CN113436754A - 一种智能终端问诊的医疗软件及其方法 - Google Patents
一种智能终端问诊的医疗软件及其方法 Download PDFInfo
- Publication number
- CN113436754A CN113436754A CN202110762683.4A CN202110762683A CN113436754A CN 113436754 A CN113436754 A CN 113436754A CN 202110762683 A CN202110762683 A CN 202110762683A CN 113436754 A CN113436754 A CN 113436754A
- Authority
- CN
- China
- Prior art keywords
- entity
- disease
- user
- inquiry
- text
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 201000010099 disease Diseases 0.000 claims abstract description 155
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 155
- 238000011282 treatment Methods 0.000 claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000002787 reinforcement Effects 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 208000024891 symptom Diseases 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 235000013305 food Nutrition 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000003449 preventive effect Effects 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000011221 initial treatment Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011269 treatment regimen Methods 0.000 claims description 4
- 238000002560 therapeutic procedure Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种医疗智能问诊的技术领域,公开了一种智能终端问诊方法,包括:获取医疗领域文本数据,并对原始医疗领域文本数据进行数据清洗以及字符切分的数据处理;对医疗领域文本数据进行格式化处理,并建立医疗领域知识图谱;接收用户的问诊信息,利用实体特征提取算法提取问诊信息中的实体特征;利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户,实现智能终端问诊。本发明还提供了一种智能终端问诊医疗软件。本发明实现了智能终端问诊。
Description
技术领域
本发明涉及医疗智能问诊的技术领域,尤其涉及一种智能终端问诊的医疗软件及其方法。
背景技术
随着互联网技术的迅速发展,越来越多的在线医疗问诊网站得到患者的信任和依赖,患者通过在线问诊的方式将自身症状跟医生诉说,寻求专业的解答。
在现有智能问诊方法中,研究人员基于多种机器学习模型训练电子病历,通过调整模型结构得到更好的疾病诊断结果。然而,这些方法只关注了模型表现是否良好,忽略了实际应用中患者无法一次性准确地提供自诊断模型需要的信息。
鉴于此,如何实现一种交互式的智能问诊方法,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种智能终端问诊方法,通过建立医疗领域的知识图谱,与用户进行问答交互,并提取用户所上传的文本病历特征以及图像病历特征,利用结合强化学习算法的疾病诊断模型对用户所上传的病历特征进行诊断,将诊断结果以及对应的治疗建议发送给用户,实现智能终端问诊。
为实现上述目的,本发明提供的一种智能终端问诊方法,包括:
获取医疗领域文本数据,并对原始医疗领域文本数据进行数据清洗以及字符切分的数据处理;
对医疗领域文本数据进行格式化处理,并建立医疗领域知识图谱;
接收用户的问诊信息,利用实体特征提取算法提取问诊信息中的实体特征;
利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户,实现智能终端问诊。
可选地,所述对原始医疗领域文本数据进行数据清洗以及字符切分的数据处理,包括:
利用python爬虫脚本,调用urllib解析包对医疗网站进行解析,从医疗网站中抓取疾病的基本信息、易感人群、症状表现、传染方式、日常防护、并发疾病以及治疗方式等相关信息,并将所抓取的疾病信息数据以文本形式存储到数据库中,存储格式为{name:,symptom:,susceptible population:,infection way:,treatment:,…};
所述数据清洗以及字符切分处理流程为:
1)利用停用词表对原始医疗领域文本数据进行去停用词处理,所述停用词表数据包括语气词、介词、副词、连接词;
2)对于原始医疗领域文本数据中的网页html文本内容,利用xpath函数获取到html的href内容后,再次调用xpath函数对二级页面的class标签进行解析,并将网页html文本内容替换为二次解析内容;
3)将疾病的基本信息作为词典,对症状表现、并发疾病信息、治疗方式进行切分,初始化待切分字符串S1、切分字符串S2和每次取的最大字符串长度Max,判断S1是否为空,若为空,说明待切分字符串己完成切分,输出切分结果S2,若为非空,从S2左边开始取不大于Max长度的字符串L,查询词典,若L在词典中,则更新S2的值为原S2加上L和字符“/”,同时更新S1的值为S1减去L,开始新一轮判断S1是否为空;
若查词典L不在词典中,则将L最右边的一个字符去掉对L值进行更新,判断L是否为单字,再按上文方式更新S2和S1的值;若L不是单字,则再次判断更新后的L值是否为词典中的词,并反复循环迭代,直到最终输出切分好的字符串S2;
将原始文本替换为切分好的字符串文本。
可选地,所述对医疗领域文本数据进行格式化处理,并建立医疗领域知识图谱,包括:
将医疗领域文本数据以格式{‘数据标签’:‘数据内容’}进行存储,所述数据标签包括疾病名称、疾病简介、预防措施、易感人群、疾病症状、患病原因、检查项目、就诊科室、疾病传染性、治疗花费、治疗时长、并发疾病、推荐药品、推荐食品、禁吃食品、是否医保类疾病,在本发明一个具体实施例中,数据标签所对应的数据内容均从医疗领域文本数据中提取,即通过将数据标签与切分字符串文本进行匹配,根据匹配对应结果,截取符合数据标签的文本内容作为数据内容;
将数据标签分别定义为知识图谱中的实体类型、实体关系以及实体属性定义,其中实体类型标签包括疾病简介、药品、食物、症状、检查项目、就诊科室,实体关系标签包括:属于、疾病推荐药品、疾病推荐食品、疾病禁吃食品、疾病症状、疾病并发疾病,实体属性标签包括:疾病名称、患病原因、预防措施、疾病传染性、治疗花费、治疗市场、是否医保类疾病;
将格式化后的医疗领域文本数据导出为json文件,对单个疾病具有的标签属性数据进行遍历,当判断某一标签属性数据的数据内容为非空时,按照上述定义的知识图谱中的实体类型、实体关系以及实体属性,创建该标签属性数据对应的实体节点、实体关系或实体属性;对所有疾病进行遍历,得到所有的知识图谱;在本发明一个具体实施例中,本发明将知识图谱存储到Neo4j数据库中。
可选地,所述利用实体特征提取算法提取问诊信息中的实体特征,包括:
在本发明一个具体实施例中,所述图像信息包括用户上传的病历图像、病症图像等;并利用实体特征提取算法提取问诊信息中的实体特征,所述实体特征提取算法的流程为:
1)利用卷积神经网络对图像信息进行特征提取,得到图像信息的特征向量xp,利用word2vec算法将文本信息映射为文本特征向量xt;在本发明一个具体实施例中,所述卷积神经网络的结构包括输入层、卷积层、池化层以及全连接层,其中输入层将图像信息的尺寸统一调整为225*212像素,共有3层卷积层,卷积层1共有32个卷积核,卷积核大小为11*12像素,卷积层2共有64个卷积核,卷积核大小为5*5像素,卷积层3共有128个卷积核,卷积核大小为3*3像素,在卷积层2后具有一个池化层,池化层对卷积后的图像特征图进行下采样,池化层窗口大小为3,步长为2,全连接层将卷积层3卷积处理后特征图展开为一维特征;
2)利用基于注意力机制的文本实体特征提取算法提取文本信息的实体特征xta:
wt=softmax(e)
其中:
h表示文本信息的序列步长;
e表示xt中h个序列步长的得分;
w为训练权重参数,b为训练偏置参数;
wt表示xt中每个序列步长的注意力大小;
3)对于用户的每一句问诊信息,提取对应的图像特征向量xp或文本实体特征xta,将提取到的图像特征向量xp或文本实体特征xta与知识图谱中疾病实体对应的实体关系以及实体属性进行匹配,根据匹配结果,实时地选取对应的回答信息进行问诊回答;
4)对本次用户问诊的所有文本实体特征x'ta和图像特征向量x'p进行级联融合,得到融合特征xf=[x'ta,x'p],计算融合特征的权重wf:
wf=sigmoid[ReLU(w1xf)]
其中:
w1表示训练权重参数;
根据融合特征权重,对卷积神经网络中的多个特征图进行加权:
其中:
s={s1,s2,…]表示卷积神经网络中初始特征图集合;
sa表示加权后的特征图集合;
将卷积神经网络中不同层的特征图修改为加权后的特征图,并输出融合了文本实体特征的图像实体特征,将所述融合文本实体特征的图像实体特征作为用户问诊信息的实体特征。
可选地,所述利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,包括:
1)初始化治疗建议动作集合A={a0,a1,…},用户状态集S={s0,s1,…},初始集合均为空;
2)从用户信息中的实体特征中提取用户当前状态特征,并更新用户初始状态s0={a0,d0},其中a0表示初始治疗步骤,其值为空,d0表示用户当前患病情况,d0=0~1,当d0为0表示用户此时为健康状态,当d0越接近1说明用户的疾病越严重;
3)从用户信息中的实体特征中提取用户的疾病特征F={f0,f1,…,fi,…},其中fi表示用户具有的第i种疾病症状,将用户的疾病特征F与知识图谱中不同疾病的疾病特征进行匹配,得到对应疾病的治疗方案,并将治疗方案导入治疗建议动作集合A={a1,a2,…,ai,…},其中ai表示治疗方案中的第i个步骤;
4)计算采取治疗步骤ak后用户的状态sk={ak,dk},并将该步骤存储为Q(sk,t),其中Q(sk,t)表示在第t步采用治疗步骤ak的收益值,即在采用治疗步骤ak后,若用户当前患病情况dk下降,则Q(sk,t)相较于Q(sj,t-1)会增加,其中Q(sj,t-1)表示在t-1步采用治疗步骤aj的收益值,收益值的更新公式为:
Q(sk,t)=Q(sj,t-1)+r|Q(sj,t-1)-Q(sj,t)|,if dk<dj
其中:
r表示收益因子,将其设置为1.2;
5)遍历治疗步骤,选取最终收益值最大的治疗步骤序列作为治疗建议;
将用户当前的患病情况以及治疗建议发送给用户,实现智能终端问诊。
此外,为实现上述目的,本发明还提供一种智能终端问诊医疗软件,所述医疗软件包括:
智能问诊终端,用于接收用户问诊信息;
数据处理器,用于利用实体特征提取算法提取问诊信息中的实体特征;
智能问诊装置,用于利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有智能问诊程序指令,所述智能问诊程序指令可被一个或者多个处理器执行,以实现如上所述的智能终端问诊的实现方法的步骤。
相对于现有技术,本发明提出一种智能终端问诊方法,该技术具有以下优势:
首先,传统智能终端问诊方法只能根据用户的问诊问题文本,利用结合知识图谱的问答模型实现智能问诊,本发明提出一种能根据用户的问诊文本和问诊图像进行智能问诊的方法,通过利用卷积神经网络对图像信息进行特征提取,得到图像信息的特征向量xp,利用word2vec算法将文本信息映射为文本特征向量xt;利用基于注意力机制的文本实体特征提取算法提取文本信息的实体特征xta:
wt=softmax(e)
其中:h表示文本信息的序列步长;e表示xt中h个序列步长的得分;w为训练权重参数,b为训练偏置参数;表示文本特征向量xt的转置;wt表示xt中每个序列步长的注意力大小;对于用户的每一句问诊信息,提取对应的图像特征向量xp或文本实体特征xta,将提取到的图像特征向量xp或文本实体特征xta与知识图谱中疾病实体对应的实体关系以及实体属性进行匹配,根据匹配结果,实时地选取对应的回答信息进行问诊回答,相较于传统技术,本发明同样能实现用户问诊的实时应答,同时本发明对本次用户问诊的所有文本实体特征x′ta和图像特征向量x′p进行级联融合,得到融合特征xf=[x′ta,x′p],计算融合特征的权重wf:
wf=sigmoid[ReLU(w1xf)]
其中:w1表示训练权重参数,根据融合特征权重,对卷积神经网络中的多个特征图进行加权:
其中:s={s1,s2,…]表示卷积神经网络中初始特征图集合;sa表示加权后的特征图集合,通过将卷积神经网络中不同层的特征图修改为加权后的特征图,并输出融合了文本实体特征的图像实体特征,将所述融合文本实体特征的图像实体特征作为用户问诊信息的实体特征,所述用户问诊信息的实体特征综合了用户历史的所有问诊文本信息和问诊图像信息,同时相较于问诊文本信息,问诊图像信息包含了更多用户所不了解的疾病内容和疾病症状,从而根据用户自身所了解的疾病症状和用户未知的疾病症状,确定更为准确的疾病特征,利用结合强化学习算法的疾病诊断模型对疾病进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户,实现更为准确的智能终端问诊。
同时,本发明提出一种结合强化学习算法的疾病诊断模型对用户信息中的实体特征进行疾病诊断,初始化治疗步骤集合A={a0,a1,…},用户状态集S={s0,s1,…},初始集合均为空,从用户信息中的实体特征中提取用户当前状态特征,并更新用户初始状态s0={a0,d0},其中a0表示初始治疗步骤,其值为空,d0表示用户当前患病情况,d0=0~1,当d0为0表示用户此时为健康状态,当d0越接近1说明用户的疾病越严重;从用户信息中的实体特征中提取用户的疾病特征F={f0,f1,…,fi,…},其中fi表示用户具有的第i种疾病症状,将用户的疾病特征F与知识图谱中不同疾病的疾病特征进行匹配,得到对应疾病的治疗方案,并将治疗方案导入治疗建议动作集合A={a1,a2,…,ai,…},其中ai表示治疗方案中的第i个步骤;计算采取治疗步骤ak后用户的状态sk={ak,dk},并将该步骤存储为Q(sk,t),其中Q(sk,t)表示在第t步采用治疗步骤ak的收益值,即在采用治疗步骤ak后,若用户当前患病情况dk下降,则Q(sk,t)相较于Q(sj,t-1)会增加,其中Q(sj,t-1)表示在t-1步采用治疗步骤aj的收益值,收益值的更新公式为:
Q(sk,t)=Q(sj,t-1)+r|Q(sj,t-1)-Q(sj,t)|,if dk<dj其中:r表示收益因子,只有当第t步采用治疗步骤ak后,用户的健康状态比在t-1步采用治疗步骤aj的健康状态好时,才会进行收益值的更新;遍历治疗步骤,选取最终收益值最大的治疗步骤序列作为治疗建议,相较于传统技术直接采用知识图谱中的治疗方案作为治疗建议,本发明对治疗方案的步骤进行分解重组处理,根据用户当前的健康状态,选取最为合适的治疗步骤进行治疗;将用户当前的患病情况以及治疗建议发送给用户,实现智能终端问诊。
附图说明
图1为本发明一实施例提供的一种智能终端问诊方法的流程示意图;
图2为本发明一实施例提供的一种智能终端问诊医疗软件的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
通过建立医疗领域的知识图谱,与用户进行问答交互,并提取用户所上传的文本病历特征以及图像病历特征,利用结合强化学习算法的疾病诊断模型对用户所上传的病历特征进行诊断,将诊断结果以及对应的治疗建议发送给用户,实现智能终端问诊。参照图1所示,为本发明一实施例提供的智能终端问诊方法示意图。
在本实施例中,智能终端问诊方法包括:
S1、获取医疗领域文本数据,并对原始医疗领域文本数据进行数据清洗以及字符切分的数据处理。
首先,本发明获取医疗领域文本数据,在本发明一个具体实施例中,本发明利用python爬虫脚本,调用urllib解析包对医疗网站进行解析,从医疗网站中抓取疾病的基本信息、易感人群、症状表现、传染方式、日常防护、并发疾病以及治疗方式等相关信息,并将所抓取的疾病信息数据以文本形式存储到数据库中,存储格式为{name:,symptom:,susceptible population:,infection way:,treatment:,…};
进一步地,本发明对所获取的原始医疗领域文本数据进行数据清洗以及字符切分处理,所述数据清洗以及字符切分处理流程为:
1)利用停用词表对原始医疗领域文本数据进行去停用词处理,所述停用词表数据包括语气词、介词、副词、连接词;
2)对于原始医疗领域文本数据中的网页html文本内容,利用xpath函数获取到html的href内容后,再次调用xpath函数对二级页面的class标签进行解析,并将网页html文本内容替换为二次解析内容;
3)将疾病的基本信息作为词典,对症状表现、并发疾病信息、治疗方式进行切分,初始化待切分字符串S1、切分字符串S2和每次取的最大字符串长度Max,判断S1是否为空,若为空,说明待切分字符串己完成切分,输出切分结果S2,若为非空,从S2左边开始取不大于Max长度的字符串L,查询词典,若L在词典中,则更新S2的值为原S2加上L和字符“/”,同时更新S1的值为S1减去L,开始新一轮判断S1是否为空;
若查词典L不在词典中,则将L最右边的一个字符去掉对L值进行更新,判断L是否为单字,再按上文方式更新S2和S1的值;若L不是单字,则再次判断更新后的L值是否为词典中的词,并反复循环迭代,直到最终输出切分好的字符串S2;
将原始文本替换为切分好的字符串文本。
S2、对医疗领域文本数据进行格式化处理,并建立医疗领域知识图谱。
进一步地,本发明对医疗领域文本数据进行格式化处理,将医疗领域文本数据以格式{‘数据标签’:‘数据内容’}进行存储,所述数据标签包括疾病名称、疾病简介、预防措施、易感人群、疾病症状、患病原因、检查项目、就诊科室、疾病传染性、治疗花费、治疗时长、并发疾病、推荐药品、推荐食品、禁吃食品、是否医保类疾病,在本发明一个具体实施例中,数据标签所对应的数据内容均从医疗领域文本数据中提取,即通过将数据标签与切分字符串文本进行匹配,根据匹配对应结果,截取符合数据标签的文本内容作为数据内容;
根据格式化后的医疗领域文本数据,本发明建立医疗领域知识图谱,所述医疗领域知识图谱的建立流程为:
将数据标签分别定义为知识图谱中的实体类型、实体关系以及实体属性定义,其中实体类型标签包括疾病简介、药品、食物、症状、检查项目、就诊科室,实体关系标签包括:属于、疾病推荐药品、疾病推荐食品、疾病禁吃食品、疾病症状、疾病并发疾病,实体属性标签包括:疾病名称、患病原因、预防措施、疾病传染性、治疗花费、治疗市场、是否医保类疾病;
将格式化后的医疗领域文本数据导出为json文件,对单个疾病具有的标签属性数据进行遍历,当判断某一标签属性数据的数据内容为非空时,按照上述定义的知识图谱中的实体类型、实体关系以及实体属性,创建该标签属性数据对应的实体节点、实体关系或实体属性;对所有疾病进行遍历,得到所有的知识图谱;在本发明一个具体实施例中,本发明将知识图谱存储到Neo4j数据库中。
S3、接收用户的问诊信息,利用实体特征提取算法提取问诊信息中的实体特征。
进一步地,本发明接收用户的问诊信息,在本发明一个具体实施例中,所述用户的问诊信息分为文本信息和图像信息,在本发明一个具体实施例中,所述图像信息包括用户上传的病历图像、病症图像等;并利用实体特征提取算法提取问诊信息中的实体特征,所述实体特征提取算法的流程为:
1)利用卷积神经网络对图像信息进行特征提取,得到图像信息的特征向量xp,利用word2vec算法将文本信息映射为文本特征向量xt;在本发明一个具体实施例中,所述卷积神经网络的结构包括输入层、卷积层、池化层以及全连接层,其中输入层将图像信息的尺寸统一调整为225*212像素,共有3层卷积层,卷积层1共有32个卷积核,卷积核大小为11*12像素,卷积层2共有64个卷积核,卷积核大小为5*5像素,卷积层3共有128个卷积核,卷积核大小为3*3像素,在卷积层2后具有一个池化层,池化层对卷积后的图像特征图进行下采样,池化层窗口大小为3,步长为2,全连接层将卷积层3卷积处理后特征图展开为一维特征;
2)利用基于注意力机制的文本实体特征提取算法提取文本信息的实体特征xta:
wt=softmax(e)
其中:
h表示文本信息的序列步长;
e表示xt中h个序列步长的得分;
w为训练权重参数,b为训练偏置参数;
wt表示xt中每个序列步长的注意力大小;
3)对于用户的每一句问诊信息,提取对应的图像特征向量xp或文本实体特征xta,将提取到的图像特征向量xp或文本实体特征xta与知识图谱中疾病实体对应的实体关系以及实体属性进行匹配,根据匹配结果,实时地选取对应的回答信息进行问诊回答;
4)对本次用户问诊的所有文本实体特征x′ta和图像特征向量x′p进行级联融合,得到融合特征xf=[x′ta,x'p],计算融合特征的权重wf:
wf=sigmoid[ReLU(w1xf)]
其中:
w1表示训练权重参数;
根据融合特征权重,对卷积神经网络中的多个特征图进行加权:
其中:
s={s1,s2,…]表示卷积神经网络中初始特征图集合;
sa表示加权后的特征图集合;
将卷积神经网络中不同层的特征图修改为加权后的特征图,并输出融合了文本实体特征的图像实体特征,将所述融合文本实体特征的图像实体特征作为用户问诊信息的实体特征。
S4、利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户,实现智能终端问诊。
进一步地,本发明利用结合强化学习算法的疾病诊断模型对用户信息中的实体特征进行疾病诊断,所述进行疾病诊断的流程为:
1)初始化治疗建议动作集合A={a0,a1,…},用户状态集S={s0,s1,…},初始集合均为空;
2)从用户信息中的实体特征中提取用户当前状态特征,并更新用户初始状态s0={a0,d0},其中a0表示初始治疗步骤,其值为空,d0表示用户当前患病情况,d0=0~1,当d0为0表示用户此时为健康状态,当d0越接近1说明用户的疾病越严重;
3)从用户信息中的实体特征中提取用户的疾病特征F={f0,f1,…,fi,…},其中fi表示用户具有的第i种疾病症状,将用户的疾病特征F与知识图谱中不同疾病的疾病特征进行匹配,得到对应疾病的治疗方案,并将治疗方案导入治疗建议动作集合A={a1,a2,…,ai,…},其中ai表示治疗方案中的第i个步骤;
4)计算采取治疗步骤ak后用户的状态sk={ak,dk},并将该步骤存储为Q(sk,t),其中Q(sk,t)表示在第t步采用治疗步骤ak的收益值,即在采用治疗步骤ak后,若用户当前患病情况dk下降,则Q(sk,t)相较于Q(sj,t-1)会增加,其中Q(sj,t-1)表示在t-1步采用治疗步骤aj的收益值,收益值的更新公式为:
Q(sk,t)=Q(sj,t-1)+r|Q(sj,t-1)-Q(sj,t)|,if dk<dj
其中:
r表示收益因子,将其设置为1.2;
5)遍历治疗步骤,选取最终收益值最大的治疗步骤序列作为治疗建议;
将用户当前的患病情况以及治疗建议发送给用户,实现智能终端问诊。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境为:Inter(R)Core(TM)i7-6700K CPU,软件为Matlab2018b;对比方法为基于知识图谱的智能终端问诊方法以及基于CNN的智能终端问诊方法。
在本发明所述算法实验中,数据集为10T的用户问诊信息。本实验通过将用户问诊信息输入到算法模型中,将问诊的准确率作为算法可行性的评价指标,其中问诊的准确率越高,则说明算法的有效性、可行性越高。
根据实验结果,基于知识图谱的智能终端问诊方法的问诊准确率为85.31%,基于CNN的智能终端问诊方法的问诊准确率为84.12%,本发明所述方法的问诊准确率为88.92%,相较于对比算法,本发明所提出的智能终端问诊方法能够实现更有效的智能医疗问诊。
发明还提供一种智能终端问诊医疗软件。参照图2所示,为本发明一实施例提供的智能终端问诊医疗软件的内部结构示意图。
在本实施例中,所述智能终端问诊医疗软件1至少包括智能问诊终端11、数据处理器12、智能问诊装置13以及通信总线14。
其中,智能问诊终端11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备。
数据处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是智能终端问诊医疗软件1的内部存储单元,例如该智能终端问诊医疗软件1的硬盘。数据处理器12在另一些实施例中也可以是智能终端问诊医疗软件1的外部存储设备,例如智能终端问诊医疗软件1上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,数据处理器12还可以既包括智能终端问诊医疗软件1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于智能终端问诊医疗软件1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
智能问诊装置13用于运行数据处理器12中存储的程序代码或处理数据,例如智能问诊程序指令15等。
通信总线14用于实现这些组件之间的连接通信。
图2仅示出了具有组件11-15以及智能终端问诊医疗软件1,本领域技术人员可以理解的是,图1示出的结构并不构成对智能终端问诊医疗软件1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的智能终端问诊医疗软件1实施例中,数据处理器12中存储有智能问诊程序指令15;智能问诊装置13执行数据处理器12中存储的·的步骤,与智能终端问诊方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有智能问诊程序指令,所述智能问诊程序指令可被一个或多个处理器执行,以实现如下操作:
获取医疗领域文本数据,并对原始医疗领域文本数据进行数据清洗以及字符切分的数据处理;
对医疗领域文本数据进行格式化处理,并建立医疗领域知识图谱;
接收用户的问诊信息,利用实体特征提取算法提取问诊信息中的实体特征;
利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户,实现智能终端问诊。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种智能终端问诊方法,其特征在于,所述方法包括:
获取医疗领域文本数据,并对原始医疗领域文本数据进行数据清洗以及字符切分的数据处理;
对医疗领域文本数据进行格式化处理,并建立医疗领域知识图谱;
接收用户的问诊信息,利用实体特征提取算法提取问诊信息中的实体特征;
利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户,实现智能终端问诊。
2.如权利要求1所述的一种智能终端问诊方法,其特征在于,所述对原始医疗领域文本数据进行数据清洗以及字符切分的数据处理,包括:
所述数据清洗以及字符切分处理流程为:
1)利用停用词表对原始医疗领域文本数据进行去停用词处理,所述停用词表数据包括语气词、介词、副词、连接词;
2)对于原始医疗领域文本数据中的网页html文本内容,利用xpath函数获取到html的href内容后,再次调用xpath函数对二级页面的class标签进行解析,并将网页html文本内容替换为二次解析内容;
3)将疾病的基本信息作为词典,对症状表现、并发疾病信息、治疗方式进行切分,初始化待切分字符串S1、切分字符串S2和每次取的最大字符串长度Max,判断S1是否为空,若为空,说明待切分字符串己完成切分,输出切分结果S2,若为非空,从S2左边开始取不大于Max长度的字符串L,查询词典,若L在词典中,则更新S2的值为原S2加上L和字符“/”,同时更新S1的值为S1减去L,开始新一轮判断S1是否为空;
若查词典L不在词典中,则将L最右边的一个字符去掉对L值进行更新,判断L是否为单字,再按上文方式更新S2和S1的值;若L不是单字,则再次判断更新后的L值是否为词典中的词,并反复循环迭代,直到最终输出切分好的字符串S2;
将原始文本替换为切分好的字符串文本。
3.如权利要求2所述的一种智能终端问诊方法,其特征在于,所述对医疗领域文本数据进行格式化处理,包括:
将医疗领域文本数据以格式{‘数据标签’:‘数据内容’}进行存储,所述数据标签包括疾病名称、疾病简介、预防措施、易感人群、疾病症状、患病原因、检查项目、就诊科室、疾病传染性、治疗花费、治疗时长、并发疾病、推荐药品、推荐食品、禁吃食品、是否医保类疾病。
4.如权利要求3所述的一种智能终端问诊方法,其特征在于,所述建立医疗领域知识图谱,包括:
将数据标签分别定义为知识图谱中的实体类型、实体关系以及实体属性定义,其中实体类型标签包括疾病简介、药品、食物、症状、检查项目、就诊科室,实体关系标签包括:属于、疾病推荐药品、疾病推荐食品、疾病禁吃食品、疾病症状、疾病并发疾病,实体属性标签包括:疾病名称、患病原因、预防措施、疾病传染性、治疗花费、治疗市场、是否医保类疾病;
将格式化后的医疗领域文本数据导出为json文件,对单个疾病具有的标签属性数据进行遍历,当判断某一标签属性数据的数据内容为非空时,按照上述定义的知识图谱中的实体类型、实体关系以及实体属性,创建该标签属性数据对应的实体节点、实体关系或实体属性;对所有疾病进行遍历,得到所有的知识图谱。
5.如权利要求4所述的一种智能终端问诊方法,其特征在于,所述利用实体特征提取算法提取问诊信息中的实体特征,包括:
在本发明一个具体实施例中,所述图像信息包括用户上传的病历图像、病症图像等;并利用实体特征提取算法提取问诊信息中的实体特征,所述实体特征提取算法的流程为:
1)利用卷积神经网络对图像信息进行特征提取,得到图像信息的特征向量xp,利用word2vec算法将文本信息映射为文本特征向量xt;
2)利用基于注意力机制的文本实体特征提取算法提取文本信息的实体特征xta:
wt=softmax(e)
其中:
h表示文本信息的序列步长;
e表示xt中h个序列步长的得分;
w为训练权重参数,b为训练偏置参数;
wt表示xt中每个序列步长的注意力大小;
3)对于用户的每一句问诊信息,提取对应的图像特征向量xp或文本实体特征xta,将提取到的图像特征向量xp或文本实体特征xta与知识图谱中疾病实体对应的实体关系以及实体属性进行匹配,根据匹配结果,实时地选取对应的回答信息进行问诊回答;
4)对本次用户问诊的所有文本实体特征x′ta和图像特征向量x′p进行级联融合,得到融合特征xf=[x′ta,x′p],计算融合特征的权重wf:
wf=sigmoid[ReLU(w1xf)]
其中:
w1表示训练权重参数;
根据融合特征权重,对卷积神经网络中的多个特征图进行加权:
其中:
s={s1,s2,...]表示卷积神经网络中初始特征图集合;
sa表示加权后的特征图集合;
将卷积神经网络中不同层的特征图修改为加权后的特征图,并输出融合了文本实体特征的图像实体特征,将所述融合文本实体特征的图像实体特征作为用户问诊信息的实体特征。
6.如权利要求5所述的一种智能终端问诊方法,其特征在于,所述利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,包括:
1)初始化治疗建议动作集合A={a0,a1,...},用户状态集S={s0,s1,...},初始集合均为空;
2)从用户信息中的实体特征中提取用户当前状态特征,并更新用户初始状态s0={a0,d0},其中a0表示初始治疗步骤,其值为空,d0表示用户当前患病情况,d0=0~1,当d0为0表示用户此时为健康状态,当d0越接近1说明用户的疾病越严重;
3)从用户信息中的实体特征中提取用户的疾病特征F={f0,f1,...,fi,...},其中fi表示用户具有的第i种疾病症状,将用户的疾病特征F与知识图谱中不同疾病的疾病特征进行匹配,得到对应疾病的治疗方案,并将治疗方案导入治疗建议动作集合A={a1,a2,...,ai,...},其中ai表示治疗方案中的第i个步骤;
4)计算采取治疗步骤ak后用户的状态sk={ak,dk},并将该步骤存储为Q(sk,t),其中Q(sk,t)表示在第t步采用治疗步骤ak的收益值,即在采用治疗步骤ak后,若用户当前患病情况dk下降,则Q(sk,t)相较于Q(sj,t-1)会增加,其中Q(sj,t-1)表示在t-1步采用治疗步骤aj的收益值,收益值的更新公式为:
Q(sk,t)=Q(sj,t-1)+r|Q(sj,t-1)-Q(sj,t)|,if dk<dj
其中:
r表示收益因子,将其设置为1.2;
5)遍历治疗步骤,选取最终收益值最大的治疗步骤序列作为治疗建议;
将用户当前的患病情况以及治疗建议发送给用户,实现智能终端问诊。
7.一种智能终端问诊医疗软件,其特征在于,所述医疗软件包括:
智能问诊终端,用于接收用户问诊信息;
数据处理器,用于利用实体特征提取算法提取问诊信息中的实体特征;
智能问诊装置,用于利用结合强化学习算法的疾病诊断模型对用户问诊信息中的实体特征进行疾病诊断,根据知识图谱中疾病实体对应的实体关系和实体属性,将诊断结果以及对应的治疗建议发送给用户。
8.种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有智能问诊程序指令,所述智能问诊程序指令可被一个或者多个处理器执行,以实现如上所述的智能终端问诊的实现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762683.4A CN113436754B (zh) | 2021-07-06 | 一种智能终端问诊的医疗软件及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110762683.4A CN113436754B (zh) | 2021-07-06 | 一种智能终端问诊的医疗软件及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436754A true CN113436754A (zh) | 2021-09-24 |
CN113436754B CN113436754B (zh) | 2024-06-07 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115831356A (zh) * | 2023-02-20 | 2023-03-21 | 中国海洋大学 | 一种基于人工智能算法的辅助预测诊断方法 |
CN116779137A (zh) * | 2023-04-27 | 2023-09-19 | 南京中医药大学 | 一种基于医疗知识图谱的数据处理方法及系统 |
CN117012374A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 一种融合事件图谱和深度强化学习的医疗随访系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180350459A1 (en) * | 2017-06-05 | 2018-12-06 | University Of Florida Research Foundation, Inc. | Methods and apparatuses for implementing a semantically and visually interpretable medical diagnosis network |
US20190117088A1 (en) * | 2017-10-25 | 2019-04-25 | Terumo Kabushiki Kaisha | Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method |
CN111415740A (zh) * | 2020-02-12 | 2020-07-14 | 东北大学 | 问诊信息的处理方法、装置、存储介质及计算机设备 |
CN111709233A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 基于多注意力卷积神经网络的智能导诊方法及系统 |
CN111813957A (zh) * | 2020-07-14 | 2020-10-23 | 深圳中兴网信科技有限公司 | 基于知识图谱的医疗导诊方法和可读存储介质 |
KR102189373B1 (ko) * | 2019-08-14 | 2020-12-11 | 민 정 고 | 이미지 및 텍스트를 생성하는 장치 및 방법 |
CN112349409A (zh) * | 2020-10-22 | 2021-02-09 | 魏忠钰 | 一种疾病类型预测方法、装置、设备及系统 |
CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、系统、设备及介质 |
US20220223293A1 (en) * | 2019-06-02 | 2022-07-14 | Predicta Med Ltd | A method of evaluating autoimmune disease risk and treatment selection |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180350459A1 (en) * | 2017-06-05 | 2018-12-06 | University Of Florida Research Foundation, Inc. | Methods and apparatuses for implementing a semantically and visually interpretable medical diagnosis network |
US20190117088A1 (en) * | 2017-10-25 | 2019-04-25 | Terumo Kabushiki Kaisha | Diagnostic Method, Method for Validation of Diagnostic Method, and Treatment Method |
US20220223293A1 (en) * | 2019-06-02 | 2022-07-14 | Predicta Med Ltd | A method of evaluating autoimmune disease risk and treatment selection |
KR102189373B1 (ko) * | 2019-08-14 | 2020-12-11 | 민 정 고 | 이미지 및 텍스트를 생성하는 장치 및 방법 |
CN111415740A (zh) * | 2020-02-12 | 2020-07-14 | 东北大学 | 问诊信息的处理方法、装置、存储介质及计算机设备 |
CN111709233A (zh) * | 2020-05-27 | 2020-09-25 | 西安交通大学 | 基于多注意力卷积神经网络的智能导诊方法及系统 |
CN111813957A (zh) * | 2020-07-14 | 2020-10-23 | 深圳中兴网信科技有限公司 | 基于知识图谱的医疗导诊方法和可读存储介质 |
CN112349409A (zh) * | 2020-10-22 | 2021-02-09 | 魏忠钰 | 一种疾病类型预测方法、装置、设备及系统 |
CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
陈敏编著: "《人工智能通信理论与算法》", 31 January 2020, pages: 320 - 327 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115831356A (zh) * | 2023-02-20 | 2023-03-21 | 中国海洋大学 | 一种基于人工智能算法的辅助预测诊断方法 |
CN115831356B (zh) * | 2023-02-20 | 2024-02-27 | 中国海洋大学 | 一种基于人工智能算法的辅助预测诊断方法 |
CN116779137A (zh) * | 2023-04-27 | 2023-09-19 | 南京中医药大学 | 一种基于医疗知识图谱的数据处理方法及系统 |
CN117012374A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 一种融合事件图谱和深度强化学习的医疗随访系统及方法 |
CN117012374B (zh) * | 2023-10-07 | 2024-01-26 | 之江实验室 | 一种融合事件图谱和深度强化学习的医疗随访系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697285B (zh) | 增强语义表示的层次BiLSTM中文电子病历疾病编码标注方法 | |
CN111709233B (zh) | 基于多注意力卷积神经网络的智能导诊方法及系统 | |
CN109637669B (zh) | 基于深度学习的治疗方案的生成方法、装置及存储介质 | |
CN111538894B (zh) | 查询反馈方法、装置、计算机设备及存储介质 | |
CN110069779B (zh) | 医疗文本的症状实体识别方法及相关装置 | |
CN109522557A (zh) | 文本关系抽取模型的训练方法、装置及可读存储介质 | |
CN113241135A (zh) | 一种基于多模态融合的疾病风险预测方法和系统 | |
CN110472229A (zh) | 序列标注模型训练方法、电子病历处理方法及相关装置 | |
US11915127B2 (en) | Prediction of healthcare outcomes and recommendation of interventions using deep learning | |
Egger et al. | Deep learning—a first meta-survey of selected reviews across scientific disciplines, their commonalities, challenges and research impact | |
CN111666477A (zh) | 一种数据处理方法、装置、智能设备及介质 | |
CN111259111B (zh) | 基于病历的辅助决策方法、装置、电子设备和存储介质 | |
CN113707307A (zh) | 病情分析方法、装置、电子设备及存储介质 | |
CN114512228A (zh) | 一种中医疾病辅助诊断系统、设备及存储介质 | |
CN113764112A (zh) | 一种在线医疗问答方法 | |
CN113409907A (zh) | 一种基于互联网医院的智能预问诊方法及系统 | |
CN112201359A (zh) | 基于人工智能的重症问诊数据识别方法及装置 | |
CN112035627B (zh) | 自动问答方法、装置、设备及存储介质 | |
CN115374788B (zh) | 农业病虫害文本命名实体的方法及装置 | |
CN116522282A (zh) | 一种基于bold信号的注意缺陷与多动障碍检测方法 | |
CN113436754B (zh) | 一种智能终端问诊的医疗软件及其方法 | |
CN116030944A (zh) | 一种医疗咨询信息的推荐方法及系统 | |
CN113436754A (zh) | 一种智能终端问诊的医疗软件及其方法 | |
CN113656589B (zh) | 对象属性确定方法、装置、计算机设备及存储介质 | |
Malgieri | Ontologies, Machine Learning and Deep Learning in Obstetrics |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240509 Address after: No. 4 Beiguwan Road, Jingkou District, Zhenjiang City, Jiangsu Province, 212000 Applicant after: JIANGSU YEYU INTELLIGENT TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 510630 room 1304, 19 / F, Jinxing building, No. 1, Hanjing Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Wu Guojun Country or region before: China |
|
GR01 | Patent grant |