CN112700866A - 基于transformer模型的智能交互方法及系统 - Google Patents

基于transformer模型的智能交互方法及系统 Download PDF

Info

Publication number
CN112700866A
CN112700866A CN202110020389.6A CN202110020389A CN112700866A CN 112700866 A CN112700866 A CN 112700866A CN 202110020389 A CN202110020389 A CN 202110020389A CN 112700866 A CN112700866 A CN 112700866A
Authority
CN
China
Prior art keywords
patient
sequence
model
symptom
predicted
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
CN202110020389.6A
Other languages
English (en)
Inventor
胡鹏龙
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.)
Beijing Zuoyi Technology Co ltd
Original Assignee
Beijing Zuoyi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zuoyi Technology Co ltd filed Critical Beijing Zuoyi Technology Co ltd
Priority to CN202110020389.6A priority Critical patent/CN112700866A/zh
Publication of CN112700866A publication Critical patent/CN112700866A/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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Human Computer Interaction (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于transformer模型的智能交互方法及系统，属于智能医疗技术领域。所述方法包括：获取患者的主诉文本信息；根据预设规则处理所述主诉文本信息，获得主诉字序列；通过transformer模型处理所述主诉字序列，输出预测症状序列；根据预设规则推送所述预测症状序列供患者作答确认，并回收患者作答信息，根据所述作答信息更新患者画像。本发明方案为我们使用机器学习模型进行智能问诊提供了可能，同时这样的模型可以拟合数据，更接近医生问诊逻辑。

Description

基于transformer模型的智能交互方法及系统
技术领域
本发明涉及智能医疗技术领域，具体地涉及一种基于transformer模型的智能交互方法及一种基于transformer模型的智能交互系统。
背景技术
为了解决医疗在医院供需失衡，越来越多的患者前期问诊信息通过智能问诊系统进行收集，此举可以极大缩短医患沟通病情时间，医生可以更多的和患者沟通其他信息。临床医生思维根据患者所述主诉，推断患者所患疾病，进一步询问的症状，用来排除和确诊患者的疾病。智能问诊系统则模拟医生的问诊逻辑，智能询问患者相关症状，提前帮助医生收集患者信息,提升医患沟通效率。但是，现存部分智能问诊系统受制于解析能力，解析会丢失主诉中的其他信息，同时对有些症状无法召回，导致问诊的效果不好，例如，“眼睛上眼皮疼”、“爬的时候摔倒，上排牙磕到下嘴唇外面”无法解析出任何症状，以上问诊系统无法继续进行推断相关症状。有些方法只能得到当前症状共现强度较强的症状，对一些比较中长尾的症状，无法获得相关症状。还有些方法是在数据上最有鉴别特征的症状，症状有时候是低频症状，不符合医学问诊逻辑，相关性较低。针对目前智能问诊系统存在的解析能力差、症状获取准确率不高和不符合医学问诊逻辑的问题，需要创造一种新的智能问诊交互系统。
发明内容
本发明实施方式的目的是提供一种基于transformer模型的智能交互方法及系统，以用来解决目前存在的智能问诊系统存在的解析能力差、症状获取准确率不高和不符合医学问诊逻辑的问题。
为了实现上述目的，本发明第一方面提供一种基于transformer模型的智能交互方法，所述方法包括：获取患者的主诉文本信息；根据预设规则处理所述主诉文本信息，获得主诉字序列；通过transformer模型处理所述主诉字序列，输出预测症状序列；根据预设规则推送所述预测症状序列供患者作答确认，并回收患者作答信息，根据所述作答信息更新患者画像。
可选的，所述根据预设规则处理所述主诉文本信息，获得主诉字序列，包括：将所述主诉文本信息拆解为多个独立文字；将所述多个独立文字分别转换为对应的向量，组成主诉字序列。
可选的，所述transformer模型包括编码组件和解码组件；其中，所述编码组件和所述解码组件分别包括6个堆叠的编码器和6个堆叠的解码器。
可选的，所述编码器使用的transformer模型为bert预训练中文模型。
可选的，所述解码器使用的transformer模型为基于症状粒度的transformer模型。
可选的，所述根据预设规则推送所述预测症状序列供患者作答确认，包括：根据所述transformer模型获得多个候选预测症状序列；根据集束搜索方法从所述多个候选预测症状序列中选出最优预测症状序列，作为预测症状序列。
可选的，所述根据预设规则推送所述预测症状序列供患者作答确认，还包括：单次推送预设数量的预测症状到患者端，直到排序后的预测症状序列被推送完毕。
本发明第二方面提供一种基于transformer模型的智能交互系统，所述系统包括：采集单元，用于获取患者的主诉文本信息；处理单元，用于根据预设规则处理所述主诉文本信息，获得主诉字序列，还用于通过transformer模型处理所述多个向量，输出预测症状序列；推送单元，用于根据预设规则推送所述预测症状序列供患者作答确认，并回收患者作答信息；所述处理单元还用于根据所述作答信息更新患者画像。
另一方面，本发明提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的基于transformer模型的智能交互方法。
通过上述技术方案，从病例数据中提取患者的主诉、现病史信息；对主诉和现病史信息做实体标注，标注出其中的症状信息，将出现在主诉中的症状剔除，组成目标预测的症状序列。将智能问诊问题，建模成序列到序列模型。输入是患者的主诉的字序列，输出是应该询问的症状序列。这样的数据在病例数据中有体现，医生病例中症状的书写顺序就可以是问诊的顺序。这为我们使用机器学习模型进行智能问诊提供了可能，同时这样的模型可以拟合数据，更接近医生问诊逻辑。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的基于transformer模型的智能交互方法的步骤流程图；
图2是本发明一种实施方式提供的transformer模型的原理图；
图3是本发明一种实施方式提供的主诉字序列获取的步骤流程图；
图4是本发明一种实施方式提供的通过transformer模型处理主诉字序列的步骤流程图；
图5是本发明一种实施方式提供的基于transformer模型的智能交互系统的系统结构图。
附图标记说明
10-采集单元；20-处理单元；30-推送单元。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图5是本发明一种实施方式提供的基于transformer模型的智能交互系统的系统结构图。如图5所示，本发明实施方式提供一种基于transformer模型的智能交互系统，所述系统包括：采集单元10，用于获取患者的主诉文本信息；处理单元20，用于根据预设规则处理所述主诉文本信息，获得主诉字序列，还用于通过transformer模型处理所述多个向量，输出预测症状序列；推送单元30，用于根据预设规则推送所述预测症状序列供患者作答确认，并回收患者作答信息；所述处理单元20还用于根据所述作答信息更新患者画像。
图1是本发明一种实施方式提供的基于transformer模型的智能交互方法的方法流程图。如图1所示，本发明实施方式提供一种基于transformer模型的智能交互方法，所述方法包括：
步骤S10：获取患者主诉文本信息。
具体的，在常规问诊过程中，需要临床医生患者通过智能交互系统发起线上诊断请求时，需要医生根据患者所述主诉，推断患者所患疾病，进一步询问的症状，用来排除和确诊患者的疾病。而本发明提出的基于transformer模型的智能交互方法就是想要智能问诊系统具有医生的问诊逻辑，智能询问患者相关症状，提前帮助医生收集患者信息,提升医患沟通效率。患者的专业知识有限，发起问诊请求后，仅能通过自身存在典型症状发起问诊请求，而有一些对于疾病确认有重要意义的症状则容易被患者忽略。为了避免患者忽略典型症状，需要智能问诊系统根据患者主诉症状进行可能存在的症状推测，并将推测的症状供患者进行确认，然后通过更多的症状进行疾病范围缩小甚至确证，减少医生工作量，提高智能问诊系统的工作效率。所以，第一步需要获取患者的主诉症状，在一种可能的实施方式中，患者通过特定App或微信公众号发起问诊请求，并在交互对话框中或预设信息采集交互流程中输入主诉症状。患者口语描述自己的典型症状，例如，我发现自己看东西时，存在向外偏斜的情况。除了患者的主诉文本信息包括患者的典型症状，在患者的画像信息中，记录有患者的现病史，通过患者现病史也可以获得患者的典型症状。采集单元10将采集的患者主诉文本信息或现病史文本信息传输到处理单元20，供处理单元20进行症状参考，进行其他可疑症状推测。
步骤S20：根据预设规则处理所述主诉文本信息，获得主诉字序列。
具体的，患者进行病情主诉时，主诉文本信息常过于口语化，对于机器来说，进行此类文本信息解析时，需要机器具有人类思维进行联想解析，才能获得主诉文本的具体意义和延伸意义。例如，患者的主诉文本信息为：睡眠打鼾伴张口呼吸5年。对于此主诉文本信息，其延伸的可能症状就有磨牙、出汗、易惊醒、口吐白沫、听力下降和腺样体肥大，本方法想要实现的内容便是根据患者主诉文本信息进行延伸信息推测，从而获得可能的其他症状。所以在进行延伸信息推测时，首先需要机器理解患者的主诉文本信息，仅在完全理解患者的主诉文本信息后，才能根据患者主诉症状进行其他症状推测。
如图2，在transformer模型中，包括编码组件和解码组件，其中，编码组件就是一些列编码器的堆叠，优选为6个编码器堆叠。每一个编码器不共享权重，且每一个编码器中包括两个子模块，即self-attention层和Feed Forward层。简单来件，transformer模型就是讲一个输入序列转换为另一种语意的输出序列。所以在进行transformer模型处理患者主诉文本信息前，需要将患者的主诉文本信息转换为解码器需要的输入序列。具体的，如图3，包括以下步骤：
步骤S201：根据预设规则将所述患者文本信息拆解为多个独立文字。
具体的，transformer模型与人工智能中的自然语言处理方法类似，第一步需要将具体的文本信息拆解为多个独立的单元，即将完整的文本信息拆解为独立的文字。例如，患者的主诉文本信息为：坐姿时腰部疼痛，则根据预设规则将主诉文本拆解为(坐、姿、时、腰、部、疼、痛)。在进行语意解析时，这些独立汉字既存在独立意义也存在互相意义。
步骤S202：分别将所述关键词转换为对应的向量。
具体的，为了便于处理单元20进行数据处理，需要将集体的文本信息转换为计算机处理语言，即需要将对应的文字信息转换为对应的处理向量。优选的，利用词嵌入将每一个独立的文字信息转换为对应的向量。因为编码组件为6个堆叠的编码器，所以词嵌入仅在最下方的一个编发器执行，输入文本信息后，最下方的一个编码器利用词嵌入规则将每一个文字转换为元素大小为512的向量。
步骤S203：根据主诉文本语意顺序依次排列各文字的向量，获得主诉字序列。
具体的，获得各个关键词的对应向量后，将这些向量信息作为超参数进行transformer模型模拟。所以，需要将这些向量信息进行整理，并将整理后的向量信息作为主诉字序列。根据语意顺序进行向量整理，例如步骤S201中的例子，在进行向量整理时，依次排列坐、姿、时、腰、部、疼、痛的对应向量，然后形成特定顺序的向量序列，该向量序列便是设定的模拟超参数主诉字序列。
步骤S30：通过transformer模型处理所述主诉字序列，并输出预测症状序列。
具体的，transformer模型的处理过程为，从病例数据中提取主诉、现病史信息；对主诉和现病史信息做实体标注，标注出其中的症状信息，将出现在主诉中的症状剔除，组成目标预测的症状序列。即输入一个主诉字序列后，获得一个最优的预测症状序列。假设主诉字序列为X＝(x1,x2,....,xm)，其中，m是输入序列长度。而想要获得的预测的症状序列为Y＝(y1,y2,....,yn)，其中，n是输出序列长度。从主诉字序列到预测症状序列，模型会根据输入的主诉序列，进行下一个问诊序列预测，预测结果的表达式为：p(yn|x1...m,y1...n-1)。具体的，如图4，包括以下步骤：
步骤S301：进行输入主诉字序列编码。
具体的，主诉字序列输入最下层编码器后，编码器的self-attention层对输入的特定文字进行查看时，同时查看主诉字序列中的文字。在self-attention层中，第一步将各关键词的输入向量分别创建三个对应向量，分别为一个Query向量、一个Key向量和一个Value向量。然后进行各关键词的权重得分计算，计算规则为：进行该文字向量中Query向量和Key向量做点积，然后将获得的分数除以8，并经过一个softmax(逻辑回归模型)操作后输出结果。获得softmax后的分数后，每个值向量乘以softmax得分，然后进行相关文字加权值向量求和，求和结果便为self-attention层的输出结果，该结果就是某特定文字与其它文字的权重关系。为了适应中文使用习惯，进行中文语意处理，优选的，本发明提出的transformer模型中解码组件所应用的模型为bert预训练中文模型，通过bert预训练中文模型进行各文字语意识别和分析。在编码组件中，各编码器不共享权重得分，各编码器依次进行各文字的语意识别和关联语意权重得分获取，从而实现对于患者主诉文本信息的编码词意解析。例如，识别某文字为“咳”，进行该文字与其他文字权重关系评估时，则“嗽”与“咳”的的权重得分更高。
步骤S302：进行输入主诉字序列解码。
具体的，通过主诉字序列编码后，获得了各文字的权重得分，这些文字的权重得分有利于在解码组件中，辅助解码器集中注意力在输入序列的合适位置。例如，某患者主诉文本信息为：在三天前开始咳嗽，一天前发热到39.6℃。通过编码组件，获知在该主诉文本信息中，通过关系权重得分显示，可以提取出包含的咳嗽和发热等症状信息。所以在解码组件中，会针对这些症状信息进行推理信息获取。优选的，通过多个堆叠的解码器，获得完整的预测症状序列，并输出完整的症状预测序列。优选的，为了使获得的预测症状序列更符合实际情况，将解码器的模型设置为基于症状粒度的transformer模型。通过多个堆叠的解码器后，可能获得多个候选的预测症状序列，为了使得最终推送的预测症状序列更贴近患者的实际情况，优选的，根据集束搜索方法从多个候选症状序列中选出最优的预测症状序列，作为最终的预测症状序列并输出。
步骤S40：根据预设规则推送所述预测症状序列，供患者作答确认，并回收患者作答信息，根据所述作答信息更新患者画像。
具体的，因为该预测症状序列中的症状信息为推测的伴随症状，为了确定推测的伴随症状是否满足患者的实际情况，需要将生成的预测症状推送到患者端，供患者进行确认选择，并实时回收患者的确认信息，将确认后的预测症状作为患者存在的实际症状，记录到患者的电子病历中。患者端的终端界面上，单次显示的候选症状数量有限，但生成的预测症状序列中包含的预测症状的数量无法确定，即存在预测症状序列中的预测症状数大于患者端单次显示候选症状的最大数。针对以上问题，优选的，预设单次推送预测症状的数量小于或等于患者端单次显示候选症状的最大数，每一次进行预测症状序列中的预测症状推送时，根据预设数量设置单次推送序列隔断，供患者确认后再推送下一批次的预测症状。例如，生成的预测症状序列包含15个预测症状，而患者端的单次显示候选症状最大数量为6个，则将生成的预测症状序列每隔6个设置一个数据隔断，即通过6、6、3的数量规则进行预测症状序列推送，供患者完成所有预测症状确认。
在一种可能的实施方式中，根据热门query(查询)数据，获得200个问诊主诉以及随机200个问诊主诉，同时对比基于解析后计算症状共现方式的结果，进行人工评估，评估的结果如表一：
数据集 diff效果 影响面
热门 G:G-:S:B＝11:4:2:3 10％
随机 G:G-:S:B＝12:27:8:3 25.5％
表一人工评估结果
其中，G表示本专利提出的方法比基线版本明显变好；G-表示本专利提出的方法比基线版本有一些变好；S表示本方法与基线方法相比相同；B表示本方法比基线方法变差。影响面是本方法与基线方法相比，产生不同效果在整个数据集中的占比。通过评估方法，我们发现影响面在随机预测上明显很高，表示本方法对中长尾预测有较大影响；而变好的数据多是原来方法无法给出给出应该询问的症状。
在另一种可能的实施方式中，进行几种患者主诉文本信息到预测症状序列的模拟训练结果，进行模拟训练的主诉文本信息和对应的预测症状序列如表二所示：
Figure BDA0002888398100000091
Figure BDA0002888398100000101
表二模拟训练的主诉文本信息和对应的预测症状序列
通过专业医生模拟后，获得的预测症状序列，与医生进行面对面文正的习惯类似，实现了在智能问诊中，智能问诊系统实现患者主诉文本的语意解析和对应的共现症状预测，减少医生工作量，提高问诊效率。
本发明实施方式还提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的基于transformer模型的智能交互方法。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (9)

1.一种基于transformer模型的智能交互方法，其特征在于，所述方法包括：
获取患者的主诉文本信息；
根据预设规则处理所述主诉文本信息，获得主诉字序列；
通过transformer模型处理所述主诉字序列，输出预测症状序列；
根据预设规则推送所述预测症状序列供患者作答确认，并回收患者作答信息，根据所述作答信息更新患者画像。
2.根据权利要求1所述的基于transformer模型的智能交互方法，其特征在于，所述根据预设规则处理所述主诉文本信息，获得主诉字序列，包括：
将所述主诉文本信息拆解为多个独立文字；
将所述多个独立文字分别转换为对应的向量，组成主诉字序列。
3.根据权利要求1所述的基于transformer模型的智能交互方法，其特征在于，所述transformer模型包括编码组件和解码组件；其中，
所述编码组件和所述解码组件分别包括6个堆叠的编码器和6个堆叠的解码器。
4.根据权利要求3所述的基于transformer模型的智能交互方法，其特征在于，所述编码器使用的transformer模型为bert预训练中文模型。
5.根据权利要求3所述的基于transformer模型的智能交互方法，其特征在于，所述解码器使用的transformer模型为基于症状粒度的transformer模型。
6.根据权利要求1所述的基于transformer模型的智能交互方法，其特征在于，所述根据预设规则推送所述预测症状序列供患者作答确认，包括：
根据所述transformer模型获得多个候选预测症状序列；
根据集束搜索方法从所述多个候选预测症状序列中选出最优预测症状序列，作为预测症状序列。
7.根据权利要求6所述的基于transformer模型的智能交互方法，其特征在于，所述根据预设规则推送所述预测症状序列供患者作答确认，还包括：
单次推送预设数量的预测症状到患者端，直到所述预测症状序列被推送完毕。
8.一种基于transformer模型的智能交互系统，其特征在于，所述系统包括：
采集单元，用于获取患者的主诉文本信息；
处理单元，用于根据预设规则处理所述主诉文本信息，获得主诉字序列，还用于通过transformer模型处理所述多个向量，输出预测症状序列；
推送单元，用于根据预设规则推送所述预测症状序列供患者作答确认，并回收患者作答信息；
所述处理单元还用于根据所述作答信息更新患者画像。
9.一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行权利要求1至7中任一项权利要求所述的基于transformer模型的智能交互方法。
CN202110020389.6A 2021-01-07 2021-01-07 基于transformer模型的智能交互方法及系统 Pending CN112700866A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110020389.6A CN112700866A (zh) 2021-01-07 2021-01-07 基于transformer模型的智能交互方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110020389.6A CN112700866A (zh) 2021-01-07 2021-01-07 基于transformer模型的智能交互方法及系统

Publications (1)

Publication Number Publication Date
CN112700866A true CN112700866A (zh) 2021-04-23

Family

ID=75513226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110020389.6A Pending CN112700866A (zh) 2021-01-07 2021-01-07 基于transformer模型的智能交互方法及系统

Country Status (1)

Country Link
CN (1) CN112700866A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137250A1 (en) * 2016-11-15 2018-05-17 Hefei University Of Technology Mobile health intelligent medical guide system and method thereof
CN109192300A (zh) * 2018-08-17 2019-01-11 百度在线网络技术（北京）有限公司 智能问诊方法、系统、计算机设备和存储介质
US20190035506A1 (en) * 2017-07-31 2019-01-31 Hefei University Of Technology Intelligent auxiliary diagnosis method, system and machine-readable medium thereof
CN109346170A (zh) * 2018-10-26 2019-02-15 北京惠每云科技有限公司 一种智能问诊方法、装置及计算机存储介质
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
CN110517767A (zh) * 2019-08-27 2019-11-29 北京百度网讯科技有限公司 辅助诊断方法、装置、电子设备及存储介质
CN111192680A (zh) * 2019-12-25 2020-05-22 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN111292821A (zh) * 2020-01-21 2020-06-16 上海联影智能医疗科技有限公司 一种医学诊疗系统
CN111863237A (zh) * 2020-05-29 2020-10-30 东莞理工学院 一种基于深度学习的移动端疾病智能辅助诊断系统
CN111899884A (zh) * 2020-06-23 2020-11-06 北京左医科技有限公司 智能辅助问诊方法、装置和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137250A1 (en) * 2016-11-15 2018-05-17 Hefei University Of Technology Mobile health intelligent medical guide system and method thereof
US20190035506A1 (en) * 2017-07-31 2019-01-31 Hefei University Of Technology Intelligent auxiliary diagnosis method, system and machine-readable medium thereof
CN109192300A (zh) * 2018-08-17 2019-01-11 百度在线网络技术（北京）有限公司 智能问诊方法、系统、计算机设备和存储介质
CN109346170A (zh) * 2018-10-26 2019-02-15 北京惠每云科技有限公司 一种智能问诊方法、装置及计算机存储介质
CN110032648A (zh) * 2019-03-19 2019-07-19 微医云(杭州)控股有限公司 一种基于医学领域实体的病历结构化解析方法
CN110517767A (zh) * 2019-08-27 2019-11-29 北京百度网讯科技有限公司 辅助诊断方法、装置、电子设备及存储介质
CN111192680A (zh) * 2019-12-25 2020-05-22 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN111292821A (zh) * 2020-01-21 2020-06-16 上海联影智能医疗科技有限公司 一种医学诊疗系统
CN111863237A (zh) * 2020-05-29 2020-10-30 东莞理工学院 一种基于深度学习的移动端疾病智能辅助诊断系统
CN111899884A (zh) * 2020-06-23 2020-11-06 北京左医科技有限公司 智能辅助问诊方法、装置和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ASHISHI VASWANI: "Attention is all you need", 《31ST CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS(NIPS 2017),LONG BEACH,CA,USA》 *
李玲 等: "上消化道疾病人工智能辅助决策方法研究", 《中国管理科学》 *

Similar Documents

Publication Publication Date Title
CN109918644B (zh) 一种基于迁移学习的中医健康咨询文本命名实体识别方法
CN109670179B (zh) 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法
US20210034813A1 (en) Neural network model with evidence extraction
TWI656503B (zh) 電腦輔助醫療方法以及用於醫學預測的醫療系統
CN110675944A (zh) 分诊方法及装置、计算机设备及介质
CN113724882B (zh) 基于问诊会话构建用户画像的方法、装置、设备和介质
CN117370535B (zh) 医疗对话模型的训练方法、医疗问询方法、装置及设备
CN116910172A (zh) 基于人工智能的随访量表生成方法及系统
CN115691786A (zh) 基于电子病历的眼科疾病信息提取方法和辅助诊断装置
CN115019933A (zh) 一种融合gmf及cdae的弱视训练方案推荐方法
CN113241178B (zh) 一种确定被测者的抑郁症严重程度的装置
CN114420279A (zh) 一种医疗资源推荐方法、装置、设备及存储介质
CN112035627A (zh) 自动问答方法、装置、设备及存储介质
WO2023124837A1 (zh) 问诊处理方法、装置、设备及存储介质
CN111783473A (zh) 医疗问答中最佳答案的识别方法、装置和计算机设备
CN112700866A (zh) 基于transformer模型的智能交互方法及系统
CN115579153A (zh) 问诊评价方法、问诊评价装置、电子设备和可读存储介质
CN115631851A (zh) 处方推荐方法、装置、电子设备及非易失性存储介质
CN115062628A (zh) 一种基于知识图谱的医患交流对话自动模拟方法
CN114334125A (zh) 诊断预测方法及相关装置、电子设备和存储介质
CN114627993A (zh) 信息预测方法、装置、存储介质及计算机设备
CN114328864A (zh) 基于人工智能和知识图谱的眼科问答系统
CN113821615A (zh) 自助对话方法、装置、设备及存储介质
CN113704481A (zh) 一种文本处理方法、装置、设备及存储介质
CN114822830B (zh) 问诊交互方法及相关装置、电子设备、存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210423

RJ01 Rejection of invention patent application after publication