CN112750529A - 智能医疗问诊装置、设备及介质 - Google Patents
智能医疗问诊装置、设备及介质 Download PDFInfo
- Publication number
- CN112750529A CN112750529A CN202011624496.1A CN202011624496A CN112750529A CN 112750529 A CN112750529 A CN 112750529A CN 202011624496 A CN202011624496 A CN 202011624496A CN 112750529 A CN112750529 A CN 112750529A
- Authority
- CN
- China
- Prior art keywords
- module
- inquiry information
- inquiry
- information
- disease
- 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
Links
- 201000010099 disease Diseases 0.000 claims abstract description 209
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 209
- 208000024891 symptom Diseases 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 20
- 238000013461 design Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 13
- 230000001575 pathological effect Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 22
- 238000000034 method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000004069 differentiation Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 206010036790 Productive cough Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 3
- 201000007100 Pharyngitis Diseases 0.000 description 3
- 235000011941 Tilia x europaea Nutrition 0.000 description 3
- 239000004571 lime Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011800 void material Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种人工智能，揭露一种智能医疗问诊装置，包括：第一采集模块，采集客户端问诊信息；疾病推断模块，构建疾病推断模型，输入问诊信息获得对应的多类候选疾病；解释模块，采用解释算法对多类候选疾病解释，获得影响多类候选疾病的区分症状；第二采集模块，采集客户端对区分症状的答复信息；更新模块，答复信息加入问诊信息，更新问诊信息，更新后的问诊信息输入疾病推断模型，获得更新后的候选疾病。本发明还提供电子设备和存储介质。本发明可以减少对话次数，提高症状匹配度。
Description
技术领域
本发明涉及数字医疗技术领域，尤其涉及一种智能医疗问诊装置、电子 设备及计算机可读存储介质。
背景技术
近年来，在智慧医疗、远程就医等领域，为了进一步提高疾病诊断效率 并减少医生的工作量，各大医疗机构都推出了便捷的智能问诊系统，通过向 有诊断需求的用户针对个人症状进行多次询问，并根据每次对话中收集到的 症状信息与各类疾病可能出现的症状信息进行对比，在不断的匹配过程中逐 渐排查出症状最接近的某个疾病，该类型的方案主要通过对话轮次或匹配度 等参数上的预设值来终止询问并输出诊断结果。
该方案的缺陷在于：第一，问诊效率低，需要用户不断进行大量的对话， 无法更直接的提取用户症状信息和意图，用户体验较差的同时诊断效率也较 低。第二，诊断准确率不高，由于在实际情况中，患者所提供的单一症状可 能对应着多种不同类型的疾病，现有方案大多采用简单的症状匹配机制，无 法根据用户的描述反馈及时进行匹配方向更新，单向的匹配流程可能导致较 大的诊断误差。
发明内容
本发明提供一种智能医疗问诊装置、电子设备及计算机可读存储介质， 其主要目的在于减少对话次数，提高症状匹配度。
为实现上述目的，本发明提供的一种智能医疗问诊装置，包括：
第一采集模块，用于采集客户端的问诊信息，所述问诊信息包括主诉信 息，个人资料和病理资料；
疾病推断模块，用于构建疾病推断模型，将第一采集模块采集的问诊信 息输入所述疾病推断模型，获得所述问诊信息对应的多类候选疾病；
解释模块，用于采用解释算法对疾病推断模块预测的多类候选疾病进行 解释，获得影响多类候选疾病的区分症状；
第二采集模块，用于采集客户端对解释模块的区分症状的答复信息；
更新模块，用于将第二采集模块的答复信息加入问诊信息，获得更新后 的问诊信息，所述更新后的问诊信息输入疾病推断模块的疾病推断模型，获 得更新后的问诊信息对应的候选疾病。
可选地，所述疾病推断模块包括：
模型架构单元，用于构建疾病推断模型的结构，所述疾病推断模型为多 种分类模型；
训练单元，用于训练分类模型，通过自动机器学习对多种分类模型进行 训练，获得最优的分类模型作为疾病推断模型。
可选地，所述疾病推断模块包括：
模型架构单元，用于构建疾病推断模型的结构，所述疾病推断模型为神 经网络结构，包括多种卷积层、多种池化层、全连接层，疾病推断模型为层 数和构成不确定的神经网络结构；
数据集构建单元，用于划分问诊信息，将问诊信息划分为训练数据集和 验证数据集；
设定单元，用于设定搜索空间；
控制器，用于调用模型架构单元的神经网络结构，选择一组层数和构成 确定的端到端的神经网络结构；
训练单元，用于训练神经网络结构，采用数据集构建单元构建的训练数 据集对控制器构成的神经网络结构进行训练，直到神经网络结构收敛；
验证单元，用于验证训练单元训练后的神经网络结构的准确率，通过数 据构建单元的验证集对训练单元训练后的神经网络结构进行验证，获得所述 神经网络结构的准确率；
更新单元，用于更新神经网络结构，通过设定单元设定的搜索空间和验 证单元获得的准确率更新控制器选择的神经网络结构；
模型确定单元，用于确定达到设计要求的神经网络结构，将达到设计要 求的神经网络结构作为疾病推断模型，所述设计要求包括计算成本、准确率 和部署难度。
可选地，所述疾病推断模型输出为问诊信息对应候选疾病及概率。
可选地，所述智能医疗问诊装置还包括：
判断模块，用于判断疾病推断模型输出的概率是否超过预设阈值，将超 过预设阈值的概率对应的候选疾病发送给问诊确定模块，如果不存在满足预 设阈值的概率，则发送信号给解释模块；
问诊确定模块，用于将超过预设阈值的概率对应的候选疾病作为问诊结 果。
可选地，所述判断模块还判断超过预设阈值的概率的个数是否不超过设 定个数，如果超过预设阈值的概率的个数不超过设定个数，发送信号给问诊 确定模块，如果超过预设阈值的概率的个数超过设定个数，发送信号给解释 模块。
可选地，所述解释模块包括：
扰动数据集构建单元，用于构建问诊信息的扰动数据集，将第一采集模 块采集的问诊信息作为原始数据，构成原始数据集，构建原始数据集的扰动 数据集，所述扰动数据集是与原始数据有差异的扰动数据构成的数据集；
权重分配单元，用于根据扰动数据集中扰动数据与原始数据的距离分配 扰动数据的权重；
解释单元，用于将扰动数据集中扰动数据及其对应的权重输入疾病推断 模型，改变扰动数据集，分析使得疾病推断模型准确率超过准确率预设阈值 的最大权重的扰动数据，将所述最大权重的扰动数据作为区分症状。
可选地，所述智能医疗问诊装置还包括标准化处理模块，用于对问诊信 息进行标准化处理，所述标准化处理包括：将问诊信息的图片转化为标准化 格式的文字。
为了解决上述问题，本发明还提供一种电子设备，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以下步骤：
采集问诊的客户端的问诊信息，所述问诊信息包括主诉信息，个人资料 和病理资料；
构建疾病推断模型，将采集的问诊信息输入所述疾病推断模型，获得所 述问诊信息对应的多类候选疾病；
采用解释算法对多类候选疾病进行解释，获得影响多类候选疾病的区分 症状；
采集客户端对解释模块的区分症状的答复信息；
将答复信息加入问诊信息，获得更新后的问诊信息，将所述更新后的问 诊信息输入疾病推断模型，获得更新后的问诊信息对应的候选疾病。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的数据稽核方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，存储有计 算机程序，所述计算机程序被处理器执行时实现如下步骤：
采集问诊的客户端的问诊信息，所述问诊信息包括主诉信息，个人资料 和病理资料；
构建疾病推断模型，将采集的问诊信息输入所述疾病推断模型，获得所 述问诊信息对应的多类候选疾病；
采用解释算法对多类候选疾病进行解释，获得影响多类候选疾病的区分 症状；
采集客户端对解释模块的区分症状的答复信息；
将答复信息加入问诊信息，获得更新后的问诊信息，将所述更新后的问诊信 息输入疾病推断模型，获得更新后的问诊信息对应的候选疾病。
本发明智能医疗问诊装置、电子设备及计算机可读存储介质通过解释模 块，获得影响多类候选疾病的区分症状，通过第二采集模块，采集客户端对 解释模块的区分症状的答复信息，通过更新模块，根据第二采集模块的答复 信息更新疾病推断推断模型输出的候选疾病，减少了对话次数，提高症状匹 配度。
附图说明
图1为本发明一实施例提供的智能医疗问诊装置的模块示意图；
图2为本发明一实施例提供的疾病推断模块的模块示意图；
图3为本发明一实施例提供的解释模块的模块示意图；
图4为本发明一实施例提供的电子设备的内部结构示意图；
图5是本发明一实施例提供的电子设备的基于机器学习的可解释智能医 疗问诊程序执行的示意图；
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限 定本发明。
如图1所示，是本发明智能医疗问诊装置的功能模块图。
本发明所述智能医疗问诊装置100可以安装于电子设备中。根据实现的 功能，所述智能医疗问诊装置装置可以包括第一采集模块1、疾病推断模块5、 解释模块7、第二采集模块9和更新模块10。本发所述模块是指一种能够被 电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其 存储在电子设备的存储器中。
在本实施例中，关于各模块的功能如下：
第一采集模块1，用于采集客户端的问诊信息，所述问诊信息包括主诉信 息，个人资料和病理资料，包括但不限于病理图片或其他检查数据；
疾病推断模块5，用于构建疾病推断模型，将第一采集模块1采集的问诊 信息输入所述疾病推断模型，获得所述问诊信息对应的多类候选疾病，所述 疾病推断模型可以是机器学习模型、分类模型、神经网络模型等；
解释模块7，用于采用解释算法对疾病推断模块5预测的多类候选疾病进 行解释，获得影响多类候选疾病的区分症状，优选地，采用LIME解释算法；
第二采集模块9，用于采集客户端对解释模块7的区分症状的答复信息；
更新模块10，用于将第二采集模块9的答复信息加入问诊信息，获得更 新后的问诊信息，所述更新后的问诊信息输入疾病推断模块5的疾病推断模 型，获得更新后的问诊信息对应的候选疾病，从而达到有针对性对疾病进行 区分的效果。
在一个实施例中，智能医疗问诊装置还包括标准化处理模块2，用于对问 诊信息进行标准化处理，所述标准化处理包括：将问诊信息的图片转化为标 准化格式的文字，还可以包括将标准化格式转换的问诊信息进行关键词提取 和标签属性分类，所述标签属性分类包括就诊人个人信息、已有的就诊票据 类型、已有的票据对应的就诊时间、就诊地点和结论以及此次问诊的主诉信 息，所述标签属性分类还可以分级划分，例如，一级标签属性分类的医疗票 据可以包括二级标签属性分类的科室、费用名称、金额、规格等。其中，所述疾病推断模块5的疾病推断模型的输入为标准化处理后的问诊信息。
在一个实施例中，智能医疗问诊装置还包括疾病诊疗图谱获得模块3，用 于构建以疾病为节点以症状为边的疾病诊疗图谱，两个节点相连的边表示两 种疾病相同的症状，一个节点没有与另一个节点相连的边，表示所述一个节 点代表的疾病与另一个节点代表的疾病的区别症状，疾病诊疗图谱的信息可 以从公开医疗数据库获取，也可以通过爬虫从网络获取，可以通过LINE从获 取的信息中构建疾病诊疗图谱的拓扑结构；
其中，还包括匹配模块4，用于通过疾病诊疗图谱模块的疾病诊疗图谱匹 配第一采集模块1采集的问诊信息或标准化处理模块2处理后的问诊信息， 获得匹配数据，所述匹配数据作为疾病推断模型的输入。
在一个实施例中，如图2所示，所述疾病推断模块5包括：
模型架构单元51，用于构建疾病推断模型的结构，所述疾病推断模型为 多种分类模型，例如FCNN，FRCNN，unet，yolo等分类模型；
训练单元55，用于训练分类模型，通过自动机器学习(AutoML)对多种 分类模型进行训练，获得最优的分类模型作为疾病推断模型。
智能医疗问诊装置针对问诊方式复杂轮次较多的问题，引入基于自动机 器学习(AutoML)方案代替传统特征比对方案，对用户的包括文本图像等各 类个人信息进行模型训练并推断出可能疾病，最大程度简化对话流程；由于 AutoML方案可能推断出多类候选疾病，因此需要对症状相似疾病区分精度不 高影响诊断结果的问题引入LIME模型解释算法，对经过AutoML训练后的 候选疾病模型进行解释并寻找对诊断结果影响较大的特征症状，再利用其区 分症状进行用户信息获取并更新疾病推断模型，从而达到有针对性对疾病进行区分的效果。
在一个实施例中，如图2所示，所述疾病推断模块5包括：
模型架构单元51，用于构建疾病推断模型的结构，所述疾病推断模型为 神经网络结构，包括多种卷积层(例如不同卷积核的卷积层、空洞卷积层、 深度可分卷积层)、多种池化层(例如，平均池化层、最大池化层)和全连 接层，疾病推断模型为层数和构成不确定的神经网络结构；
数据集构建单元52，用于划分问诊信息，将问诊信息或标准化处理后的 问诊信息或匹配数据划分为训练数据集和验证数据集；
设定单元53，用于设定搜索空间，例如DARTS、one-shot等网络的搜索 空间；
控制器54，用于调用模型架构单元的神经网络结构，选择一组层数和构 成确定的端到端的神经网络结构，例如，采用循环神经网络(RNN)作为控 制器；
训练单元55，用于训练神经网络结构，采用数据集构建单元构建的训练 数据集对控制器构成的神经网络结构进行训练，直到神经网络结构收敛；
验证单元56，用于验证训练单元训练后的神经网络结构的准确率，通过 数据构建单元的验证集对训练单元训练后的神经网络结构进行验证，获得所 述神经网络结构的准确率；
更新单元57，用于更新神经网络结构，通过设定单元设定的搜索空间和 验证单元获得的准确率更新控制器选择的神经网络结构；
模型确定单元58，用于确定达到设计要求的神经网络结构，将达到设计 要求的神经网络结构作为疾病推断模型，所述设计要求包括计算成本、准确 率和部署难度可以是计算成本、准确率和部署难度之间取得平衡，也可以是 是对设计要求的各设计要素设定权值，各设计要素的权值之和为1，各设计要 素的值与对应权值乘积求和达到设定阈值作为设计要求。
在一个实施例中，所述疾病推断模型输出为问诊信息对应候选疾病及概 率，所述候选疾病按用途来分类的话，主要涉及癌症、心血管疾病以及呼吸、 视网膜和神经退行性疾病等五个领域，所述智能医疗问诊装置还包括：
第一判断模块6，用于判断疾病推断模型输出的概率是否超过预设阈值， 将超过预设阈值的概率对应的候选疾病发送给问诊确定模块13，如果不存在 满足预设阈值的概率，则发送信号给解释模块7，优选地，不同地区的不同疾 病的预设阈值不同，例如，“流感”、“肺炎”、“咽炎”的预设阈值分别 为0.85、0.75、0.68，另外，优选地，疾病的高发区的所述疾病的预设阈值高 于非高发区的所述疾病的预设阈值，所述高发区可以通过网络爬虫获得卫生 部门的数据设定；
问诊确定模块13，用于将超过预设阈值的概率对应的候选疾病作为问诊 结果。
在一个实施例中，智能医疗问诊装置还包括阈值推断模块，构建阈值推 断模型，所述阈值推断模型的输入为不同地区设定时间的诊断病例数据，输 出为不同地区的不同类疾病的预设阈值，例如，所述阈值推断模型包括多层 感知机(MLP)和softmax(逻辑回归模型)。
在一个实施例中，智能医疗问诊装置还包括第二判断模块11，用于判断 超过预设阈值的概率的个数是否不超过设定个数，如果超过预设阈值的概率 的个数不超过设定个数，发送信号给问诊确定模块13，如果超过预设阈值的 概率的个数超过设定个数，发送信号给解释模块7，其中，第一判断模块6和 第二判断模块11的功能可以由一个判断模块实现，也可以由两个判断模块实 现。
在一个实施例中，智能医疗问诊装置还包括循环计次模块12，用于统计 不存在满足预设阈值的概率或满足预设阈值的概率超过设定个数时的循环次 数，如果循环次数达到预设询问次数，将预设询问次数对应的疾病推断模型 的结果作为问诊结果；如果循环次数未达到预设询问次数，发送信号给解释 模块。
在一个实施例中，如图3所示，所述解释模块7包括：
扰动数据集构建单元71，用于构建问诊信息的扰动数据集，将第一采集 模块1采集的问诊信息或标准化处理后的问诊信息或匹配数据作为原始数据， 构成原始数据集，构建原始数据集的扰动数据集，所述扰动数据集是与原始 数据有差异的扰动数据构成的数据集，例如，匹配数据为“咳痰”、“40岁”、 “病程1周”，对一个的扰动数据为“不咳痰”、“42岁”、病程5天”；
权重分配单元72，用于根据扰动数据集中扰动数据与原始数据的距离分 配扰动数据的权重；
解释单元73，用于将扰动数据集中扰动数据及其对应的权重输入疾病推 断模型，改变扰动数据集(改变扰动数据或/和权重)，分析使得疾病推断模 型准确率超过准确率预设阈值的最大权重的扰动数据，将所述最大权重的扰 动数据作为区分症状，例如，扰动数据中发现“咳痰”为对预测为“咽炎” 影响最大的结果(即权重最高)。
在一个实施例中，智能医疗问诊装置还包括：
问题生成模块8，用于根据解释模块7的区分症状生成提问问题，发送给 客户端，所述提问问题可以是预先设定的，也就是说构建症状问题映射表， 所述症状问题映射表存储着不同症状对应的提问问题，当解释模块7获得区 分症状时，通过症状问题映射匹配获得对应的提问问题。另外，所述提问问 题，也可以通过爬虫技术从网络上获得，例如，发现“咳痰”为对预测为“咽 炎”影响最大的结果(即权重最高)，则向用户提出“咳痰”相关的问题， 如颜色、频率等。
在一个实施例中，如图1所示，智能医疗问诊装置包括：
第一采集模块1，用于采集问诊的客户端的问诊信息，所述问诊信息包括 主诉信息，个人资料以及能够提供的病理资料，包括但不限于病理图片或其 他检查数据；
标准化处理模块2，用于对问诊信息进行标准化处理；
疾病诊疗图谱获得模块3，用于构建以疾病为节点以症状为边的疾病诊疗 图谱；
匹配模块4，用于将疾病诊疗图谱模块的疾病诊疗图谱与第一采集模块1 采集的问诊信息或标准化处理模块2处理后的问诊信息进行匹配获得匹配数 据，所述匹配数据作为疾病推断模型的输入；
疾病推断模块5，用于构建疾病推断模型，所述疾病推断模型的输入是上 述匹配数据，所述疾病推断模型的输出是问诊信息对应的多类候选疾病及概 率；
第一判断模块6，用于判断疾病推断模型输出的概率是否满足预设阈值且 满足预设阈值的概率的个数不超过设定个数，如果不存在满足预设阈值的概 率或满足预设阈值的概率的个数超过设定个数，则发送信号给解释模块7，如 果满足预设阈值的概率的个数不超过设定个数，发送信号给问诊确定模块；
解释模块7，用于采用解释算法对疾病推断模块5预测的多类候选疾病进 行解释，获得影响多类候选疾病的区分症状及权重；
问题生成模块8，用于根据解释模块7的最大权重对应的区分症状生成提 问问题，发送给客户端；
第二采集模块9，用于采集客户端对解释模块7的区分症状的答复信息；
更新模块10，用于根据第二采集模块9的答复信息更新问诊信息，通过 疾病推断模块5的疾病推断模型，获得更新后的问诊信息对应的候选疾病及 概率；
第二判断模块11，用于判断更新模块10获得的更新后的概率是否满足预 设阈值且满足预设阈值的概率的个数不超过设定个数，如果满足预设阈值的 概率的个数不超过设定个数，发送信号给问诊确定模块；如果不存在满足预 设阈值的概率或满足预设阈值的概率的个数超过设定个数，则发送信号给循 环计次模块12；
循环计次模块12，用于统计不存在满足预设阈值的概率或满足预设阈值 的概率的个数超过设定个数时的循环次数，如果循环次数达到预设询问次数， 发送信号给问诊确定模块13，如果循环次数未达到预设询问次数，发送信号 给问题生成模块8，根据第二大权重对应的区分症状生成提问问题，进行第二 采集模块9、更新模块10、第二判断模块11、循环计次模块12的循环，直到 满足预设阈值的概率的个数不超过设定个数或循环次数达到预设询问次数， 发送信号给问诊确定模块13；
问诊确定模块13，用于将满足预设值的概率对应的候选疾病或预设循环 次数的疾病推断模型输出的候选疾病作为问诊结果，可以将最大概率的候选 疾病做问诊结果，也可以按照概率由大到小对候选疾病进行排序，取排序靠 前的设定数量的候选疾病作为问诊结果。
如图4所示，是本发明电子设备的结构示意图。
所述电子设备20可以包括处理器21、存储器22和总线，还可以包括存储在 所述存储器22中并可在所述处理器21上运行的计算机程序，如基于机器学 习的智能医疗问诊程序211。
其中，所述存储器22至少包括一种类型的可读存储介质，所述可读存储 介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器 等)、磁性存储器、磁盘、光盘等。所述存储器22在一些实施例中可以是电 子设备20的内部存储单元，例如该电子设备20的移动硬盘。所述存储器22 在另一些实施例中也可以是电子设备20的外部存储设备，例如电子设备20 上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全 数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存 储器22还可以既包括电子设备20的内部存储单元也包括外部存储设备。所 述存储器22不仅可以用于存储安装于电子设备20的应用软件及各类数据， 例如基于机器学习的可解释智能医疗问诊程序的代码等，还可以用于暂时地 存储已经输出或者将要输出的数据。
所述处理器21在一些实施例中可以由集成电路组成，例如可以由单个封 装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路 所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微 处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器 21是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整 个电子设备的各个部件，通过运行或执行存储在所述存储器22内的程序或者 模块(例如智能医疗问诊程序等)，以及调用存储在所述存储器22内的数据， 以执行电子设备20的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect， 简称PCI)总线或扩展工业标准结构(extended industry standard architecture， 简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所 述总线被设置为实现所述存储器22以及至少一个处理器21等之间的连接通 信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4 示出的结构并不构成对所述电子设备20的限定，可以包括比图示更少或者更 多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备20还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器 21逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管 理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、 电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。 所述电子设备20还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不 再赘述。
进一步地，所述电子设备20还可以包括网络接口，可选地，所述网络接 口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用 于在该电子设备20与其他电子设备之间建立通信连接。
可选地，该电子设备20还可以包括用户接口，用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可 以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是 LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当 的称为显示屏或显示单元，用于显示在电子设备20中处理的信息以及用于显 示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构 的限制。
所述电子设备20中的所述存储器22存储的智能医疗问诊程序221是多 个指令的组合，在所述处理器21中运行时，可以实现：
采集问诊的客户端的问诊信息，所述问诊信息包括主诉信息，个人资料 和病理资料；
构建疾病推断模型，将采集的问诊信息输入所述疾病推断模型，获得所 述问诊信息对应的多类候选疾病；
采用解释算法对多类候选疾病进行解释，获得影响多类候选疾病的区分 症状；
采集客户端对解释模块的区分症状的答复信息；
将答复信息加入问诊信息，获得更新后的问诊信息，将所述更新后的问 诊信息输入疾病推断模型，获得更新后的问诊信息对应的候选疾病。
在一个实施例中，如图5所示，智能医疗问诊程序221在所述处理器21 中运行时，还实现以下步骤：
采集客户端的问诊信息，对问诊信息进行标准化处理；
构建基于自动机器学习的疾病推断模型，包括：构建以疾病为节点以症 状为边的疾病诊疗图谱，将疾病诊疗图谱和标准化理后的问诊信息进行匹配， 获得匹配数据；将匹配数据输入疾病推断模型推断候选疾病概率；输出问诊 信息对应的候选疾病概率；
判断是否有匹配诊断结构，也就是说，判断疾病推断模型输出的概率是 否满足预设阈值且满足预设阈值的概率的个数不超过设定个数；
如果概率满足预设阈值且个数不超过设定个数，将满足预设阈值的概率 对应的候选疾病作为问诊结果；
不存在满足预设阈值的概率或满足预设阈值的概率的个数超过设定个数， 采用解释算法对疾病推断模型预测的多类候选疾病进行解释，包括：将问诊 信息划分为预测数据集合训练数据集；在预测数据集附近随机采样(在设定 范围内改变预测数据集)，构建扰动数据集；对扰动数据集的样本进行标注 (标注相对预测数据集改变的数据)，并获得与预测点(预测数据集中的对 应的数据点)的距离和权重，距离越大，权重越小；将扰动数据集中扰动数 据及其对应的权重输入疾病推断模型，改变扰动数据集，分析使得疾病推断 模型准确率超过准确率预设阈值的扰动数据，将所述扰动数据作为区分症状， 获得权重排名靠前的区分症状；
根据最大权重对应的区分症状生成提问问题，发送给客户端，采集客户 端对区分症状的答复信息；
根据答复信息更新问诊信息，通过疾病推断模型，获得更新后的问诊信 息对应的候选疾病及概率；
判断更新后的概率是否满足预设阈值且满足预设阈值的概率的个数不超 过设定个数；
如果满足预设阈值的概率的个数不超过设定个数，将满足预设值的概率 对应的候选疾病作为问诊结果；
如果不存在满足预设阈值的概率或满足预设阈值的概率的个数超过设定 个数，统计不满足预设阈值的概率或满足预设阈值的概率的循环次数；
如果循环次数达到预设询问次数，将预设循环次数的疾病推断模型输出 的候选疾病作为问诊结果；
如果循环次数未达到预设询问次数，向客户端提问权值排序第二的区分 症状生成提问问题，发送给客户端，重复上述步骤，直到满足预设阈值的概 率的个数不超过设定个数或达到预设询问次数。
进一步地，所述电子设备20集成的模块/单元如果以软件功能单元的形式 实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介 质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何 实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只 读存储器(ROM，Read-Only Memory)。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读 存储介质可以是非易失性，也可以是易失性，计算机可读存储介质中包括计 算机程序，该计算机程序被处理器执行时实现如下操作：
采集问诊的客户端的问诊信息，所述问诊信息包括主诉信息，个人资料 和病理资料；
构建疾病推断模型，将采集的问诊信息输入所述疾病推断模型，获得所 述问诊信息对应的多类候选疾病；
采用解释算法对多类候选疾病进行解释，获得影响多类候选疾病的区分 症状；
采集客户端对解释模块的区分症状的答复信息；
将答复信息加入问诊信息，获得更新后的问诊信息，将所述更新后的问 诊信息输入疾病推断模型，获得更新后的问诊信息对应的候选疾病。
本发明之计算机可读存储介质的具体实施方式与上述智能医疗问诊装置、 电子设备的具体实施方式大致相同，在此不再赘述。
本发明智能医疗问诊装置、电子设备及计算机可读存储介质解决了用户 在智能问诊中常见的对话繁琐复杂且症状匹配度不高的问题。通过加入 AutoML的数据处理模块，能够有效的适应多种类型的用户个人及病理数据信 息，增加了智能问诊的数据处理能力和结果精度，多类型的信息支持也能够 更大程度简化用户的问诊流程，减少对话轮次。LIME解释算法的加入能够根 据训练模型有效查找对推断结果影响较大的症状，再根据对该症状进行区分 和提问，该算法不但能够减少不必要的补充提问，提升用户体验，同时由于 是从模型层面出发进行的问题筛选和补充，能够更具有针对性地完善数据从 而提升模型精度。本发明提升用户在智能问诊系统上的使用体验，化解智能 问诊普遍存在的效率和精度问题，从而进一步推动智能医疗的落地和推广。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和 方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示 意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作 为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方， 或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中， 也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单 元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件 功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节， 而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实 现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限 制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落 在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将 权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权 利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件 来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当 理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术 方案的精神和范围。
Claims (10)
1.一种智能医疗问诊装置，其特征在于，所述装置包括：
第一采集模块，用于采集客户端的问诊信息，所述问诊信息包括主诉信息，个人资料和病理资料；
疾病推断模块，用于构建疾病推断模型，将第一采集模块采集的问诊信息输入所述疾病推断模型，获得所述问诊信息对应的多类候选疾病；
解释模块，用于采用解释算法对疾病推断模块预测的多类候选疾病进行解释，获得影响多类候选疾病的区分症状；
第二采集模块，用于采集客户端对解释模块的区分症状的答复信息；
更新模块，用于将第二采集模块的答复信息加入问诊信息，获得更新后的问诊信息，所述更新后的问诊信息输入疾病推断模块的疾病推断模型，获得更新后的问诊信息对应的候选疾病。
2.如权利要求1所述的智能医疗问诊装置，其特征在于，所述疾病推断模块包括：
模型架构单元，用于构建疾病推断模型的结构，所述疾病推断模型为多种分类模型；
训练单元，用于训练分类模型，通过自动机器学习对多种分类模型进行训练，获得最优的分类模型作为疾病推断模型。
3.如权利要求1所述的智能医疗问诊装置，其特征在于，所述疾病推断模块包括：
模型架构单元，用于构建疾病推断模型的结构，所述疾病推断模型为神经网络结构，包括多种卷积层、多种池化层、全连接层，疾病推断模型为层数和构成不确定的神经网络结构；
数据集构建单元，用于划分问诊信息，将问诊信息划分为训练数据集和验证数据集；
设定单元，用于设定搜索空间；
控制器，用于调用模型架构单元的神经网络结构，选择一组层数和构成确定的端到端的神经网络结构；
训练单元，用于训练神经网络结构，采用数据集构建单元构建的训练数据集对控制器构成的神经网络结构进行训练，直到神经网络结构收敛；
验证单元，用于验证训练单元训练后的神经网络结构的准确率，通过数据构建单元的验证集对训练单元训练后的神经网络结构进行验证，获得所述神经网络结构的准确率；
更新单元，用于更新神经网络结构，通过设定单元设定的搜索空间和验证单元获得的准确率更新控制器选择的神经网络结构；
模型确定单元，用于确定达到设计要求的神经网络结构，将达到设计要求的神经网络结构作为疾病推断模型，所述设计要求包括计算成本、准确率和部署难度。
4.如权利要求1所述的智能医疗问诊装置，其特征在于，所述疾病推断模型输出为问诊信息对应候选疾病及概率。
5.如权利要求4所述的智能医疗问诊装置，其特征在于，所述智能医疗问诊装置还包括：
判断模块，用于判断疾病推断模型输出的概率是否超过预设阈值，将超过预设阈值的概率对应的候选疾病发送给问诊确定模块，如果不存在满足预设阈值的概率，则发送信号给解释模块；
问诊确定模块，用于将超过预设阈值的概率对应的候选疾病作为问诊结果。
6.如权利要求5所述的智能医疗问诊装置，其特征在于，所述判断模块还判断超过预设阈值的概率的个数是否不超过设定个数，如果超过预设阈值的概率的个数不超过设定个数，发送信号给问诊确定模块，如果超过预设阈值的概率的个数超过设定个数，发送信号给解释模块。
7.如权利要求1所述的智能医疗问诊装置，其特征在于，所述解释模块包括：
扰动数据集构建单元，用于构建问诊信息的扰动数据集，将第一采集模块采集的问诊信息作为原始数据，构成原始数据集，构建原始数据集的扰动数据集，所述扰动数据集是与原始数据有差异的扰动数据构成的数据集；
权重分配单元，用于根据扰动数据集中扰动数据与原始数据的距离分配扰动数据的权重；
解释单元，用于将扰动数据集中扰动数据及其对应的权重输入疾病推断模型，改变扰动数据集，分析使得疾病推断模型准确率超过准确率预设阈值的最大权重的扰动数据，将所述最大权重的扰动数据作为区分症状。
8.如权利要求1所述的智能医疗问诊装置，其特征在于，所述智能医疗问诊装置还包括标准化处理模块，用于对问诊信息进行标准化处理，所述标准化处理包括：将问诊信息的图片转化为标准化格式的文字。
9.一种电子设备，其特征在于，所述电子设备包括：
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以下步骤：
采集客户端的问诊信息，所述问诊信息包括主诉信息，个人资料和病理资料；
构建疾病推断模型，将采集的问诊信息输入所述疾病推断模型，获得所述问诊信息对应的多类候选疾病；
采用解释算法对多类候选疾病进行解释，获得影响多类候选疾病的区分症状；
采集客户端对解释模块的区分症状的答复信息；
将答复信息加入问诊信息，获得更新后的问诊信息，将所述更新后的问诊信息输入疾病推断模型，获得更新后的问诊信息对应的候选疾病。
10.一种计算机可读存储介质，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如下步骤：
采集问诊的客户端的问诊信息，所述问诊信息包括主诉信息，个人资料和病理资料；
构建疾病推断模型，将采集的问诊信息输入所述疾病推断模型，获得所述问诊信息对应的多类候选疾病；
采用解释算法对多类候选疾病进行解释，获得影响多类候选疾病的区分症状；
采集客户端对解释模块的区分症状的答复信息；
将答复信息加入问诊信息，获得更新后的问诊信息，将所述更新后的问诊信息输入疾病推断模型，获得更新后的问诊信息对应的候选疾病。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011624496.1A CN112750529A (zh) | 2020-12-31 | 2020-12-31 | 智能医疗问诊装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011624496.1A CN112750529A (zh) | 2020-12-31 | 2020-12-31 | 智能医疗问诊装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112750529A true CN112750529A (zh) | 2021-05-04 |
Family
ID=75650485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011624496.1A Pending CN112750529A (zh) | 2020-12-31 | 2020-12-31 | 智能医疗问诊装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112750529A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113360611A (zh) * | 2021-05-25 | 2021-09-07 | 张健 | 基于检查结果的ai诊断方法、装置、存储介质和设备 |
| CN113506621A (zh) * | 2021-06-04 | 2021-10-15 | 山西三友和智慧信息技术股份有限公司 | 基于大数据的人工智能健康云平台 |
| CN113782179A (zh) * | 2021-05-14 | 2021-12-10 | 广州市高科通信技术股份有限公司 | 报病信息管理方法、终端以及存储装置 |
| CN115982335A (zh) * | 2023-02-14 | 2023-04-18 | 智慧眼科技股份有限公司 | 一种主动式ai医疗问答系统、方法、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107610774A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云（北京）技术有限公司 | 智能问诊方法及装置、存储介质、电子设备 |
| 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 |
| 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 |
| CN109887587A (zh) * | 2019-01-22 | 2019-06-14 | 平安科技（深圳）有限公司 | 智能分诊方法、系统、装置及存储介质 |
| CN110110139A (zh) * | 2019-04-19 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种对推荐结果进行解释的方法、装置及电子设备 |
| CN111180081A (zh) * | 2019-12-30 | 2020-05-19 | 众安信息技术服务有限公司 | 一种智能问诊方法及装置 |
| CN111242319A (zh) * | 2020-01-15 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 模型预测结果的解释方法和装置 |
| CN111326251A (zh) * | 2020-02-13 | 2020-06-23 | 北京百度网讯科技有限公司 | 一种问诊问题输出方法、装置以及电子设备 |
| US20200211706A1 (en) * | 2017-07-31 | 2020-07-02 | Guangdong University Of Technology | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system |
| CN111816312A (zh) * | 2020-09-14 | 2020-10-23 | 杭州憶盛医疗科技有限公司 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
| CN112037875A (zh) * | 2020-09-04 | 2020-12-04 | 平安科技（深圳）有限公司 | 智能诊疗数据处理方法、设备、装置及存储介质 |
| CN112070239A (zh) * | 2020-11-11 | 2020-12-11 | 上海森亿医疗科技有限公司 | 基于用户数据建模的分析方法、系统、介质及设备 |
-
2020
- 2020-12-31 CN CN202011624496.1A patent/CN112750529A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200211706A1 (en) * | 2017-07-31 | 2020-07-02 | Guangdong University Of Technology | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system |
| CN107610774A (zh) * | 2017-10-25 | 2018-01-19 | 医渡云（北京）技术有限公司 | 智能问诊方法及装置、存储介质、电子设备 |
| 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 |
| 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 |
| CN109887587A (zh) * | 2019-01-22 | 2019-06-14 | 平安科技（深圳）有限公司 | 智能分诊方法、系统、装置及存储介质 |
| CN110110139A (zh) * | 2019-04-19 | 2019-08-09 | 北京奇艺世纪科技有限公司 | 一种对推荐结果进行解释的方法、装置及电子设备 |
| CN111180081A (zh) * | 2019-12-30 | 2020-05-19 | 众安信息技术服务有限公司 | 一种智能问诊方法及装置 |
| CN111242319A (zh) * | 2020-01-15 | 2020-06-05 | 支付宝(杭州)信息技术有限公司 | 模型预测结果的解释方法和装置 |
| CN111326251A (zh) * | 2020-02-13 | 2020-06-23 | 北京百度网讯科技有限公司 | 一种问诊问题输出方法、装置以及电子设备 |
| CN112037875A (zh) * | 2020-09-04 | 2020-12-04 | 平安科技（深圳）有限公司 | 智能诊疗数据处理方法、设备、装置及存储介质 |
| CN111816312A (zh) * | 2020-09-14 | 2020-10-23 | 杭州憶盛医疗科技有限公司 | 基于模型解释的健康状态检测方法、设备及可读存储介质 |
| CN112070239A (zh) * | 2020-11-11 | 2020-12-11 | 上海森亿医疗科技有限公司 | 基于用户数据建模的分析方法、系统、介质及设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113782179A (zh) * | 2021-05-14 | 2021-12-10 | 广州市高科通信技术股份有限公司 | 报病信息管理方法、终端以及存储装置 |
| CN113360611A (zh) * | 2021-05-25 | 2021-09-07 | 张健 | 基于检查结果的ai诊断方法、装置、存储介质和设备 |
| CN113506621A (zh) * | 2021-06-04 | 2021-10-15 | 山西三友和智慧信息技术股份有限公司 | 基于大数据的人工智能健康云平台 |
| CN115982335A (zh) * | 2023-02-14 | 2023-04-18 | 智慧眼科技股份有限公司 | 一种主动式ai医疗问答系统、方法、设备及存储介质 |
| CN115982335B (zh) * | 2023-02-14 | 2024-06-18 | 智慧眼科技股份有限公司 | 一种主动式ai医疗问答系统、方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN112750529A (zh) | 智能医疗问诊装置、设备及介质 | |
| CN111563152A (zh) | 智能问答语料分析方法、装置、电子设备及可读存储介质 | |
| CN110196908A (zh) | 数据分类方法、装置、计算机装置及存储介质 | |
| CN105453093A (zh) | 出院处的患者风险因子的建模 | |
| US11379685B2 (en) | Machine learning classification system | |
| CN111932547A (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN113626606A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
| CN112465231A (zh) | 地区人口健康状态预测方法、设备和可读存储介质 | |
| CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
| CN114880449A (zh) | 智能问答的答复生成方法、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 | |
| CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
| CN111950707B (zh) | 基于行为共现网络的行为预测方法、装置、设备及介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
| CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
| CN113570286B (zh) | 基于人工智能的资源分配方法、装置、电子设备及介质 | |
| CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
| CN113342988B (zh) | 一种基于lda跨域的构建服务知识图谱实现服务组合优化的方法及系统 | |
| CN114596958A (zh) | 基于级联分类的病理数据分类方法、装置、设备及介质 | |
| CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 |
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: 40045375 Country of ref document: HK |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |