CN113360612A - 一种基于问诊请求的ai诊断方法、装置、存储介质和设备 - Google Patents
一种基于问诊请求的ai诊断方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN113360612A CN113360612A CN202110574116.6A CN202110574116A CN113360612A CN 113360612 A CN113360612 A CN 113360612A CN 202110574116 A CN202110574116 A CN 202110574116A CN 113360612 A CN113360612 A CN 113360612A
- Authority
- CN
- China
- Prior art keywords
- inquiry
- diagnosis
- information
- disease
- question
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 451
- 238000000034 method Methods 0.000 title claims abstract description 86
- 201000010099 disease Diseases 0.000 claims abstract description 302
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 302
- 230000004044 response Effects 0.000 claims description 123
- 238000004590 computer program Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 26
- 238000012549 training Methods 0.000 description 44
- 230000000694 effects Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 208000024891 symptom Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000002405 diagnostic procedure Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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 Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开提供了一种基于问诊请求的AI诊断方法、装置、存储介质和设备,通过在客户端呈现待问诊问题和相应的答案选项,当患者/医护人员在客户端呈现的待问诊问题的答案选项中作出选择后,由服务器将历史上目标患者曾经回答的输入预先训练的疾病诊断模型,得到诊断结果信息。接着,根据诊断结果信息确定是否继续问诊。如果确定继续问诊,则基于历史问诊答复信息序列,从预设问诊问题信息集合中确定当前待问诊问题信息,以及将当前待问诊问题信息发送给客户端。继而,客户端可以继续呈现当前待问诊问题和相应的答案选项供患者/医护人员进行答复。可以实现减少问诊难度和复杂度,提高了问诊速度,且问诊过程更具针对性。
Description
技术领域
本公开涉及计算机技术领域,具体涉及一种基于问诊请求的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
本公开提出了基于问诊请求的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问诊请求的AI诊断方法,应用于服务器,该方法包括:响应于接收到客户端发送的针对目标患者标识的问诊答复请求,将所述问诊答复请求中的问诊问题和相应所选答案选项添加到所述目标患者标识对应的历史问诊答复信息序列中;将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;根据所述诊断结果信息确定是否继续问诊;响应于确定继续问诊,基于所述历史问诊答复信息序列和所述诊断结果信息,从所述预设问诊问题信息集合中确定当前待问诊问题信息,以及将所述当前待问诊问题信息发送给所述客户端,以供所述客户端呈现所述当前待问诊问题信息,其中,问诊问题信息包括问诊问题和相应的至少两个答案选项。
在一些可选的实施方式中,所述方法还包括:
响应于接收到客户端发送的针对所述目标患者标识的问诊请求,从所述预设问诊问题信息集合中确定首个待问诊问题信息,以及将所述首个待问诊问题信息发送给所述客户端。
在一些可选的实施方式中,所述方法还包括:
响应于确定不继续问诊,将所述诊断结果信息发送给所述客户端,以供所述客户端呈现所述诊断结果信息。
在一些可选的实施方式中,每个所述预设问诊问题信息对应关联有问题权重;以及
所述从预设问诊问题信息集合中确定首个待问诊问题信息,包括:
将所述预设问诊问题信息集合中对应的问题权重最高的问诊问题信息确定为所述首个待问诊问题信息。
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
所述将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,所述根据所述诊断结果信息确定是否继续问诊,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疾病诊断结果数阈值;
响应于确定小于,确定继续问诊;
响应于确定不小于,确定不继续问诊。
在一些可选的实施方式中,所述将所述诊断结果信息发送给所述客户端,包括:
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和疑似概率值最高的前S个诊断结果发送给所述客户端,所述S为正整数。
在一些可选的实施方式中,所述基于所述历史问诊答复信息序列和所述诊断结果信息,从所述预设问诊问题信息集合中确定当前待问诊问题信息,包括:
将所述历史问诊答复信息序列输入预先训练的问诊问题预测模型,得到所述当前待问诊问题信息,其中,所述问诊问题预测模型用于表征问诊答复信息序列与诊断结果信息二者与所述预设问诊问题信息集合中问诊问题信息之间的对应关系。
第二方面,本公开提供了一种基于问诊请求的AI诊断方法,应用于客户端,该方法包括:响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现所述待问诊问题信息中的问诊问题和相应答案选项;响应于检测到针对所呈现的答案选项的选择操作,基于所述目标患者标识、所述待问诊问题信息和所述选择操作所针对的答案选项生成针对所述目标患者标识的问诊答复请求,以及将所述问诊答复请求发送给所述服务器,以供所述服务器基于所述问诊答复请求确定是否继续问诊,以及响应于确定继续问诊从预设问诊问题信息集合中确定并返回当前待问诊问题信息。
在一些可选的实施方式中,所述方法还包括:
响应于检测到针对所述目标患者标识的问诊操作,生成并发送针对所述目标患者标识的问诊请求给所述服务器。
在一些可选的实施方式中,所述方法还包括:
响应于收到所述服务器发送的诊断结果信息,呈现所述诊断结果信息。
在一些可选的实施方式中,所述诊断结果信息包括预设N个疾病标识中至少一个疾病标识对应的确诊概率值或疑似概率值。
第三方面,本公开提供了一种基于问诊请求的AI诊断装置,应用于服务器,该装置包括:答案选项添加单元,被配置成响应于接收到客户端发送的针对目标患者标识的问诊答复请求,将所述问诊答复请求中的问诊问题和相应所选答案选项添加到所述目标患者标识对应的历史问诊答复信息序列中;诊断单元,被配置成将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;继续问诊确定单元,被配置成根据所述诊断结果信息确定是否继续问诊;当前问题确定及发送单元,被配置成响应于确定继续问诊,基于所述历史问诊答复信息序列和所述诊断结果信息,从所述预设问诊问题信息集合中确定当前待问诊问题信息,以及将所述当前待问诊问题信息发送给所述客户端,以供所述客户端呈现所述当前待问诊问题信息,其中,问诊问题信息包括问诊问题和相应的至少两个答案选项。
在一些可选的实施方式中,所述装置还包括:
首个问题确定及发送单元,被配置成响应于接收到客户端发送的针对所述目标患者标识的问诊请求,从所述预设问诊问题信息集合中确定首个待问诊问题信息,以及将所述首个待问诊问题信息发送给所述客户端。
在一些可选的实施方式中,所述装置还包括:
诊断结果发送单元,被配置成响应于确定不继续问诊,将所述诊断结果信息发送给所述客户端,以供所述客户端呈现所述诊断结果信息。
在一些可选的实施方式中,每个所述预设问诊问题信息对应关联有问题权重;以及
所述首个问题确定及发送单元进一步被配置成:
将所述预设问诊问题信息集合中对应的问题权重最高的问诊问题信息确定为所述首个待问诊问题信息。
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
所述诊断单元进一步被配置成:
将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
所述诊断单元进一步被配置成:
将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,所述继续问诊确定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疾病诊断结果数阈值;
响应于确定小于,确定继续问诊;
响应于确定不小于,确定不继续问诊。
在一些可选的实施方式中,所述诊断结果发送单元进一步被配置成:
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和疑似概率值最高的前S个诊断结果发送给所述客户端,所述S为正整数。
在一些可选的实施方式中,所述当前问题确定及发送单元进一步被配置成:
将所述历史问诊答复信息序列和所述诊断结果信息输入预先训练的问诊问题预测模型,得到所述当前待问诊问题信息,其中,所述问诊问题预测模型用于表征问诊答复信息序列与诊断结果信息二者与所述预设问诊问题信息集合中问诊问题信息之间的对应关系。
第四方面,本公开提供了一种基于问诊请求的AI诊断装置,应用于客户端,该装置包括:
问题及答案呈现单元,被配置成响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现所述待问诊问题信息中的问诊问题和相应答案选项;
答复请求发送单元,被配置成响应于检测到针对所呈现的答案选项的选择操作,基于所述目标患者标识、所述待问诊问题信息和所述选择操作所针对的答案选项生成针对所述目标患者标识的问诊答复请求,以及将所述问诊答复请求发送给所述服务器,以供所述服务器基于所述问诊答复请求确定是否继续问诊,以及响应于确定继续问诊从预设问诊问题信息集合中确定并返回当前待问诊问题信息。
在一些可选的实施方式中,所述装置还包括:
问诊请求发送单元,被配置成响应于检测到针对所述目标患者标识的问诊操作,生成并发送针对所述目标患者标识的问诊请求给所述服务器。
在一些可选的实施方式中,所述装置还包括:
诊断结果呈现单元,被配置成响响应于收到所述服务器发送的诊断结果信息,呈现所述诊断结果信息。
在一些可选的实施方式中,所述诊断结果信息包括预设N个疾病标识中至少一个疾病标识对应的确诊概率值或疑似概率值。
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,本公开提供了一种问诊系统,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。
本公开提供的基于问诊请求的AI诊断方法、装置、存储介质和设备,通过在客户端呈现待问诊问题和相应的答案选项,当患者/医护人员在客户端呈现的待问诊问题的答案选项中作出选择后,再由服务器将患者/医护人员在客户端对待问诊问题选择的答复选项追加到历史上目标患者曾经回答的问诊问题和相应的所选答案中,即得到历史问诊答复信息序列。而后将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。接着,根据诊断结果信息确定是否继续问诊。如果确定继续问诊,则基于历史问诊答复信息序列和诊断结果信息,从预设问诊问题信息集合中确定当前待问诊问题信息,以及将当前待问诊问题信息发送给客户端。继而,客户端可以继续呈现当前待问诊问题和相应的答案选项供患者/医护人员进行答复。可以实现包括但不限于以下技术效果:
第一,在问诊过程中,患者/医护人员只需要在所提供的问题对应的答案选项中进行选择,不需输入,减少患者/医护人员提供病症描述信息的难度和操作复杂度,方便使用。
第二,在问诊过程中,服务器每次在收到客户端发送的问诊答复信息后都实时确定是否需要继续问诊,只有在确定继续问诊后,才继续提供问诊问题,不需要将预设问诊问题信息集合中所有问诊问题都提供患者/医护人员进行答复,可以减少患者/医护人员的问诊问题答复数量,提高问诊速度。
第三,根据针对目标患者情况曾经答复过的历史问诊答复信息序列动态确定下一个待问诊问题信息,而不是按照预设的固定顺序提供待问诊问题信息,可以动态适配针对目标患者情况曾经答复过的历史问诊答复信息序列,问诊过程更具针对性。
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是根据本公开的基于问诊请求的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问诊请求的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问诊请求的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问诊请求的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问诊请求的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问诊请求的AI诊断方法或基于问诊请求的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问诊请求的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问诊请求的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问诊请求的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问诊请求的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问诊请求的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问诊请求的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,客户端响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现待问诊问题信息中的问诊问题和相应答案选项。
在本实施例中,客户端(例如图1所示的客户端101,102,103)可以在从服务器收到针对目标患者标识的待问诊问题信息的情况下,呈现待问诊问题信息中的问诊问题和相应答案选项。
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。
待问诊问题信息可以包括问诊问题和相应答案选项。其中,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。
客户端也可以采用各种方式呈现待问诊问题信息。本公开对此不做具体限定。例如,当问诊问题为是否类问题,相应的答案选项中的是和否,可以采用单选按钮组合相应答案选项文字或图标来呈现。而当问题为具体的症状的程度、时间、频次等,相应的答案选项数量大于等于3个时,可以采用复选按钮组合相应答案选项文字或图标来呈现。
步骤202,客户端响应于检测到针对所呈现的答案选项的选择操作,基于目标患者标识、待问诊问题信息和选择操作所针对的答案选项生成针对目标患者标识的问诊答复请求,以及将问诊答复请求发送给服务器。
通过步骤201描述可知,客户端中已经呈现了待问诊问题和相应的答案选项,则用户(比如,患者/医护人员)可以根据目标患者针对当前待问诊问题的的实际情况在所呈现的答案选项中进行选择,而客户端可以在用户选择答案选项后检测到选择操作,客户端也可以在用户选择答案选项并对用于指示提交问诊答复信息的第一显示对象(比如,用于指示提交问诊答复信息的文字、按钮或者图标)执行了第一预设操作(比如,单击、悬停预设时长、拖动、双击等)后检测到选择操作,继而可以生成问诊答复请求。
这里,客户端可以采用各种实现方式生成问诊答复请求。例如,问诊答复请求中可以携带目标患者标识、待问诊问题信息以及用户在客户端中所选择的答案选项,又例如问诊答复请求中也可以携带目标患者标识、待问诊问题信息对应的问诊问题标识以及用户在客户端中所选择的答案选项。其中,待问诊问题信息对应的待问诊问题标识可以是待问诊问题信息的一部分,而服务器向客户端发送的待问诊问题信息中已经携带了待问诊问题标识,故而客户端可以获取到上述待问诊问题标识,并在生成问诊答复请求时携带上述待问诊问题标识,而待问诊问题标识相对于待问诊问题信息所需占用存储空间更少,可以减少客户端和服务器之间的数据发送量,降低网络带宽要求,以及提高客户端和服务器之间交互速度。
步骤203,服务器响应于接收到客户端发送的针对目标患者标识的问诊答复请求,将问诊答复请求中的问诊问题和相应所选答案选项添加到目标患者标识对应的历史问诊答复信息序列中。
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。问诊答复信息即包括问诊问题和相应的所选答案选项。
服务器可以在收到步骤202中客户端发送到服务器的、针对目标患者标识的问诊答复请求后,收到上述问诊答复请求,并解析上述问诊答复请求,得到问诊问题和相应所选答案选项,再将解析得到的问诊问题和相应所选答案选项添加到目标患者标识对应的历史问诊答复信息序列中。进而,目标患者标识对应的历史问诊答复信息序列中存储了直到当前时刻针对目标患者的实际情况在本次问诊过程中所有曾经回答/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。
步骤204,服务器将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。
在本实施例中,服务器可以将经过步骤203所得到的历史问诊答复信息序列输入预先训练的疾病诊断模型,得到针对目标患者的诊断结果信息。这里,疾病诊断模型可以用于表征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,可以是确诊是否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问诊答复信息序列和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问诊答复信息序列和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、排除确诊患有某种疾病或相应概率值、疑似患有某种疾病或相应概率值或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问诊答复信息序列和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问诊答复信息序列输入初始疾病诊断模型,得到样本问诊答复信息序列的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,可以自动学习出问题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205,服务器根据诊断结果信息确定是否继续问诊。
在本实施例中,服务器可以按照预设的继续问诊确定规则,根据步骤204得到的诊断结果信息确定是否继续问诊。如果确定继续问诊则转到步骤206继续执行。
这里,预设的继续问诊确定规则,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。继续问诊确定规则用于表征根据诊断结果信息是否已经可以得到相对确定的诊断结论,不必继续问其他问诊问题。如果有相对确定的诊断结论,则不必继续问诊;反之,如果没有相对确定的诊断结论,则需要继续问诊其他问题以实现给出相对确定的诊断结论。因此,按照预先设定继续问诊确定规则,可以实现只有在确定继续问诊的情况下,才会执行步骤206并进一步提供问诊问题信息给客户端,可以减少向用户问诊的问题数量。
步骤206,服务器响应于确定继续问诊,基于历史问诊答复信息序列和诊断结果信息,从预设问诊问题信息集合中确定当前待问诊问题信息,以及将当前待问诊问题信息发送给客户端。
这里,预设问诊问题信息集合中问诊问题信息包括问诊问题和相应的答案选项。预设问诊问题信息集合可以是由具有医学专业知识的专业技术人员制定并存储到服务器的问诊问题信息集合。
在本实施例中,如果在步骤205中服务器确定继续问诊,则在步骤206中服务器可以采用各种实现方式基于目标患者标识对应的历史问诊答复信息序列和步骤204中得到的诊断结果信息,从预设问诊问题信息集合中确定当前待问诊问题信息,以及将所确定的当前待问诊问题信息发送给客户端。
在一些可选的实施方式中,服务器可以将目标患者标识对应的历史问诊答复信息序列和步骤204中得到的诊断结果信息输入预先训练的问诊问题预测模型,得到当前待问诊问题信息。而问诊问题预测模型用于表征问诊答复信息序列和诊断结果信息二者与预设问诊问题信息集合中问诊问题信息之间的对应关系。问诊问题预测模型可以是基于机器学习、深度学习或者迁移学习方法训练得到的模型,相应的训练样本集可以包括实践中由患者病历抽取得到的样本问诊答复信息序列和相应的具有专业医学知识的专业技术人员根据临床问诊实践进行标注得到的根据该样本问诊答复信息序列可以得到的标注诊断结果信息,以及相应的用于表征下一个待问诊问题的标注预测问诊问题信息。作为示例,问诊问题预测模型可以是决策树模型。该决策树模型可以包括M个节点,该M个节点中节点和该节点指向其他节点的边分别与预设问诊问题信息集合中各问诊问题信息中问诊问题和相应答案选项一一对应。采用该可选实施方式,可以利用预先训练的问诊问题预测模型,自动根据曾经目标患者的历史问诊答复信息序列和诊断结果信息确定下个待问诊问题,且实践中问诊问题预测模型还可实时更新,提高确定下个待问诊问题的智能程度,以及可以根据实践医疗经验进行实时更新。
需要说明的是,由于针对目标患者的实际情况已经回答了历史问诊答复信息序列中的相应问诊问题并得到了相应的诊断结果信息,因而,在预设问诊问题信息集合中所确定的当前待问诊问题信息对应的问诊问题应不属于历史问诊答复信息序列所包括的问诊问题,即问过的问诊问题将不再继续询问。
经过步骤206,客户端可以收到上述针对目标患者标识的当前待问诊问题信息,进而可以继续执行步骤201,即客户端响应于从服务器收到针对目标患者标识的当前待问诊问题信息,呈现当前待问诊问题信息中的待问诊问题和相应答案选项。
经过步骤201到步骤206,可以实现包括但不限于以下技术效果:
第一,在问诊过程中,患者/医护人员只需要在所提供的问题对应的答案选项中进行选择,不需输入,减少患者/医护人员提供病症描述信息的难度和操作复杂度,方便使用。
第二,在问诊过程中,服务器每次在收到客户端发送的问诊答复信息后都实时确定是否需要继续问诊,只有在确定继续问诊后,才继续提供问诊问题,不需要将预设问诊问题信息集合中所有问诊问题都提供患者/医护人员进行答复,可以减少患者/医护人员的问诊问题答复数量,提高问诊速度。
第三,根据针对目标患者情况曾经答复过的历史问诊答复信息序列动态确定下一个待问诊问题信息,而不是按照预设的固定顺序提供待问诊问题信息,可以动态适配针对目标患者情况曾经答复过的历史问诊答复信息序列,问诊过程更具针对性。
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还可以包括如下步骤207和步骤208:
步骤207,客户端响应于检测到针对目标患者标识的问诊操作,生成并发送针对目标患者标识的问诊请求给服务器。
这里,问诊操作可以在各种情况下被触发,进而客户端可检测到针对目标患者标识的问诊操作。例如,用户可以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了目标患者标识,并且验证通过后,即可以触发问诊操作。又例如,还可以在上述验证通过后,在客户端呈现用于指示提交问诊请求的第二显示对象(例如,用于指示提交问诊请求的文字、按钮或图标等),继而客户端可以在检测到用户对上述第二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)后检测到问诊操作,继而生成并发送针对目标患者标识的问诊请求给服务器。
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问诊请求,从预设问诊问题信息集合中确定首个待问诊问题信息,将首个待问诊问题信息发送给客户端。
这里,服务器可以采用各种实现方式从预设问诊问题信息集合中确定首个待问诊问题信息,并将所确定的首个待问诊问题信息发送给客户端。
例如,服务器可以从预设问诊问题信息集合中随机确定一个问诊问题信息作为首个待问诊问题信息。
又例如,服务器也可以将预设问诊问题信息集合中的某个指定的问诊问题信息确定为首个待问诊问题信息。
可选实施方式(二):基于上述可选实施方式(一),预设问诊问题信息集合中每个预设问诊问题信息可以对应关联有问题权重。相应地,步骤208中从预设问诊问题信息集合中确定首个待问诊问题信息,可以如下进行:将预设问诊问题信息集合中对应的问题权重最高的问诊问题信息确定为首个待问诊问题信息。而预设问诊问题信息集合中每个预设问诊问题信息对应关联的问题权重用于表征该问诊问题信息中的问诊问题在用于诊断不同疾病过程中的重要程度。作为示例,预设问诊问题信息集合中每个预设问诊问题信息对应关联的问题权重可以是由具有医学知识的专业技术人员制定并存储到服务器的。又例如,预设问诊问题信息集合中每个预设问诊问题信息对应关联的问题权重也可以是基于机器学习模型训练得到的。
具体地,例如可以首先确定人工神经网络的模型结构和模型参数信息,且,该人工神经网络中可以包括每个预设问诊问题信息的第一权重分量权重系数、第二权重分量权重系数、第三权重分量权重系数和第四权重分量权重系数。其中,上述第一权重分量权重系数、第二权重分量权重系数、第三权重分量权重系数和第四权重分量权重系数分别对应患者病历信息、医学专家知识经验、专业医学书籍和专业医学文献。
接着,可以对上述第一权重分量权重系数、第二权重分量权重系数、第三权重分量权重系数和第四权重分量权重系数进行初始化设置。
而后,把训练样本输入上述人工神经网络,得到实际输出。其中,训练样本可以包括样本数据和标注信息,样本数据可以包括患者病历信息、医学专家知识经验、专业医学书籍和专业医学文献中涉及的问诊问题信息,而标注信息可以包括:患者病历信息、医学专家知识经验、专业医学书籍和专业医学文献对该样本数据中涉及的问诊问题信息的标注权重系数。再基于实际输出的相应四种权重系数与训练样本中标注信息所包括的四种相应权重系数之间的差异,调整上述人工神经网络的网络参数。
在训练结束后,可以获取上述人工神经网络中预设问诊问题集合中每个问诊问题对应的第一权重分量权重系数、第二权重分量权重系数、第三权重分量权重系数和第四权重分量权重系数。
最后,可通过对预设问诊问题信息集合中每个问诊问题信息,获取人工根据大量患者病历信息设置相应的第一权重分量、根据医学专家知识经验设置相应的初始第二权重分量、根据专业医学书籍中的相关内容设置相应的初始第三权重分量、根据专业医学文献设置相应的初始第四权重分量,再按照上述每个问诊问题对应的第一权重分量权重系数、第二权重分量权重系数、第三权重分量权重系数和第四权重分量权重系数对该问诊问题对应的第一权重分量、第二权重分量、第三权重分量和第四权重分量进行加权求和,即可得到每个问诊问题信息关联的权重。
采用该可选实施方式,可以在向客户端提供首个待问诊问题时选择问题权重最高的问诊问题,实现快速问诊。
可选实施方式(三):时序200还可以包括如下步骤209和步骤210:
步骤209,服务器响应于确定不继续问诊,将诊断结果信息发送给客户端。
这里,服务器可以在步骤205中确定不继续问诊的情况下,表明根据诊断结果信息已经可以有相对确定的诊断结论,不必继续问诊,因此,可以将诊断结果信息发送给客户端,即,不必问诊所有问题,因而可减少对目标患者问诊的问题数量。
步骤210,客户端响应于收到服务器发送的诊断结果信息,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。
经过步骤209和步骤210,可以实现在诊断结果信息可以有相对确定的诊断结论的情况下不再继续问诊,并将所确定的相对确定的诊断结果信息呈现在客户端,供用户(患者/医护人员)参考。相对于对诊断结果信息不做任何判断直接给用户参考而言,可以提高所提供诊断结果信息的可用性和可参考性。
可选实施方式(四):疾病诊断模型可以包括确诊诊断模型。相应地,步骤204中,服务器将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2041到步骤2043:
步骤2041,将历史问诊答复信息序列输入确诊诊断模型,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。
确诊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问诊答复信息序列和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问诊答复信息序列和相应的该患者患有上述预设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2042,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20421和步骤20422:
步骤20421,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20422。
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20422,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2043,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2042后,将步骤2042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2042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2042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8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(五):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2041之后,还可以执行以下步骤2041’:
步骤2041’,将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问诊答复信息序列和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问诊答复信息序列和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2041’,诊断结果生成操作中还可以在步骤20421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,表明目标患者确诊患有该疾病标识所指示的疾病的概率值较低,即,针对该目标患者确诊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20423执行,继续其他判断逻辑。
步骤20423,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20424。
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20424,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2043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20421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20423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(六):基于上述可选实施方式(五),步骤205中服务器根据诊断结果信息确定是否继续问诊可以如下进行:
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2042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2042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疾病诊断结果数阈值。
这里,预设疾病诊断结果数阈值可以是小于等于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呈现给用户,或者没有诊断结果,需要进一步问诊其他问题,因此可以确定继续问诊。
响应于确定不小于,表明所得到的诊断结果数可以呈现给用户,不需要进一步问诊其他问题,因此确定不继续问诊。
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)不呈现给用户,而是继续问诊。在确定诊断结果数数量适宜的情况下不再继续问诊,并将诊断结果提供给用户,实现提供给用户数量适宜的诊断结果作为参考。
可选实施方式(七):基于上述可选实施方式(五)或(六),步骤209中服务器将诊断结果信息发送给客户端,可以如下执行:
将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或疑似概率值最高的前S个诊断结果发送给客户端。这里,S为正整数。
采用该可选实施方式,可以将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给用户。
本公开的上述实施例提供的基于问诊请求的AI诊断系统,通过在客户端呈现待问诊问题和相应的答案选项,当患者/医护人员在客户端呈现的待问诊问题的答案选项中作出选择后,再由服务器将患者/医护人员在客户端对待问诊问题选择的答复选项追加到历史上目标患者曾经回答的问诊问题和相应的所选答案中,即得到历史问诊答复信息序列。而后将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。接着,根据诊断结果信息和确定是否继续问诊。如果确定继续问诊,则基于历史问诊答复信息序列和诊断结果信息,从预设问诊问题信息集合中确定当前待问诊问题信息,以及将当前待问诊问题信息发送给客户端。继而,客户端可以继续呈现当前待问诊问题和相应的答案选项供患者/医护人员进行答复。该系统可以实现包括但不限于以下技术效果:
第一,在问诊过程中,患者/医护人员只需要在所提供的问题对应的答案选项中进行选择,不需输入,减少患者/医护人员提供病症描述信息的难度和操作复杂度,方便使用。
第二,在问诊过程中,服务器每次在收到客户端发送的问诊答复信息后都实时确定是否需要继续问诊,只有在确定继续问诊后,才继续提供问诊问题,不需要将预设问诊问题信息集合中所有问诊问题都提供患者/医护人员进行答复,可以减少患者/医护人员的问诊问题答复数量,提高问诊速度。
第三,根据针对目标患者情况曾经答复过的历史问诊答复信息序列动态确定下一个待问诊问题信息,而不是按照预设的固定顺序提供待问诊问题信息,可以动态适配针对目标患者情况曾经答复过的历史问诊答复信息序列,问诊过程更具针对性。
继续参考图4,其示出了根据本公开的基于问诊请求的AI诊断方法的一个实施例的流程400。该基于问诊请求的AI诊断方法,应用于服务器,包括以下步骤:
步骤401,响应于接收到客户端发送的针对目标患者标识的问诊答复请求,将问诊答复请求中的问诊问题和相应所选答案选项添加到目标患者标识对应的历史问诊答复信息序列中。
步骤402,将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403,根据诊断结果信息确定是否继续问诊。
步骤404,响应于确定继续问诊,基于历史问诊答复信息序列和诊断结果信息,从预设问诊问题信息集合中确定当前待问诊问题信息,以及将当前待问诊问题信息发送给客户端。
在本实施例中,步骤401、步骤402、步骤403和步骤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203、步骤204、步骤205和步骤206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问诊请求,从预设问诊问题信息集合中确定首个待问诊问题信息,将首个待问诊问题信息发送给客户端。
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406:
步骤406,响应于确定不继续问诊,将诊断结果信息发送给客户端。
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,步骤402,将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2041到步骤2043,具体可参考关于上述实施例中,可选实施方式(四)和可选实施方式(五)的相关记载,在此不再赘述。
在一些可选的实施方式中,预设问诊问题信息集合中每个预设问诊问题信息可以对应关联有问题权重。相应地,步骤405中从预设问诊问题信息集合中确定首个待问诊问题信息,可以如下进行:将预设问诊问题信息集合中对应的问题权重最高的问诊问题信息确定为首个待问诊问题信息。具体可参考关于上述实施例中可选实施方式(二)的相关记载,在此不再赘述。
在一些可选的实施方式中,步骤403中根据诊断结果信息确定是否继续问诊可以如下进行:
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。
其次,确定疾病诊断结果数是否小于预设疾病诊断结果数阈值。
如果确定小于,表明所得到的诊断结果数太少不适于呈现给用户,或者没有诊断结果,需要进一步问诊其他问题,因此可以确定继续问诊。
响应于确定不小于,表明所得到的诊断结果数可以呈现给用户,不需要进一步问诊其他问题,因此确定不继续问诊。
具体可参考关于上述实施例中可选实施方式(六)的相关记载,在此不再赘述。
在一些可选的实施方式中,步骤406中将诊断结果信息发送给客户端,可以如下执行:
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或疑似概率值最高的前S个诊断结果发送给客户端。这里,S为正整数。
具体可参考关于上述实施例中可选实施方式(七)的相关记载,在此不再赘述。
在一些可选的实施方式中,步骤404中基于历史问诊答复信息序列,从预设问诊问题信息集合中确定当前待问诊问题信息,可以如下进行:
将历史问诊答复信息序列和诊断结果信息输入预先训练的问诊问题预测模型,得到当前待问诊问题信息。
具体可参考关于上述实施例中关于步骤206的相关记载,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提供问诊问题和对应的答案选项,在问诊过程中,患者/医护人员只需要在所提供的问题对应的答案选项中进行选择,不需输入,减少患者/医护人员提供病症描述信息的难度和操作复杂度,方便使用。还通过服务器每次在收到客户端发送的问诊答复信息后都实时确定是否需要继续问诊,只有在确定继续问诊后,才继续提供问诊问题,不需要将预设问诊问题信息集合中所有问诊问题都提供患者/医护人员进行答复,可以减少患者/医护人员的问诊问题答复数量,提高问诊速度。最后,通过服务器根据针对目标患者情况曾经答复过的历史问诊答复信息序列动态确定下一个待问诊问题信息,而不是按照预设的固定顺序提供待问诊问题信息,可以动态适配针对目标患者情况曾经答复过的历史问诊答复信息序列,问诊过程更具针对性。
继续参考图5,其示出了根据本公开的基于问诊请求的AI诊断方法的一个实施例的流程500。该基于问诊请求的AI诊断方法,应用于客户端,包括以下步骤:
步骤501,响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现待问诊问题信息中的问诊问题和相应答案选项。
步骤502,响应于检测到针对所呈现的答案选项的选择操作,基于目标患者标识、待问诊问题信息和选择操作所针对的答案选项生成针对目标患者标识的问诊答复请求,以及将问诊答复请求发送给服务器。
在本实施例中,步骤501和步骤502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和步骤202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,上述流程500还可以包括以下步骤503:
步骤503,响应于检测到针对目标患者标识的问诊操作,生成并发送针对目标患者标识的问诊请求给服务器。
在本实施例中,步骤503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,上述流程500还可以包括以下步骤504:
步骤504,客户端响应于收到服务器发送的诊断结果信息,呈现诊断结果信息。
在本实施例中,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210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问诊请求的AI诊断方法通过在客户端呈现待问诊问题和相应的答案选项,以及在一些实施例中呈现诊断结果信息,可以实现在问诊过程中,患者/医护人员只需要在所提供的问题对应的答案选项中进行选择,不需输入,减少患者/医护人员提供病症描述信息的难度和操作复杂度,方便使用。另外,不需要将预设问诊问题信息集合中所有问诊问题都呈现给患者/医护人员进行答复,可以减少患者/医护人员的问诊问题答复数量,提高问诊速度。最后,一些情况下在得到诊断结果信息后呈现诊断结果信息,可以在客户端为用户提供诊断结果信息参考。
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问诊请求的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,本实施例的基于问诊请求的AI诊断装置600包括:答案选项添加单元601、诊断单元602、继续问诊确定单元603和当前问题确定及发送单元604。其中,答案选项添加单元601,被配置成响应于接收到客户端发送的针对目标患者标识的问诊答复请求,将所述问诊答复请求中的问诊问题和相应所选答案选项添加到所述目标患者标识对应的历史问诊答复信息序列中;诊断单元602,被配置成将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;继续问诊确定单元603,被配置成根据所述诊断结果信息确定是否继续问诊;当前问题确定及发送单元604,被配置成响应于确定继续问诊,基于所述历史问诊答复信息序列和所述诊断结果信息,从所述预设问诊问题信息集合中确定当前待问诊问题信息,以及将所述当前待问诊问题信息发送给所述客户端,以供所述客户端呈现所述当前待问诊问题信息,其中,问诊问题信息包括问诊问题和相应的至少两个答案选项。
在本实施例中,基于问诊请求的AI诊断装置600的答案选项添加单元601、诊断单元602、继续问诊确定单元603和当前问题确定及发送单元604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、步骤403和步骤404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600还可以包括:
首个问题确定及发送单元605,被配置成响应于接收到客户端发送的针对所述目标患者标识的问诊请求,从所述预设问诊问题信息集合中确定首个待问诊问题信息,以及将所述首个待问诊问题信息发送给所述客户端。
在一些可选的实施方式中,所述装置600还可以包括:
诊断结果发送单元606,被配置成响应于确定不继续问诊,将所述诊断结果信息发送给所述客户端,以供所述客户端呈现所述诊断结果信息。
在一些可选的实施方式中,每个所述预设问诊问题信息可以对应关联有问题权重;以及
所述首个问题确定及发送单元605可以进一步被配置成:
将所述预设问诊问题信息集合中对应的问题权重最高的问诊问题信息确定为所述首个待问诊问题信息。
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
所述诊断单元602可以进一步被配置成:
将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可以包括疑似诊断模型;以及
所述诊断单元602可以进一步被配置成:
将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,所述继续问诊确定单元603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疾病诊断结果数阈值;
响应于确定小于,确定继续问诊;
响应于确定不小于,确定不继续问诊。
在一些可选的实施方式中,所述诊断结果发送单元606可以进一步被配置成:
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和疑似概率值最高的前S个诊断结果发送给所述客户端,所述S为正整数。
在一些可选的实施方式中,所述当前问题确定及发送单元604可以进一步被配置成:
将所述历史问诊答复信息序列和所述诊断结果信息输入预先训练的问诊问题预测模型,得到所述当前待问诊问题信息,其中,所述问诊问题预测模型用于表征问诊答复信息序列与诊断结果信息二者与所述预设问诊问题信息集合中问诊问题信息之间的对应关系。
需要说明的是,本公开提供的基于问诊请求的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问诊请求的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,本实施例的基于问诊请求的AI诊断装置700包括:问题及答案呈现单元701和答复请求发送单元702。其中,问题及答案呈现单元701,被配置成响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现所述待问诊问题信息中的问诊问题和相应答案选项;答复请求发送单元702,被配置成响应于检测到针对所呈现的答案选项的选择操作,基于所述目标患者标识、所述待问诊问题信息和所述选择操作所针对的答案选项生成针对所述目标患者标识的问诊答复请求,以及将所述问诊答复请求发送给所述服务器,以供所述服务器基于所述问诊答复请求确定是否继续问诊,以及响应于确定继续问诊从预设问诊问题信息集合中确定并返回当前待问诊问题信息。
在本实施例中,基于问诊请求的AI诊断装置700的问题及答案呈现单元701和答复请求发送单元702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和步骤502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:
问诊请求发送单元703,被配置成响应于检测到针对所述目标患者标识的问诊操作,生成并发送针对所述目标患者标识的问诊请求给所述服务器。
在一些可选的实施方式中,所述装置700还可以包括:
诊断结果呈现单元704,被配置成响响应于收到所述服务器发送的诊断结果信息,呈现所述诊断结果信息。
在一些可选的实施方式中,所述诊断结果信息可以包括预设N个疾病标识中至少一个疾病标识对应的确诊概率值或疑似概率值。
需要说明的是,本公开提供的基于问诊请求的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问诊请求的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问诊请求的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,问题及答案呈现单元还可以被描述为“响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现待问诊问题信息中的问诊问题和相应答案选项的单元”。
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 (30)
1.一种基于问诊请求的AI诊断方法,应用于服务器,所述方法包括:
响应于接收到客户端发送的针对目标患者标识的问诊答复请求,将所述问诊答复请求中的问诊问题和相应所选答案选项添加到所述目标患者标识对应的历史问诊答复信息序列中;
将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;
根据所述诊断结果信息确定是否继续问诊;
响应于确定继续问诊,基于所述历史问诊答复信息序列和所述诊断结果信息,从所述预设问诊问题信息集合中确定当前待问诊问题信息,以及将所述当前待问诊问题信息发送给所述客户端,以供所述客户端呈现所述当前待问诊问题信息,其中,问诊问题信息包括问诊问题和相应的至少两个答案选项。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于接收到客户端发送的针对所述目标患者标识的问诊请求,从所述预设问诊问题信息集合中确定首个待问诊问题信息,以及将所述首个待问诊问题信息发送给所述客户端。
3.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定不继续问诊,将所述诊断结果信息发送给所述客户端,以供所述客户端呈现所述诊断结果信息。
4.根据权利要求1所述的方法,其中,每个所述预设问诊问题信息对应关联有问题权重;以及
所述从预设问诊问题信息集合中确定首个待问诊问题信息,包括:
将所述预设问诊问题信息集合中对应的问题权重最高的问诊问题信息确定为所述首个待问诊问题信息。
5.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。
6.根据权利要求5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。
7.根据权利要求5-6中任一所述的方法,其中,所述根据所述诊断结果信息确定是否继续问诊,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疾病诊断结果数阈值;
响应于确定小于,确定继续问诊;
响应于确定不小于,确定不继续问诊。
8.根据权利要求7所述的方法,其中,所述将所述诊断结果信息发送给所述客户端,包括:
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和疑似概率值最高的前S个诊断结果发送给所述客户端,所述S为正整数。
9.根据权利要求1所述的方法,其中,
所述基于所述历史问诊答复信息序列和所述诊断结果信息,从所述预设问诊问题信息集合中确定当前待问诊问题信息,包括:
将所述历史问诊答复信息序列和所述诊断结果信息输入预先训练的问诊问题预测模型,得到所述当前待问诊问题信息,其中,所述问诊问题预测模型用于表征问诊答复信息序列与诊断结果信息二者与所述预设问诊问题信息集合中问诊问题信息之间的对应关系。
10.一种基于问诊请求的AI诊断方法,应用于客户端,所述方法包括:
响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现所述待问诊问题信息中的问诊问题和相应答案选项;
响应于检测到针对所呈现的答案选项的选择操作,基于所述目标患者标识、所述待问诊问题信息和所述选择操作所针对的答案选项生成针对所述目标患者标识的问诊答复请求,以及将所述问诊答复请求发送给所述服务器,以供所述服务器基于所述问诊答复请求确定是否继续问诊,以及响应于确定继续问诊从预设问诊问题信息集合中确定并返回当前待问诊问题信息。
11.根据权利要求10所述的方法,其中,所述方法还包括:
响应于检测到针对所述目标患者标识的问诊操作,生成并发送针对所述目标患者标识的问诊请求给所述服务器。
12.根据权利要求10所述的方法,其中,所述方法还包括:
响应于收到所述服务器发送的诊断结果信息,呈现所述诊断结果信息。
13.根据权利要求10所述的方法,其中,所述诊断结果信息包括预设N个疾病标识中至少一个疾病标识对应的确诊概率值或疑似概率值。
14.一种基于问诊请求的AI诊断装置,应用于服务器,所述装置包括:
答案选项添加单元,被配置成响应于接收到客户端发送的针对目标患者标识的问诊答复请求,将所述问诊答复请求中的问诊问题和相应所选答案选项添加到所述目标患者标识对应的历史问诊答复信息序列中;
诊断单元,被配置成将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;
继续问诊确定单元,被配置成根据所述诊断结果信息确定是否继续问诊;
当前问题确定及发送单元,被配置成响应于确定继续问诊,基于所述历史问诊答复信息序列和所述诊断结果信息,从所述预设问诊问题信息集合中确定当前待问诊问题信息,以及将所述当前待问诊问题信息发送给所述客户端,以供所述客户端呈现所述当前待问诊问题信息,其中,问诊问题信息包括问诊问题和相应的至少两个答案选项。
15.根据权利要求14所述的装置,其中,所述装置还包括:
首个问题确定及发送单元,被配置成响应于接收到客户端发送的针对所述目标患者标识的问诊请求,从所述预设问诊问题信息集合中确定首个待问诊问题信息,以及将所述首个待问诊问题信息发送给所述客户端。
16.根据权利要求14所述的装置,其中,所述装置还包括:
诊断结果发送单元,被配置成响应于确定不继续问诊,将所述诊断结果信息发送给所述客户端,以供所述客户端呈现所述诊断结果信息。
17.根据权利要求14所述的装置,其中,每个所述预设问诊问题信息对应关联有问题权重;以及
所述首个问题确定及发送单元进一步被配置成:
将所述预设问诊问题信息集合中对应的问题权重最高的问诊问题信息确定为所述首个待问诊问题信息。
18.根据权利要求14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
所述诊断单元进一步被配置成:
将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。
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
所述诊断单元进一步被配置成:
将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,所述继续问诊确定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疾病诊断结果数阈值;
响应于确定小于,确定继续问诊;
响应于确定不小于,确定不继续问诊。
21.根据权利要求20所述的装置,其中,所述诊断结果发送单元进一步被配置成:
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和疑似概率值最高的前S个诊断结果发送给所述客户端,所述S为正整数。
22.根据权利要求14所述的装置,其中,所述当前问题确定及发送单元进一步被配置成:
将所述历史问诊答复信息序列和所述诊断结果信息输入预先训练的问诊问题预测模型,得到所述当前待问诊问题信息,其中,所述问诊问题预测模型用于表征问诊答复信息序列与诊断结果信息二者与所述预设问诊问题信息集合中问诊问题信息之间的对应关系。
23.一种问诊问题信息呈现装置,应用于客户端,所述装置包括:
问题及答案呈现单元,被配置成响应于从服务器收到针对目标患者标识的待问诊问题信息,呈现所述待问诊问题信息中的问诊问题和相应答案选项;
答复请求发送单元,被配置成响应于检测到针对所呈现的答案选项的选择操作,基于所述目标患者标识、所述待问诊问题信息和所述选择操作所针对的答案选项生成针对所述目标患者标识的问诊答复请求,以及将所述问诊答复请求发送给所述服务器,以供所述服务器基于所述问诊答复请求确定是否继续问诊,以及响应于确定继续问诊从预设问诊问题信息集合中确定并返回当前待问诊问题信息。
24.根据权利要求23所述的装置,其中,所述装置还包括:
问诊请求发送单元,被配置成响应于检测到针对所述目标患者标识的问诊操作,生成并发送针对所述目标患者标识的问诊请求给所述服务器。
25.根据权利要求23所述的装置,其中,所述装置还包括:
诊断结果呈现单元,被配置成响响应于收到所述服务器发送的诊断结果信息,呈现所述诊断结果信息。
26.根据权利要求23所述的装置,其中,所述诊断结果信息包括预设N个疾病标识中至少一个疾病标识对应的确诊概率值或疑似概率值。
27.一种服务器,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1-9中任一所述的方法。
28.一种客户端,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10-13中任一所述的方法。
29.一种问诊系统,包括如权利要求27所述的服务器和至少一个如权利要求28所述的客户端。
30.一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1-13中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110574116.6A CN113360612A (zh) | 2021-05-25 | 2021-05-25 | 一种基于问诊请求的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 |
---|---|---|---|
CN202110574116.6A CN113360612A (zh) | 2021-05-25 | 2021-05-25 | 一种基于问诊请求的ai诊断方法、装置、存储介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360612A true CN113360612A (zh) | 2021-09-07 |
Family
ID=77527721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110574116.6A Pending CN113360612A (zh) | 2021-05-25 | 2021-05-25 | 一种基于问诊请求的ai诊断方法、装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360612A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105912846A (zh) * | 2016-04-07 | 2016-08-31 | 南京小网科技有限责任公司 | 基于云计算和医学知识库技术的智能医疗辅助决策系统 |
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 |
US20180239812A1 (en) * | 2015-07-28 | 2018-08-23 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for processing question-and-answer information, storage medium and device |
CN109545394A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种问诊方法及装置 |
-
2021
- 2021-05-25 CN CN202110574116.6A patent/CN113360612A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180239812A1 (en) * | 2015-07-28 | 2018-08-23 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for processing question-and-answer information, storage medium and device |
CN105912846A (zh) * | 2016-04-07 | 2016-08-31 | 南京小网科技有限责任公司 | 基于云计算和医学知识库技术的智能医疗辅助决策系统 |
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 |
CN109545394A (zh) * | 2018-11-21 | 2019-03-29 | 上海依智医疗技术有限公司 | 一种问诊方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937164B2 (en) | Medical evaluation machine learning workflows and processes | |
JP2020522817A (ja) | 意味分析方法、装置、および記憶媒体 | |
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 | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
US20230351204A1 (en) | Selecting a training dataset with which to train a model | |
JP2017504087A (ja) | コンピュータ化された臨床診断支援のための階層的自己学習システム | |
KR102326740B1 (ko) | 자동 기계학습을 통한 자동 진화형 플랫폼 구현 방법 및 장치 | |
EP3660741B1 (en) | Feature identification in medical imaging | |
CN113360611A (zh) | 基于检查结果的ai诊断方法、装置、存储介质和设备 | |
CN110704668B (zh) | 基于网格的协同注意力vqa方法和装置 | |
CN114330482A (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN111667029B (zh) | 一种聚类方法、装置、设备及存储介质 | |
CN112397195B (zh) | 用于生成体格检查模型的方法、装置、电子设备和介质 | |
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 | |
US20210027133A1 (en) | Diagnosis of Neural Network | |
US11308615B1 (en) | Systems and processes for improving medical diagnoses | |
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 | |
US20230197255A1 (en) | Methods and systems to identify collaborative communities from multiplex healthcare providers | |
Mairittha et al. | Crowdsourcing system management for activity data with mobile sensors | |
Chen | XAmI applications to telemedicine and telecare | |
CN112394924A (zh) | 用于生成提问模型的方法、装置、电子设备和介质 | |
JP2020190913A (ja) | 読影支援装置および読影支援方法 | |
WO2024117827A1 (ko) | 생체신호 분석 플랫폼의 운영 방법 및 시스템 | |
US20240145070A1 (en) | Encoded graphical modeling system and method for predicting and recommending a particular healthcare facility for those members or patients needing a particular medical procedure | |
US20240145084A1 (en) | Encoded graphical modeling system and method for matching patients or members needing a particular medical procedure or other health intervention with healthcare facilities or providers |
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 |