CN113360611A - 基于检查结果的ai诊断方法、装置、存储介质和设备 - Google Patents

基于检查结果的ai诊断方法、装置、存储介质和设备 Download PDF

Info

Publication number
CN113360611A
CN113360611A CN202110572368.5A CN202110572368A CN113360611A CN 113360611 A CN113360611 A CN 113360611A CN 202110572368 A CN202110572368 A CN 202110572368A CN 113360611 A CN113360611 A CN 113360611A
Authority
CN
China
Prior art keywords
disease
diagnosis
identifier
result information
identification
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
CN202110572368.5A
Other languages
English (en)
Inventor
张健
范国梅
朱小刚
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110572368.5A priority Critical patent/CN113360611A/zh
Publication of CN113360611A publication Critical patent/CN113360611A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F16/338—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本公开提供了基于检查结果的AI诊断方法、装置、存储介质和设备，由服务器首先将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，其中，检查结果信息包括至少一组检查项目标识和相应的检查结果，历史问诊答复信息序列包括历史问诊问题和相应的所选答案选项。再基于诊断结果信息生成待呈现诊断结果信息。最后，将待呈现诊断结果信息发送给与目标患者标识对应的客户端。相应地，客户端可以呈现所收到的待呈现诊断结果信息。即通过基于目标患者标识对应的检查结果信息和历史问诊答复信息序列，生成目标患者标识对应的诊断结果信息，所基于的信息项目更丰富，可以得到更加准确的诊断结果信息。

Description

基于检查结果的AI诊断方法、装置、存储介质和设备
技术领域
本公开涉及计算机技术领域，具体涉及基于检查结果的AI诊断方法、装置、存储介质和设备。
背景技术
随着智能终端的迅速普及以及网络科技的进步，出现了远程问诊服务。远程问诊，是指患者或者医疗条件相对较为不发达地区的医护人员使用客户端输入病情描述信息，再由服务器根据上述病情描述信息，生成诊断建议信息并反馈给客户端，进而患者可以获得诊断建议，减少患者就医的时间和经济成本。而医护人员也可以在获得诊断建议基础上进一步为患者提供诊断方案，从而提高医护人员诊断水平。
现有的远程问诊方法中，大多是由用户上传病情描述信息，例如文字描述或者检验化验结果的扫描图片等。随后系统将收到的病情描述信息存储后，由专业医生根据病情描述信息进行诊断建议信息的回复。
发明内容
本公开提出了基于检查结果的AI诊断方法、装置、存储介质和设备。
第一方面，本公开提供了一种基于检查结果的AI诊断方法，应用于服务器，该方法包括：将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，其中，检查结果信息包括至少一组检查项目标识和相应的检查结果，历史问诊答复信息序列包括历史问诊问题和相应的所选答案选项；
基于所述诊断结果信息生成待呈现诊断结果信息；
将所述待呈现诊断结果信息发送给与所述目标患者标识对应的客户端，以供所述客户端呈现所述待呈现诊断结果信息。
在一些可选的实施方式中，在将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型之前，所述方法还包括：
响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，获取所述目标患者标识对应的历史问诊答复信息序列。
在一些可选的实施方式中，所述疾病诊断模型包括确诊诊断模型；以及
所述将所述检查结果信息和所述历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，包括：
将所述检查结果信息和所述历史问诊答复信息序列输入所述确诊诊断模型，得到预设N个疾病标识中每个疾病标识对应的确诊概率值和排除确诊概率值；
对于所述预设N个疾病标识中每个疾病标识，执行以下诊断结果生成操作：响应于确定该疾病标识对应的确诊概率值大于预设确诊概率阈值，用该疾病标识对应的确诊概率值生成与该疾病标识对应的确诊诊断结果；
合并所生成的各个诊断结果得到所述诊断结果信息。
在一些可选的实施方式中，所述疾病诊断模型还包括疑似诊断模型；以及
所述将所述检查结果信息和所述历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，还包括：
将所述检查结果信息和所述历史问诊答复信息序列输入所述疑似诊断模型，得到所述预设N个疾病标识中每个疾病标识对应的疑似概率值；以及
所述诊断结果生成操作，还包括：
响应于确定该疾病标识对应的确诊概率值不大于所述预设确诊概率阈值，确定该疾病标识对应的疑似概率值是否大于预设疑似概率阈值；
响应于确定大于，用该疾病标识对应的疑似概率值生成与该疾病标识对应的疑似诊断结果。
在一些可选的实施方式中，所述基于所述诊断结果信息生成待呈现诊断结果信息，包括：
将所述诊断结果信息中所包括的各诊断结果所对应的不同疾病标识的数量确定为疾病诊断结果数；
确定所述疾病诊断结果数是否小于预设最少疾病诊断结果数；
响应于确定小于，生成用于指示无法给出确切诊断结果的待呈现诊断结果信息。
在一些可选的实施方式中，所述基于所述诊断结果信息生成待呈现诊断结果信息，还包括：
响应于确定不小于，将所述诊断结果信息中各确诊诊断结果和疑似诊断结果中相应确诊概率值、疑似概率值最高的前S个诊断结果确定为所述待呈现诊断结果信息，所述S为正整数。
在一些可选的实施方式中，所述方法还包括：
响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，将所收到的检查结果信息存储为所述目标患者标识对应的检查结果信息。
在一些可选的实施方式中，所述方法还包括：
响应于接收到所述客户端发送的针对所述目标患者标识的确认检查请求，将所述确认检查请求中的待检查疾病标识集合和待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
第二方面，本公开提供了一种基于检查结果的AI诊断方法，应用于客户端，该方法包括：
响应于接收到服务器发送的针对所述目标患者标识的待呈现诊断结果信息，呈现所述待呈现诊断结果信息。
在一些可选的实施方式中，所述方法还包括：
呈现所述目标患者标识对应的待检查项目标识集合；
响应于检测到检查结果提交操作，获取针对所述待检查项目标识集合中待检查项目标识输入的检查结果；
基于所获取的待检查项目标识和对应的检查结果生成针对所述目标患者标识的检查结果信息，以及将所述检查结果信息发送给所述服务器。
在一些可选的实施方式中，所述待呈现诊断结果信息包括预设N个疾病标识中至少第一预设最少疾病诊断结果数个疾病标识中每个疾病标识对应的确诊概率值或疑似概率值，或者，所述待呈现诊断结果信息用于指示无法给出确切诊断结果。
在一些可选的实施方式中，在呈现所述目标患者标识对应的待检查项目标识集合之前，所述方法还包括：
响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合；
响应于检测到针对所呈现的可检查项目标识的第一选择操作，将所述第一选择操作所针对的可检查项目标识添加到所述目标患者标识对应的待检查项目标识集合中；
响应于检测到针对所呈现的可检查项目标识的第一取消选择操作，将所述第一取消选择操作所针对的可检查项目标识从所述待检查项目标识集合中删除；
响应于检测到预设确认检查操作，用所述待检查疾病标识集合和所述待检查项目标识集合生成针对所述目标患者标识的确认检查请求；
将所述确认检查请求发送给所述服务器，以供所述服务器将所述待检查疾病标识集合和所述待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
在一些可选的实施方式中，在所述响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合之前，所述方法还包括：
获取针对所述目标患者标识的初步疾病诊断结果信息，所述初步疾病诊断结果信息包括所述预设N个疾病标识中至少第二预设诊断结果数个疾病标识中每个疾病标识对应的确诊概率值或疑似概率值；
呈现所述初步疾病诊断结果信息；
响应于检测到针对所呈现的疾病标识的第二选择操作，将所述第二选择操作所针对的疾病标识添加到所述目标患者标识对应的待检查疾病标识集合中；
响应于检测到针对所呈现的疾病标识的第二取消选择操作，将所述第二取消选择操作所针对的疾病标识从所述待检查疾病标识集合中删除。
在一些可选的实施方式中，所述方法还包括：
响应于检测到预设添加疾病标识操作，将所述预设添加疾病标识操作针对的疾病标识添加到所述待检查疾病标识集合中。
在一些可选的实施方式中，所述方法还包括：
响应于检测到预设添加检查项目标识操作，将所述预设添加检查项目标识操作所针对的检查项目标识添加到所述待检查项目标识集合中。
第三方面，本公开提供了一种基于检查结果的AI诊断装置，应用于服务器，该装置包括：
输入单元，被配置成将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，其中，检查结果信息包括至少一组检查项目标识和相应的检查结果，历史问诊答复信息序列包括历史问诊问题和相应的所选答案选项；
生成单元，被配置成基于所述诊断结果信息生成待呈现诊断结果信息；
第一发送单元，被配置成将所述待呈现诊断结果信息发送给与所述目标患者标识对应的客户端，以供所述客户端呈现所述待呈现诊断结果信息。
在一些可选的实施方式中，所述装置还包括：
第一获取单元，被配置成在将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型之前，响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，获取所述目标患者标识对应的历史问诊答复信息序列。
在一些可选的实施方式中，所述疾病诊断模型包括确诊诊断模型；以及
所述输入单元进一步被配置成：
将所述检查结果信息和所述历史问诊答复信息序列输入所述确诊诊断模型，得到预设N个疾病标识中每个疾病标识对应的确诊概率值和排除确诊概率值；
对于所述预设N个疾病标识中每个疾病标识，执行以下诊断结果生成操作：响应于确定该疾病标识对应的确诊概率值大于预设确诊概率阈值，用该疾病标识对应的确诊概率值生成与该疾病标识对应的确诊诊断结果；
合并所生成的各个诊断结果得到所述诊断结果信息。
在一些可选的实施方式中，所述疾病诊断模型还包括疑似诊断模型；以及
所述输入单元进一步被配置成：
将所述检查结果信息和所述历史问诊答复信息序列输入所述疑似诊断模型，得到所述预设N个疾病标识中每个疾病标识对应的疑似概率值；以及
所述诊断结果生成操作，还包括：
响应于确定该疾病标识对应的确诊概率值不大于所述预设确诊概率阈值，确定该疾病标识对应的疑似概率值是否大于预设疑似概率阈值；
响应于确定大于预设疑似概率阈值，用该疾病标识对应的疑似概率值生成与该疾病标识对应的疑似诊断结果。
在一些可选的实施方式中，所述生成单元进一步被配置成：
将所述诊断结果信息中所包括的各诊断结果所对应的不同疾病标识的数量确定为疾病诊断结果数；
确定所述疾病诊断结果数是否小于预设最少疾病诊断结果数；
响应于确定小于，生成用于指示无法给出确切诊断结果的待呈现诊断结果信息。
在一些可选的实施方式中，所述生成单元进一步被配置成：
响应于确定不小于，将所述诊断结果信息中各确诊诊断结果和疑似诊断结果和排除疑似诊断结果中相应确诊概率值、疑似概率值最高的前S个诊断结果确定为所述待呈现诊断结果信息，所述S为正整数。
在一些可选的实施方式中，所述装置还包括：
第一存储单元，被配置成响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，将所收到的检查结果信息存储为所述目标患者标识对应的检查结果信息。
在一些可选的实施方式中，所述装置还包括：
第二存储单元，被配置成响应于接收到所述客户端发送的针对所述目标患者标识的确认检查请求，将所述确认检查请求中的待检查疾病标识集合和待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
第四方面，本公开提供了一种基于检查结果的AI诊断装置，应用于客户端，该装置包括：
第一呈现单元，被配置成响应于接收到服务器发送的针对所述目标患者标识的待呈现诊断结果信息，呈现所述待呈现诊断结果信息。
在一些可选的实施方式中，所述装置还包括：
第二呈现单元，被配置成呈现所述目标患者标识对应的待检查项目标识集合；
第二获取单元，被配置成响应于检测到检查结果提交操作，获取针对所述待检查项目标识集合中待检查项目标识输入的检查结果；
第二发送单元，被配置成基于所获取的待检查项目标识和对应的检查结果生成针对所述目标患者标识的检查结果信息，以及将所述检查结果信息发送给所述服务器。
在一些可选的实施方式中，所述待呈现诊断结果信息包括预设N个疾病标识中至少第一预设最少疾病诊断结果数个疾病标识中每个疾病标识对应的确诊概率值、疑似概率值或者排除疑似概率值，或者，所述待呈现诊断结果信息用于指示无法给出确切诊断结果。
在一些可选的实施方式中，所述装置还包括：
获取及呈现单元，被配置成在呈现所述目标患者标识对应的待检查项目标识集合之前，响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合；
项目标识选择单元，被配置成响应于检测到针对所呈现的可检查项目标识的第一选择操作，将所述第一选择操作所针对的可检查项目标识添加到所述目标患者标识对应的待检查项目标识集合中；
项目标识取消单元，被配置成响应于检测到针对所呈现的可检查项目标识的第一取消选择操作，将所述第一取消选择操作所针对的可检查项目标识从所述待检查项目标识集合中删除；
确认检查单元，被配置成响应于检测到预设确认检查操作，用所述待检查疾病标识集合和所述待检查项目标识集合生成针对所述目标患者标识的确认检查请求；
第三发送单元，被配置成将所述确认检查请求发送给所述服务器，以供所述服务器将所述待检查疾病标识集合和所述待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
在一些可选的实施方式中，所述装置还包括：
第三获取单元，被配置成在所述响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合之前，获取针对所述目标患者标识的初步疾病诊断结果信息，所述初步疾病诊断结果信息包括所述预设N个疾病标识中至少第二预设诊断结果数个疾病标识中每个疾病标识对应的确诊概率值、疑似概率值或者排除疑似概率值；
第三呈现单元，被配置成呈现所述初步疾病诊断结果信息；
疾病选择单元，被配置成响应于检测到针对所呈现的疾病标识的第二选择操作，将所述第二选择操作所针对的疾病标识添加到所述目标患者标识对应的待检查疾病标识集合中；
疾病取消单元，被配置成响应于检测到针对所呈现的疾病标识的第二取消选择操作，将所述第二取消选择操作所针对的疾病标识从所述待检查疾病标识集合中删除。
在一些可选的实施方式中，所述装置还包括：
疾病添加单元，被配置成响应于检测到预设添加疾病标识操作，将所述预设添加疾病标识操作针对的疾病标识添加到所述待检查疾病标识集合中。
在一些可选的实施方式中，所述装置还包括：
检查项目添加单元，被配置成响应于检测到预设添加检查项目标识操作，将所述预设添加检查项目标识操作所针对的检查项目标识添加到所述待检查项目标识集合中。
第五方面，本公开提供了一种服务器，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，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第六方面，本公开提供了一种客户端，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，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第二方面中任一实现方式描述的方法。
第七方面，本公开提供了一种基于检查结果的AI诊断系统，包括如第五方面中任一实现方式描述的服务器和至少一个如第六方面中任一实现方式描述的客户端。
第八方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被一个或多个处理器执行时实现如第一方面和/或第二方面中任一实现方式描述的方法。
本公开提供的基于检查结果的AI诊断方法、装置、服务器、客户端和存储介质，通过由服务器首先将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，其中，检查结果信息包括至少一组检查项目标识和相应的检查结果，历史问诊答复信息序列包括历史问诊问题和相应的所选答案选项。再基于诊断结果信息生成待呈现诊断结果信息。最后，将待呈现诊断结果信息发送给与目标患者标识对应的客户端。相应地，客户端可以呈现所收到的待呈现诊断结果信息。可以实现包括但不限于以下技术效果：通过基于目标患者标识对应的检查结果信息和历史问诊答复信息序列，生成目标患者标识对应的诊断结果信息，所基于的信息项目更丰富，可以得到更加准确的诊断结果信息。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2A和图2D是根据本公开的基于检查结果的AI诊断系统的一个实施例的时序图；
图2B是根据本公开的步骤204的一个实施例的分解流程图；
图2C是根据本公开的诊断结果生成操作的一个实施例的流程图；
图3是根据本公开的训练步骤的一个实施例的流程图；
图4是根据本公开的应用于服务器的基于检查结果的AI诊断方法的一个实施例的流程图；
图5是根据本公开的应用于客户端的基于检查结果的AI诊断方法的一个实施例的流程图；
图6是根据本公开的应用于服务器的基于检查结果的AI诊断装置的一个实施例的结构示意图；
图7是根据本公开的应用于客户端的基于检查结果的AI诊断装置的一个实施例的结构示意图；
图8是适于用来实现本公开的实施例的客户端或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。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。
需要说明的是，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。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基于检查结果的AI诊断方法或基于检查结果的AI诊断装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括客户端101、102、103，网络104和服务器105。网络104用以在客户端101、102、103和服务器105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。
用户可以使用客户端101、102、103通过网络104与服务器105交互，以接收或发送消息等。客户端101、102、103上可以安装有各种通讯客户端应用，例如远程问诊类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
客户端101、102、103可以是硬件，也可以是软件。当客户端101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当客户端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(例如用来提供远程问诊服务)，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，例如对客户端101、102、103上显示的远程问诊类应用或者提供远程问诊服务的网页提供支持的后台服务器。后台服务器可以对接收到的问诊请求等数据进行分析等处理，并将处理结果(例如待问诊问题信息)反馈给客户端。
需要说明的是，本公开所提供的应用于服务器的基于检查结果的AI诊断方法一般由服务器105执行，相应地，应用于服务器的基于检查结果的AI诊断装置一般设置于服务器105中。而本公开所提供的应用于客户端的基于检查结果的AI诊断方法一般由客户端101、102、103执行，相应地，应用于客户端的基于检查结果的AI诊断装置一般设置于客户端101、102、103中。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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中的客户端、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客户端、网络和服务器。
继续参考图2，其示出了根据本公开的基于检查结果的AI诊断系统的一个实施例的时序200。本公开实施例中的基于检查结果的AI诊断系统可以包括客户端和服务器。该时序200包括以下步骤：
步骤201，服务器将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息。
这里，客户端中可以安装有远程问诊类应用，而服务器可以是对远程问诊类应用提供支持的服务器。或者客户端中可以安装有网页浏览器应用，用户可以利用网页浏览器应用访问提供远程问诊服务网页页面，而服务器可以是对远程问诊服务网页页面提供支持的服务器。
目标患者标识可以是用户利用客户端上安装的远程问诊类应用或者访问远程问诊类网页页面，当前登录或者历史上登录并选择记住登录信息时输入并验证通过的患者标识。患者标识用于唯一区分各个已注册或临时访问的患者。患者标识可以采用各种形式，本公开对此不做具体限定。例如，可以包括以下至少一项的组合：文字、数字、字符。例如，患者标识可以是患者姓名、身份证号、手机号或者上述各项的组合等。目标患者标识用于指示目标患者。这里，目标患者标识仅示例性说明某具体患者标识，并不限定于指定患者标识。
这里，目标患者标识对应的检查结果信息可以是以目标患者为检查对象所得到的检查结果信息。检查结果信息可以包括至少一组检查项目标识和相应的检查结果。其中，检查项目标识用于唯一标识各检查项目。检查项目例如可以是各种医学检查项目，包括生化检查项目、仪器检查项目等。而检查结果，可以是具体检查项目对应的检查结果值，也可以是具体检查项目对应的扫描图像(包括二维、三维或四维扫描图像)。需要说明的是，具体检查项目对应的检查结果在一些情况下，还可以包括至少一个检查子项目对应的检查结果。例如，检查结果信息可以包括用于指示血常规检查的血常规检查项目标识和相应的各项血常规检查子项目对应的检查结果值。又例如，检查结果信息也可以包括用于指示X光检查的X光检查项目标识和相应的X光检查扫描图像。
这里，每个检查项目或者检查子项目对应的检查结果值，可以是由用户(例如，患者或医护人员)使用客户端输入并存储到服务器的。或者，每个检查项目或者子项目对应的检查结果值，也可以是由用户(例如，患者或医护人员)使用客户端输入相应的检查结果报告单扫描图像，然后由客户端或者也可以由服务器对检查结果报告单扫描图像进行图像识别后得到相应的检查项目标识和对应的检查结果值。本公开对此不做具体限定。这里，如何对检查结果报告单扫描图像进行图像识别后得到相应的检查项目标识和对应的检查结果值，可以采用现在已知或者未来开发的相关技术，本公开对此不做具体限定。
这里，目标患者标识对应的历史问诊答复信息序列可以存储在服务器本地，或者可以存储在与服务器网络连接的其他电子设备中。目标患者标识对应的历史问诊答复信息序列可以由针对目标患者的实际情况在本次或者历史上的问诊过程中曾经回答/答复过的问诊问题和相应的所选答案选项按照回答/答复的先后顺序组成的问诊答复信息序列。历史问诊答复信息序列中的问诊答复信息可包括问诊问题和相应的所选答案选项。需要说明的是，服务器中还可以存储有预设问诊问题信息集合，其中，问诊问题信息可以包括问诊问题和相应的答案选项。而历史问诊答复信息序列中的历史问诊答复信息所包括的问诊问题可以属于上述预设问诊问题信息集合中的问诊问题，而该历史问诊答复信息中的所选答案选项可以属于该历史问诊答复信息中问诊问题对应在预设问诊问题信息集合中的相应答案选项。
这里，问诊问题可以是与病症有关的问题。比如：是否出现某个具体的疾病症状，出现某个具体症状的症状程度、时间、频次等，是否做过某个具体的检查或者化验，某个具体的化验或者检查的具体检查结果在什么取值范围。相应地，问诊问题对应的答案选项也是与问诊问题相关的。比如，当问题为是否类的问题时，相应的答案选项可以包括：是和否。而当问题为具体的症状的程度、时间、频次等，相应的答案选项可以是预设的程度描述词、时间长度、频次范围等。
这里，目标患者标识对应的检查结果信息可以包括对目标患者进行检查所得到的检查结果信息，具体可以包括至少一组检查项目标识和相应的检查结果。其中，检查项目标识用于唯一区分不同的检查项目，而相应的检查结果为对目标患者进行该相应检查项目检查所得到的检查结果。例如，检查项目标识为血常规检查，相应的检查结果可以包括血常规检查项目中各个子项目及对应的检查结果值。又例如，检查结果信息也可以包括用于指示X光检查的X光检查项目标识和相应的X光检查扫描图像。
目标患者标识对应的检查结果信息可以是从目标患者标识对应的客户端收到的，也可以是从与服务器网络连接的其他电子设备收到的。例如，可以是从对目标患者进行相应项目检查的设备进行控制的控制设备收到的。
这里，疾病诊断模型可以用于表征检查结果信息和问诊答复信息序列与诊断结果信息之间的对应关系。诊断结果信息可以是各种形式的用于表征患者跟一种或者至少一种疾病之间的患病信息。比如，可以是是否确诊患有哪些疾病或确诊患有哪些疾病的相应概率值、是否疑似患有哪些疾病或疑似患有哪些疾病的相应概率值等。
作为示例，疾病诊断模型可以是由具有医学知识的技术人员基于大量的实践中从患者病历抽取得到的样本检查结果信息和样本问诊答复信息序列以及相应的该患者的标注诊断结果信息进行统计分析后，而预先制定的、对检查结果信息和问诊答复信息序列进行相应逻辑判断得到诊断结果信息的逻辑判断规则或者进行计算并得到诊断结果信息的计算公式。
在一些可选的实施方式中，疾病诊断模型也可以通过训练步骤预先训练得到的。
请参考图3，其示出了根据本公开的训练步骤的一个实施例的流程300，如图3所示训练步骤300可包括以下步骤301到步骤304：
步骤301，确定初始疾病诊断模型的模型结构以及初始化初始疾病诊断模型的模型参数。
这里，训练步骤的执行主体可以是上述服务器，或者也可以是其他电子设备。如果训练步骤的执行主体是上述服务器，则训练步骤的执行主体可以在训练得到疾病诊断模型后将训练好的疾病诊断模型的模型结构信息和模型参数的参数值存储在上述服务器本地。如果训练步骤的执行主体不是上述服务器，则训练步骤的执行主体可以在训练得到疾病诊断模型后将训练好的疾病诊断模型的模型结构信息和模型参数的参数值发送给上述服务器。
这里，由于初始疾病诊断模型可以包括各种类型的计算模型，对于不同类型的计算模型，所需要确定的模型结构信息也相应不同。
可选地，初始疾病诊断模型可以是各种机器学习模型。可选地可以是人工神经网络模型，例如可以是深度神经网络，或者卷积神经网络，或者适于处理时序数据的循环神经网络(RNN，Recurrent Neural Network)。例如，当初始疾病诊断模型为二维卷积神经网络时，由于卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成，则这里需要确定卷积神经网络类型的初始疾病诊断模型都包括哪些层，例如可以包括输入层、隐藏层和输出层，以及每层都包括哪些参数。例如，可以确定隐藏层都包括哪些层(例如，卷积层，池化层，激励函数层等等)，层与层之间的连接顺序关系，以及每个层都包括哪些参数(例如，权重weight、偏置bias、卷积的步长)等等。其中，卷积层可以用于提取特征。针对每个卷积层可以确定有多少个卷积核，每个卷积核的大小，每个卷积核中的各个神经元的权重，每个卷积核对应的偏置项，相邻两次卷积之间的步长，是否需要填充，填充多少像素点和填充用的数值(一般是填充为0)等等。而池化层可以用于对输入的信息进行下采样(Down Sample)，以压缩数据和参数的量，减少过拟合。针对每个池化层可以确定该池化层的池化方法(例如，取区域平均值或者取区域最大值)。激励函数层用于对输入的信息进行非线性计算。针对每个激励函数层可以确定具体的激励函数。例如，激活函数可以是ReLU以及ReLU各种变种激活函数、Sigmoid函数、Tanh(双曲正切)函数、Maxout函数等等。又例如，可以确定输出层是否包括用于实现分类的分类器和用于计算数值的回归器，分类器的具体实现算法和参数，以及回归器的具体实现算法和参数。
然后，可以初始化初始疾病诊断模型的模型参数。实践中，可以将初始疾病诊断模型的各个模型参数用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权重过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。
步骤302，确定训练样本集。
这里，训练样本集中的训练样本可以包括实践中从患者病历抽取得到的样本检查结果信息和样本问诊答复信息序列以及相应的该患者的标注诊断结果信息。
需要说明的是，训练步骤的执行主体既可以先执行步骤301再执行步骤302，也可以先执行步骤302再执行步骤301，本公开对此不做具体限定。
在一些实现方式中，标注诊断结果信息可以用于表征包括但不限于患者确诊患有某种疾病或相应概率值、或者排除确诊患有某种疾病或相应概率值、患者疑似患有某种疾病或相应概率值、或者患者排除疑似患有某种疾病或相应概率值。
步骤303，将训练样本集中的训练样本中的样本检查结果信息和样本问诊答复信息序列以及相应的该患者的标注诊断结果信息分别作为初始疾病诊断模型的输入和期望输出，利用机器学习方法训练初始疾病诊断模型。
具体地，可以首先将训练样本集中的训练样本中的样本检查结果信息和样本问诊答复信息序列输入初始疾病诊断模型，得到样本检查结果信息和样本问诊答复信息序列对应的诊断结果信息。然后，可以计算所得到的诊断结果信息与该训练样本中的标注诊断结果信息之间的差异。最后，可以基于计算所得的差异，调整初始疾病诊断模型的模型参数，并在满足预设的训练结束条件的情况下，结束训练。例如，这里预设的训练结束条件可以包括以下至少一项：训练时间超过预设时长，训练次数超过预设次数，计算所得的差异小于预设差异阈值。
这里，可以采用各种实现方式基于所得到的诊断结果信息与该训练样本中的标注诊断结果信息之间的差异调整初始疾病诊断模型的模型参数。例如，可以采用随机梯度下降(SGD，Stochastic Gradient Descent)、牛顿法(Newton's Method)、拟牛顿法(Quasi-Newton Methods)、共轭梯度法(Conjugate Gradient)、启发式优化方法以及其他现在已知或者未来开发的各种优化算法。
步骤304，将训练得到的初始疾病诊断模型确定为预先训练的疾病诊断模型。
即，按照步骤301到步骤304的训练步骤得到的疾病诊断模型，可以基于大量训练样本且采用机器学习方法，可以自动学习出样本检查结果信息和样本问诊答复信息序列中的规律并得到诊断结果，若训练样本是基于实践中医术水平较高的医生诊断案例而生成的，则自动学习出的疾病诊断模型也相应具有较高的准确度。
步骤202，服务器基于诊断结果信息生成待呈现诊断结果信息。
这里，服务器可以按照预设待呈现诊断结果呈现生成规则基于步骤201生成的诊断结果信息生成待呈现诊断结果信息。
这里，预设待呈现诊断结果呈现生成规则，可以是由技术人员根据诊断结果信息所包括的各种数据以及数据所表示的含义而预先制定并存储到服务器的。待呈现诊断结果呈现生成规则用于表征根据诊断结果信息是否可以生成对目标患者的诊断具有参考意义的诊断结果，以及如果可以生成情况下如何生成具有参考意义的诊断结果。如此，可以为客户端呈现具有参考意义的诊断结果，而不是简单将所有诊断结果信息提供客户端。
步骤203，服务器将待呈现诊断结果信息发送给与目标患者标识对应的客户端。
步骤204，客户端响应于接收到服务器发送的针对目标患者标识的待呈现诊断结果信息，呈现待呈现诊断结果信息。
这里，客户端可以采用各种呈现方式呈现收到的诊断结果信息，例如，可以通过文字、图片或者语音方式呈现诊断结果信息。
在某些情况下，本实施例可以具有以下可选实施方式：
可选实施方式(一)：时序200中在步骤201之前还可以包括如下步骤205到步骤208：
实践中，目标患者可以在接受了各待检查的检查项目检查并获取检查结果后，自行或者由医护人员使用客户端利用目标患者标识登陆系统，进而在客户端可以执行下面步骤205。
步骤205，客户端呈现目标患者标识对应的待检查项目标识集合。
目标患者标识对应的待检查项目标识集合用于指示对目标患者待进行的检查项目或者已经进行检查但还未录入检查结果的各检查项目。
这里，客户端可以采用各种方式呈现目标患者标识对应的待检查项目标识集合。例如，可以通过文字、图片或者语音方式呈现目标患者标识对应的待检查项目标识集合。当采用文字或图片进行呈现可以采用例如列表等形式来呈现。
步骤206，客户端响应于检测到检查结果提交操作，获取针对待检查项目标识集合中待检查项目标识输入的检查结果。
目标患者或者由医护人员使用客户端，针对所呈现的目标患者的各项待检查项目标识，根据目标患者的实际检查结果，输入目标患者的相应检查结果。这里，检查结果可以是各种数据，例如，字符、数字、文字或者图片等。而检查结果提交操作可以是各种用于触发提交所输入的检查结果的操作。例如，可以是首先在客户端呈现提交检查结果显示对象(例如，用于指示提交检查结果的文字、按钮或图标等)，继而客户端可以在检测到患者或医护人员对上述提交检查结果显示对象执行了第一预设操作(比如，单击、悬停预设时长、拖动、双击等)后确定检测到检查结果提交操作。
步骤207，客户端基于所获取的待检查项目标识和对应的检查结果生成针对目标患者标识的检查结果信息，以及将检查结果信息发送给服务器。
可选地，客户端可以直接用所获取的待检查项目标识和对应的检查结果生成检查结果信息，并将检查结果信息发送给服务器。
可选地，客户端也可以在检查结果包括检查结果报告单的照片的情况下，先对上述检查结果报告单照片进行图像识别以得到检查项目标识和相应的检查结果值，再用上述识别得到的检查项目标识和相应的检查结果值生成检查结果信息并发送给服务器。
步骤208，服务器响应于接收到客户端发送的针对目标患者标识的检查结果信息，获取目标患者标识对应的历史问诊答复信息序列。
在执行完步骤208后，服务器可以继续执行步骤201到步骤204。
通过上述可选实施方式(一)，目标患者或者医护人员可以使用客户端输入目标患者的检查结果，并实时发送给客户端，进而进行上述步骤201到步骤204，以实现由服务器根据目标患者的检查结果和针对目标患者实际情况曾经回答过的问诊问题和所选答案给出诊断结果信息。
可选实施方式(二)：基于上述可选实施方式(一)，时序200中在步骤207之后还可以包括如下步骤209：
步骤209，服务器响应于接收到客户端发送的针对目标患者标识的检查结果信息，将所收到的检查结果信息存储为目标患者标识对应的检查结果信息。
即，在服务器中保存了对目标患者和对目标患者进行检查所得到的检查结果之间的对应关系。需要说明的是，这里，检查结果信息中除了包括检查项目标识和检查结果之间的对应关系外，还可以包括其他相关检查信息，例如采样时间、检查时间、检查报告生成时间、采样员姓名、检查员姓名等。
可选地，这里服务器将所收到的检查结果信息存储为目标患者标识对应的检查结果信息，也可以在所收到的检查结果信息中的检查结果中包括检查结果报告单的照片的情况下，先对上述检查结果报告单照片进行图像识别以得到检查项目标识和相应的检查结果值，再将上述识别得到的检查项目标识和相应的检查结果值生成检查结果信息并存储为目标患者标识对应的检查结果信息。
可选实施方式(三)：疾病诊断模型可以包括确诊诊断模型。相应地，步骤201中，服务器将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，可以包括如图2B所示的步骤2011到步骤2014：
步骤2011，将检查结果信息和历史问诊答复信息序列输入确诊诊断模型，得到N个疾病标识中每个疾病标识对应的确诊概率值和排除确诊概率值。
确诊诊断模型用于表征检查结果信息和问诊答复信息序列和预设N个疾病标识中每个疾病标识对应的疾病确诊概率值之间的对应关系。这里，N为正整数。
作为示例，确诊诊断模型可以是由具有医学知识的技术人员基于大量的实践中从患者病历抽取得到的样本检查结果信息和样本问诊答复信息序列以及相应的该患者确诊患有上述预设N个疾病标识中每个疾病标识所指示的疾病的标注确诊概率值进行统计分析后，而预先制定的、对检查结果信息和问诊答复信息序列进行计算并得到确诊概率值的计算公式。
作为另一个示例，确诊诊断模型也可以基于大量的实践中从患者病历抽取得到的样本检查结果信息和样本问诊答复信息序列以及相应的该患者确诊患有上述预设N个疾病标识中每个疾病标识所指示的疾病的标注确诊概率值，采用机器学习方法进行训练而得到的机器学习模型。
这里，每个疾病标识对应的确诊概率值用于表征确诊患有该疾病标识所指示的疾病的概率值，该疾病标识对应的确诊概率值越高，表明确诊患有该疾病标识所指示的疾病的可能性越大。
步骤2012，对于预设N个疾病标识中每个疾病标识，执行诊断结果生成操作。
这里，诊断结果生成操作可以包括如图2C所示的步骤20121和步骤20122：
步骤20121，确定该疾病标识对应的确诊概率值是否大于预设确诊概率阈值。
如果确定大于，表明目标患者患有该疾病标识所指示的疾病的概率值较高，即，针对该目标患者患有该疾病标识所指示的疾病的诊断结论是较为确定的，可以转到步骤20122。
这里，预设确诊概率阈值可以是针对每个疾病标识关联不同的预设确诊概率阈值，也可以针对预设N个疾病标识中所有疾病标识关联相同的预设确诊概率阈值。
当预设确诊概率阈值是针对每个疾病标识关联不同的预设确诊概率阈值时，预设确诊概率阈值可以是由技术人员根据实践经验针对该疾病标识人工设定并可以随时更新的确诊概率阈值，或者预设确诊概率阈值也可以在对该疾病标识对应的确诊诊断模型训练的过程中确定的。
当预设确诊概率阈值是针对所有疾病标识关联相同的预设确诊概率阈值时，预设确诊概率阈值可以是由技术人员根据实践经验针对预设N个疾病标识中所有疾病标识人工设定并可以随时更新的确诊概率阈值，或者预设确诊概率阈值也可以是在对预设N个疾病标识中各个疾病标识对应的确诊诊断模型训练的过程中确定的。
步骤20122，用该疾病标识对应的确诊概率值生成与该疾病标识对应的确诊诊断结果。
这里，服务器可以在目标患者患有该疾病标识所指示的疾病的概率值较高的情况下，即针对该目标患者患有该疾病标识所指示的疾病的诊断结论是较为确定的，可以用该疾病标识对应的确诊概率值生成与该疾病标识对应的确诊诊断结果。
步骤2013，合并所生成的各个诊断结果得到诊断结果信息。
这里，服务器可以在执行完步骤2012后，将步骤2012中所生成的各个诊断结果合并后得到诊断结果信息。可以理解的是，步骤2012中不一定针对预设N个疾病标识中每个疾病标识都生成了相应的诊断结果，只有在步骤2012中针对某个疾病标识生成了相应的诊断结果的情况下，才会将该疾病标识对应的诊断结果合并到诊断结果信息中。
采用该可选实施方式，可以在设计预设N个疾病标识的时候有针对性地进行。例如，实践中，患者通常是在有相应症状后才会就诊，并且在就诊时会选择相应科室。可以针对不同科室设计不同的N个疾病标识。比如，可以针对心脑血管科设计9个疑难杂症的疾病标识，针对妇产科设计10个疑难杂症的疾病标识。相应地，在设计N个疾病标识中每个疾病标识对应的确诊诊断模型时，也可以相应地设计。
可选实施方式(四)：疾病诊断模型还可以包括疑似诊断模型。相应地，服务器在执行完步骤2011之后，还可以执行以下步骤2011’：
步骤2011’，将检查结果信息和历史问诊答复信息序列输入疑似诊断模型，得到预设N个疾病标识中每个疾病标识对应的疑似概率值。
这里，疑似诊断模型用于表征问诊答复信息序列和预设N个疾病标识中每个疾病标识对应的疑似概率值之间的对应关系。这里，N为正整数。疾病标识对应的疑似概率值用于表征疑似患有该疾病标识所指示的疾病的概率值。
作为示例，疑似诊断模型可以是由具有医学知识的技术人员基于大量的实践中从患者病历抽取得到的样本检查结果信息和样本问诊答复信息序列以及相应的该患者疑似患有上述预设N个疾病标识中每个疾病标识所指示的疾病的标注疑似概率值进行统计分析后，而预先制定的、对检查结果信息和问诊答复信息序列进行计算并得到疑似概率值的计算公式。
作为另一个示例，疑似诊断模型也可以基于大量的实践中从患者病历抽取得到的样本检查结果信息和样本问诊答复信息序列以及相应的该患者疑似患有上述预设N个疾病标识中每个疾病标识所指示的疾病的标注疑似概率值，采用机器学习方法进行训练而得到的机器学习模型。
这里，每个疾病标识对应的疑似概率值用于表征疑似患有该疾病标识所指示的疾病的概率值，该疾病标识对应的疑似概率值越高，表明疑似患有该疾病标识所指示的疾病的可能性越大。
基于上述步骤2011’，诊断结果生成操作中还可以在步骤20121中确定该疾病标识对应的确诊概率值不大于预设确诊概率阈值的情况下，表明目标患者患有该疾病标识所指示的疾病的概率值较低，即，针对该目标患者患有该疾病标识所指示的疾病的诊断结论是较为不确定的，可以转到步骤20123执行，继续其他判断逻辑。
步骤20123，确定该疾病标识对应的疑似概率值是否大于预设疑似概率阈值。
如果确定大于，表明目标患者疑似患有该疾病标识所指示的疾病的概率值较高，即，针对该目标患者疑似患有该疾病标识所指示的疾病的诊断结论是较为确定的，可以转到步骤20124。
这里，预设疑似概率阈值可以是针对每个疾病标识关联不同的预设疑似概率阈值，也可以针对预设N个疾病标识中所有疾病标识关联相同的预设疑似概率阈值。
当预设疑似概率阈值是针对每个疾病标识关联不同的预设疑似概率阈值时，预设疑似概率阈值可以是由技术人员根据实践经验针对该疾病标识人工设定并可以随时更新的疑似概率阈值，或者预设疑似概率阈值也可以在对该疾病标识对应的疑似诊断模型训练的过程中确定的。
当预设疑似概率阈值是针对所有疾病标识关联相同的预设疑似概率阈值时，预设疑似概率阈值可以是由技术人员根据实践经验针对预设N个疾病标识中所有疾病标识人工设定并可以随时更新的疑似概率阈值，或者预设疑似概率阈值也可以是在对预设N个疾病标识中各个疾病标识对应的疑似诊断模型训练的过程中确定的。
步骤20124，用该疾病标识对应的疑似概率值生成与该疾病标识对应的疑似诊断结果。
这里，服务器可以在目标患者疑似患有该疾病标识所指示的疾病的概率值较高的情况下，即针对该目标患者疑似患有该疾病标识所指示的疾病的诊断结论是较为确定的，可以用该疾病标识对应的疑似概率值生成与该疾病标识对应的疑似诊断结果。进而，在步骤2013中可以将该疾病标识对应的疑似诊断结果合并到诊断结果信息中。
通过该可选实施方式，可以在不确定目标患者排除确诊患有某疾病的情况下，继续确定目标患者是否疑似患有该疾病，且在较大可能性确定目标患者疑似患有该疾病的情况下，生成疑似确诊诊断结果，而不仅仅是生成确诊概率值，疑似确诊的诊断结果对患者/医护人员也有参考意义。
需要说明的是，诊断结果生成操作中在步骤20121中确定该疾病标识对应的确诊概率值不大于预设确诊概率阈值的情况下，以及步骤20123中确定该疾病标识对应的疑似概率值不大于预设疑似概率阈值的情况下，即对于目标患者确诊患有该疾病标识所指示的疾病和目标患者疑似患有该疾病标识所指示的疾病的诊断结论都是较为不确定的，即截止目前根据目标患者的检查结果信息和历史问诊答复信息序列无法达成较为确定的结论，也就无法针对该疾病标识生成相应的诊断结果，可以继续对预设N个疾病标识中未执行过诊断结果生成操作的其他疾病标识执行诊断结果生成操作。
可选实施方式(五)：基于上述可选实施方式(四)，步骤202中服务器基于诊断结果信息生成待呈现诊断结果信息可以如下进行：
首先，将诊断结果信息中所包括的各诊断结果所对应的不同疾病标识的数量确定为疾病诊断结果数。
如果在步骤2012中针对预设N个疾病标识中的某疾病标识生成了确诊诊断结果或者疑似诊断结果，则诊断结果信息中包括该疾病标识对应的确诊诊断结果或疑似诊断结果。反之，如果在步骤2012中针对预设N个疾病标识中的某疾病标识未生成任何诊断结果，则诊断结果信息中也不包括该疾病标识对应的任何诊断结果。因此，诊断结果信息中所包括的各诊断结果所对应的不同疾病标识的数量即为预设N个疾病标识中对应生成了确诊诊断结果和疑似诊断结果中之一的疾病标识数量。
其次，确定疾病诊断结果数是否小于预设最少疾病诊断结果数。
这里，预设疾病诊断结果数可以是小于等于N的正整数。
如果确定小于，表明所得到的诊断结果数太少不适于发送到客户端进行呈现，或者没有诊断结果，需要进一步问诊或者检查，因此可以生成用于指示无法给出确切诊断结果的待呈现诊断结果信息。相应地，在步骤204中，客户端可以呈现上述待呈现诊断结果信息，进而目标患者或者医护人员可以通过客户端的呈现知晓根据针对目标患者已经进行的检查结果和已经进行的问诊答复信息序列仍无法给出确切诊断结果的，需进一步问诊或者检查，可为医护人员提供相应诊断参考。
采用该可选实施方式，可以在诊断结果数太少的情况下(比如，0个)生成用于指示无法给出确切诊断结果的待呈现诊断结果信息，以实现在客户端提示目标患者或者医护人员还需进一步问诊或者检查。
可选实施方式(六)：基于上述可选实施方式(五)，步骤202中服务器基于诊断结果信息生成待呈现诊断结果信息还可以包括如下操作：
响应于确定不小于，将诊断结果信息中各确诊诊断结果和疑似诊断结果中相应确诊概率值、疑似概率值最高的前S个诊断结果确定为待呈现诊断结果信息，这里S为正整数。
采用该可选实施方式，可以用各确诊诊断结果和疑似诊断结果中相对概率值更高的诊断结果生成待呈现诊断结果信息，并发送到客户端进行呈现，而不是将所有诊断结果都发送到客户端呈现，即将更有参考意义的诊断结果呈现在客户端。
由于页面显示限制，下面继续参考图2D，需要说明的是，图2D的流程除了包括图2D中所示的流程外，还可以包括图2A中所示的各个步骤。
可选实施方式(七)：时序200中，在步骤205，客户端呈现目标患者标识对应的待检查项目标识集合之前，时序200还可以包括如下步骤210到步骤215：
步骤210，客户端响应于检测到针对目标患者标识的开具检查操作，获取并呈现目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合。
这里，针对目标患者标识的开具检查操作，可以是各种用于触发由医护人员使用客户端针对目标患者开具相应检查项目的操作。例如，可以首先在客户端呈现目标患者标识以及开具检查显示对象(例如，用于指示针对目标患者开具检查项目的文字、按钮或图标等)，继而客户端可以在检测到患者或医护人员对上述开具检查显示对象执行了第二预设操作(比如，单击、悬停预设时长、拖动、双击等)后确定检测到开具检查操作。
这里，可以首先在客户端本地或者远程地从服务器获取目标患者标识对应的待检查疾病标识集合以及上述待检查项目标识集合中各待检查疾病标识对应的预设可检查项目标识集合。
这里，客户端本地或者服务器可以存储有不同的疾病标识和对应的预设可检查项目标识集合。这里，疾病标识对应的预设可检查项目标识集合可以是由具有专业医学知识的技术人员基于医学知识而预先制定的疾病标识与针对该疾病标识所指示的疾病所可能进行检查的所有检查项目对应的检查项目标识集合。
这里，目标患者标识对应的待检查疾病标识集合用于表征对目标患者进行初步诊断得到的疑似患有并有待进一步检查的疾病。
例如，目标患者标识对应的待检查疾病标识集合包括疾病标识D1和D2，疾病标识D1对应的预设可检查项目标识集合包括检查项目标识：Inspect11、Inspect12、Inspect13，疾病D2对应的预设可检查项目标识集合包括检查项目标识：Inspect21、Inspect22、Inspect23、Inspect24，则经过步骤210，客户端可以获取并呈现疾病标识D1和对应的检查项目标识：Inspect11、Inspect12、Inspect13，以及疾病标识D2和对应的检查项目标识：Inspect21、Inspect22、Inspect23、Inspect24。
步骤211，客户端响应于检测到针对所呈现的可检查项目标识的第一选择操作，将第一选择操作所针对的可检查项目标识添加到目标患者标识对应的待检查项目标识集合中。
步骤212，客户端响应于检测到针对所呈现的可检查项目标识的第一取消选择操作，将第一取消选择操作所针对的可检查项目标识从待检查项目标识集合中删除。
步骤210中，已经呈现了针对目标患者疑似患有的疾病所有可能进行的预设检查项目标识，但实践中，医护人员可能在此基础上根据医学实践进行对目标患者即将进行的检查项目标识进行编辑，步骤211和步骤212即可以实现上述编辑功能，而待检查项目标识集合中即记录了针对目标患者即将进行的检查项目。
这里，第一选择操作可以是在客户端首先呈现针对每个所呈现的检查项目标识对应的选择显示对象(例如，用于指示选择项目标识的文字、按钮或图标等)，继而客户端可以在检测到用户对上述选择显示对象执行了第三预设操作(比如，单击、悬停预设时长、拖动、双击等)后检测到第一选择操作。
这里，第一取消选择操作可以是在客户端首先呈现针对每个所呈现的检查项目标识对应的选择取消显示对象(例如，用于指示取消选择项目标识的文字、按钮或图标等)，继而客户端可以在检测到用户对上述取消选择显示对象执行了第四预设操作(比如，单击、悬停预设时长、拖动、双击等)后检测到第一取消选择操作。
可选地，客户端还可以响应于检测到预设添加检查项目标识操作，将预设添加检查项目标识操作所针对的检查项目标识添加到待检查项目标识集合中。即，医护人员还可以自定义添加检查项目。
步骤213，客户端响应于检测到确认检查操作，用待检查疾病标识集合和待检查项目标识集合生成针对目标患者标识的确认检查请求。
这里，若检测到确认检查操作，表明医护人员已经编辑好针对目标患者的检查项目，则可以开具检查，即将医护人员编辑后的目标患者所疑似患有的疾病和对目标患者将进行的检查项目保存到服务器中。
这里，确认检查操作例如可以是首先在客户端确认检查显示对象(例如，用于指示针对目标患者确认检查项目的文字、按钮或图标等)，继而客户端可以在检测到患者或医护人员对上述确认检查显示对象执行了第五预设操作(比如，单击、悬停预设时长、拖动、双击等)后确定检测到确认检查操作。
步骤214，客户端将确认检查请求发送给服务器。
步骤215，服务器将待检查疾病标识集合和待检查项目标识集合存储为目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
采用上述可选实施方式(八)，可以实现由医护人员利用客户端，对目标患者开具相应检查项目并保存到服务器中。
可选实施方式(九)：上述时序200中在步骤210之前，还可以包括以下步骤216到步骤219：
步骤216，客户端获取针对目标患者标识的初步疾病诊断结果信息。
这里，针对目标患者标识的初步疾病诊断结果信息可以包括预设N个疾病标识中至少第二预设诊断结果数个疾病标识中每个疾病标识对应的确诊概率值、疑似概率值或者排除疑似概率值。
针对目标患者标识的初步疾病诊断结果信息用于表征根据对目标患者进行初步问诊所得到的诊断结果信息。而对目标患者进行初步问诊得到初步诊断结果信息可以是由医护人员进行的，也可以是采用各种人工智能方法基于目标患者的回答而自动生成的诊断结果信息。
步骤217，客户端呈现初步疾病诊断结果信息。
步骤218，客户端响应于检测到针对所呈现的疾病标识的第二选择操作，将第二选择操作所针对的疾病标识添加到目标患者标识对应的待检查疾病标识集合中。
步骤219，客户端响应于检测到针对所呈现的疾病标识的第二取消选择操作，将第二取消选择操作所针对的疾病标识从待检查疾病标识集合中删除。
步骤217中，已经呈现了对目标患者初步问诊所得到的诊断结果信息，而诊断结果信息中包括疾病标识，进而在步骤217中呈现了疾病标识和相应的确诊概率值、疑似概率值或者排除疑似概率值。但实践中，医护人员可能在此基础上根据医学实践进行对目标患者疑似患有的疾病标识进行编辑，步骤218和步骤219即可以实现上述编辑功能，而待检查疾病标识集合中即记录了目标患者疑似患有的疾病。
这里，第二选择操作可以是在客户端首先呈现针对每个所呈现的疾病标识对应的选择显示对象(例如，用于指示选择疾病标识的文字、按钮或图标等)，继而客户端可以在检测到用户对上述选择显示对象执行了第六预设操作(比如，单击、悬停预设时长、拖动、双击等)后检测到第二选择操作。
这里，第二取消选择操作可以是在客户端首先呈现针对每个所呈现的疾病标识对应的选择取消显示对象(例如，用于指示取消选择疾病标识的文字、按钮或图标等)，继而客户端可以在检测到用户对上述取消选择显示对象执行了第七预设操作(比如，单击、悬停预设时长、拖动、双击等)后检测到第二取消选择操作。
可选地，客户端还可以响应于检测到预设添加疾病标识操作，将预设添加疾病标识操作针对的疾病标识添加到待检查疾病标识集合中。即，医护人员还可以自定义添加疾病标识。
本公开的上述实施例提供的基于检查结果的AI诊断系统，可以实现包括但不限于以下技术效果：
第一，通过基于目标患者标识对应的检查结果信息和历史问诊答复信息序列，生成目标患者标识对应的诊断结果信息，所基于的信息项目更丰富，可以得到更加准确的诊断结果信息。
第二，通过对得到的诊断结果信息进行进一步处理并得到待呈现诊断结果信息，并发送给客户端进行呈现，可以为客户端提供更具参考意义的诊断结果。
继续参考图4，其示出了根据本公开的基于检查结果的AI诊断方法的一个实施例的流程400。该基于检查结果的AI诊断方法，应用于服务器，包括以下步骤：
步骤401，将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息。
步骤402，基于诊断结果信息生成待呈现诊断结果信息。
步骤403，将待呈现诊断结果信息发送给与目标患者标识对应的客户端。
在本实施例中，步骤401、步骤402和步骤403的具体操作及其所产生的技术效果与图2A所示的实施例中步骤201、步骤202和步骤203的操作及效果基本相同，在此不再赘述。
在一些可选的实施方式中，流程400还可以包括以下步骤404：
步骤404，响应于接收到客户端发送的针对目标患者标识的检查结果信息，获取目标患者标识对应的历史问诊答复信息序列。
这里，步骤404的具体操作及其所产生的技术效果与图2A所示的实施例中步骤208的操作及效果基本相同，在此不再赘述。
在一些可选的实施方式中，流程400还可以包括以下步骤405：
步骤405，响应于接收到客户端发送的针对目标患者标识的检查结果信息，将所收到的检查结果信息存储为目标患者标识对应的检查结果信息。
这里，步骤405的具体操作及其所产生的技术效果与图2A所示的实施例中步骤209的操作及效果基本相同，在此不再赘述。
在一些可选的实施方式中，流程400还可以包括以下步骤406：
步骤406，响应于收到客户端发送的针对目标患者标识的确认检查请求，将确认检查请求中的待检查疾病标识集合和待检查项目标识集合存储为目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
这里，步骤406的具体操作及其所产生的技术效果与图2A所示的实施例中步骤215的操作及效果基本相同，在此不再赘述。
本公开的上述实施例提供的方法通过在服务器基于目标患者标识对应的检查结果信息和历史问诊答复信息序列，生成目标患者标识对应的诊断结果信息，所基于的信息项目更丰富，可以得到更加准确的诊断结果信息。
第二，通过对得到的诊断结果信息进行进一步处理并得到待呈现诊断结果信息，并发送给客户端进行呈现，可以为客户端提供更具参考意义的诊断结果。
继续参考图5，其示出了根据本公开的基于检查结果的AI诊断方法的一个实施例的流程500。该基于检查结果的AI诊断方法，应用于客户端，包括以下步骤：
步骤501，响应于接收到服务器发送的针对目标患者标识的待呈现诊断结果信息，呈现待呈现诊断结果信息。
在本实施例中，步骤501的具体操作及其所产生的技术效果与图2A所示的实施例中步骤204的操作及效果基本相同，在此不再赘述。
在一些可选的实施方式中，流程500还可以包括如下步骤502到步骤504：
步骤502，呈现目标患者标识对应的待检查项目标识集合。
步骤503，响应于检测到检查结果提交操作，获取针对待检查项目标识集合中待检查项目标识输入的检查结果。
步骤504，基于所获取的待检查项目标识和对应的检查结果生成针对目标患者标识的检查结果信息，以及将检查结果信息发送给服务器。
在本实施例中，步骤502、步骤503和步骤504的具体操作及其所产生的技术效果与图2A所示的实施例中步骤205、步骤206和步骤207的操作及效果基本相同，在此不再赘述。
在一些可选的实施方式中，流程500还可以包括如下步骤505到步骤509：
步骤505，响应于检测到针对目标患者标识的开具检查操作，获取并呈现目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合。
步骤506，响应于检测到针对所呈现的可检查项目标识的第一选择操作，将第一选择操作所针对的可检查项目标识添加到目标患者标识对应的待检查项目标识集合中。
步骤507，响应于检测到针对所呈现的可检查项目标识的第一取消选择操作，将第一取消选择操作所针对的可检查项目标识从待检查项目标识集合中删除。
步骤508，响应于检测到确认检查操作，用待检查疾病标识集合和待检查项目标识集合生成针对目标患者标识的确认检查请求。
步骤509，将确认检查请求发送给服务器。
在本实施例中，步骤505、步骤506、步骤507、步骤508和步骤509的具体操作及其所产生的技术效果与图2A所示的实施例中步骤210、步骤211、步骤212、步骤213和步骤214的操作及效果基本相同，在此不再赘述。
在一些可选的实施方式中，流程500还可以包括如下步骤510到步骤513：
步骤510，获取针对目标患者标识的初步疾病诊断结果信息。
步骤511，呈现初步疾病诊断结果信息。
步骤512，响应于检测到针对所呈现的疾病标识的第二选择操作，将第二选择操作所针对的疾病标识添加到目标患者标识对应的待检查疾病标识集合中。
步骤513，响应于检测到针对所呈现的疾病标识的第二取消选择操作，将第二取消选择操作所针对的疾病标识从待检查疾病标识集合中删除。
在本实施例中，步骤510、步骤511、步骤512、步骤513和步骤514的具体操作及其所产生的技术效果与图2A所示的实施例中步骤216、步骤217、步骤218和步骤219的操作及效果基本相同，在此不再赘述。
本公开的上述实施例提供的基于检查结果的AI诊断方法通过在客户端呈现服务器基于目标患者的检查结果信息和历史问诊信息序列生成的诊断结果信息，由于所基于的信息项目更多，可以提高诊断结果的可用性和参考性。
进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种基于检查结果的AI诊断装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种服务器中。
如图6所示，本实施例的基于检查结果的AI诊断装置600包括：输入单元601、生成单元602和第一发送单元603。其中，输入单元601，被配置成将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，其中，检查结果信息包括至少一组检查项目标识和相应的检查结果，历史问诊答复信息序列包括历史问诊问题和相应的所选答案选项；生成单元602，被配置成基于所述诊断结果信息生成待呈现诊断结果信息；第一发送单元603，被配置成将所述待呈现诊断结果信息发送给与所述目标患者标识对应的客户端，以供所述客户端呈现所述待呈现诊断结果信息。
在本实施例中，基于检查结果的AI诊断装置600的：输入单元601、生成单元602和第一发送单元603的具体处理及其所带来的技术效果可分别参考图4对应实施例中步骤401、步骤402和步骤403的相关说明，在此不再赘述。
在一些可选的实施方式中，所述疾病诊断模型可以包括确诊诊断模型；以及所述输入单元601可以进一步被配置成：
将所述检查结果信息和所述历史问诊答复信息序列输入所述确诊诊断模型，得到预设N个疾病标识中每个疾病标识对应的确诊概率值；
对于所述预设N个疾病标识中每个疾病标识，执行以下诊断结果生成操作：响应于确定该疾病标识对应的确诊概率值大于预设确诊概率阈值，用该疾病标识对应的确诊概率值生成与该疾病标识对应的确诊诊断结果；
合并所生成的各个诊断结果得到所述诊断结果信息。
在一些可选的实施方式中，所述疾病诊断模型还包括疑似诊断模型；以及
所述输入单元601可以进一步被配置成：
将所述检查结果信息和所述历史问诊答复信息序列输入所述疑似诊断模型，得到所述预设N个疾病标识中每个疾病标识对应的疑似概率值；以及
所述诊断结果生成操作，还可以包括：
响应于确定该疾病标识对应的确诊概率值不大于所述预设确诊概率阈值，确定该疾病标识对应的疑似概率值是否大于预设疑似概率阈值；
响应于确定大于，用该疾病标识对应的疑似概率值生成与该疾病标识对应的疑似诊断结果。
在一些可选的实施方式中，所述生成单元602可以进一步被配置成：
将所述诊断结果信息中所包括的各诊断结果所对应的不同疾病标识的数量确定为疾病诊断结果数；
确定所述疾病诊断结果数是否小于预设最少疾病诊断结果数；
响应于确定小于，生成用于指示无法给出确切诊断结果的待呈现诊断结果信息。
在一些可选的实施方式中，所述生成单元602可以进一步被配置成：
响应于确定不小于，将所述诊断结果信息中各确诊诊断结果和疑似诊断结果中相应确诊概率值、疑似概率值最高的前S个诊断结果确定为所述待呈现诊断结果信息，所述S为正整数。
在一些可选的实施方式中，所述装置600还可以包括：
第一存储单元604，被配置成响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，将所收到的检查结果信息存储为所述目标患者标识对应的检查结果信息。
在一些可选的实施方式中，所述装置600还可以包括：
第二存储单元605，被配置成响应于接收到所述客户端发送的针对所述目标患者标识的确认检查请求，将所述确认检查请求中的待检查疾病标识集合和待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
需要说明的是，本公开提供的基于检查结果的AI诊断装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种基于检查结果的AI诊断装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种客户端中。
如图7所示，本实施例的基于检查结果的AI诊断装置700包括：第一呈现单元701。其中，第一呈现单元701，被配置成响应于接收到服务器发送的针对所述目标患者标识的待呈现诊断结果信息，呈现所述待呈现诊断结果信息。
在本实施例中，基于检查结果的AI诊断装置700的第一呈现单元701的具体处理及其所带来的技术效果可分别参考图5对应实施例中步骤501的相关说明，在此不再赘述。
在一些可选的实施方式中，所述装置700还可以包括：
第二呈现单元702，被配置成呈现所述目标患者标识对应的待检查项目标识集合；
第二获取单元703，被配置成响应于检测到检查结果提交操作，获取针对所述待检查项目标识集合中待检查项目标识输入的检查结果；
第二发送单元704，被配置成基于所获取的待检查项目标识和对应的检查结果生成针对所述目标患者标识的检查结果信息，以及将所述检查结果信息发送给所述服务器。
在一些可选的实施方式中，所述待呈现诊断结果信息可以包括预设N个疾病标识中至少第一预设最少疾病诊断结果数个疾病标识中每个疾病标识对应的确诊概率值、疑似概率值或者排除疑似概率值，或者，所述待呈现诊断结果信息用于指示无法给出确切诊断结果。
在一些可选的实施方式中，所述装置700还可以包括：
获取及呈现单元705，被配置成在呈现所述目标患者标识对应的待检查项目标识集合之前，响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合；
项目标识选择单元706，被配置成响应于检测到针对所呈现的可检查项目标识的第一选择操作，将所述第一选择操作所针对的可检查项目标识添加到所述目标患者标识对应的待检查项目标识集合中；
项目标识取消单元707，被配置成响应于检测到针对所呈现的可检查项目标识的第一取消选择操作，将所述第一取消选择操作所针对的可检查项目标识从所述待检查项目标识集合中删除；
确认检查单元708，被配置成响应于检测到预设确认检查操作，用所述待检查疾病标识集合和所述待检查项目标识集合生成针对所述目标患者标识的确认检查请求；
第三发送单元709，被配置成将所述确认检查请求发送给所述服务器，以供所述服务器将所述待检查疾病标识集合和所述待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
在一些可选的实施方式中，所述装置700还可以包括：
第三获取单元710，被配置成在所述响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合之前，获取针对所述目标患者标识的初步疾病诊断结果信息，所述初步疾病诊断结果信息包括所述预设N个疾病标识中至少第二预设诊断结果数个疾病标识中每个疾病标识对应的确诊概率值、疑似概率值或者排除疑似概率值；
第三呈现单元711，被配置成呈现所述初步疾病诊断结果信息；
疾病选择单元712，被配置成响应于检测到针对所呈现的疾病标识的第二选择操作，将所述第二选择操作所针对的疾病标识添加到所述目标患者标识对应的待检查疾病标识集合中；
疾病取消单元713，被配置成响应于检测到针对所呈现的疾病标识的第二取消选择操作，将所述第二取消选择操作所针对的疾病标识从所述待检查疾病标识集合中删除。
在一些可选的实施方式中，所述装置700还可以包括：
疾病添加单元714，被配置成响应于检测到预设添加疾病标识操作，将所述预设添加疾病标识操作针对的疾病标识添加到所述待检查疾病标识集合中。
在一些可选的实施方式中，所述装置700还可以包括：
检查项目添加单元715，被配置成响应于检测到预设添加检查项目标识操作，将所述预设添加检查项目标识操作所针对的检查项目标识添加到所述待检查项目标识集合中。
需要说明的是，本公开提供的基于检查结果的AI诊断装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。
下面参考图8，其示出了适于用来实现本公开的实施例的客户端或服务器的计算机系统800的结构示意图。图8示出的计算机系统800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8所示，计算机系统800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置708加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许计算机系统800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的计算机系统800，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。
特别地，根据本公开的实施例，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。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM 802被安装。在该计算机程序被处理装置801执行时，执行本公开的实施例的方法中限定的上述功能。
需要说明的是，本公开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。
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，使得该电子设备实现如图4所示的实施例及其可选实施方式示出的基于检查结果的AI诊断方法，和/或，如图5所示的实施例及其可选实施方式示出的基于检查结果的AI诊断方法。
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。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“基于诊断结果信息生成待呈现诊断结果信息的单元”。
以上描述仅为本公开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，本公开中所涉及的公开范围，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公开构思的情况下，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。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (34)

1.一种基于检查结果的AI诊断方法，应用于服务器，所述方法包括：
将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，其中，检查结果信息包括至少一组检查项目标识和相应的检查结果，历史问诊答复信息序列包括历史问诊问题和相应的所选答案选项；
基于所述诊断结果信息生成待呈现诊断结果信息；
将所述待呈现诊断结果信息发送给与所述目标患者标识对应的客户端，以供所述客户端呈现所述待呈现诊断结果信息。
2.根据权利要求1所述的方法，其中，在将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型之前，所述方法还包括：
响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，获取所述目标患者标识对应的历史问诊答复信息序列。
3.根据权利要求1所述的方法，其中，所述疾病诊断模型包括确诊诊断模型；以及
所述将所述检查结果信息和所述历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，包括：
将所述检查结果信息和所述历史问诊答复信息序列输入所述确诊诊断模型，得到预设N个疾病标识中每个疾病标识对应的确诊概率值；
对于所述预设N个疾病标识中每个疾病标识，执行以下诊断结果生成操作：响应于确定该疾病标识对应的确诊概率值大于预设确诊概率阈值，用该疾病标识对应的确诊概率值生成与该疾病标识对应的确诊诊断结果；
合并所生成的各个诊断结果得到所述诊断结果信息。
4.根据权利要求3所述的方法，其中，所述疾病诊断模型还包括疑似诊断模型；以及
所述将所述检查结果信息和所述历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，还包括：
将所述检查结果信息和所述历史问诊答复信息序列输入所述疑似诊断模型，得到所述预设N个疾病标识中每个疾病标识对应的疑似概率值；以及
所述诊断结果生成操作，还包括：
响应于确定该疾病标识对应的确诊概率值不大于所述预设确诊概率阈值，确定该疾病标识对应的疑似概率值是否大于预设疑似概率阈值；
响应于确定大于，用该疾病标识对应的疑似概率值生成与该疾病标识对应的疑似诊断结果。
5.根据权利要求3-4中任一所述的方法，其中，所述基于所述诊断结果信息生成待呈现诊断结果信息，包括：
将所述诊断结果信息中所包括的各诊断结果所对应的不同疾病标识的数量确定为疾病诊断结果数；
确定所述疾病诊断结果数是否小于预设最少疾病诊断结果数；
响应于确定小于，生成用于指示无法给出确切诊断结果的待呈现诊断结果信息。
6.根据权利要求5所述的方法，其中，所述基于所述诊断结果信息生成待呈现诊断结果信息，还包括：
响应于确定不小于，将所述诊断结果信息中各确诊诊断结果和疑似诊断结果中相应确诊概率值、疑似概率值最高的前S个诊断结果确定为所述待呈现诊断结果信息，所述S为正整数。
7.根据权利要求2所述的方法，其中，所述方法还包括：
响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，将所收到的检查结果信息存储为所述目标患者标识对应的检查结果信息。
8.根据权利要求1所述的方法，其中，所述方法还包括：
响应于接收到所述客户端发送的针对所述目标患者标识的确认检查请求，将所述确认检查请求中的待检查疾病标识集合和待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
9.一种基于检查结果的AI诊断方法，应用于客户端，所述方法包括：
响应于接收到服务器发送的针对所述目标患者标识的待呈现诊断结果信息，呈现所述待呈现诊断结果信息。
10.根据权利要求9所述的方法，其中，所述方法还包括：
呈现所述目标患者标识对应的待检查项目标识集合；
响应于检测到检查结果提交操作，获取针对所述待检查项目标识集合中待检查项目标识输入的检查结果；
基于所获取的待检查项目标识和对应的检查结果生成针对所述目标患者标识的检查结果信息，以及将所述检查结果信息发送给所述服务器。
11.根据权利要求9所述的方法，其中，所述待呈现诊断结果信息包括预设N个疾病标识中至少第一预设最少疾病诊断结果数个疾病标识中每个疾病标识对应的确诊概率值或疑似概率值，或者，所述待呈现诊断结果信息用于指示无法给出确切诊断结果。
12.根据权利要求10所述的方法，其中，在呈现所述目标患者标识对应的待检查项目标识集合之前，所述方法还包括：
响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合；
响应于检测到针对所呈现的可检查项目标识的第一选择操作，将所述第一选择操作所针对的可检查项目标识添加到所述目标患者标识对应的待检查项目标识集合中；
响应于检测到针对所呈现的可检查项目标识的第一取消选择操作，将所述第一取消选择操作所针对的可检查项目标识从所述待检查项目标识集合中删除；
响应于检测到预设确认检查操作，用所述待检查疾病标识集合和所述待检查项目标识集合生成针对所述目标患者标识的确认检查请求；
将所述确认检查请求发送给所述服务器，以供所述服务器将所述待检查疾病标识集合和所述待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
13.根据权利要求12所述的方法，其中，在所述响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合之前，所述方法还包括：
获取针对所述目标患者标识的初步疾病诊断结果信息，所述初步疾病诊断结果信息包括所述预设N个疾病标识中至少第二预设诊断结果数个疾病标识中每个疾病标识对应的确诊概率值或疑似概率值；
呈现所述初步疾病诊断结果信息；
响应于检测到针对所呈现的疾病标识的第二选择操作，将所述第二选择操作所针对的疾病标识添加到所述目标患者标识对应的待检查疾病标识集合中；
响应于检测到针对所呈现的疾病标识的第二取消选择操作，将所述第二取消选择操作所针对的疾病标识从所述待检查疾病标识集合中删除。
14.根据权利要求13所述的方法，其中，所述方法还包括：
响应于检测到预设添加疾病标识操作，将所述预设添加疾病标识操作针对的疾病标识添加到所述待检查疾病标识集合中。
15.根据权利要求12所述的方法，其中，所述方法还包括：
响应于检测到预设添加检查项目标识操作，将所述预设添加检查项目标识操作所针对的检查项目标识添加到所述待检查项目标识集合中。
16.一种基于检查结果的AI诊断装置，应用于服务器，所述装置包括：
输入单元，被配置成将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型，得到诊断结果信息，其中，检查结果信息包括至少一组检查项目标识和相应的检查结果，历史问诊答复信息序列包括历史问诊问题和相应的所选答案选项；
生成单元，被配置成基于所述诊断结果信息生成待呈现诊断结果信息；
第一发送单元，被配置成将所述待呈现诊断结果信息发送给与所述目标患者标识对应的客户端，以供所述客户端呈现所述待呈现诊断结果信息。
17.根据权利要求16所述的装置，其中，所述装置还包括：
第一获取单元，被配置成在将目标患者标识对应的检查结果信息和历史问诊答复信息序列输入预先训练的疾病诊断模型之前，响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，获取所述目标患者标识对应的历史问诊答复信息序列。
18.根据权利要求16所述的装置，其中，所述疾病诊断模型包括确诊诊断模型；以及
所述输入单元进一步被配置成：
将所述检查结果信息和所述历史问诊答复信息序列输入所述确诊诊断模型，得到所述N个疾病标识中每个疾病标识对应的确诊概率值；
对于所述预设N个疾病标识中每个疾病标识，执行以下诊断结果生成操作：响应于确定该疾病标识对应的确诊概率值大于预设确诊概率阈值，用该疾病标识对应的确诊概率值生成与该疾病标识对应的确诊诊断结果；
合并所生成的各个诊断结果得到所述诊断结果信息。
19.根据权利要求18所述的装置，其中，所述疾病诊断模型还包括疑似诊断模型；以及
所述输入单元进一步被配置成：
将所述检查结果信息和所述历史问诊答复信息序列输入所述疑似诊断模型，得到所述预设N个疾病标识中每个疾病标识对应的疑似概率值；以及
所述诊断结果生成操作，还包括：
响应于确定该疾病标识对应的确诊概率值不大于所述预设确诊概率阈值，确定该疾病标识对应的疑似概率值是否大于预设疑似概率阈值；
响应于确定大于，用该疾病标识对应的疑似概率值生成与该疾病标识对应的疑似诊断结果。
20.根据权利要求18-19中任一所述的装置，其中，所述生成单元进一步被配置成：
将所述诊断结果信息中所包括的各诊断结果所对应的不同疾病标识的数量确定为疾病诊断结果数；
确定所述疾病诊断结果数是否小于预设最少疾病诊断结果数；
响应于确定小于，生成用于指示无法给出确切诊断结果的待呈现诊断结果信息。
21.根据权利要求20所述的装置，其中，所述生成单元进一步被配置成：
响应于确定不小于，将所述诊断结果信息中各确诊诊断结果和疑似诊断结果中相应确诊概率值、疑似概率值最高的前S个诊断结果确定为所述待呈现诊断结果信息，所述S为正整数。
22.根据权利要求17所述的装置，其中，所述装置还包括：
第一存储单元，被配置成响应于接收到所述客户端发送的针对所述目标患者标识的检查结果信息，将所收到的检查结果信息存储为所述目标患者标识对应的检查结果信息。
23.根据权利要求16所述的装置，其中，所述装置还包括：
第二存储单元，被配置成响应于接收到所述客户端发送的针对所述目标患者标识的确认检查请求，将所述确认检查请求中的待检查疾病标识集合和待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
24.一种问诊问题信息呈现装置，应用于客户端，所述装置包括：
第一呈现单元，被配置成响应于接收到服务器发送的针对所述目标患者标识的待呈现诊断结果信息，呈现所述待呈现诊断结果信息。
25.根据权利要求24所述的装置，其中，所述装置还包括：
第二呈现单元，被配置成呈现所述目标患者标识对应的待检查项目标识集合；
第二获取单元，被配置成响应于检测到检查结果提交操作，获取针对所述待检查项目标识集合中待检查项目标识输入的检查结果；
第二发送单元，被配置成基于所获取的待检查项目标识和对应的检查结果生成针对所述目标患者标识的检查结果信息，以及将所述检查结果信息发送给所述服务器。
26.根据权利要求24所述的装置，其中，所述待呈现诊断结果信息包括预设N个疾病标识中至少第一预设最少疾病诊断结果数个疾病标识中每个疾病标识对应的确诊概率值、疑似概率值或者排除疑似概率值，或者，所述待呈现诊断结果信息用于指示无法给出确切诊断结果。
27.根据权利要求25所述的装置，其中，所述装置还包括：
获取及呈现单元，被配置成在呈现所述目标患者标识对应的待检查项目标识集合之前，响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合；
项目标识选择单元，被配置成响应于检测到针对所呈现的可检查项目标识的第一选择操作，将所述第一选择操作所针对的可检查项目标识添加到所述目标患者标识对应的待检查项目标识集合中；
项目标识取消单元，被配置成响应于检测到针对所呈现的可检查项目标识的第一取消选择操作，将所述第一取消选择操作所针对的可检查项目标识从所述待检查项目标识集合中删除；
确认检查单元，被配置成响应于检测到预设确认检查操作，用所述待检查疾病标识集合和所述待检查项目标识集合生成针对所述目标患者标识的确认检查请求；
第三发送单元，被配置成将所述确认检查请求发送给所述服务器，以供所述服务器将所述待检查疾病标识集合和所述待检查项目标识集合存储为所述目标患者标识对应的当前待检查疾病标识集合和当前待检查项目标识集合。
28.根据权利要求27所述的装置，其中，所述装置还包括：
第三获取单元，被配置成在所述响应于检测到针对所述目标患者标识的开具检查操作，获取并呈现所述目标患者标识对应的待检查疾病标识集合中各待检查疾病标识对应的预设可检查项目标识集合之前，获取针对所述目标患者标识的初步疾病诊断结果信息，所述初步疾病诊断结果信息包括所述预设N个疾病标识中至少第二预设诊断结果数个疾病标识中每个疾病标识对应的确诊概率值、疑似概率值或者排除疑似概率值；
第三呈现单元，被配置成呈现所述初步疾病诊断结果信息；
疾病选择单元，被配置成响应于检测到针对所呈现的疾病标识的第二选择操作，将所述第二选择操作所针对的疾病标识添加到所述目标患者标识对应的待检查疾病标识集合中；
疾病取消单元，被配置成响应于检测到针对所呈现的疾病标识的第二取消选择操作，将所述第二取消选择操作所针对的疾病标识从所述待检查疾病标识集合中删除。
29.根据权利要求28所述的装置，其中，所述装置还包括：
疾病添加单元，被配置成响应于检测到预设添加疾病标识操作，将所述预设添加疾病标识操作针对的疾病标识添加到所述待检查疾病标识集合中。
30.根据权利要求27所述的装置，其中，所述装置还包括：
检查项目添加单元，被配置成响应于检测到预设添加检查项目标识操作，将所述预设添加检查项目标识操作所针对的检查项目标识添加到所述待检查项目标识集合中。
31.一种服务器，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时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
32.一种客户端，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时，使得所述一个或多个处理器实现如权利要求9-15中任一所述的方法。
33.一种基于检查结果的AI诊断系统，包括如权利要求31所述的服务器和至少一个如权利要求32所述的客户端。
34.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被一个或多个处理器执行时实现如权利要求1-8中任一所述的方法和/或如权利要求9-15中任一所述的方法。
CN202110572368.5A 2021-05-25 2021-05-25 基于检查结果的ai诊断方法、装置、存储介质和设备 Pending CN113360611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110572368.5A CN113360611A (zh) 2021-05-25 2021-05-25 基于检查结果的ai诊断方法、装置、存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110572368.5A CN113360611A (zh) 2021-05-25 2021-05-25 基于检查结果的ai诊断方法、装置、存储介质和设备

Publications (1)

Publication Number Publication Date
CN113360611A true CN113360611A (zh) 2021-09-07

Family

ID=77527492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110572368.5A Pending CN113360611A (zh) 2021-05-25 2021-05-25 基于检查结果的ai诊断方法、装置、存储介质和设备

Country Status (1)

Country Link
CN (1) CN113360611A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115778403A (zh) * 2022-06-13 2023-03-14 合肥心之声健康科技有限公司 心电图分析方法、装置、电子设备和存储介质
CN116469576A (zh) * 2023-03-27 2023-07-21 中关村科学城城市大脑股份有限公司 纠纷事件识别方法、装置、电子设备和计算机可读介质

Citations (3)

* Cited by examiner, † Cited by third party
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
US20190221310A1 (en) * 2018-01-16 2019-07-18 James Stewart Bates System and method for automated diagnosis and treatment
CN112750529A (zh) * 2020-12-31 2021-05-04 平安科技（深圳）有限公司 智能医疗问诊装置、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
US20190221310A1 (en) * 2018-01-16 2019-07-18 James Stewart Bates System and method for automated diagnosis and treatment
CN112750529A (zh) * 2020-12-31 2021-05-04 平安科技（深圳）有限公司 智能医疗问诊装置、设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115778403A (zh) * 2022-06-13 2023-03-14 合肥心之声健康科技有限公司 心电图分析方法、装置、电子设备和存储介质
CN115778403B (zh) * 2022-06-13 2023-12-22 合肥心之声健康科技有限公司 心电图分析方法、装置、电子设备和存储介质
CN116469576A (zh) * 2023-03-27 2023-07-21 中关村科学城城市大脑股份有限公司 纠纷事件识别方法、装置、电子设备和计算机可读介质
CN116469576B (zh) * 2023-03-27 2023-10-27 中关村科学城城市大脑股份有限公司 纠纷事件识别方法、装置、电子设备和计算机可读介质

Similar Documents

Publication Publication Date Title
US10937164B2 (en) Medical evaluation machine learning workflows and processes
KR102289277B1 (ko) 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법
JP2023162235A (ja) 画像および専門知識から皮膚症状を収集し特定するシステム
US10971255B2 (en) Multimodal learning framework for analysis of clinical trials
Polat et al. COVID-19 diagnosis from chest X-ray images using transfer learning: Enhanced performance by debiasing dataloader
KR102498686B1 (ko) 품질 제어를 위해 전자 이미지들을 분석하기 위한 시스템들 및 방법들
US20170018075A1 (en) Method and apparatus for adaptive Computer-Aided Diagnosis
CN113360611A (zh) 基于检查结果的ai诊断方法、装置、存储介质和设备
KR102562708B1 (ko) 일반화된 질병 검출을 위해 전자 이미지들을 처리하기 위한 시스템들 및 방법들
US20230112591A1 (en) Machine learning based medical data checker
JP2020091862A (ja) 医用撮像における特徴識別
CN111291131A (zh) 数据处理方法、装置、存储介质及电子设备
CN112397195B (zh) 用于生成体格检查模型的方法、装置、电子设备和介质
Shamrat et al. Analysing most efficient deep learning model to detect COVID-19 from computer tomography images
WO2023110477A1 (en) A computer implemented method and a system
KR20210054140A (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
CN117274185B (zh) 检测方法、检测模型产品、电子设备及计算机存储介质
CN110969188B (zh) 一种基于深度学习的外泌体电镜图片判断系统及判断方法
KR102033484B1 (ko) 적대적 인공지능 생성망 (gan)을 활용한 반려동물 검사의 정상범위 기준치 설정 방법 및 장치
CN113360612A (zh) 一种基于问诊请求的ai诊断方法、装置、存储介质和设备
CN110993091A (zh) 从数据生成向量
CN116958539A (zh) 用于血管树分割的模型训练和图像处理方法、装置及设备
CN112567471A (zh) 处理医学图像
CN111833993B (zh) 一种基于ai的区域影像远程质控管理系统
JP7387457B2 (ja) 医用画像処理装置、プログラム、および医用画像処理システム

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