签分类模型,本申请实施例对此不做限定。
其中,候选标签集,是指利用初始标签分类模型预测的标注病历数据对应的标签。
在本申请实施例中,可以将每个样本中的标注病历数据输入初始标签分类模型,以使初始标签分类模型对标注病历数据进行处理,预测出标注病历数据对应的候选标签集,如标注病历数据对应的候选疾病分类标签与候选部位标签。
进一步的,预设的标签分类模型中还可以包括第一编码器、第二编码器及多层感知机,以通过第一编码器与第二编码器分别从文本粒度和分词粒度,对病历数据进行向量表示,以提升标签召回的准确度。即在本申请实施例一种可能的实现形式中,上述初始标签分类模型中可以包括第一初始编码器、第二初始编码器及初始多层感知机,每个标注病历数据中可以包括标注文本数据及标注关键词集;相应的,上述步骤404,可以包括:
利用第一初始编码器对标注文本数据进行编码处理,以确定标注文本数据对应的第一参考向量;
利用第二初始编码器对标注关键词集进行编码处理,以确定标注关键词集对应的第二参考向量;
利用初始多层感知机对第一参考向量及第二参考向量进行处理,以确定对应的候选标签集。
在本申请实施例中,生成第二样本数据集时,可以采用与上述实施例步骤203中相同的方式,对第二样本数据集中的每个标注病历数据进行自然语言处理,以确定每个标注病历数据对应的标注文本数据与标注关键词集,此处不再赘述。
其中,第一初始编码器,是指可以对文本数据进行处理,确定文本数据对应的向量表示的算法或模型。比如,可以是基于卷积神经网络的文本分类算法。
其中,第二初始编码器,是指可以对文本数据或分词进行处理,确定文本数据或分词对应的向量表示的算法或模型。比如,第二初始编码器可以为深度神经网络模型。
在本申请实施例中,可以利用第一初始编码器从文本粒度对病历数据进行处理,即可以利用第一初始编码器对每个标注文本数据进行编码处理,生成每个标注文本数据的向量表示,即生成标注文本数据对应的第一参考向量。
相应的,可以利用第二初始编码器从分词粒度对病历数据进行处理,即可以利用第二初始编码器对标注关键词集中的每个目标关键词进行编码处理,以确定标注关键词集中每个标注关键词对应的词向量,进而将每个标注关键词对应的词向量进行拼接,确定为标注关键词集对应的第二参考向量;或者,还可以将每个标注关键词对应的词向量的均值,确定为标注关键词集对应的第二参考向量。
在本申请实施例中,可以将第一参考向量与第二参考向量通过初始多层感知机的输入层输入多层感知机,以使初始多层感知机对第一参考向量与第二参考向量进行分析处理,确定与第一参考向量及第二参考向量对应的标签,并通过初始多层感知机的输出层输出与第一参考向量及第二参考向量对应的标签,进而利用第一参考向量及第二参考向量对应的标签生成标注病历数据对应的候选标签集。
作为一种可能的实现方式,可以首先对第一参考向量与第二参考向量进行拼接处理,进而将拼接后的向量输入初始多层感知机的输入层,利用初始多层感知机对拼接后的向量进行处理,以根据拼接后的向量进行标签预测,进而利用初始多层感知机的输出层输出的标签生成第二标签集。
作为另一种可能的实现方式,还可以首先计算第一参考向量与第二参考向量的均值,进而将第一向量与第二向量的均值输入初始多层感知机的输入层,利用初始多层感知机对第一参考向量与第二参考向量的均值进行处理,并进行标签预测,进而利用初始多层感知机的输出层输出的标签生成候选标签集。
步骤405,根据每个标注病历数据的候选标签集与标注标签集的差异,对初始标签分类模型进行修正,以生成预设的标签分类模型。
在本申请实施例中,由于初始标签分类模型还没有学习到病历数据与标签之间的关联性,因此,通过初始标签分类模型预测的标注病历数据的候选标签集与标注病历数据的标注标签集(即标注病历数据的真实标签),可以存在较大差异。因此,可以根据每个标注病历数据的候选标签集与标注标签集的差异,确定预设的损失函数的取值,进而根据预设的损失函数的取值对初始标签分类模型的参数进行修正;之后利用修正后的标签分类模型继续对第二样本数据集中的每个样本进行处理,直至预设的损失函数的取值小于损失阈值,则可以完成模型的训练过程,并将使得预设的损失函数的取值小于损失阈值的标签分类模型,确定为预设的标签分类模型。
作为一种可能的实现方式,若初始标签分类模型中包括第一初始编码器、第二初始编码器及初始多层感知机,则可以根据每个标注病历数据的候选标签集与标注标签集的差异,分别对第一初始编码器、第二初始编码器及初始多层感知机的参数进行修正。
需要说明的是,实际使用时,可以根据实际需要及具体的应用场景,确定对初始标签分类模型进行修正的方式,本申请实施例对此不做限定。比如,可以采用梯度下降法对初始标签分类模型进行修正。
步骤406,利用预设的标签分类模型对目标病历数据进行处理,以确定目标病历数据对应的第二标签集。
步骤407,根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。
上述步骤406-407的具体实现过程及原理,可以参照上述实施例的详细描述,此处不再赘述。
根据本申请实施例的技术方案,通过依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集,并利用预先获取并标注的第二样本数据集对初始标签分类模型进行训练,生成预设的标签分类模型,之后利用预设的标签分类模型,确定目标病历数据对应的第二标签集,进而根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。由此,通过在预先获取并标注的样本数据集对初始标签分类模型进行训练,从而使得初始标签分类模型学习到病历数据与标签之前的关联性,以生成预设的标签分类模型,从而进一步提升了诊断结果校验准确性,进一步降低了误诊率。
为了实现上述实施例,本申请还提出一种诊断结果的校验装置。
图6为本申请实施例提供的一种诊断结果的校验装置的结构示意图。
如图6所示,该诊断结果的校验装置50,包括:
第一获取模块51,用于获取第一客户端发送的待校验的诊断结果及关联的目标病历数据;
第一确定模块52,用于依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集;
第二确定模块53,用于利用预设的标签分类模型对目标病历数据进行处理,以确定目标病历数据对应的第二标签集;以及
第三确定模块54,用于根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。
在实际使用时,本申请实施例提供的诊断结果的校验装置,可以被配置在任意电子设备中,以执行前述诊断结果的校验方法。
根据本申请实施例的技术方案,通过依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集,并利用预设的标签分类模型,确定目标病历数据对应的第二标签集,进而根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。由此,通过将全病种疾病划分为有限数量的疾病大类,建立标签与疾病的映射关系,进而利用预设的标签分类模型直接召回目标病历数据对应的标签集,即目标病历数据所属的疾病大类,以根据待校验的诊断结果所属的疾病大类与目标病历数据所属的疾病大类的重合度,实现对医生诊断结果的误诊校验,从而提高了基层医疗机构的诊断准确率,降低了误诊率。
在本申请一种可能的实现形式中,上述预设的标签分类模型,包括第一编码器、第二编码器及多层感知机,相应的,上述诊断结果的校验装置50,还包括:
第四确定模块,用于对目标病历数据进行自然语言处理,以确定目标病历数据中包括的目标文本数据及目标关键词集;
相应的,上述第二确定模块53,包括:
第一确定单元,用于利用第一编码器对目标文本数据进行编码处理,以确定目标病历数据对应的第一向量;
第二确定单元,用于利用第二编码器对目标关键词集进行编码处理,以确定目标病历数据对应的第二向量;
第三确定单元,用于利用多层感知机,对第一向量及第二向量进行处理,以确定目标病历数据对应的第二标签集。
进一步的,在本申请另一种可能的实现形式中,上述诊断结果的校验装置50,还包括:
第二获取模块,用于获取第一样本数据集,其中,第一样本数据集中包括多个标注病历数据;
第五确定模块,用于对多个标注病历数据中的每个标注病历数据进行自然语言处理,以确定在多个标注病历数据中出现频率大于第一阈值的各个参考词;
相应的,上述第四确定模块,包括:
获取单元,用于对目标病历数据进行自然语言处理,以获取目标病历数据中包括的与各个参考词匹配的目标关键词。
进一步的,在本申请再一种可能的实现形式中,上述第一标签集及上述第二标签集中分别包括以下标签中的至少一种:疾病分类标签及部位标签,且上述第二标签集中包括的标签类型与上述第一标签集中包括的标签类型相同。
进一步的,在本申请又一种可能的实现形式中,上述诊断结果的校验装置50,还包括:
发送模块,用于在待校验的诊断结果的可信度小于第二阈值时,将待校验的诊断结果及目标病历数据发送给第二客户端,以使第二客户端所属用户对诊断结果进行修正。
进一步的,在本申请又一种可能的实现形式中,上述诊断结果的校验装置50,还包括:
更新模块,用于根据可信度,更新第一客户端所属用户的得分。
进一步的,在本申请另一种可能的实现形式中,上述诊断结果的校验装置50,还包括:
第三获取模块,用于获取第二样本数据集,其中,第二样本数据集中包括多个样本,其中,每个样本中包括标注病历数据及标注标签集;
第六确定模块,用于利用初始标签分类模型,对每个样本中的标注病历数据进行处理,以确定对应的候选标签集;
生成模块,用于根据每个标注病历数据的候选标签集与标注标签集的差异,对初始标签分类模型进行修正,以生成预设的标签分类模型。
进一步的,在本申请再一种可能的实现形式中,上述初始标签分类模型中包括第一初始编码器、第二初始编码器及初始多层感知机,每个上述标注病历数据中包括标注文本数据及标注关键词集;相应的,上述第六确定模块,包括:
第四确定单元,用于利用第一初始编码器对标注文本数据进行编码处理,以确定标注文本数据对应的第一参考向量;
第五确定单元,用于利用第二初始编码器对标注关键词集进行编码处理,以确定标注关键词集对应的第二参考向量;
第六确定单元,用于利用初始多层感知机对第一参考向量及第二参考向量进行处理,以确定对应的候选标签集。
需要说明的是,前述对图1、图3、图4、图5所示的诊断结果的校验方法实施例的解释说明也适用于该实施例的诊断结果的校验装置50,此处不再赘述。
根据本申请实施例的技术方案,通过对视频流中当前时刻的目标图像进行实例分割,直接获取目标图像中各个车辆对应的检测框及掩膜区域,并从每个车辆对应的检测框内的掩膜区域提取第一像素点子集合,表征车辆的前景特征,以及从非掩膜区域内提取第二像素点子集合,表征车辆的背景特征,进而利用预设的点云模型根据提取的像素点集合,生成车辆的特征,以根据目标图像中每个车辆的特征,与历史图像中各个车辆的特征间的匹配度,确定目标图像中每个车辆的运行轨迹。由此,通过利用点云模型融合车辆的前景特征和背景特征,实现了准确、高效的提取车辆特征从而进一步提升了车辆跟踪实时性和准确性。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的诊断结果的校验方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个电子设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的诊断结果的校验方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的诊断结果的校验方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的诊断结果的校验方法对应的程序指令/模块(例如,附图6所示的第一获取模块51、第一确定模块52、第二确定模块53及第三确定模块54)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的诊断结果的校验方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据诊断结果的校验方法的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至诊断结果的校验方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
诊断结果的校验方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与诊断结果的校验方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过依据预设的标签与疾病的映射关系,确定与待校验的诊断结果所对应的第一标签集,并利用预设的标签分类模型,确定目标病历数据对应的第二标签集,进而根据第一标签集与第二标签集的重合度,确定待校验的诊断结果的可信度。由此,通过将全病种疾病划分为有限数量的疾病大类,建立标签与疾病的映射关系,进而利用预设的标签分类模型直接召回目标病历数据对应的标签集,即目标病历数据所属的疾病大类,以根据待校验的诊断结果所属的疾病大类与目标病历数据所属的疾病大类的重合度,实现对医生诊断结果的误诊校验,从而提高了基层医疗机构的诊断准确率,降低了误诊率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (18)
1.一种诊断结果的校验方法,包括:
获取第一客户端发送的待校验的诊断结果及关联的目标病历数据;
依据预设的标签与疾病的映射关系,确定与所述待校验的诊断结果所对应的第一标签集,所述预设的标签为所述疾病所属的疾病大类;
利用预设的标签分类模型对所述目标病历数据进行处理,以确定所述目标病历数据对应的第二标签集,其中,所述第二标签集是指利用所述预设的标签分类模型预测的所述目标病历数据对应的标签,所述第二标签集中包括的标签类型与所述第一标签集中包括的标签类型相同;以及
根据所述第一标签集与所述第二标签集的重合度,确定所述待校验的诊断结果的可信度,其中,所述第一标签集与所述第二标签集的重合度是指所述第一标签集中与所述第二标签集中相同的标签数量,与所述第二标签集中标签数量的比例。
2.如权利要求1所述的方法,其中,所述预设的标签分类模型,包括第一编码器、第二编码器及多层感知机,其中,所述在利用预设的标签分类模型对所述目标病历数据进行处理之前,还包括:
对所述目标病历数据进行自然语言处理,以确定所述目标病历数据中包括的目标文本数据及目标关键词集;
所述利用预设的标签分类模型对所述目标病历数据进行处理,以确定所述目标病历数据对应的第二标签集,包括:
利用所述第一编码器对所述目标文本数据进行编码处理,以确定所述目标病历数据对应的第一向量;
利用所述第二编码器对所述目标关键词集进行编码处理,以确定所述目标病历数据对应的第二向量;
利用所述多层感知机,对所述第一向量及所述第二向量进行处理,以确定所述目标病历数据对应的第二标签集。
3.如权利要求2所述的方法,其中,在对所述目标病历数据进行自然语言处理以确定所述目标病历数据中包括的目标文本数据及目标关键词集之前,还包括:
获取第一样本数据集,其中,所述第一样本数据集中包括多个标注病历数据;
对所述多个标注病历数据中的每个标注病历数据进行自然语言处理,以确定在所述多个标注病历数据中出现频率大于第一阈值的各个参考词;
所述对所述目标病历数据进行自然语言处理获取目标病历数据中包括的目标文本数据及目标关键词集,包括:
对所述目标病历数据进行自然语言处理,以获取所述目标病历数据中包括的与所述各个参考词匹配的目标关键词。
4.如权利要求1所述的方法,其中,所述第一标签集及所述第二标签集中分别包括以下标签中的至少一种:疾病分类标签及部位标签。
5.如权利要求1-4任一所述的方法,其中,在所述确定所述待校验的诊断结果的可信度之后,还包括:
若所述待校验的诊断结果的可信度小于第二阈值,则将所述待校验的诊断结果及所述目标病历数据发送给第二客户端,以使所述第二客户端所属用户对所述诊断结果进行修正。
6.如权利要求1-4任一所述的方法,其中,在所述确定所述待校验的诊断结果的可信度之后,还包括:
根据所述可信度,更新所述第一客户端所属用户的得分。
7.如权利要求1-4任一所述的方法,其中,在利用预设的标签分类模型对所述目标病历数据进行处理之前,还包括:
获取第二样本数据集,其中,所述第二样本数据集中包括多个样本,其中,每个所述样本中包括标注病历数据及标注标签集;
利用初始标签分类模型,对每个所述样本中的标注病历数据进行处理,以确定对应的候选标签集;
根据每个所述标注病历数据的候选标签集与标注标签集的差异,对所述初始标签分类模型进行修正,以生成所述预设的标签分类模型。
8.如权利要求7所述的方法,其中,所述初始标签分类模型中包括第一初始编码器、第二初始编码器及初始多层感知机,每个所述标注病历数据中包括标注文本数据及标注关键词集,其中,所述利用初始标签分类模型,对每个所述样本中的标注病历数据进行处理,以确定对应的候选标签集,包括:
利用所述第一初始编码器对所述标注文本数据进行编码处理,以确定所述标注文本数据对应的第一参考向量;
利用所述第二初始编码器对所述标注关键词集进行编码处理,以确定所述标注关键词集对应的第二参考向量;
利用所述初始多层感知机对所述第一参考向量及第二参考向量进行处理,以确定对应的候选标签集。
9.一种诊断结果的校验装置,包括:
第一获取模块,用于获取第一客户端发送的待校验的诊断结果及关联的目标病历数据;
第一确定模块,用于依据预设的标签与疾病的映射关系,确定与所述待校验的诊断结果所对应的第一标签集,所述预设的标签为所述疾病所属的疾病大类;
第二确定模块,用于利用预设的标签分类模型对所述目标病历数据进行处理,以确定所述目标病历数据对应的第二标签集,其中,所述第二标签集是指利用所述预设的标签分类模型预测的所述目标病历数据对应的标签,所述第二标签集中包括的标签类型与所述第一标签集中包括的标签类型相同;以及
第三确定模块,用于根据所述第一标签集与所述第二标签集的重合度,确定所述待校验的诊断结果的可信度,其中,所述第一标签集与所述第二标签集的重合度是指所述第一标签集中与所述第二标签集中相同的标签数量,与所述第二标签集中标签数量的比例。
10.如权利要求9所述的装置,其中,所述预设的标签分类模型,包括第一编码器、第二编码器及多层感知机,其中,所述装置,还包括:
第四确定模块,用于对所述目标病历数据进行自然语言处理,以确定所述目标病历数据中包括的目标文本数据及目标关键词集;
所述第二确定模块,包括:
第一确定单元,用于利用所述第一编码器对所述目标文本数据进行编码处理,以确定所述目标病历数据对应的第一向量;
第二确定单元,用于利用所述第二编码器对所述目标关键词集进行编码处理,以确定所述目标病历数据对应的第二向量;
第三确定单元,用于利用所述多层感知机,对所述第一向量及所述第二向量进行处理,以确定所述目标病历数据对应的第二标签集。
11.如权利要求10所述的装置,其中,还包括:
第二获取模块,用于获取第一样本数据集,其中,所述第一样本数据集中包括多个标注病历数据;
第五确定模块,用于对所述多个标注病历数据中的每个标注病历数据进行自然语言处理,以确定在所述多个标注病历数据中出现频率大于第一阈值的各个参考词;
所述第四确定模块,包括:
获取单元,用于对所述目标病历数据进行自然语言处理,以获取所述目标病历数据中包括的与所述各个参考词匹配的目标关键词。
12.如权利要求9所述的装置,其中,所述第一标签集及所述第二标签集中分别包括以下标签中的至少一种:疾病分类标签及部位标签。
13.如权利要求9-12任一所述的装置,其中,还包括:
发送模块,用于在所述待校验的诊断结果的可信度小于第二阈值时,将所述待校验的诊断结果及所述目标病历数据发送给第二客户端,以使所述第二客户端所属用户对所述诊断结果进行修正。
14.如权利要求9-12任一所述的装置,其中,还包括:
更新模块,用于根据所述可信度,更新所述第一客户端所属用户的得分。
15.如权利要求9-12任一所述的装置,其中,还包括:
第三获取模块,用于获取第二样本数据集,其中,所述第二样本数据集中包括多个样本,其中,每个所述样本中包括标注病历数据及标注标签集;
第六确定模块,用于利用初始标签分类模型,对每个所述样本中的标注病历数据进行处理,以确定对应的候选标签集;
生成模块,用于根据每个所述标注病历数据的候选标签集与标注标签集的差异,对所述初始标签分类模型进行修正,以生成所述预设的标签分类模型。
16.如权利要求15所述的装置,其中,所述初始标签分类模型中包括第一初始编码器、第二初始编码器及初始多层感知机,每个所述标注病历数据中包括标注文本数据及标注关键词集,其中,所述第六确定模块,包括:
第四确定单元,用于利用所述第一初始编码器对所述标注文本数据进行编码处理,以确定所述标注文本数据对应的第一参考向量;
第五确定单元,用于利用所述第二初始编码器对所述标注关键词集进行编码处理,以确定所述标注关键词集对应的第二参考向量;
第六确定单元,用于利用所述初始多层感知机对所述第一参考向量及第二参考向量进行处理,以确定对应的候选标签集。
17.一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478500.1A CN111710412B (zh) | 2020-05-29 | 2020-05-29 | 诊断结果的校验方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010478500.1A CN111710412B (zh) | 2020-05-29 | 2020-05-29 | 诊断结果的校验方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111710412A CN111710412A (zh) | 2020-09-25 |
CN111710412B true CN111710412B (zh) | 2023-07-25 |
Family
ID=72538225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010478500.1A Active CN111710412B (zh) | 2020-05-29 | 2020-05-29 | 诊断结果的校验方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111710412B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382383B (zh) * | 2020-11-04 | 2024-08-30 | 北京紫冬认知科技有限公司 | 诊疗数据处理方法、装置、服务器及存储介质 |
CN112331335B (zh) * | 2020-11-18 | 2023-07-07 | 沈阳东软智能医疗科技研究院有限公司 | 分诊方法、装置、存储介质及电子设备 |
CN112509691B (zh) * | 2020-11-30 | 2024-04-19 | 北京百度网讯科技有限公司 | 鉴别诊断的提示方法、装置、电子设备及存储介质 |
CN112507701B (zh) * | 2020-11-30 | 2024-03-15 | 北京百度网讯科技有限公司 | 待纠错医疗数据的识别方法、装置、设备和存储介质 |
CN112908443A (zh) * | 2021-03-12 | 2021-06-04 | 北京市商汤科技开发有限公司 | 医疗诊断结果的校验方法及装置、电子设备、存储介质 |
CN113139875B (zh) * | 2021-03-15 | 2023-01-10 | 青岛国新健康产业科技有限公司 | 欺诈病例查找方法、装置、电子设备与存储介质 |
CN113096799B (zh) * | 2021-04-25 | 2024-04-02 | 北京百度网讯科技有限公司 | 质控方法和装置 |
CN114141377A (zh) * | 2021-04-29 | 2022-03-04 | 深圳市康比特信息技术有限公司 | 一种建立诊断规则库的方法、诊断信息审核的方法及设备 |
CN113990514A (zh) * | 2021-10-28 | 2022-01-28 | 平安医疗健康管理股份有限公司 | 医师诊疗行为的异常检测装置、计算机设备及存储介质 |
CN114238558A (zh) * | 2021-11-12 | 2022-03-25 | 北京惠及智医科技有限公司 | 一种电子病历的质检方法、装置、存储介质及设备 |
CN115358223A (zh) * | 2022-09-05 | 2022-11-18 | 北京百度网讯科技有限公司 | 信息预测方法、装置、设备以及存储介质 |
CN116153516B (zh) * | 2023-04-19 | 2023-07-07 | 山东中医药大学第二附属医院(山东省中西医结合医院) | 一种基于分布式计算的疾病大数据挖掘分析系统 |
CN116525100B (zh) * | 2023-04-26 | 2024-08-23 | 脉景(杭州)健康管理有限公司 | 一种基于标签系统的中医开方反向校验方法及系统 |
CN117476163B (zh) * | 2023-12-27 | 2024-03-08 | 万里云医疗信息科技(北京)有限公司 | 用于确定疾病结论的方法、装置以及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413063B (zh) * | 2013-08-30 | 2017-03-01 | 北京市医疗器械检验所 | 医疗诊断设备准确性评估方法及装置 |
CN106821382A (zh) * | 2017-03-31 | 2017-06-13 | 颐拓科技(深圳)有限公司 | 呼吸监测诊断系统、干扰过滤方法及诊断方法 |
KR20190105460A (ko) * | 2018-03-05 | 2019-09-17 | 주식회사 인공지능연구원 | 의료 진단 리포트 생성 장치 및 방법 |
KR101929752B1 (ko) * | 2018-05-30 | 2018-12-17 | (주)제이엘케이인스펙션 | 인공지능 기반 의료기기의 임상적 유효성 평가 방법 및 시스템 |
CN109584208B (zh) * | 2018-10-23 | 2021-02-02 | 西安交通大学 | 一种针对工业结构缺陷智能识别模型的检验方法 |
CN111028934B (zh) * | 2019-12-23 | 2022-02-18 | 安徽科大讯飞医疗信息技术有限公司 | 诊断质检方法、装置、电子设备和存储介质 |
-
2020
- 2020-05-29 CN CN202010478500.1A patent/CN111710412B/zh active Active
Non-Patent Citations (1)
Title |
---|
Feature Selection Method Based on Class Discriminative Degree for Intelligent Medical Diagnosis;Fang, SQ等;《 CMC-COMPUTERS MATERIALS & CONTINUA》;第55卷(第3期);419-433 * |
Also Published As
Publication number | Publication date |
---|---|
CN111710412A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111710412B (zh) | 诊断结果的校验方法、装置及电子设备 | |
CN111523596B (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
CN112507715B (zh) | 确定实体之间关联关系的方法、装置、设备和存储介质 | |
CN111681726B (zh) | 电子病历数据的处理方法、装置、设备和介质 | |
CN112560479B (zh) | 摘要抽取模型训练方法、摘要抽取方法、装置和电子设备 | |
CN112347769B (zh) | 实体识别模型的生成方法、装置、电子设备及存储介质 | |
CN110569846A (zh) | 图像文字识别方法、装置、设备及存储介质 | |
CN112509690B (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
CN112507701B (zh) | 待纠错医疗数据的识别方法、装置、设备和存储介质 | |
CN112036509A (zh) | 用于训练图像识别模型的方法和装置 | |
CN112216359B (zh) | 医疗数据校验方法、装置及电子设备 | |
CN111832298B (zh) | 病历的质检方法、装置、设备以及存储介质 | |
CN111326251B (zh) | 一种问诊问题输出方法、装置以及电子设备 | |
CN111339759A (zh) | 领域要素识别模型训练方法、装置及电子设备 | |
CN112507090B (zh) | 用于输出信息的方法、装置、设备和存储介质 | |
CN111753761B (zh) | 模型生成方法、装置、电子设备及存储介质 | |
CN112837466B (zh) | 票据识别方法、装置、设备以及存储介质 | |
CN110517767A (zh) | 辅助诊断方法、装置、电子设备及存储介质 | |
CN114678137A (zh) | 基于数字化医疗的大数据挖掘方法及服务器 | |
Adornetto et al. | Automatic Medical Report Generation via Latent Space Conditioning and Transformers | |
CN110738261B (zh) | 图像分类和模型训练方法、装置、电子设备及存储介质 | |
CN112489790A (zh) | 关键数据确定方法、装置、设备及存储介质 | |
CN111753759A (zh) | 模型生成方法、装置、电子设备及存储介质 | |
CN116719904A (zh) | 基于图文结合的信息查询方法、装置、设备及存储介质 | |
CN113591908B (zh) | 事件指称匹配方法、模型训练方法、装置和电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |