CN111785368A - 基于医疗知识图谱的分诊方法、装置、设备及存储介质 - Google Patents

基于医疗知识图谱的分诊方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111785368A
CN111785368A CN202010621760.XA CN202010621760A CN111785368A CN 111785368 A CN111785368 A CN 111785368A CN 202010621760 A CN202010621760 A CN 202010621760A CN 111785368 A CN111785368 A CN 111785368A
Authority
CN
China
Prior art keywords
user
entity
triage
department
model
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
Application number
CN202010621760.XA
Other languages
English (en)
Inventor
林桂
黎旭东
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010621760.XA priority Critical patent/CN111785368A/zh
Priority to PCT/CN2020/118139 priority patent/WO2021139232A1/zh
Publication of CN111785368A publication Critical patent/CN111785368A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F40/295—Named entity recognition
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请揭示了一种基于医疗知识图谱的分诊方法、装置、设备及存储介质，其中方法包括：接收用户输入的病症描述语句；使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；将所述标准病症实体文本向量化，输入到基于医疗知识图谱的预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；将所述推荐就诊科室返回给用户。本申请直接将用户的主诉视为序列化文本，采用XGBoost分类模型进行分类，分类结果即为推荐就诊科室，减少用户多轮输入带来的麻烦，使用体验好，并在口语化识别方面优势明显，分诊结果准确。

Description

基于医疗知识图谱的分诊方法、装置、设备及存储介质
技术领域
本申请涉及到智能决策领域，特别是涉及到一种基于医疗知识图谱的分诊方法、装置、设备及存储介质。
背景技术
医院传统的分诊方式为设置分诊台，对医院的科室分类不了解、不清楚自己病症的患者可以去分诊台向工作人员咨询。但是，患者在向工作人员咨询时，一方面患者通常只能口语化表达自己的病情而无法使用医学术语，另一方面很多分诊台工作人员并非医师专业出身，所以，分诊台工作人员给出的科室推荐的准确性难以得到保证，且此种方式效率较低，人力成本较大。
发明人发现，目前市场上已经存在了一些智能分诊产品，如导诊机器人和分诊应用程序等，但在实际使用体验过程中，主要存在以下不足：现有产品在功能上更偏向于用户症状问询自诊，即通过与用户进行多轮交互，常多于三轮，用户通过多次点选应用推荐的相关症状，利用预先设计好的分类算法，推荐出最贴近用户描述的就诊科室，即推荐结果往往来自于较为冗长的用户与应用交互过程，当用户实际症状较简单或者明显时，仍需进行多轮交互；症状识别的智能化程度不高，分诊产品定位于普通用户，输入以口语化症状为主，难以直接映射到标准症状，效果较差，灵活性欠缺；同时，因为产品主要依赖于规则推荐科室，如将“发烧”的病人推荐到呼吸内科等硬性规则，当用户输入复杂的症状组合时，较难推荐正确答案。
发明内容
本申请的主要目的为提供一种基于医疗知识图谱的分诊方法、装置、设备及存储介质，旨在解决目前的分诊产品与用户交互过程冗长、口语化症状识别效果差、导诊效果差的技术问题。
为了实现上述发明目的，本申请提出一种基于医疗知识图谱的分诊方法，包括：
接收用户输入的病症描述语句；
使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；
利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；
将所述标准病症实体文本向量化，输入到基于医疗知识图谱的预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；
将所述推荐就诊科室返回给用户。
进一步地，所述接收用户输入的症状描述语句的步骤，包括：
判断用户输入的语句是否为语音；
若是，则将语音转换成文字，并将所述文字作为所述病症描述语句。
进一步地，所述XGBoost分类模型的训练方法，包括：
在医疗知识图谱中进行数据抽取，获取训练数据；
将训练数据按训练集：开发集：测试集为8:1:1的比例拆分，对XGBoost分类模型进行训练，其中，模型主要参数最大树深max_depth＝6，学习率eta＝0.5，分类类别num_class＝32。
进一步地，所述在医疗知识图谱中进行数据抽取，获取训练数据的步骤包括：
获取知识图谱中的科室实体及各科室实体的分诊属性，所述分诊属性是指该科室实体可以分诊治疗的疾病实体或/和症状属性；
将所述科室实体向量化并储存为标签数据集，将所述分诊属性向量化并储存为特征值数据集；
根据所述科室实体和所述分诊属性的对应关系建立所述标签数据集和所述特征值数据集的映射关系，得到所述训练数据。
进一步地，所述将推荐就诊科室返回给用户的步骤包括：
将所述科室推荐结果发送至用户终端；
在用户终端的界面上显示或通过语音播报给用户。
进一步地，所述将所述推荐就诊科室返回给用户的步骤之后包括：
接收所述用户终端发送的就诊反馈结果，从所述就诊反馈结果中提取实际就诊科室；
当所述推荐就诊科室与所述实际就诊科室不一致时，根据所述标准病症实体与所述实际就诊科室生成修正样本数据；
根据所述修正样本数据对知识图谱进行更新。
进一步地，所述将推荐就诊科室返回给用户的步骤之后还包括：
获取用户预约时间和用户位置信息；
查找与所述科室推荐结果、所述用户预约时间对应的在诊医生；
获取所述在诊医生对应的医院评分、医院位置信息和医生评分；
根据所述医院位置信息和所述用户位置信息计算医院距离得分；
根据所述医院评分、所述医生评分和所述医院距离得分计算医生推荐得分；
根据所述医生推荐得分对所述在诊医生进行排序，根据排序后的所述在诊医生生成医生预约推荐结果。
本申请实施例还提供一种基于医疗知识图谱的分诊装置，包括：
接收单元，用于接收用户输入的症状描述语句；
实体获取单元，用于使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；
实体链接单元，利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；
分类单元，用于将所述标准病症实体文本向量化，输入到基于医疗知识图谱预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；
返回单元，用于将所述推荐就诊科室返回给用户。
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任一项所述方法的步骤。
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，其特征在于，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于医疗知识图谱的分诊方法、装置、计算机设备及可读存储介质，直接将用户的主诉视为序列化文本，采用XGBoost分类模型进行分类，分类结果即为推荐就诊科室，减少用户多轮输入带来的麻烦，使用体验好，并在口语化识别方面优势明显，分诊结果准确。
附图说明
图1为本申请一实施例的基于医疗知识图谱的分诊方法的流程示意图；
图2为本申请一实施例的基于医疗知识图谱的分诊装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种基于医疗知识图谱的分诊方法，包括步骤：
S1、接收用户输入的症状描述语句；
S2、使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；
S3、利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；
S4、将所述标准病症实体文本向量化，输入到基于医疗知识图谱预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；
S5、将所述推荐就诊科室返回给用户。
本方案提出了一种基于医疗知识图谱的分诊方法，可以应用于医院的智能导诊机器人、自助挂号机，也可以应用于用户的智能移动终端设备如手机、平板电脑等，下文统称为用户终端，这些设备可以通过互联网与服务器连接，在服务器端完成数据的存储与分类计算，提高运行与相应速度。
如上述步骤S1所述，智能分诊系统是根据用户的症状描述自动推荐就诊科室的系统，首先需要获取用户的症状。目前用户常用的输入方式有文字输入和语音输入，为方便分类模型对用户输入的症状描述语句进行分析处理，需要将用户输入的语音转化为对应的文字。
如上述步骤S2所述，用户输入的病症描述语句中通常会含有病症实体，其中病症实体可以是用户自行诊断的疾病实体或症状实体。例如，用户发烧流涕，稍有常识的病人都会首先怀疑自己是感冒。本方案中，利用BERT(Bidirectional Encoder Representationsfrom Transformers)模型对病症实体进行实体识别可以识别到口语化的病症实体。以“头很痛怎么办”为例，使用预先训练好的BERT模型对该语句进行字符级别编码，分别形成字向量作为输入。核心模型使用经典的BILSTM+CRF架构，其中BILSTM是指双向LSTM(Long ShortTerm Memory)，GRF是Conditional Random Field的缩写。其中双向LSTM主要对语句进行encode操作，值得一提的是，双向LSTM效果比单向LSTM或GRU(Gate Recurrent Unit)更好，由于对语句进行前后遍历，更能捕获语义特征，起到特征提取的作用。然后将其输入CRF层进行解码操作，计算序列中每个字的标签。经过上述操作，模型输出“头很痛”三个字的标签分别为B，I，I，其中B为Begin，表示名词短语的开始；I为Intermediate，表示名词短语的中间；该句的其他字标签均为O，即Other，表示非名词短语。因此“头很痛”为名词短语，在此为症状实体。
如上述步骤S3所述，在步骤S2中，利用BERT模型可以识别出一些口语化的症状，识别更加准确，应用范围更广。在此步骤中，根据识别出的口语化症状利用实体链接算法将口语化的症状链接到知识图谱中的标准症状。如“头很痛”这个症状实体就会被链接到知识图谱中的“头痛”这个症状实体。
如上述步骤S4所述，利用基于知识图谱预先训练好的XGBoost分类模型对症状序列化文本进行分类，模型输出结果为推荐就诊科室。所述分类模型是通过使用机器学习算法对知识图谱中的训练数据进行训练得到的，所述训练数据包括症状数据和推荐就诊科室数据，将症状数据作为输入，将推荐就诊科室作为输出对分类模型进行训练。XGBoost模型可以很好地完成分类和回归任务，XGBoost最大的特点在于它能够自动利用CPU的多线程进行并行，同时在算法上加以改进提高了精度。本方案采用XGBoost分类模型对用户病状序列文本直接进行分类，区别于传统的症状抽取到疾病诊断到科室的流程，分类结果即为推荐就诊科室，算法整体准确率高达94.8％，实际落地准确率高达85％，可以避免直接使用症状实体识别、疾病推理、科室推荐的常规分诊算法流程，减少了用户多轮输入带来的麻烦，使用体验良好。
如上述步骤S5所述，在模型给出推荐的就诊科室之后，将所述推荐就诊科室返回给用户。
在一个具体的实施例中，所述接收用户输入的症状描述语句的步骤，包括：
判断用户输入的语句是否为语音；
若是，则将语音转换成文字，并将所述文字作为所述病症描述语句。如上所述，本方案的分诊方法可以应用于应用程序，在医院的设备或用户的移动终端设备上实现。目前，语音输入是一种常用的语言输入方式，可以给用户带来便利。如果用户输入症状描述语句是语音输入，为了将其转化为计算机或服务器可以处理的语言，需要对语音进行语音识别，转化为对应的文字格式的病状描述语句。
在一个具体的实施例中，所述XGBoost分类模型的训练方法，包括：
在医疗知识图谱中进行数据抽取，获取训练数据；
将训练数据按训练集：开发集：测试集为8:1:1的比例拆分，对XGBoost分类模型进行训练，其中，模型主要参数最大树深max_depth＝6，学习率eta＝0.5，分类类别num_class＝32。
如上所述，XGBoost分类模型的训练数据来自于完善的医疗知识图谱，训练过程中，将训练数据按随机抽样的形式将训练集、开发集、测试集切分为8:1:1，其中，训练集数据用于训练模型参数，开发集数据用于调整参数，测试集数据用于对模型算法进行评估。输入到模型中，模型进行特征选择，节点分裂，最终经过softmax层输出。训练完成的模型主要参数：“max_depth”:6,“eta”:0.5,“num_class”:32，即最大树深为6，学习率为0.5，输出类别为32，即32个国标一级科室，其中max_depth是指树的最大深度，max_depth越大，模型学习的更加具体，eta表示学习率，也称为迭代率，此数值影响模型的准确度和运行速度，num_class是指输出的类别数量。
在一个具体的实施例中，所述在医疗知识图谱中进行数据抽取，获取训练数据的步骤包括：
获取知识图谱中的科室实体及各科室实体的分诊属性，所述分诊属性是指该科室实体可以分诊治疗的疾病实体或/和症状属性；
将所述科室实体向量化并储存为标签数据集，将所述分诊属性向量化并储存为特征值数据集；
根据所述科室实体和所述分诊属性的对应关系建立所述标签数据集和所述特征值数据集的映射关系，得到所述训练数据。
如上步骤所述，上述疾病实体和症状属性均可以作为知识图谱中区分该疾病实体与其他疾病实体的分诊属性，从而根据该分诊属性去进行分诊，以确定分诊之后所对应的科室实体；比如科室实体为呼吸内科，该科室实体的分诊属性包括肺炎这种疾病实体，同时还可以包括肺炎的症状属性“呼吸困难”、“食欲减退”等。若自然问询语句中包含“肺炎”、“呼吸困难”这两个病症关键词，此时可以根据上述病症关键词(该病症关键词中的肺炎为分诊属性中的疾病实体，呼吸困难为分诊属性中的症状属性)确定其疾病实体为“肺炎”，进而根据该疾病实体(也即分诊属性)确定其分诊科室(科室实体)为呼吸内科。故在对分类模型进行训练时，训练数据为科室实体和分诊属性的映射数据集，其中以科室实体作为标签数据，以分诊属性作为特征值数据。
在一个具体的实施例中，所述将推荐就诊科室返回给用户的步骤包括：
将所述科室推荐结果发送至用户终端；
在用户终端的界面上显示或通过语音播报给用户。
如上所述，将生成的科室推荐结果发送至用户终端，具体可以应用、短信、微信通知或邮件等方式进行发送，然后在用户终端的界面上显示或通过语音播报给用户。
在一个具体的实施例中，所述将所述推荐就诊科室返回给用户的步骤之后包括：
接收所述用户终端发送的就诊反馈结果，从所述就诊反馈结果中提取实际就诊科室；
当所述推荐就诊科室与所述实际就诊科室不一致时，根据所述标准病症实体与所述实际就诊科室生成修正样本数据；
根据所述修正样本数据对知识图谱进行更新。
如上所述，用户通过终端接收到科室推荐结果后进行挂号就诊，并根据实际的就诊情况即就诊科室是否正确、是否需要进行转诊等进行就诊反馈。用户向终端输入就诊反馈结果，当就诊科室与实际诊疗科室不一致时，用户可以将实际诊疗科室的科室信息也输入终端中，用户可以通过文字、语音等方式进行输入实际就诊科室信息，当用户终端获取到用户输入的实际就诊科室信息后，根据实际就诊科室信息生成就诊反馈结果并发送给服务器。服务器接收终端发送的就诊反馈结果后，从就诊反馈结果中提取用户的实际就诊科室。服务器将提取到的实际就诊信息与对应的科室推荐结果中的推荐科室进行比较，判断推荐科室与实际就诊科室是否一致，当推荐科室与实际就诊科室不一致时，服务器根据所述标准病症实体与所述实际就诊科室生成修正样本数据，将修正样本数据更新至知识图谱中，保证知识图谱的数据准确性。
在一个具体的实施例中，所述将推荐就诊科室返回给用户的步骤之后还包括：
获取用户预约时间和用户位置信息；
查找与所述科室推荐结果、所述用户预约时间对应的在诊医生；
获取所述在诊医生对应的医院评分、医院位置信息和医生评分；
根据所述医院位置信息和所述用户位置信息计算医院距离得分；
根据所述医院评分、所述医生评分和所述医院距离得分计算医生推荐得分；
根据所述医生推荐得分对所述在诊医生进行排序，根据排序后的所述在诊医生生成医生预约推荐结果。
如上所述，用户预约时间为用户的预约就诊时间，用户位置信息为用户的常用居住地址，用户可以向用户终端输入预约就诊时间和常用居住地地址，用户终端也可以自动定位用户的位置信息，用户终端将获取的居住地地址转换为经纬度位置信息并生成用户位置信息，用户终端将获取的用户预约时间和用户位置信息发送给服务器。服务器接收用户终端发送的用户预约时间和用户位置信息，查找与科室推荐结果中的推荐科室对应的在诊医生，获取在诊医生对应的值班时间，筛选出值班时间与用户预约时间相匹配的在诊医生。服务器获取筛选出的在诊医生对应的医院评分、医院位置信息和医生评分，医院位置信息为医院所在地经纬度数据，服务器根据用户位置信息与医院位置信息计算出医院与用户的位置距离，并查找与位置距离对应的医院距离得分，医院距离得分与位置距离的对应关系事先设定并存储，如位置距离5km以内对应的得分为10分，位置距离5km-10km对应的距离得分为8分等。服务器分别获取预先设定的医院评分、医生评分和医院距离得分对应的评分权重，对各项评分和对应的评分权重进行加权求和后得到筛选出的各在诊医生的医生推荐得分。并根据医生推荐得分由高到低的顺序对筛选出的在诊医生进行排序，将排在预设排序位置之前的在诊医生提取出来，获取提取出的在诊医生的医生信息，医生信息可以包括医生姓名、出诊时间、所属医院、医院地址、医生职称、执医年限、擅长领域等信息，服务器根据获取到的医生信息生成医生预约推荐结果，并将医生预约推荐结果返回给用户终端。服务器通过获取用户的预约时间和位置信息，可以自动为用户匹配综合评分较高的在诊医生，便于用户进行医院和医生的选择。
本申请实施例的基于医疗知识图谱的分诊方法，直接将用户的主诉视为序列化文本，采用XGBoost分类模型进行分类，分类结果即为推荐就诊科室，减少用户多轮输入带来的麻烦，使用体验好，并在口语化识别方面优势明显，分诊结果准确。
参照图2，本申请实施例中还提供一种基于医疗知识图谱的分诊装置，包括：
接收单元1，用于接收用户输入的症状描述语句；
实体获取单元2，用于使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；
实体链接单元3，利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；
分类单元4，用于将所述标准病症实体文本向量化，输入到基于医疗知识图谱预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；
返回单元5，用于将所述推荐就诊科室返回给用户。
如上所述，可以理解地，本发明中提出的所述基于医疗知识图谱的分诊装置的各组成部分可以实现如上所述基于医疗知识图谱的分诊方法任一项的功能，具体结构不再赘述。
参照图3，本发明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医疗知识图谱等数据。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基于医疗知识图谱的分诊方法。
上述处理器执行上述的基于医疗知识图谱的分诊方法，包括：接收用户输入的病症描述语句；使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；将所述标准病症实体文本向量化，输入到基于医疗知识图谱的预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；将所述推荐就诊科室返回给用户。
在一个实施例中，所述接收用户输入的症状描述语句的步骤，包括：判断用户输入的语句是否为语音；若是，则将语音转换成文字，并将所述文字作为所述病症描述语句。在一个实施例中，所述XGBoost分类模型的训练方法，包括：在医疗知识图谱中进行数据抽取，获取训练数据；将训练数据按训练集：开发集：测试集为8:1:1的比例拆分，对XGBoost分类模型进行训练，其中，模型主要参数max_depth＝6，eta＝0.5，num_class＝32。
在一个具体的实施例中，所述在医疗知识图谱中进行数据抽取，获取训练数据的步骤包括：获取知识图谱中的科室实体及各科室实体的分诊属性，所述分诊属性是指该科室实体可以分诊治疗的疾病实体或/和症状属性；将所述科室实体向量化并储存为标签数据集，将所述分诊属性向量化并储存为特征值数据集；根据所述科室实体和所述分诊属性的对应关系建立所述标签数据集和所述特征值数据集的映射关系，得到所述训练数据。
在一个具体的实施例中，所述将推荐就诊科室返回给用户的步骤包括：将所述科室推荐结果发送至用户终端；在用户终端的界面上显示或通过语音播报给用户。
在一个具体的实施例中，所述将所述推荐就诊科室返回给用户的步骤之后包括：接收所述用户终端发送的就诊反馈结果，从所述就诊反馈结果中提取实际就诊科室；当所述推荐就诊科室与所述实际就诊科室不一致时，根据所述标准病症实体与所述实际就诊科室生成修正样本数据；根据所述修正样本数据对知识图谱进行更新。
在一个具体的实施例中，所述将推荐就诊科室返回给用户的步骤之后还包括：获取用户预约时间和用户位置信息；查找与所述科室推荐结果、所述用户预约时间对应的在诊医生；获取所述在诊医生对应的医院评分、医院位置信息和医生评分；根据所述医院位置信息和所述用户位置信息计算医院距离得分；根据所述医院评分、所述医生评分和所述医院距离得分计算医生推荐得分；根据所述医生推荐得分对所述在诊医生进行排序，根据排序后的所述在诊医生生成医生预约推荐结果。
本发明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基于医疗知识图谱的分诊方法，包括步骤：接收用户输入的病症描述语句；使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；将所述标准病症实体文本向量化，输入到基于医疗知识图谱的预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；将所述推荐就诊科室返回给用户。
上述执行的基于医疗知识图谱的分诊方法，直接将用户的主诉视为序列化文本，采用XGBoost分类模型进行分类，分类结果即为推荐就诊科室，减少用户多轮输入带来的麻烦，使用体验好，并在口语化识别方面优势明显，分诊结果准确。
在一个实施例中，所述接收用户输入的症状描述语句的步骤，包括：判断用户输入的语句是否为语音；若是，则将语音转换成文字，并将所述文字作为所述病症描述语句。
在一个实施例中，所述XGBoost分类模型的训练方法，包括：在医疗知识图谱中进行数据抽取，获取训练数据；将训练数据按训练集：开发集：测试集为8:1:1的比例拆分，对XGBoost分类模型进行训练，其中，模型主要参数max_depth＝6，eta＝0.5，num_class＝32。
在一个具体的实施例中，所述在医疗知识图谱中进行数据抽取，获取训练数据的步骤包括：获取知识图谱中的科室实体及各科室实体的分诊属性，所述分诊属性是指该科室实体可以分诊治疗的疾病实体或/和症状属性；将所述科室实体向量化并储存为标签数据集，将所述分诊属性向量化并储存为特征值数据集；根据所述科室实体和所述分诊属性的对应关系建立所述标签数据集和所述特征值数据集的映射关系，得到所述训练数据。
在一个具体的实施例中，所述将推荐就诊科室返回给用户的步骤包括：将所述科室推荐结果发送至用户终端；在用户终端的界面上显示或通过语音播报给用户。
在一个具体的实施例中，所述将所述推荐就诊科室返回给用户的步骤之后包括：接收所述用户终端发送的就诊反馈结果，从所述就诊反馈结果中提取实际就诊科室；当所述推荐就诊科室与所述实际就诊科室不一致时，根据所述标准病症实体与所述实际就诊科室生成修正样本数据；根据所述修正样本数据对知识图谱进行更新。
在一个具体的实施例中，所述将推荐就诊科室返回给用户的步骤之后还包括：获取用户预约时间和用户位置信息；查找与所述科室推荐结果、所述用户预约时间对应的在诊医生；获取所述在诊医生对应的医院评分、医院位置信息和医生评分；根据所述医院位置信息和所述用户位置信息计算医院距离得分；根据所述医院评分、所述医生评分和所述医院距离得分计算医生推荐得分；根据所述医生推荐得分对所述在诊医生进行排序，根据排序后的所述在诊医生生成医生预约推荐结果。
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于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以多种形式可得，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”或者其任何其他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他要素，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。

Claims (10)

1.一种基于医疗知识图谱的分诊方法，其特征在于，包括：
接收用户输入的病症描述语句；
使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；
利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；
将所述标准病症实体文本向量化，输入到基于医疗知识图谱的预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；
将所述推荐就诊科室返回给所述用户。
2.根据权利要求1所述的基于医疗知识图谱的分诊方法，其特征在于，所述接收用户输入的症状描述语句的步骤，包括：
判断用户输入的语句是否为语音；
若是，则将语音转换成文字，并将所述文字作为所述病症描述语句。
3.根据权利要求1所述的基于医疗知识图谱的分诊方法，其特征在于，所述XGBoost分类模型的训练方法，包括：
在医疗知识图谱中进行数据抽取，获取训练数据；
将训练数据按训练集：开发集：测试集为8:1:1的比例拆分，对XGBoost分类模型进行训练，其中，模型主要参数最大树深max_depth＝6，学习率eta＝0.5，分类类别num_class＝32。
4.根据权利要求3所述的基于医疗知识图谱的分诊方法，其特征在于，所述在医疗知识图谱中进行数据抽取，获取训练数据的步骤包括：
获取知识图谱中的科室实体及各科室实体的分诊属性，所述分诊属性是指所述科室实体可以分诊治疗的疾病实体或/和症状属性；
将所述科室实体向量化并储存为标签数据集，以及将所述分诊属性向量化并储存为特征值数据集；
根据所述科室实体和所述分诊属性的对应关系建立所述标签数据集和所述特征值数据集的映射关系，得到所述训练数据。
5.根据权利要求1所述的基于医疗知识图谱的分诊方法，其特征在于，所述将推荐就诊科室返回给用户的步骤包括：
将所述科室推荐结果发送至用户终端；
在用户终端的界面上显示或通过语音播报给用户。
6.根据权利要求1所述的基于医疗知识图谱的分诊方法，其特征在于，所述将所述推荐就诊科室返回给用户的步骤之后包括：
接收所述用户终端发送的就诊反馈结果，从所述就诊反馈结果中提取实际就诊科室；
当所述推荐就诊科室与所述实际就诊科室不一致时，根据所述标准病症实体与所述实际就诊科室生成修正样本数据；
根据所述修正样本数据对知识图谱进行更新。
7.根据权利要求1所述的基于医疗知识图谱的分诊方法，其特征在于，
所述将推荐就诊科室返回给用户的步骤之后还包括：
获取用户预约时间和用户位置信息；
查找与所述科室推荐结果、所述用户预约时间对应的在诊医生；
获取所述在诊医生对应的医院评分、医院位置信息和医生评分；
根据所述医院位置信息和所述用户位置信息计算医院距离得分；
根据所述医院评分、所述医生评分和所述医院距离得分计算医生推荐得分；
根据所述医生推荐得分对所述在诊医生进行排序，根据排序后的所述在诊医生生成医生预约推荐结果。
8.一种基于医疗知识图谱的分诊装置，其特征在于，包括：
接收单元，用于接收用户输入的症状描述语句；
实体获取单元，用于使用预先训练好的BERT模型对所述语句进行字符编码，生成字向量，利用BILSTM模型和CRF模型对所述字向量进行解码，获取病症实体；
实体链接单元，利用实体链接算法将所述病症实体链接到知识图谱中的标准病症实体；
分类单元，用于将所述标准病症实体文本向量化，输入到基于医疗知识图谱预先训练好的XGBoost分类模型中，模型输出结果为推荐就诊科室；
返回单元，用于将所述推荐就诊科室返回给用户。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010621760.XA 2020-06-30 2020-06-30 基于医疗知识图谱的分诊方法、装置、设备及存储介质 Pending CN111785368A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010621760.XA CN111785368A (zh) 2020-06-30 2020-06-30 基于医疗知识图谱的分诊方法、装置、设备及存储介质
PCT/CN2020/118139 WO2021139232A1 (zh) 2020-06-30 2020-09-27 基于医疗知识图谱的分诊方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010621760.XA CN111785368A (zh) 2020-06-30 2020-06-30 基于医疗知识图谱的分诊方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111785368A true CN111785368A (zh) 2020-10-16

Family

ID=72760410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010621760.XA Pending CN111785368A (zh) 2020-06-30 2020-06-30 基于医疗知识图谱的分诊方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN111785368A (zh)
WO (1) WO2021139232A1 (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112151188A (zh) * 2020-10-19 2020-12-29 科技谷（厦门）信息技术有限公司 一种基于医疗知识图谱的智能疾病预测系统
CN112164460A (zh) * 2020-10-19 2021-01-01 科技谷（厦门）信息技术有限公司 一种基于医疗知识图谱的智能疾病辅助诊断系统
CN112331283A (zh) * 2020-10-27 2021-02-05 贵州精准医疗电子有限公司 健康监测方法、装置及计算机可读介质
CN112530576A (zh) * 2020-11-30 2021-03-19 百度健康(北京)科技有限公司 一种线上医患匹配方法、装置、电子设备及存储介质
CN112614578A (zh) * 2020-12-29 2021-04-06 平安国际智慧城市科技股份有限公司 医生智能推荐方法、装置、电子设备及存储介质
CN112700862A (zh) * 2020-12-25 2021-04-23 上海钛米机器人股份有限公司 目标科室的确定方法、装置、电子设备及存储介质
CN113299375A (zh) * 2021-07-27 2021-08-24 北京好欣晴移动医疗科技有限公司 数字文件信息实体标注和识别方法、装置和系统
CN113327691A (zh) * 2021-06-01 2021-08-31 平安科技（深圳）有限公司 基于语言模型的问询方法、装置、计算机设备及存储介质
CN113610194A (zh) * 2021-09-09 2021-11-05 重庆数字城市科技有限公司 一种数字档案自动分类方法
CN113656588A (zh) * 2021-09-01 2021-11-16 平安医疗健康管理股份有限公司 基于知识图谱的数据对码方法、装置、设备和存储介质
CN113707304A (zh) * 2021-08-30 2021-11-26 平安国际智慧城市科技股份有限公司 分诊数据处理方法、装置、设备及存储介质
CN113707285A (zh) * 2021-08-30 2021-11-26 康键信息技术（深圳）有限公司 科室分诊方法、系统、设备以及存储介质
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
CN113821592A (zh) * 2021-06-23 2021-12-21 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及存储介质
CN114328979A (zh) * 2022-03-14 2022-04-12 北京泽桥医疗科技股份有限公司 一种基于医学知识图谱的医学点数字数据推荐算法
CN114783580A (zh) * 2022-06-20 2022-07-22 武汉博科国泰信息技术有限公司 一种医疗数据质量评估方法及系统
WO2022206599A1 (zh) * 2021-04-02 2022-10-06 北京京东拓先科技有限公司 分诊方法及装置、计算机可存储介质
WO2023272563A1 (zh) * 2021-06-30 2023-01-05 京东方科技集团股份有限公司 智能分诊方法、装置、存储介质及电子设备
CN117149998A (zh) * 2023-10-30 2023-12-01 北京南师信息技术有限公司 基于多目标优化的智能就诊推荐方法及系统
CN117497158A (zh) * 2023-12-28 2024-02-02 智业软件股份有限公司 基于维度组合与权重计算推荐分诊等级的方法
CN113821592B (zh) * 2021-06-23 2024-06-28 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114974554A (zh) * 2022-02-23 2022-08-30 北京爱医声科技有限公司 融合图谱知识强化病历特征的方法、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635122A (zh) * 2018-11-28 2019-04-16 平安科技（深圳）有限公司 智能疾病问询方法、装置、设备及存储介质
CN110069631A (zh) * 2019-04-08 2019-07-30 腾讯科技（深圳）有限公司 一种文本处理方法、装置以及相关设备
CN110489538A (zh) * 2019-08-27 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的语句应答方法、装置及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3557439A1 (en) * 2018-04-16 2019-10-23 Tata Consultancy Services Limited Deep learning techniques based multi-purpose conversational agents for processing natural language queries
CN109659013B (zh) * 2018-11-28 2023-07-07 平安科技（深圳）有限公司 病症分诊及路径优化方法、装置、设备及存储介质
CN110085307B (zh) * 2019-04-04 2023-02-03 华东理工大学 一种基于多源知识图谱融合的智能导诊方法和系统
CN110516260A (zh) * 2019-08-30 2019-11-29 腾讯科技（深圳）有限公司 实体推荐方法、装置、存储介质及设备
CN110993078A (zh) * 2019-11-27 2020-04-10 华中科技大学同济医学院附属协和医院 一种医疗分诊方法、装置和存储介质
CN111310471B (zh) * 2020-01-19 2023-03-10 陕西师范大学 一种基于bblc模型的旅游命名实体识别方法
CN111339277A (zh) * 2020-02-28 2020-06-26 中国工商银行股份有限公司 基于机器学习的问答交互方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109635122A (zh) * 2018-11-28 2019-04-16 平安科技（深圳）有限公司 智能疾病问询方法、装置、设备及存储介质
CN110069631A (zh) * 2019-04-08 2019-07-30 腾讯科技（深圳）有限公司 一种文本处理方法、装置以及相关设备
CN110489538A (zh) * 2019-08-27 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的语句应答方法、装置及电子设备

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112164460A (zh) * 2020-10-19 2021-01-01 科技谷（厦门）信息技术有限公司 一种基于医疗知识图谱的智能疾病辅助诊断系统
CN112151188A (zh) * 2020-10-19 2020-12-29 科技谷（厦门）信息技术有限公司 一种基于医疗知识图谱的智能疾病预测系统
CN112164460B (zh) * 2020-10-19 2023-06-30 集美大学 一种基于医疗知识图谱的智能疾病辅助诊断系统
CN112331283A (zh) * 2020-10-27 2021-02-05 贵州精准医疗电子有限公司 健康监测方法、装置及计算机可读介质
CN112530576A (zh) * 2020-11-30 2021-03-19 百度健康(北京)科技有限公司 一种线上医患匹配方法、装置、电子设备及存储介质
CN112700862A (zh) * 2020-12-25 2021-04-23 上海钛米机器人股份有限公司 目标科室的确定方法、装置、电子设备及存储介质
CN112700862B (zh) * 2020-12-25 2024-04-16 上海钛米机器人股份有限公司 目标科室的确定方法、装置、电子设备及存储介质
CN112614578B (zh) * 2020-12-29 2023-06-09 深圳平安智慧医健科技有限公司 医生智能推荐方法、装置、电子设备及存储介质
CN112614578A (zh) * 2020-12-29 2021-04-06 平安国际智慧城市科技股份有限公司 医生智能推荐方法、装置、电子设备及存储介质
WO2022206599A1 (zh) * 2021-04-02 2022-10-06 北京京东拓先科技有限公司 分诊方法及装置、计算机可存储介质
CN113327691B (zh) * 2021-06-01 2022-08-12 平安科技（深圳）有限公司 基于语言模型的问询方法、装置、计算机设备及存储介质
CN113327691A (zh) * 2021-06-01 2021-08-31 平安科技（深圳）有限公司 基于语言模型的问询方法、装置、计算机设备及存储介质
CN113821592B (zh) * 2021-06-23 2024-06-28 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及存储介质
CN113821592A (zh) * 2021-06-23 2021-12-21 腾讯科技（深圳）有限公司 一种数据处理方法、装置、设备以及存储介质
WO2023272563A1 (zh) * 2021-06-30 2023-01-05 京东方科技集团股份有限公司 智能分诊方法、装置、存储介质及电子设备
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
CN113299375A (zh) * 2021-07-27 2021-08-24 北京好欣晴移动医疗科技有限公司 数字文件信息实体标注和识别方法、装置和系统
CN113707304B (zh) * 2021-08-30 2023-08-01 深圳平安智慧医健科技有限公司 分诊数据处理方法、装置、设备及存储介质
CN113707285A (zh) * 2021-08-30 2021-11-26 康键信息技术（深圳）有限公司 科室分诊方法、系统、设备以及存储介质
CN113707304A (zh) * 2021-08-30 2021-11-26 平安国际智慧城市科技股份有限公司 分诊数据处理方法、装置、设备及存储介质
CN113656588A (zh) * 2021-09-01 2021-11-16 平安医疗健康管理股份有限公司 基于知识图谱的数据对码方法、装置、设备和存储介质
CN113656588B (zh) * 2021-09-01 2024-05-10 深圳平安医疗健康科技服务有限公司 基于知识图谱的数据对码方法、装置、设备和存储介质
CN113610194B (zh) * 2021-09-09 2023-08-11 重庆数字城市科技有限公司 一种数字档案自动分类方法
CN113610194A (zh) * 2021-09-09 2021-11-05 重庆数字城市科技有限公司 一种数字档案自动分类方法
CN114328979A (zh) * 2022-03-14 2022-04-12 北京泽桥医疗科技股份有限公司 一种基于医学知识图谱的医学点数字数据推荐算法
CN114783580A (zh) * 2022-06-20 2022-07-22 武汉博科国泰信息技术有限公司 一种医疗数据质量评估方法及系统
CN117149998A (zh) * 2023-10-30 2023-12-01 北京南师信息技术有限公司 基于多目标优化的智能就诊推荐方法及系统
CN117149998B (zh) * 2023-10-30 2024-01-23 北京南师信息技术有限公司 基于多目标优化的智能就诊推荐方法及系统
CN117497158A (zh) * 2023-12-28 2024-02-02 智业软件股份有限公司 基于维度组合与权重计算推荐分诊等级的方法
CN117497158B (zh) * 2023-12-28 2024-04-16 智业软件股份有限公司 基于维度组合与权重计算推荐分诊等级的方法

Also Published As

Publication number Publication date
WO2021139232A1 (zh) 2021-07-15

Similar Documents

Publication Publication Date Title
CN111785368A (zh) 基于医疗知识图谱的分诊方法、装置、设备及存储介质
CN112242187B (zh) 基于知识图谱表征学习的医疗方案推荐系统及方法
CN111026842B (zh) 自然语言处理方法、自然语言处理装置及智能问答系统
CN111613339B (zh) 一种基于深度学习的相似病历查找方法与系统
CN111274373B (zh) 一种基于知识图谱的电子病历问答方法及系统
CN112002411A (zh) 一种基于电子病历的心脑血管病知识图谱问答方法
CN111708874A (zh) 基于复杂意图智能识别的人机交互问答方法与系统
US11670420B2 (en) Drawing conclusions from free form texts with deep reinforcement learning
CN110717034A (zh) 一种本体构建方法及装置
CN110675944A (zh) 分诊方法及装置、计算机设备及介质
CN107491655B (zh) 基于机器学习的肝脏疾病信息智能咨询系统
CN111949759A (zh) 病历文本相似度的检索方法、系统及计算机设备
CN112667799B (zh) 一种基于语言模型和实体匹配的医疗问答系统构建方法
CN102663129A (zh) 医疗领域深度问答方法及医学检索系统
CN111625658A (zh) 基于知识图谱的语音交互方法、装置、设备及存储介质
CN113569023A (zh) 一种基于知识图谱的中文医药问答系统及方法
CN114611735A (zh) 就医的互联网挂号方法、装置、设备及存储介质
CN111368094A (zh) 实体知识图谱建立、属性信息获取、门诊分诊方法及装置
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
CN113764112A (zh) 一种在线医疗问答方法
CN115599899B (zh) 基于飞行器知识图谱的智能问答方法、系统、设备及介质
WO2023029502A1 (zh) 基于问诊会话构建用户画像的方法、装置、设备和介质
WO2021139231A1 (zh) 基于神经网络模型的分诊方法、装置和计算机设备
CN111651579B (zh) 信息查询方法、装置、计算机设备和存储介质
CN111897829A (zh) 一种用于医疗软件的自然语言查询方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40033516

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination