CN112397195A - 用于生成体格检查模型的方法、装置、电子设备和介质 - Google Patents
用于生成体格检查模型的方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN112397195A CN112397195A CN201910760071.4A CN201910760071A CN112397195A CN 112397195 A CN112397195 A CN 112397195A CN 201910760071 A CN201910760071 A CN 201910760071A CN 112397195 A CN112397195 A CN 112397195A
- Authority
- CN
- China
- Prior art keywords
- sample
- information
- physical examination
- patient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 208000024891 symptom Diseases 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000004044 response Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 15
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 206010011224 Cough Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000003437 trachea Anatomy 0.000 description 2
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002350 laparotomy Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 206010029410 night sweats Diseases 0.000 description 1
- 230000036565 night sweats Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开的实施例公开了一种用于生成体格检查模型的方法、装置、电子设备和介质。该方法的一具体实施方式包括:获取样本集;从该样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息;将该样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;将该损失值与目标值进行比较;根据比较结果确定初始模型是否训练完成;响应于确定初始模型训练完成,将初始模型确定为体格检查模型。该实施方式实现了体格检查信息的生成。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成体格检查模型的方法、装置、电子设备和介质。
背景技术
智能模型基于知识的软件开发模型,它与专家系统结合在一起。该模型应用基于规则的系统,采用归纳和推理机制,帮助软件人员完成开发工作,并使维护在系统规格说明一级进行。该模型在实施过程中要建立知识库,将模型本身、软件工程知识与特定领域的知识分别存入数据库。以软件工程知识为基础的生成规则构成的专家系统与含应用领域知识规则的其他专家系统相结合,构成这一应用领域软件的开发系统。智能模型所要解决的问题是特定领域的复杂问题,涉及大量的专业知识,而开发人员一般不是该领域的专家,他们对特定领域的熟悉需要一个过程,所以软件需求在初始阶段很难定义得很完整。因此,采用原型实现模型需要通过多次迭代来精化软件需求。
发明内容
本发明内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了生成体格检查模型的方法和电子设备。
第一方面,本公开的一些实施例提供了一种用于生成体格检查模型的方法,该方法包括:获取样本集,其中,上述样本集中的样本包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息;从上述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息;将上述样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;将上述损失值与目标值进行比较;根据比较结果确定初始模型是否训练完成;响应于确定初始模型训练完成,将初始模型确定为体格检查模型。在一些实施例中,该方法还包括:获取检查对象的基本信息和症状信息;将上述基本信息和症状信息输入上述体格检查模型中,生成上述检查对象的体格检查信息。
在一些实施例中,该方法还包括:响应于确定初始模型未训练完成,调整初始模型的模型参数,以及从上述样本集中重新选取样本,采用模型参数调整后的初始模型,继续执行上述训练步骤。
在一些实施例中,获取样本集,包括:确定目标医院;从上述目标医院中获取样本集。。
在一些实施例中,该方法还包括:将上述体格检查信息发送给带有图像显示功能的终端设备;控制上述带有图像显示功能的终端设备呈现带有体格检查信息的图像或者视频。
在一些实施例中,该方法还包括:将上述体格检查信息划分为独立个体,得到至少一个词;对于上述至少一个词中的每个词,对上述词进行词嵌入,得到词向量;根据上述至少一个词中的每个词的词向量在词表中获取与上述词向量对应的词;基于获取到的至少一个词,生成结构化数据;将上述结构化数据发送到存储设备上。。
第二方面,本公开的一些实施例提供了一种用于提示医生体格检查的方法,该方法包括:获取检查对象的基本信息和病症信息;将上述基本信息和病症信息输入按照上述生成体格检查模型的方法的实施例的方法训练得到的体格检查模型中,生成上述检查对象的体格检查信息。
第三方面,本公开的一些实施例提供了一种用于生成体格检查模型的装置,包括:获取单元,配置用于获取样本集,其中,上述样本集中的样本包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息;训练单元,配置用于从上述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息;将上述样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;将上述损失值与目标值进行比较;根据比较结果确定初始模型是否训练完成;响应于确定初始模型训练完成,将初始模型确定为体格检查模型。
第四方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第五方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一的方法。
本公开的一些实施例提供的生成体格检查模型的方法、装置、电子设备和计算机可读介质,通过将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息,以及与对应的样本病例信息中的样本病人的体格检查信息进行比较,根据比较结果确定初始模型是否训练完成,从而实现了体格检查模型的生成。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例可以应用于其中的示例性系统的架构图;
图2是根据本公开的一些实施例的用于生成体格检查模型的方法的一些实施例的流程图;
图3是根据本公开的一些实施例的用于生成体格检查模型的方法的一个应用场景的示意图;
图4是根据本公开实施例的用于提示医生体格检查的方法的一些实施例的流程图;
图5是根据本公开的用于提示医生体格检查的装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的一些实施例的用于生成体格检查模型的方法或用于生成体格检查模型的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105、106。网络104用以在终端设备101、102、103和服务器105、106之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使终端设备101、102、103通过网络104与服务器106交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持图像识别的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如存储训练样本的数据服务器。数据服务器可以存储有样本集合。样本集合可以包括病人病症信息、医生诊断结论信息和处理方法信息。
服务器106可以是提供各种服务的服务器,例如对终端设备101、102、103上的生成提问信息应用提供支持的后台服务器。后台服务器可以利用数据服务器105中存储的样本集合对待训练模型进行训练得到体格检查模型(例如,二次训练的模型)。后台服务器还可以将终端设备提交的信息输入到体格检查模型中生成体格检查信息,并将体格检查信息反馈给终端设备。
需要说明的是,本公开实施例的用于生成体格检查模型的方法和用于提示医生体格检查的方法一般由服务器106执行。
需要说明的是,服务器105、106可以是硬件,也可以是软件。当服务器105、106为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的一些实施例的用于生成体格检查模型的方法的一些实施例的流程200。该用于生成体格检查模型的方法,包括以下步骤:
步骤201,获取样本集。
在一些实施例中,用于生成体格检查模型的方法的执行主体(例如图1所示的服务器106)可以通过多种方式来获取样本集。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器105)中获取存储于其中的现有的样本集。再例如,用户可以通过终端(例如图1所示的终端101、102、103)来收集样本。这样,执行主体可以接收终端所收集的样本,并将这些样本存储在本地,从而生成样本集。
在这里,样本集中可以包括至少一个样本。其中,样本可以包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息。这里的样本的病人的体格检查信息可以是用于表征病例信息中样本病人的体格检查信息。在这里,样本病人的基本信息可以包括病人的性别、年龄信息和病人初步症状信息等。例如,“男,40岁,胃痛”。样本病人的症状信息是指疾病过程中机体内的一系列机能、代谢和形态结构异常变化所引起的病人主观上的异常感觉或某些客观病态改变。例如,咳嗽、盗汗、下午发热等。体格检查是指对人体形态结构和机能发展水平进行检测和计量。其内容包括:(1)运动史和疾病史,(2)形态指标测量,(3)生理机能测试,(4)身体成分测定,(5)特殊检查(化验、x光、心电、脑电、肌电、超声心动、肌肉针刺活检等)。这里的,体格检查信息是指是否需要体格检查,若需要,需要做哪些体格检查。
可以理解的是,样本病人的基本信息和样本病人的症状信息可以是预先人为设置的,也可以是执行主体或其他设备执行某设定程序而得到的。根据实际需要,执行主体也可以是其余的设备或系统。
步骤202,从样本集中选取样本。
在一些实施例中,执行主体可以从步骤201中获取的样本集中选取样本,以及执行步骤203至步骤207的训练步骤。其中,样本的选取方式和选取数量在本公开中并不限制。例如可以是随机选取至少一个样本,也可以是从中选取样本病例信息完整度较好(即病人将所有检查都做了)的样本。
步骤203,将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息。
在一些实施例中,执行主体可以将步骤202中选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型。通过对样本病例信息中样本病人的基本信息区域和样本病人的症状信息区域进行检测分析,可以得到样本的病人的体格检查信息。样本的病人的体格检查信息可以是用于表征病例信息中样本病人的体格检查信息。
在一些实施例中,初始模型可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络模型可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。初始模型的存储位置在本公开的一些实施例中同样不限制。
步骤204,将上述样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;。
在一些实施例中,执行主体可以将样本病例信息中的样本病人的基本信息和样本病人的症状信息与该样本中对应的样本病人的体格检查信息查找出来。执行主体将从步骤203中获取的样本的病人的体格检查信息与查找到的样本病人的体格检查信息进行分析从而确定损失值。例如,可以将样本的病人的体格检查信息和对应的样本病人的体格检查信息作为参数,输入指定的损失函数(loss function)中,从而可以计算得到两者之间损失值。在这里,体格检查信息可以是“做头部检查”。
在一些实施例中,损失函数通常是用来估量模型的预测值(如样本的病人的体格检查信息)与真实值(如样本病人的体格检查信息)的不一致程度。它是一个非负实值函数。一般情况下,损失函数越小,模型的鲁棒性就越好。损失函数可以根据实际需求来设置。
步骤205,将上述损失值与目标值进行比较。
在一些实施例中,执行主体将从步骤204中获取的损失值与目标值进行比较。目标值一般可以用于表示预测值(即样本的病人的体格检查信息)与真值(样本病人的体格检查信息)之间的不一致程度的理想情况。也就是说,当损失值达到目标值时,可以认为预测值接近或近似真值。目标值可以根据实际需求来设置。需要说明的是,若步骤202中选取有多个(至少两个)样本,则执行主体可以将每个样本的损失值分别与目标值进行比较。从而可以确定每个样本的损失值是否达到目标值。
步骤206,根据比较结果确定初始模型是否训练完成。
在一些实施例中,根据步骤205中的比较结果,执行主体可以确定初始模型是否训练完成。作为示例,如果步骤202中选取有多个样本,那么在每个样本的损失值均达到目标值的情况下,执行主体可以确定初始模型训练完成。再例如,执行主体可以统计损失值达到目标值的样本占选取的样本的比例。且在该比例达到预设样本比例(如95%),可以确定初始模型训练完成。
在本实施例中,若执行主体确定初始模型已训练完成,则可以继续执行步骤207。若执行主体确定初始模型未训练完成,则可以调整初始模型中的相关参数。例如采用反向传播技术修改初始模型中各卷积层中的权重。以及可以返回步骤202,从样本集中重新选取样本。从而可以继续执行上述训练步骤。
需要说明的是,这里的选取方式在本公开中也不限制。例如在样本集中有大量样本的情况下,执行主体可以从中选取未被选取过的样本。
步骤207,响应于确定初始模型训练完成,将初始模型确定为体格检查模型。
在一些实施例中,若执行主体确定初始模型训练完成,则可以将该初始模型(即训练完成的初始模型)作为体格检查模型。
可选地,执行主体可以将生成的体格检查模型存储在本地,也可以将其发送给终端或数据库服务器。
在本实施例的一些可选的实现方式中,该方法还包括:获取检查对象的基本信息和症状信息;将上述基本信息和症状信息输入上述体格检查模型中,生成上述检查对象的体格检查信息。作为示例,输入信息可以是“男,50岁,咳嗽”,生成的体格检查信息可以是“做肺部检查,检查气管的位置”。
在本实施例的一些可选的实现方式中,获取样本集,包括:确定目标医院;从上述目标医院中获取样本集。在这里,目标医院可以是来自国内一线城市的三甲医院,我国对城市和医院都有着严格的等级划分,三甲医院是依照中国现行《医院分级管理办法》等的规定划分的医疗机构级别。
在一些实施例的一些可选的实现方式中,将上述体格检查信息发送给带有图像显示功能的终端设备;控制上述带有图像显示功能的终端设备呈现带有体格检查信息的图像或者视频。作为示例,体格检查信息可以是“做肺部检查,检查气管的位置”。那么,带有图像显示功能的终端设备就会显示出要检查部位的图片。或者会以动态视频的方式呈现出检查的动态流程。
在一些实施例的一些可选的实现方式中,将上述体格检查信息划分为独立个体,得到至少一个词;对于上述至少一个词中的每个词,对上述词进行词嵌入,得到词向量;根据上述至少一个词中的每个词的词向量在词表中获取与上述词向量对应的词;基于获取到的至少一个词,生成结构化数据;将上述结构化数据发送到存储设备上。
作为示例,词嵌入(Word Embedding)或者分布式向量(Distributional Vectors)通常是指自然语言表示的单词转换为计算机能够理解的向量或矩阵形式的技术。词表是存储有专业医学术语和医学术语对应向量表示的表。医学术语是指在医疗过程中医生之间的通用标准语言。例如,剖腹胃切开术,胆囊空肠吻合术。获取医学术语可以是请医学专业人士预先人工整理出或者借助人工智能技术整理出各种医学标准化术语,先录入数据库中,然后,建立搜索索引,生成医学术语集合。将医学术语进行词嵌入,得到与医学术语对应的向量表示。词表中存储有医学术语和医学术语对应的向量。结构化数据通常就是计算机可以检索的数据。将上述结构化数据发送到存储设备上的方法有很多种。例如,通过无线、有线连接服务器进行发送。又例如,借助硬盘或U盘等可存储工具来辅助保存和传输。存储设备可以是我们自己部署的大数据平台。
进一步参见图3,图3是根据本公开的一些实施例的用于生成体格检查模型的方法的一个应用场景的示意图。在图3的应用场景中,用户所使用的终端31上可以安装有模型训练类应用。当用户打开该应用,并上传样本集或样本集的存储路径后,对该应用提供后台支持的服务器32可以运行用于生成体格检查模型的方法,包括:
首先,可以获取样本集。其中,样本集中的样本可以包括样本病例信息321,样本病例信息321包括样本病人的基本信息322、样本病人的症状信息323和样本病人的体格检查信息324。之后,可以从样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病人的基本信息322和样本病人的症状信息323输入初始模型320,得到样本的病人的体格检查信息324';将样本的病人的体格检查信息324'与对应的样本的病人的体格检查信息324进行分析,确定损失值325;将损失值325与目标值进行比较;根据比较结果确定初始模型320是否训练完成;响应于确定初始模型320训练完成,将初始模型320作为体格检查模型320'。
此时,服务器32还可以向终端31发送用于指示模型训练完成的提示信息。该提示信息可以是语音和/或文字信息。这样,用户可以在预设的存储位置获取到体格检查模型。
本实施例中用于生成体格检查模型的方法,通过获取样本集,可以从中选取样本以进行初始模型的训练。其中,样本集中的样本可以包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息。这样,将选取的样本病人的基本信息和样本病人的症状信息输入初始模型,便可以得到样本的病人的体格检查信息。之后,根据样本病人的体格检查信息,可以确定损失值。接着,可以将损失值与目标值进行比较。最后,可以根据比较结果来确定初始模型是否训练完成。如果确定初始模型训练完成,就可以将训练完成的初始模型作为体格检查模型。从而能够得到一种可以用于体格检查的模型。且有助于丰富模型的生成方式。
继续参考图4,示出了根据本公开的一些实施例的用于提示医生体格检查的方法的一些实施例的流程400。该用于提示医生体格检查的方法可以包括以下步骤:
步骤401,获取检查对象的基本信息和病症信息。
在一些实施例中,用于提示医生体格检查的方法的执行主体(例如图1所示的服务器106)可以通过多种方式来获取样本集。例如,执行主体可以通过有线连接方式或无线连接方式,从数据库服务器(例如图1所示的数据库服务器105)中获取存储于其中的现有的样本集。再例如,用户可以通过终端(例如图1所示的终端101、102、103)来收集样本。
在一些实施例中,检查对象可以是任意用户,例如使用终端的用户,或者出现在信息采集范围内的其它用户等。基本信息可以是性别、年龄信息和病人初步症状信息和/或病人初步症状信息等等。症状信息通常是病症、持续时间、趋势等等。
步骤402,将上述基本信息和病症信息输入体格检查模型中,生成检查对象的体格检查信息。
在一些实施例中,执行主体可以将步骤401中获取的基本信息和病症信息输入体格检查模型中,从而生成检查对象的体格检查信息。体格检查信息可以包括是否需要做体格检查的提示信息,若需要则提示需要做什么体格检查。
在一些实施例中,体格检查模型可以是采用如上述图2实施例所描述的方法而生成的。具体生成过程可以参见图2实施例的相关描述,在此不再赘述。
需要说明的是,本公开实施例的用于提示医生体格检查的方法方法可以用于测试上述各实施例所生成的体格检查模型。进而根据测试结果可以不断地优化体格检查模型。该方法也可以是上述各实施例所生成的体格检查模型的实际应用方法。采用上述各实施例所生成的体格检查模型,来进行检查提示,有助于提高检查提示的准确性。例如,找到的检查对象较多,找到的基本信息和症状信息比较准确等。
继续参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于生成体格检查模型的装置的一个实施例。该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例公开了一种用于生成体格检查模型的装置500可以包括:获取单元501,配置用于获取样本集,其中,上述样本集中的样本包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息;训练单元502,配置用于从上述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息;将上述样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;将上述损失值与目标值进行比较;根据比较结果确定初始模型是否训练完成;响应于确定初始模型训练完成,将初始模型确定为体格检查模型。
可选地,该装置500还可以包括:调整单元503,配置用于响应于确定初始模型未训练完成,调整初始模型中的相关参数,以及从样本集中重新选取样本,继续执行训练步骤。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取样本集,其中,上述样本集中的样本包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息;从上述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息;将上述样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;将上述损失值与目标值进行比较;根据比较结果确定初始模型是否训练完成;响应于确定初始模型训练完成,将初始模型确定为体格检查模型。
此外,当上述一个或者多个程序被该电子设备执行时,还可以使得该电子设备:获取检查对象的基本信息和病症信息;将基本信息和病症信息输入体格检查信息中,生成检查对象的体格检查信息。其中,体格检查模型可以采用如上述各实施例所描述的用于生成的体格检查模型的方法而生成的。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
本公开的实施例公开的用于生成体格检查模型的方法,该方法实现了可以辅助医生判断的体格检查模型的生成。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。
Claims (10)
1.一种用于生成体格检查模型的方法,包括:
获取样本集,其中,所述样本集中的样本包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息;
从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息;将所述样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;将所述损失值与目标值进行比较;根据比较结果确定初始模型是否训练完成;响应于确定初始模型训练完成,将初始模型确定为体格检查模型。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定初始模型未训练完成,调整初始模型的模型参数,以及从所述样本集中重新选取样本,采用模型参数调整后的作为初始模型,继续执行所述训练步骤。
3.根据权利要求1所述的方法,其中,所述方法还包括:
获取检查对象的基本信息和症状信息;
将所述基本信息和症状信息输入所述体格检查模型中,生成所述检查对象的体格检查信息。
4.根据权利要求1所述的方法,其中,所述获取样本集,包括:
确定目标医院;
从所述目标医院中获取样本集。
5.一种用于提示医生体格检查的方法,包括:
获取检查对象的基本信息和病症信息;
将所述基本信息和病症信息输入采用如权利要求1-5之一所述的方法生成的体格检查模型中,生成所述检查对象的体格检查信息。
6.根据权利要求5所述的方法,其中,所述方法还包括:
将所述体格检查信息发送给带有图像显示功能的终端设备;
控制所述带有图像显示功能的终端设备呈现带有体格检查信息的图像或者视频。
7.根据权利要求6所述的方法,其中,所述方法还包括:
将所述体格检查信息划分为独立个体,得到至少一个词;
对于所述至少一个词中的每个词,对所述词进行词嵌入,得到词向量;
根据所述至少一个词中的每个词的词向量在词表中获取与所述词向量对应的词;
基于获取到的至少一个词,生成结构化数据;
将所述结构化数据发送到存储设备上。
8.一种用于生成体格检查模型的装置,包括:
获取单元,配置用于获取样本集,其中,所述样本集中的样本包括样本病例信息,样本病例信息包括样本病人的基本信息、样本病人的症状信息和样本病人的体格检查信息;
训练单元,配置用于从所述样本集中选取样本,以及执行以下训练步骤:将选取的样本的样本病例信息中的样本病人的基本信息和样本病人的症状信息输入初始模型,得到样本的病人的体格检查信息;将所述样本的病人的体格检查信息与对应的样本病例信息中的样本病人的体格检查信息进行分析,确定损失值;将所述损失值与目标值进行比较;根据比较结果确定初始模型是否训练完成;响应于确定初始模型训练完成,将初始模型确定为体格检查模型。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760071.4A CN112397195B (zh) | 2019-08-16 | 2019-08-16 | 用于生成体格检查模型的方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910760071.4A CN112397195B (zh) | 2019-08-16 | 2019-08-16 | 用于生成体格检查模型的方法、装置、电子设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112397195A true CN112397195A (zh) | 2021-02-23 |
CN112397195B CN112397195B (zh) | 2024-02-09 |
Family
ID=74602925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910760071.4A Active CN112397195B (zh) | 2019-08-16 | 2019-08-16 | 用于生成体格检查模型的方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112397195B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391262A (zh) * | 2021-05-20 | 2021-09-14 | 北京大数医达科技有限公司 | 手卫生监测系统 |
CN117558453A (zh) * | 2024-01-12 | 2024-02-13 | 成都泰盟软件有限公司 | 一种基于大数据模型的ar体格检查辅助系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件(北京)有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
CN109376267A (zh) * | 2018-10-30 | 2019-02-22 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109492128A (zh) * | 2018-10-30 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109741804A (zh) * | 2019-01-16 | 2019-05-10 | 四川大学华西医院 | 一种信息提取方法、装置、电子设备及存储介质 |
CN109964224A (zh) * | 2016-09-22 | 2019-07-02 | 恩芙润斯公司 | 用于语义信息可视化和指示生命科学实体之间显著关联的时间信号推断的系统、方法和计算机可读介质 |
-
2019
- 2019-08-16 CN CN201910760071.4A patent/CN112397195B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109964224A (zh) * | 2016-09-22 | 2019-07-02 | 恩芙润斯公司 | 用于语义信息可视化和指示生命科学实体之间显著关联的时间信号推断的系统、方法和计算机可读介质 |
CN108447534A (zh) * | 2018-05-18 | 2018-08-24 | 灵玖中科软件(北京)有限公司 | 一种基于nlp的电子病历数据质量管理方法 |
CN109376267A (zh) * | 2018-10-30 | 2019-02-22 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109492128A (zh) * | 2018-10-30 | 2019-03-19 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN109741804A (zh) * | 2019-01-16 | 2019-05-10 | 四川大学华西医院 | 一种信息提取方法、装置、电子设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391262A (zh) * | 2021-05-20 | 2021-09-14 | 北京大数医达科技有限公司 | 手卫生监测系统 |
CN117558453A (zh) * | 2024-01-12 | 2024-02-13 | 成都泰盟软件有限公司 | 一种基于大数据模型的ar体格检查辅助系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112397195B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Oh et al. | ChatGPT goes to the operating room: evaluating GPT-4 performance and its potential in surgical education and training in the era of large language models | |
Fan et al. | Utilization of self-diagnosis health chatbots in real-world settings: case study | |
CN107729929B (zh) | 用于获取信息的方法及装置 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
US20190333276A1 (en) | Augmented Reality Presentation Associated with a Patient's Medical Condition and/or Treatment | |
CN109243600B (zh) | 用于输出信息的方法和装置 | |
US11996006B2 (en) | Virtual reality platform for training medical personnel to diagnose patients | |
US20190197419A1 (en) | Registration, Composition, and Execution of Analytics in a Distributed Environment | |
US20190197418A1 (en) | Analytics Framework for Selection and Execution of Analytics in a Distributed Environment | |
US20240053307A1 (en) | Identifying Repetitive Portions of Clinical Notes and Generating Summaries Pertinent to Treatment of a Patient Based on the Identified Repetitive Portions | |
CN112397195B (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
EP4131279A1 (en) | Experience engine-method and apparatus of learning from similar patients | |
US11837343B2 (en) | Identifying repetitive portions of clinical notes and generating summaries pertinent to treatment of a patient based on the identified repetitive portions | |
US11967416B2 (en) | Image analysis and insight generation | |
CN112397194B (zh) | 用于生成患者病情归因解释模型的方法、装置和电子设备 | |
CN113990422A (zh) | 一种随访数据的采集方法和装置 | |
CN112394924B (zh) | 用于生成提问模型的方法、装置、电子设备和介质 | |
CN112394924A (zh) | 用于生成提问模型的方法、装置、电子设备和介质 | |
CN113220896A (zh) | 多来源知识图谱生成方法、装置、终端设备 | |
CN112086155A (zh) | 一种基于语音录入的诊疗信息结构化收集方法 | |
CN112397196A (zh) | 生成影像检查推荐模型的方法和装置 | |
CN112446192A (zh) | 用于生成文本标注模型的方法、装置、电子设备和介质 | |
JP7382618B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN112397163B (zh) | 用于生成病例输入模型的方法、装置、电子设备和介质 | |
US20230020543A1 (en) | Learning system, learning device, learning method, and storage medium |
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 |