具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请提供以下实施例,下面对各实施例进行具体说明。
请参阅图1,图1是本申请问诊推荐方法第一实施例的流程示意图。该方法可以包括以下步骤:
S11:基于问诊目标的问诊症状信息,获取问诊目标的疾病信息。
在问诊目标进行问诊的过程中,以症状为出发点,与问诊目标进行交互,采集问诊目标对病情的症状的描述信息,获取问诊目标的问诊症状信息。问诊目标在一步交互过程中对症状的描述信息中可能存在多个症状,因此,可以识别出主症状,在下一步的交互过程中,可以围绕主症状进行问诊,使得随着采集得到的问诊症状信息的丰富,主症状可能也可能发生相应的变化,获取问诊目标的更全面的问诊症状信息。
可以基于问诊目标的问诊症状信息,获取问诊目标的疾病信息。例如利用问诊目标的问诊症状信息,对问诊目标的当前的病情进行判断,判断当前问诊症状信息可能的疾病等。其中,问诊目标的疾病信息可以包括病历信息、症状结构信息、疾病簇信息、症状字典信息中的至少一种。
S12:获取问诊目标的疾病信息的编码特征信息。
基于获取问诊目标的疾病信息,也即是病历信息、症状结构信息、疾病簇信息、症状字典信息,获取问诊目标的疾病信息中病历信息、症状结构信息、疾病簇信息、症状字典信息各自的编码特征信息。
在一些实施方式中,可以采用深度学习编码技术,对问诊目标的疾病信息中的病历信息、症状结构信息、疾病簇信息、症状字典信息分别进行编码,从而得到疾病信息对应的编码特征信息。
S13:利用编码特征信息,确定问诊目标的问诊路径。
利用疾病信息对应的编码特征信息,确定问诊目标的问诊路径,其中,问诊路径可以是问诊目标的下一步的问诊路径。可以通过解码网络对编码特征信息进行解码,根据疾病判断获取疾病的专家知识,限定编码特征信息的解码空间,确定问诊目标下一步可能的问诊路径,并将该问诊路径作为推荐问诊路径,以使得问诊目标按照推荐的问诊路径进行问诊。
本实施例中,基于问诊目标的问诊症状信息,获取问诊目标的疾病信息,获取问诊目标的疾病信息的编码特征信息,利用编码特征信息,确定问诊目标的问诊路径,由于基于问诊目标的问诊症状信息获取疾病信息,及对应的编码特征信息,利用编码特征信息能够更准确地确定问诊目标的问诊路径,从而提升问诊目标的问诊效率。
在一些实施例中,请参阅图2,上述步骤S11中,基于问诊目标的问诊症状信息,获取问诊目标的疾病信息,可以包括以下步骤:
S111:获取问诊目标的问诊症状信息,利用问诊症状信息生成问诊目标的病历信息、症状结构信息。
上述步骤S11中,问诊目标的疾病信息包括病历信息、症状结构信息、疾病簇信息、症状字典信息中的至少一种。可以基于问诊症状信息,分别获取问诊目标的病历信息、症状结构信息、疾病簇信息、症状字典信息中的至少一种。在步骤S11中,本申请对步骤S111至步骤S113的执行顺序及执行的步骤不做限制。
在一些实施方式中,在获取问诊目标的问诊症状信息时,问诊目标可以选择问诊模式,例如问诊模式可以包括点选模式或交互模式等,可以通过问诊模式获取问诊目标的问诊症状信息,也可以多种问诊模式结合进行问诊获取问诊目标的问诊症状信息。
在点选模式下,可以显示关于病情问诊可能出现的症状,问诊目标在进行问诊的过程中,可对显示的症状进行选择。可以基于问诊目标在点选模式下选择的症状,得到问诊症状信息。
在交互模式下,可以利用机器与问诊目标进行交互,获取问诊目标关于症状描述的交互记录,获取问诊目标在交互模式下输入的关于症状的交互记录,记录可以是对症状描述的语音信息或文本信息,可以基于关于症状的交互记录确定问诊症状信息。
可以利用问诊症状信息生成问诊目标的病历信息、症状结构信息。例如可以对问诊症状信息进行结构化,以得到症状结构信息。其中,可以利用下表1对问诊症状信息、症状结构信息、主症状等进行表示。
表1病历对照表
具体地,可以对当前获取的问诊目标的问诊症状信息进行结构化处理,以得到问诊症状信息对应的症状结构信息。例如问诊症状信息为“患者自述咳嗽3天”,可以将其结构化为症状结构信息“咳嗽—3天”等。
在一些实施方式中,在问诊症状信息对应的症状结构信息中可以包括症状的性质、时间、程度等信息,例如问诊症状信息为“患者自述咳嗽3天,偶尔有浓痰,有痰咳不出等,伴泡沫痰”,可以将其结构化为症状结构信息“咳嗽—3天、有浓痰、有痰咳不出、泡沫痰”等。可以根据具体问诊症状信息进行结构化,本申请对此不做限制。
在该过程中,还可以识别问诊症状信息的主症状。在识别主症状过程时,可以引入历史病历,若某症状在历史病历中出现,并且在当前病历中进行了重点描述的症状信息,即当前病历中与历史病历的症状结构信息中关联关系最多的症状信息,可以作为问诊症状信息的主症状。例如上述表中,当前病历中与历史病历中对症状信息为“咳嗽”的问诊症状信息的相关描述较多,可以将症状信息“咳嗽”作为问诊症状信息的主症状。在下一步的问诊交互过程中,可以围绕主症状对问诊目标进行问诊。
S112:将利用问诊症状信息生成的症状结构信息输入预设疾病模型,以获取问诊目标的疾病预测结果,基于疾病诊断专家知识,获取问诊目标的疾病簇信息。
预先训练好预设疾病模型,将问诊症状信息的症状结构信息输入预选先训练好的预设疾病模型,对症状结构信息可能导致的疾病进行预测,获取问诊目标的疾病预测结果,也即是获取可能存在的疾病。再基于疾病诊断已有的专家知识,获取问诊目标的问诊症状信息对应的疾病簇信息。
在一些实施方式中,请参阅图3,在问诊症状信息对应的疾病簇信息中,可以包括多种可能的疾病以及各疾病的症状。其中,疾病簇信息可以用数据结构的树的形式进行表示,以疾病簇信息作为树的根节点,将疾病簇信息中包括的疾病作为树节点,例如疾病簇信息中包括疾病1、疾病2、…、疾病n作为树的节点。另外,每一种疾病还包括多种症状,可以将多种症状作为该疾病的节点的子节点,例如疾病2的节点可以包括症状1、症状2、…、症状n的子节点。
S113:利用问诊症状信息生成的症状结构信息,获取问诊目标的症状字典信息。
其中,在症状字典信息中可以用第一字符表示症状情况为有症状,用第二字符表示症状情况为无症状,用第三字符表示症状情况为未提及症状。
具体地,可以对问诊症状信息进行结构化生成的症状结构信息,根据症状结构信息获取问诊目标的症状字典信息,其中,症状字典信息中用第一字符表示症状情况为有症状,用第二字符表示症状情况为无症状,用第三字符表示症状情况为未提及症状。
症状在病历信息或症状结构信息中的描述为已有症状,则在症状字典信息中用第一字符表示症状情况为有症状,例如在症状字典信息中将症状用第一字符“1”进行标记。症状在病历信息或症状结构信息中的描述为“无”,则在症状字典信息中用第二字符表示症状情况为无症状,例如在症状字典信息中将症状用第二字符“-1”进行标记。另外,若症状在病历信息或症状结构信息中未提及,则在症状字典信息中用第三字符表示症状情况为未提及症状,例如在症状字典信息中将症状用第三字符“0”进行标记。最终获取症状字典的向量,其中,症状字典的向量的长度可以表示为症状总数,将症状字典的向量作为问诊目标的症状字典信息。
在一些实施方式中,请参阅下述表2,在症状字典信息中,可以用第一字符“1”、第二字符“-1”或第三字符“0”对症状进行描述。从而症状字典信息可以采用包括第一字符、第二字符或第三字符的向量来表示。
表2症状字典信息表
症状1 |
症状2 |
症状3 |
症状4 |
症状5 |
… |
症状n |
0 |
1 |
1 |
-1 |
0 |
|
1 |
本实施例中,基于获取问诊目标的问诊症状信息,获取问诊目标的疾病信息即病历信息、症状结构信息、疾病簇信息、症状字典信息,可以获取更多问诊症状信息的数据信息,生成问诊症状信息更多疾病信息的数据,从问诊症状信息的多个角度进行考虑,提升推荐的问诊路径的可信度。
在一些实施例中,请参阅图4,上述步骤S12中,获取问诊目标的疾病信息的编码特征信息,可以包括以下至少一个步骤:
S121:将问诊目标的疾病信息输入预设编码模型,以获取疾病信息对应的编码信息。
问诊目标的疾病信息包括病历信息、症状结构信息、疾病簇信息、症状字典信息中的至少一种。可以对不同的疾病信息采用不同的方式进行编码,为不同的疾病信息设置对应不同的预设编码模型。分别将病历信息、症状结构信息、疾病簇信息、症状字典信息输入各自的预设编码模型进行编码,得到各疾病信息对应的编码信息。
S122:利用疾病信息对应的编码信息,得到疾病信息的编码特征信息。
获得各疾病信息对应的编码信息之后,可以利用各疾病信息对应的编码信息,得到疾病信息的编码特征信息。也即是利用病历信息、症状结构信息、疾病簇信息、症状字典信息对应的编码信息,或利用各疾病信息对应的编码信息之间的相关关系,得到病历信息、症状结构信息、疾病簇信息、症状字典信息对应的编码特征信息。
在一些实施例中,请参阅图5,上述步骤S121中,将问诊目标的疾病信息输入预设编码模型,获取疾病信息对应的编码信息,可以包括以下步骤:
S1211:将病历信息输入预设病历编码模型,得到病历信息对应的病历编码信息。
将病历信息输入预设病历编码模型,利用预设病历编码模型对病历信息进行编码,得到病历信息对应的病历编码信息。其中,例如预设病历编码模型可以是BERT语言模型(Bidirectional Encoder Representations from Transformers,基于转换器的双向编码表示),利用BERT语言模型对病历信息进行编码,得到病历信息对应的病历编码矩阵,也即是得到病历编码信息。本申请的预设病历编码模型也可以是其他的语言模型,本申请对此不做限制。
S1212:将症状结构信息输入预设症状结构编码模型,得到症状结构信息对应的症状结构编码信息。
将症状结构信息输入预设症状结构编码模型,利用预设症状结构编码模型对症状结构信息进行编码,得到症状结构信息对应的症状结构编码信息。其中,例如预设症状结构编码模型可以是GCN模型(Graph Convolutional Network,图卷积网络),利用GCN模型对症状结构信息进行编码,得到症状结构信息对应的症状结构编码矩阵,也即是得到症状结构信息对应的症状结构编码信息。本申请的预设症状结构编码模型也可以是其他的神经网络模型,本申请对此不做限制。
S1213:将疾病簇信息输入预设疾病簇编码模型,得到疾病簇信息对应的疾病簇编码信息。
将疾病簇信息输入预设疾病簇编码模型,利用预设疾病簇编码模型对疾病簇信息进行编码,得到疾病簇信息对应的疾病簇编码信息。其中,例如预设疾病簇编码模型可以是GCN模型(Graph Convolutional Network,图卷积网络)。该步骤中GCN模型对疾病簇信息的具体实施过程可以参考上述步骤S1213的实施过程,此处不再赘述。可以理解的是,本申请的预设疾病簇编码模型也可以是其他的神经网络模型,本申请对此不做限制。
S1214:将症状字典信息输入预设症状字典编码模型,得到症状字典信息对应的症状字典编码信息。
将症状字典信息输入预设症状字典编码模型,利用预设症状字典编码模型对症状字典信息进行编码,得到症状字典信息对应的症状字典编码信息。其中,例如预设症状字典编码模型可以是全连接模型,全连接模型可以采用全连接神经网络(Fully ConnectedNeural Network,简称FCNN)、深度神经网络(Deep Neural Networks,简称DNN)等。本申请的预设症状字典编码模型也可以是其他的神经网络模型,本申请对此不做限制。
本实施例中,分别将病历信息、症状结构信息、疾病簇信息、症状字典信息输入不同的预设编码模型,得到各疾病信息对应的编码信息,使得细化每个疾病信息的编码过程,有助于解决可解释性问题,每个疾病信息的编码过程可以引入更多的外部知识,同时还可以提升最终推荐问诊路径的准确度。
在一些实施例中,请参阅图6,上述步骤S122中,利用疾病信息对应的编码信息,得到疾病信息的编码特征信息,可以包括以下至少一个步骤:
S1221:利用病历编码信息,得到病历特征信息。
利用病历编码信息,得到病历特征信息。例如可以将病历编码信息作为病历特征信息。
在一些实施方式中,还可以加入疾病的专家知识库,将病历编码信息与疾病的专家知识库作为病历特征信息。
S1222:利用症状结构编码信息、疾病簇编码信息,得到症状结构特征信息。
可以利用症状结构编码信息、疾病簇编码信息之间的相关关系,得到症状结构特征信息。
具体地,可以利用症状结构编码信息对疾病簇编码信息进行注意力操作,得到注意力向量值。具体地,也即是获取症状结构编码信息中每个症状结构信息与疾病簇编码信息中每个疾病信息的注意力向量值αi,其中,注意力向量值αij可以表示症状结构信息i与疾病j之间的相关关系。利用症状结构编码信息对疾病簇编码信息进行注意力操作Attention,得到注意力向量值。注意力向量值可以用下述公式表示:
αi=softmax(M症状结构i·MT 疾病簇) (1)
上述公式中,αi表示注意力向量值,M症状结构i表示症状结构编码信息的第i个症状结构信息,MT 疾病簇表示疾病簇编码信息。
将注意力向量值与疾病簇编码信息的后验概率值进行融合,得到融合向量值。其中,疾病簇编码信息的后验概率值βij表示出现症状i之后出现疾病j的概率值。融合向量值可以用下述公式表示:
α′i=αi+βi (2)
上述公式中,α′i表示融合向量值,αi表示注意力向量值,βi表示疾病簇编码信息的后验概率值。
利用融合向量值与症状结构编码信息,得到症状结构编码信息的后验特征信息。具体地,可以将融合向量值与症状结构编码信息做乘积,以将乘积结果作为症状结构编码信息的后验特征信息。其中,症状结构编码信息的后验特征信息可以用下述公式表示:
M′症状结构=α′T*M症状结构 (3)
上述公式中,M′症状结构表示症状结构编码信息的后验特征信息,α′T表示融合向量值,M症状结构表示症状结构编码信息。
将症状结构编码信息与症状结构编码信息的后验特征信息进行横向拼接,也即是将症状结构编码信息M症状结构与症状结构编码信息的后验特征信息M′症状结构进行拼接,得到拼横向拼接的结果M″症状结构。
将横向拼接的结果与症状结构编码信息作为症状结构特征信息。也即是将拼横向拼接的结果M″症状结构与症状结构编码信息M症状结构作为症状结构特征信息。
在一些实施方式中,也可以对症状结构编码信息M症状结构进行自注意力操作Self-Attention,和/或,对拼横向拼接的结果M″症状结构进行自注意力操作Self-Attention,在将进行自注意力操作Self-Attention的拼横向拼接的结果M″症状结构与进行自注意力操作Self-Attention的症状结构编码信息M症状结构作为症状结构特征信息。
S1223:利用疾病簇编码信息,得到疾病簇特征信息。
可以利用疾病簇编码信息,得到疾病簇特征信息。例如可以将疾病簇编码信息,作为疾病簇特征信息。
在一些实施方式中,也可以对疾病簇编码信息进行自注意力操作Self-Attention,再将进行自注意力操作的疾病簇编码信息作为疾病簇特征信息。
S1224:利用症状字典编码信息,得到症状字典特征信息。
可以利用症状字典编码信息,得到症状字典特征信息。例如可以将症状字典编码信息作为症状字典特征信息。
在一些实施方式中,可以基于上述步骤,利用疾病信息对应的编码信息,得到疾病信息的编码特征信息。具体地,可以将病历特征信息、症状结构特征信息、疾病簇特征信息和症状字典特征信息进行横向拼接,将横向拼接的结果作为疾病信息的编码特征信息。
本实施例中,在获取继续信息的编码特征信息时,引入疾病簇编码信息的后验概率值,并且在获取症状结构特征信息加入疾病簇编码信息,改变症状结构特征信息的注意力值,可以使得预设编码模型中更加关注与知识相关的信息,提升注意力操作的关注点,同时可以提升预设编码模型的结果的可解释程度。
在一些实施例中,请参阅图7,上述步骤S13中,利用编码特征信息,确定问诊目标的问诊路径,可以包括以下步骤:
S131:将疾病簇编码信息作为解码空间,在疾病簇编码信息的症状的范围内对编码特征信息进行解码,得到解码概率值。
可以将疾病信息的编码特征信息输入解码层,结合疾病诊断的专家知识库,在解码层对编码特征进行解码,其中,对疾病信息的编码特征进行解码过程可以采用SequenceTo Sequence方法,在解码过程中,将疾病簇编码信息作为解码空间,在疾病簇编码信息的症状的范围内对编码特征信息进行解码,得到解码概率值。
其中,解码概率值是利用疾病簇编码信息的后验概率值、模型概率值得到的。疾病簇编码信息的后验概率值βij表示出现症状i之后出现疾病j的概率值。模型概率值也即是解码概率值,例如第t次的解码的模型概率值st可以利用下述公式计算得到:
上述公式中,st表示第t次的解码的模型概率值,vt表示第t次解码的隐层特征,f表示深度学习函数,e0表示输入解码层的疾病信息的编码特征信息,et-1表示第t-1次解码的疾病信息的编码特征信息。st的长度表示t时刻解码空间大小,也即是下一步可能的症状种类数量,sti表示第i个症状的输出概率值。
在一些实施方式,可以将疾病簇编码信息的后验概率值与模型概率值的求和作为解码概率值。
在一些实施方式中,可以将疾病簇编码信息的后验概率值与模型概率值的乘积或加权求和作为解码概率值。
例如在疾病诊断的专家知识库中表示疾病1“糖尿病”的症状包括“多尿”、“多食”等,疾病2“上呼吸道感染”的症状包括“多尿”、“咳嗽”等。例如疾病簇编码信息中包括症状“多食”、“发烧”、“多尿”等,将疾病簇编码信息作为解码空间,在疾病簇编码信息的症状的范围内对编码特征信息进行解码,可以依次对疾病簇编码信息中的症状进行解码,例如解码得到模型概率值为[0.11,0.21,0.25,0.31,…,0.01],若疾病簇编码信息的后验概率值为[0,1,0,0,…,0],利用模型概率值和疾病簇编码信息的后验概率值可以得到解码概率值为[0,0.21,0,0,…,0]。解码概率值中可以表示疾病簇编码信息中包括的每个症状的解码概率值,例如解码概率值的数值0.21可以表示症状“咳嗽”的解码概率值。
S132:基于解码概率值确定问诊目标的问诊路径。
得到解码概率值之后,可以基于解码概率值对应的症状的解码概率值,确定问诊目标的问诊路径或下一步的问诊路径。例如在疾病诊断的专家知识库中表示疾病1“糖尿病”的症状包括“多尿”、“多食”等,疾病2“上呼吸道感染”的症状包括“多尿”、“咳嗽”等。在解码概率值的对应症状为“咳嗽”,则可以推荐下一步问诊路径围绕疾病2“上呼吸道感染”来进行问诊,可以继续对症状“咳嗽”进行问诊,也可以对疾病2“上呼吸道感染”包括的其他症状“多尿”等进行问诊,对于问诊路径本申请对此不做限制。
在一些实施方式中,还可以基于解码概率值确定问诊目标的问诊路径,其中,问诊路径可以包括问诊目标需要的就诊科室,以及就诊的整个就诊科室的先后顺序等,以引导问诊目标进行就诊。
在一些实施方式,还可以将上述问诊目标的疾病信息、解码概率值、问诊路径等信息发送至推荐就诊科室,使得就诊科室的医生可以基于问诊目标的疾病信息、解码概率值、问诊路径等信息,初步给出问诊目标病情的诊断,从而减少医生对问诊目标的问诊时间,提升问诊效率。
本实施例中,通过将疾病簇编码信息作为解码空间,在疾病簇编码信息的症状的范围内对编码特征信息进行解码,得到解码概率值,其中,解码概率值是利用疾病簇编码信息的后验概率值、模型概率值得到的。从而基于解码概率值确定问诊目标的问诊路径,由于将疾病簇编码信息作为解码空间,可以优先缓解不合理结果出现的可能,另外,解码概率值是利用疾病簇编码信息的后验概率值、模型概率值得到的,将症状与疾病关联关系引入到解码的过程的解码概率值计算过程中,可以有效提升解码结果也即解码概率值的准确率。在一些应用场景中,针对医学领域单点信息较多的场景时,也可以有效补充问诊推荐方法中模型对单点信息不敏感的问题。此外,在预设编码模型中结合疾病诊断的专家知识,可以解决规则泛化能力不足、梳理难度大等问题。
在一些实施例中,上述问诊推荐方法可以通过问诊推荐模型实现,问诊推荐模型可以包括输入层、模型层和解码层。输入层可以用于基于问诊目标的问诊症状信息,获取问诊目标的疾病信息。输入层可以将疾病信息输入模型层,以使得利用模型层获取问诊目标的疾病信息的编码特征信息。将疾病信息的编码特征信息输入解码层,利用解码层对编码特征信息进行解码,从而确定问诊目标的问诊路径。
对问诊推荐模型的训练过程与上述问诊推荐方法的实施过程相同,在训练过程中,采用历史病历样本数据对问诊推荐模型进行训练,可以对少量有监督的问诊过程记录的数据进行调整,从而输出训练好的问诊推荐模型。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施方式,本申请还提供一种问诊推荐装置。请参阅图8,图8是本申请问诊推荐装置一实施例的结构示意图。该问诊推荐装置80包括获取模块81、编码模块82和解码模块83,其中,获取模块81、编码模块82和解码模块83连接。
获取模块81用于基于问诊目标的问诊症状信息,获取问诊目标的疾病信息。其中,问诊目标的疾病信息包括病历信息、症状结构信息、疾病簇信息、症状字典信息中的至少一种。
编码模块82用于获取问诊目标的疾病信息的编码特征信息。
解码模块83用于利用编码特征信息,确定问诊目标的问诊路径。
在一些实施方式中,获取模块81还用于获取问诊目标的问诊症状信息,包括:基于问诊目标在点选模式下选择的症状,得到问诊症状信息;和/或,获取问诊目标在交互模式下输入的关于症状的交互记录,确定问诊症状信息。
在一些实施方式中,获取模块81用于基于问诊目标的问诊症状信息,获取问诊目标的疾病信息,包括:获取问诊目标的问诊症状信息,利用问诊症状信息生成问诊目标的病历信息、症状结构信息;和/或,将利用问诊症状信息生成的症状结构信息输入预设疾病模型,以获取问诊目标的疾病预测结果,基于疾病诊断专家知识,获取问诊目标的疾病簇信息;和/或,利用问诊症状信息生成的症状结构信息,获取问诊目标的症状字典信息,其中,症状字典信息中用第一字符表示症状情况为有症状,用第二字符表示症状情况为无症状,用第三字符表示症状情况为未提及症状。
在一些实施方式中,编码模块82用于获取问诊目标的疾病信息的编码特征信息,包括:将问诊目标的疾病信息输入预设编码模型,以获取疾病信息对应的编码信息;利用疾病信息对应的编码信息,得到疾病信息的编码特征信息。
具体地,将问诊目标的疾病信息输入预设编码模型,获取疾病信息对应的编码信息,包括:将病历信息输入预设病历编码模型,得到病历信息对应的病历编码信息;和/或,将症状结构信息输入预设症状结构编码模型,得到症状结构信息对应的症状结构编码信息;和/或,将疾病簇信息输入预设疾病簇编码模型,得到疾病簇信息对应的疾病簇编码信息;和/或,将症状字典信息输入预设症状字典编码模型,得到症状字典信息对应的症状字典编码信息。
具体地,利用疾病信息对应的编码信息,得到疾病信息的编码特征信息,包括:利用病历编码信息,得到病历特征信息;以及利用症状结构编码信息、疾病簇编码信息,得到症状结构特征信息;以及利用疾病簇编码信息,得到疾病簇特征信息;以及利用症状字典编码信息,得到症状字典特征信息。
在一些实施方式中,利用症状结构编码信息、疾病簇编码信息,得到症状结构特征信息,包括:利用症状结构编码信息对疾病簇编码信息进行注意力操作,得到注意力向量值;将注意力向量值与疾病簇编码信息的后验概率值进行融合,得到融合向量值;利用融合向量值与症状结构编码信息,得到症状结构编码信息的后验特征信息;将症状结构编码信息与症状结构编码信息的后验特征信息进行横向拼接;将横向拼接的结果与症状结构编码信息作为症状结构特征信息。
在一些实施方式中,解码模块83用于利用编码特征信息,确定问诊目标的问诊路径,包括:将疾病簇编码信息作为解码空间,在疾病簇编码信息的症状的范围内对编码特征信息进行解码,得到解码概率值;基于解码概率值确定问诊目标的问诊路径;其中,解码概率值是利用疾病簇编码信息的后验概率值、模型概率值得到的。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施例,本申请提供一种计算机设备,请参阅图9,图9是本申请计算机设备一实施例的结构示意图。该计算机设备90包括存储器91和处理器92,其中,存储器91和处理器92相互耦接,存储器91中存储有程序数据,处理器92用于执行程序数据以实现上述问诊推荐方法中任一实施例的步骤。
在本实施例中,处理器92还可以称为CPU(Central Processing Unit,中央处理单元)。处理器92可能是一种集成电路芯片,具有信号的处理能力。处理器92还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器92也可以是任何常规的处理器等。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
对于上述实施例的方法,其可以采用计算机程序的形式实现,因而本申请提出一种存储装置,请参阅图10,图10是本申请存储装置一实施例的结构示意图。该存储装置100中存储有能够被处理器运行的程序数据101,程序数据可被处理器执行以实现上述问诊推荐方法中任一实施例的步骤。
该实施例的具体实施方式可参考上述实施例的实施过程,在此不再赘述。
本实施例存储装置100可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储程序数据的介质,或者也可以为存储有该程序数据的服务器,该服务器可将存储的程序数据发送给其他设备运行,或者也可以自运行该存储的程序数据。
在本申请所提供的几个实施例中,应该理解的,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储装置中,该存储装置是一种计算机可读取存储介质。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。