CN114822830B - 问诊交互方法及相关装置、电子设备、存储介质 - Google Patents

问诊交互方法及相关装置、电子设备、存储介质 Download PDF

Info

Publication number
CN114822830B
CN114822830B CN202210736890.7A CN202210736890A CN114822830B CN 114822830 B CN114822830 B CN 114822830B CN 202210736890 A CN202210736890 A CN 202210736890A CN 114822830 B CN114822830 B CN 114822830B
Authority
CN
China
Prior art keywords
text
symptom
candidate
target
interaction
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.)
Active
Application number
CN202210736890.7A
Other languages
English (en)
Other versions
CN114822830A (zh
Inventor
甘露
胡加学
贺志阳
赵景鹤
魏思
鹿晓亮
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.)
Iflytek Medical Technology Co ltd
Original Assignee
Anhui Xunfei Medical Co ltd
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 Anhui Xunfei Medical Co ltd filed Critical Anhui Xunfei Medical Co ltd
Priority to CN202210736890.7A priority Critical patent/CN114822830B/zh
Publication of CN114822830A publication Critical patent/CN114822830A/zh
Application granted granted Critical
Publication of CN114822830B publication Critical patent/CN114822830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • 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
    • G06F16/35—Clustering; Classification
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种问诊交互方法及相关装置、电子设备、存储介质，其中，问诊交互方法包括：获取问诊参考文本，问诊参考文本至少包括目标对象输入的咨询文本和基于咨询文本预测到的系统文本，系统文本表征目标对象所患疾病所属的功能系统；基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本，且目标症状文本包括目标对象在本轮交互之前已经选择的候选症状文本；基于目标对象在本轮交互的若干候选症状文本中所选择的候选症状文本，更新目标症状文本；重新执行基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤。上述方案，能够提升问诊交互的灵活性、准确性和适用性。

Description

问诊交互方法及相关装置、电子设备、存储介质
技术领域
本申请涉及智慧医疗技术领域，特别是涉及一种问诊交互方法及相关装置、电子设备、存储介质。
背景技术
经调研，传统医疗就诊流程已经越来越无法满足当前日益发展的就诊需求，线上就诊是未来智慧医疗的一个重要研究方向和突破口。基于线上诊疗平台，用户可针对一些简单常见病种进行自查自诊，有效地对自我身体健康进行管理和监控。
目前，业界内较为常用的问诊交互方式主要包含传统的pipeline（即流水线）模式和end-to-end（即端到端）模式。研究发现，现有方式要么缺乏灵活性，只能通过模板进行硬匹配，而不能根据用户输入做出相应的策略性优化，要么过于依赖于知识图谱，当病情较为复杂时，无法准确地与用户进行问诊交互，即能够覆盖的使用场景较为有限。有鉴于此，如何提升问诊交互的灵活性、准确性和适用性成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种问诊交互方法及相关装置、电子设备、存储介质，能够提升问诊交互的灵活性、准确性和适用性。
为了解决上述技术问题，本申请第一方面提供了一种问诊交互方法，包括：获取问诊参考文本；其中，问诊参考文本至少包括：目标对象输入的咨询文本和基于咨询文本预测到的系统文本，且系统文本表征目标对象所患疾病所属的功能系统；基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本；其中，目标症状文本包括：目标对象在本轮交互之前已经选择的候选症状文本；基于目标对象在本轮交互的若干候选症状文本中所选择的候选症状文本，更新目标症状文本；重新执行基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤。
为了解决上述技术问题，本申请第二方面提供了一种问诊交互装置，包括：问诊参考获取模块、候选症状确定模块、目标症状更新模块和循环问诊交互模块，问诊参考获取模块，用于获取问诊参考文本；其中，问诊参考文本至少包括：目标对象输入的咨询文本和基于咨询文本预测到的系统文本，且系统文本表征目标对象所患疾病所属的功能系统；候选症状确定模块，用于基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本；其中，目标症状文本包括：目标对象在本轮交互之前已经选择的候选症状文本；目标症状更新模块，用于基于目标对象在本轮交互的若干候选症状文本中所选择的候选症状文本，更新目标症状文本；循环问诊交互模块，用于重新执行基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤。
为了解决上述技术问题，本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，存储器中存储有程序指令，处理器用于执行程序指令以实现上述第一方面的问诊交互方法。
为了解决上述技术问题，本申请第四方面提供了一种计算机可读存储介质，存储有能够被处理器运行的程序指令，程序指令用于实现上述第一方面的问诊交互方法。
上述方案，获取问诊参考文本，且问诊参考文本至少包括：目标对象输入的咨询文本和基于咨询文本预测到的系统文本，系统文本表征目标对象所患疾病所属的功能系统，基于此再基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本，且目标症状文本包括：目标对象在本轮交互之前已经选择的候选症状文本，并基于目标对象在本轮交互的若干候选症状文本中所选择的候选症状文本，更新目标症状文本，再重新执行基于文本参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤，一方面问诊交互过程中无需依赖于规则匹配，而是根据包含咨询文本的问诊参考文本针对性地在症状文本集合确定候选症状文本，从而能够根据目标对象的输入做出相应的策略性优化，有助于提升问诊交互的灵活性，另一方面问诊交互过程中先获取包含系统文本的问诊参考文本，且基于系统文本基于咨询文本预测到，系统文本表征目标对象所患疾病所属的功能系统，从而在问诊过程中先基于目标对象的咨询文本确定后续问诊范围，再通过若干轮交互进行症状鉴别，以此来实现层次化鉴别症状的问诊路径，有助于提升问诊交互的准确性和适用性。故此，能够提升问诊交互的灵活性、准确性和适用性。
附图说明
图1是本申请问诊交互方法一实施例的流程示意图；
图2是症状推荐模型一实施例的框架示意图；
图3是本申请问诊交互装置一实施例的框架示意图；
图4是本申请电子设备一实施例的框架示意图；
图5是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请问诊交互方法一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S11：获取问诊参考文本。
本公开实施例中，问诊参考文本至少包括：目标对象输入的咨询文本和基于咨询文本预测到的系统文本，且系统文本表征目标对象所患疾病所属的功能系统。需要说明的是，咨询文本也不排除由患者本人之外的他人帮助输入，即输入咨询文本的对象可以并非患者本人，当然此时系统文本所表征的仍然是患者本人所患疾病所属的功能系统。示例性地，在患者为老年人、婴幼儿、残障人士等不便由本人进行问诊交互的对象时，咨询文本可由家属、志愿者等他人代为输入，其他情况可以以此类推，在此不再一一举例。此外，本公开实施例所称“患者”既可以是人，也可以是宠物等动物，在此不做限定。
在一个实施场景中，目标对象可以基于自身不适输入咨询文本。示例性地，目标对象可以基于自身最近发热，输入咨询文本“最近有些发热”；或者，目标对象可以基于自身最近嗜睡，输入咨询文本“最近有点嗜睡”；或者，目标对象可以基于自身肘关节疼痛，输入咨询文本“肘关节疼痛”。其他情况可以以此类推，在此不再一一举例。
在一个实施场景中，以目标对象是人为例，功能系统可以包括但不限于：运动系统、神经系统、内分泌系统、循环系统、呼吸系统、消化系统、泌尿系统、生殖系统、其他等，上述各系统的具体含义，可以参阅人体系统的技术细节，在此不再赘述。以咨询文本“最近有些发热”为例，系统文本可以包括但不限于：呼吸系统等，或者，以咨询文本“肘关节疼痛”为例，系统文本可以包括但不限于：运动系统等，其他情况可以以此类推，在此不再一一举例。
在一个实施场景中，为了降低系统文本的预测复杂度，可以预先构建以系统为中心的知识图谱，该知识图谱可以包含各功能系统及其出现功能障碍时的主要体征，如“呼吸系统”出现功能障碍时的主要体征包括但不限于：发热、呼吸困难、咳嗽等。在此基础上，在获取咨询文本之后，可以对咨询文本进行实体提取，得到咨询文本中关键实体，并基于该关键实体在上述知识图谱中进行查询，得到目标对象所患疾病所属的功能系统，即可得到系统文本。示例性地，以咨询文本“最近有些发热”为例，可以提取得到关键实体“发热”，并基于该关键实体“发热”在知识图谱中查询得到匹配的功能系统“呼吸系统”，即可得到系统文本“呼吸系统”。其他情况可以以此类推，在此不再一一举例。
在另一个实施场景中，区别于前述方式，为了进一步提升系统文本的预测准确度，可以先基于咨询文本、以症状为中心的第一知识图谱和以疾病为中心的第二知识图谱，获取需向目标对象问询的目标属性，并获取目标对象响应于目标属性所回复的交互文本，再基于咨询文本和交互文本进行预测，得到系统文本。需要说明的是，目标属性可以包括但不限于：发病时间、诱因、体征、饮食习惯、居住环境、作息习惯、工作内容等，在此不做限定。上述方式，基于咨询文本、第一知识图谱和第二知识图谱，先获取需向目标对象问询的目标属性，再获取目标对象响应于目标属性所回复的交互文本，从而基于咨询文本和交互文本进行预测，得到系统文本，故能够基于咨询文本先与目标对象进行交互，以获取其与咨询文本相关的目标属性，进而能够有助于提升系统文本的预测准确度。
在一个具体的实施场景中，为了构建第一知识图谱，可以预先收集医学教材、文献和指南等专业资料，并在此基础上构建以症状为中心的第一知识图谱。具体而言，第一知识图谱包含各种症状以及与症状相关的症状属性，如对于症状“发热”，与其相关的症状属性可以包括但不限于：发病时间、诱因、体征等；或者，对于症状“肘关节疼痛”，与其相关的症状属性可以包括但不限于：发病时间、诱因、作息习惯、工作内容等，其他情况可以以此类推，在此不再一一举例。需要说明的是，如前述症状“发热”和症状“肘关节疼痛”，不同症状其症状属性可以不尽相同，当然不同症状其症状属性也可以相同，在此不做限定。此外，第一知识图谱中症状可以包含较多层次的症状分类，如常见症状、典型症状、罕见症状等。通过对上述医学教材、文献和指南等专业资料进行症状实体抽取，获取结构化的医学知识之后，即可将和表征与中心症状有关的症状属性的实体连接，得到第一知识图谱，具体过程可以参阅知识图谱的技术细节，在此不再赘述。
在一个具体的实施场景中，为了构建第二知识图谱，可以预先收集电子病例等医疗数据，并基于此构建以疾病为中心的第二知识图谱。具体而言，第一知识图谱包含各种疾病以及与疾病相关的疾病属性，具体可以参阅上述第一知识图谱的相关描述，在此不再赘述。
在一个具体的实施场景中，在构建得到第一知识图谱和第二知识图谱之后，即可结合咨询文本获取目标属性。具体来说，可以基于咨询文本，从第一知识图谱中获取若干候选属性，并基于第二知识图谱，选择至少一个候选属性作为目标属性，且如前所述，第二知识图谱可以包含若干种疾病及其属性信息，不同疾病关于目标属性的属性信息不同。仍以咨询文本“最新有些发热”为例，其可能涉及呼吸系统、泌尿系统、消化系统等多种功能系统，通过在第一知识图谱中查询，可以获取与症状“发热”相关的症状属性包括：发病时间、诱因、体征、饮食习惯、居住环境、作息习惯、工作内容等，故可以将上述症状属性作为候选属性，并进一步对于上述每一种候选属性，在第二知识图谱查询候选属性是否在不同疾病之间具有不同属性信息，若是则可以选择作为目标属性，否则可以放弃，如候选属性“诱因”在不同疾病之间具有不同属性信息，在呼吸系统疾病中产生症状“发热”的诱因为“着凉”，而在消化系统疾病中产生症状“发热”的诱因为“饮食不洁”，故可以将候选属性“诱因”作为目标属性，其他候选属性可以以此类推，在此不再一一举例。上述方式，基于咨询文本，从第一知识图谱中获取若干候选属性，并基于第二知识图谱，选择至少一个候选属性作为目标属性，且第二知识图谱包含若干种疾病及其属性信息，不同疾病关于目标属性的属性信息不同，故能够基于咨询文本、第一知识图谱和第二知识图谱，挖掘出有助于区分目标对象所患疾病的目标属性，故此能够有利于提升后续问诊交互的准确性。
在一个具体的实施场景中，在得到目标属性之后，即可提示目标对象基于自身情况一一回复目标属性，以得到交互文本。仍以咨询文本“最近有些发热”为例，通过上述方式可以得到目标属性：发病时间、诱因、体征，则可以向目标对象一一提示上述目标属性，如先提示目标对象回复目标属性“发病时间”，并获取目标对象针对该目标属性所回复的交互文本“三天”，再提示目标对象回复目标属性“诱因”，并获取目标对象针对该目标属性所回复的交互文本“受凉”，最后提示目标对象回复目标属性“体征”，并获取目标对象针对该目标属性所回复的交互文本“38.9摄氏度”。其他情况可以以此类推，在此不再一一举例。
在一个具体的实施场景中，在得到交互文本之后，即可基于咨询文本和交互文本进行分类预测，得到候选疾病文本，并基于候选疾病文本在第二知识图谱中进行查询，得到与候选疾病文本相关的候选科室文本，再基于候选疾病文本、候选科室文本中至少一者，得到系统文本。示例性地，可以将候选疾病文本和候选科室文本的组合，作为系统文本，当然，也可以仅将候选疾病文本作为系统文本，或者仅将候选科室文本作为系统文本，或者也可以基于候选疾病文本和候选科室文本确定患者所患疾病所属的功能系统，并基于确定的功能系统，得到系统文本，在此不做限定。此外，为了提升候选疾病文本的预测精度，可以预先训练一个疾病分类模型，疾病分类模型可以包括但不限于：长短时记忆网络、卷积神经网络等，在此不做限定。在此基础上，即可基于疾病分类模型对咨询文本和交互文本进行分类预测，得到候选疾病文本。需要说明的是，在此过程中，可以仅预测得到一个候选疾病文本及其相关的候选科室文本，也可以预测得到两个及以上的候选疾病文本及分别与各候选疾病文本相关的候选科室文本。示例性地，对于咨询文本“最近有些发热”，经上述交互以及预测，可以得到一种候选疾病文本“急性上呼吸道感染”及其相关的候选科室文本“呼吸内科”，以及另一种候选疾病文本“咽喉炎”及其相关的候选科室文本“耳鼻喉科”。其他情况可以以此类推，在此不再一一举例。上述方式，基于咨询文本和交互文本进行分类预测，得到候选疾病文本，并基于候选疾病文本在第二知识图谱中进行查询，得到与候选疾病文本相关的候选科室文本，再基于候选疾病文本、候选科室文本中至少一者，得到系统文本，故能够从分类预测和知识图谱两方面确定目标对象所患疾病所属的功能系统，有助于提升系统文本的预测精度。
步骤S12：基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本。
本公开实施例中，目标症状文本包括：目标对象在本轮交互之前已经选择的候选症状文本。此外，如前所述，问诊参考文本可以包括咨询文本和系统文本。当然，为了尽可能地提升问诊交互的准确度，问诊参考文本也可以包括咨询文本、系统文本以及前述在确定系统文本过程中所获取到的交互文本，在此不做限定。需要说明的是，在首轮交互时，目标症状文本可以为空，即首轮交互时，可以仅基于问诊参考文本，在症状文本集合确定首轮交互的若干候选症状文本，并将目标对象在首轮交互的若干候选症状文本中所选择的候选症状文本，作为首轮交互的目标症状文本。当然，在首轮交互时，目标症状文本也可以设置为预设文本（如，“开始”、“start”等）。在此对首轮交互时目标症状文本的具体设置方式，不做限定。
在一个实施场景中，症状文本集合可以包含尽可能多的预设症状文本，如可以包含涉及前述各种功能系统的预设症状文本，在此不做限定。为了便于描述，可以将症状文本集合即为Y。
在一个实施场景中，可以基于问诊参考文本进行编码，得到参考文本表示，并基于目标症状文本进行编码，得到第一症状表示，以及基于参考文本表示与第一症状表示之间的相关度，更新得到最新选择的候选症状文本的第二症状表示，再基于第二症状表示和症状文本集合中各预设症状文本的第三症状表示，选择至少一个预设症状文本作为本轮交互的候选症状文本。需要说明的是，如无特别说明，本公开实施例中，诸如“参考文本表示”、“第一症状表示”、“第二症状表示”、“第三症状表示”等“表示”均可以表达为特征向量，特征向量的维度可以根据实际设置为128维、256维、768维等，在此不做限定。此外，“最新选择的候选症状文本”具体指的是，目标症状文本中由目标对象最新选择的候选症状文本，也就是说，目标对象在本轮交互的上一轮交互过程中所选择的候选症状文本。上述方式，分别基于问诊参考文本、目标症状文本进行编码，得到参考文本表示和第一症状表示，并基于两者之间的相关度，更新得到最新选择的候选症状文本的第二症状表示，有助于在第二症状表示中不仅包含最新选择的候选症状文本本身的语义信息，还进一步融入问诊参考文本的语义信息，在此基础上再结合各预设症状文本的第三症状表示，选择本轮交互的候选症状文本，能够有助于使选择出来的候选症状文本尽可能地贴近真实问诊，故能够提升问诊交互的自然度。
在一个具体的实施场景中，问诊参考文本、目标症状文本两者可以基于诸如BERT（Bidirectional Encoder Representation from Transformers，即基于Transformer的双向编码表示）、长短期记忆网络等网络模型进行编码，在此不做限定。此外，参考文本表示可以包含问诊参考文本中各个字符的编码表示，第一症状表示可以包含目标症状文本中各个字符的编码表示。
在一个具体的实施场景中，在编码得到参考文本表示和第一症状表示之后，可以进一步基于参考文本表示和第一症状表示，获取目标症状文本中每一字符分别与问诊参考文本中各个字符的相关度。具体来说，对于目标症状文本中每一字符而言，可以将其编码表示分别与问诊参考文本中各个字符的编码表示计算内积，并将这些内积进行归一化（如，sigmoid等），得到该字符分别与问诊参考文本中各个字符的相关度。在此基础上，对于最新选择的候选症状文本中每一字符，可以基于分别与问诊参考文本中各个字符的相关度对问诊参考文本中各个字符的编码表示进行加权，即可得到该字符的加权表示，以此类推即可得到最新选择的候选症状文本中每一字符的加权表示。由此即可基于最新选择的候选症状文本中每一字符的加权表示，得到第二症状表示。示例性地，可以直接将最新选择的候选症状文本中各个字符的加权表示的组合，作为第二症状表示；或者，对于最新选择的候选症状文本中每一字符而言，可以将其加权表示与编码表示进行相加，得到该字符新的编码表示，再将最新选择的候选症状文本中各个字符新的编码表示的组合，作为第二症状表示，在此不做限定。上述方式，基于参考文本表示和第一症状表示，获取目标症状文本中每一字符分别与问诊参考文本中各个字符的相关度，并对于最新选择的候选症状文本中每一字符，基于分别与问诊参考文本中各个字符的相关度对问诊参考文本中各个字符的编码表示进行加权，分别得到最新选择的候选症状文本中各个字符的加权表示，再基于最新选择的候选症状文本中每一字符的加权表示，得到第二症状表示，故在更新最新选择的候选症状文本的症状表示过程中，能够根据相关度增强问诊参考文本中与其强相关字符的编码表示，并抑制问诊参考文本中与其弱相关字符的编码表示，从而能够有侧重地参考问诊参考文本来更新最新选择的候选症状文本的症状表示，进而能够有助于尽可能提升第二症状表示的准确度。
在一个具体的实施场景中，在更新得到最新选择的候选症状文本的第二症状表示之后，即可基于第二症状表示分别与各预设症状文本的第三症状表示之间的相似度，得到各预设症状文本的推荐分值。具体来说，可以基于余弦相似度等相似度量方式，获取第二症状表示分别与各预设症状文本的第三症状表示之间的相似度，具体计算方式，可以参阅诸如余弦相似度等相似度量方式的技术细节，在此不再赘述。此外，各预设症状文本的第三症状表示可以通过对症状文本集合中各个预设症状文本进行随机初始化得到，也就是说，可以对对症状文本集合中各个预设症状文本随机进行向量化操作，得到各预设症状文本的第三症状表示。在此基础上，可以基于各预设症状文本的推荐分值，选择至少一个预设症状文本作为本轮交互的候选症状文本。示例性地，可以按照推荐分值，将各个预设症状文本进行排序，并选择位于前预设序位（如，前5位、前6位）的预设症状文本作为本轮交互的候选症状文本。此外，为了排除目标对象在各轮交互中重复选择候选症状文本的可能性，在得到各个预设症状文本的推荐分值之后，可以先筛除已经选择的候选症状文本，然后再执行前述排序以及选择的过程。上述方式，基于第二症状表示分别与各个预设症状文本的第三症状表示之间的相似度，得到各个预设症状文本的推荐分值，并基于各个预设症状文本的推荐分值，选择至少一个预设症状文本作为本轮交互的候选症状文本，故能够在交互过程中尽可能地选择与上一轮交互所选择的候选症状文本以及问诊参考文本紧密相关的候选症状文本，以供目标对象选择，即在问诊交互中，通过结合预先确定的系统文本和输入的咨询文本作为约束，大大减少了选择无关症状的可能性，有助于提升问诊交互的合理性和鲁棒性。
在一个实施场景中，为了提升问诊交互的效率，可以预先训练一个症状推荐模型，则可以由症状推荐模型预测得到若干候选症状文本。具体地，症状推荐模型可以基于样本数据训练得到，且样本数据可以包含样本问诊参考文本和样本推荐症状文本。需要说明的是，样本数据可以基于线下真实问诊采集得到。示例性地，可以预先采集病情案例（如，电子病历）以及医患之间的对话文本，基于对话文本可以提取患者首轮对话的文本，作为样本咨询文本，并基于对话文本可以提取医生在患者首轮对话之后询问的相关属性（如，发病时间、诱因、体征等），得到样本交互文本，以及基于病情案例可以提取最终确定的样本疾病文本，得到样本系统文本（即表征患者所患样本疾病所属的功能系统），上述样本咨询文本、样本交互文本和样本系统文本的组合，即可作为样本问诊参考文本。此外，基于对话文本可以进一步提取医生逐步问询患者是否存在的样本症状，作为样本推荐症状文本。此外，样本数据还可以包括样本目标症状文本，具体提取患者在询问的样本症状中所选择的样本症状，作为样本目标症状文本。示例性地，对于患者主诉“最近有些发热”，在医生与患者通过对话得到上述发病时间、诱因、体征等样本交互文本之后，医生根据上述样本咨询文本、样本交互文本和样本系统文本，首先询问患者是否有咳嗽、是否有咳痰等伴随症状，患者回答有咳嗽，则可以提取咳嗽、咳痰分别作为首轮交互的样本推荐症状文本，并可以提取咳嗽作为下一轮的样本目标症状文本，下一轮对话中医生询问患者是否有胸口疼痛、是否有喉咙疼痛，患者回答有喉咙疼痛，则可以提取胸口疼痛、喉咙疼痛作为第二轮交互的样本推荐症状文本，并可以提取喉咙疼痛作为第三轮的样本目标症状文本，以此类推，在此不再一一举例。也就是说，样本数据可以包含样本问诊参考文本、每一轮交互对应的样本目标症状文本，以及每一轮交互对应的样本推荐症状文本。
在一个具体的实施场景中，为了提升症状推荐模型的准确性，在训练过程中，可以基于症状推荐模型对样本问诊参考文本和样本目标症状文本进行预测，确定若干样本候选症状文本及其预测概率值，且样本目标症状文本包括已经选择的样本候选症状文本，若干样本候选症状文本在症状文本集合中选择得到。具体可以参阅前述“基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本”的相关描述，在此不再赘述。在此基础上，可以基于样本推荐症状文本和若干样本候选症状文本及其预测概率值进行损失度量，得到模型损失，并基于模型损失，调整症状推荐模型的网络参数。示例性地，以采用交叉熵损失度量上述模型损失为例，模型损失loss可以表示为：
Figure DEST_PATH_IMAGE001
……（1）
上述公式（1）中，对于单个样本数据而言，m=0,1,2,…,M，且M表示某一轮样本推荐症状文本的总数，ym表示某一轮第m个样本推荐症状文本是否被症状推荐模型预测得到，若预测得到则ym可以为1，否则可以为0，p(wm)表示某一轮第m个样本推荐症状文本的预测概率值。故此，在训练过程中，通过最小化模型损失loss，能够迫使症状推荐模型学习真实问诊过程中医生基于问诊参考文本、上一轮交互患者选择的候选症状文本执行本轮交互的症状鉴别的思路，有助于提升症状推荐模型推荐症状时的合理性、真实性和自然性。此外，在得到模型损失loss之后，可以采用诸如Adam等优化方式，调整症状推荐模型的网络参数，具体可以参阅诸如Adam等优化方式的技术细节，在此不再赘述。
在一个具体的实施场景中，请结合参阅图2，图2是症状推荐模型一实施例的框架示意图。如图2所示，症状推荐模型可以分为输入层、编码层、融合层和输出层，其中，编码层可以包括第一编码网络、第二编码网络，分别用于对样本问诊参考文本和样本目标症状文本进行编码，得到样本参考文本表示和第一样本症状表示。具体来说，第一编码网络可以包括但不限于BERT模型等，在此对第一编码网络的网络结构不做限定，类似地，第二编码网络可以包括但不限于BERT模型等，在此对第二编码网络的网络结构不做限定。示例性地，样本问诊参考文本包含N个字符，则经第一编码网络进行编码之后，可以得到N*d维的样本参考文本表示，其中，d表示每个字符的向量维度，如可以设置为128、768等，在此不做限定。以第一编码网络设置为BERT模型为例，可以取BERT模型的隐层向量作为样本参考文本表示。第二编码网络的编码过程，可以参照第一编码网络的编码过程类推，在此不再赘述。需要说明的是，在问诊交互的过程中，基于症状推荐模型的第一编码网络、第二编码网络分别对问诊参考文本、目标症状文本进行编码时的过程，可以参阅前述样本问诊参考文本、样本目标症状文本的编码过程，在此不再赘述。进一步地，融合层可以包括注意力网络，如可以包括但不限于：多头注意力网络等，在此对注意力网络的网络结构不做限定。为了便于描述，可以将样本参考文本表示中第i个字符的编码表示记为xi，并将第一样本症状表示记为xsym，经注意力网络处理样本参考文本表示xi和第一样本症状表示xsym之后，即可得到样本目标症状文本中每一字符分别与样本问诊参考文本中各个字符的样本相关度，为了便于描述，可以记为Ai=[ai;asym]，其中，ai表示：对于样本目标症状文本中除最新选择的样本候选症状文本后的剩余文本，其第i个字符与样本问诊参考文本中各个字符的样本相关度，asym表示最新选择的样本候选症状文本中每一字符分别与样本问诊参考文本中各个字符的样本相关度，Ai表示样本目标症状文本中每一字符分别与样本问诊参考文本中各个字符的样本相关度。具体计算过程可以参阅前述关于“获取目标症状文本中每一字符分别与问诊参考文本中各个字符的相关度”的相关描述，在此不再赘述。在此基础上，对于最新选择的样本候选症状文本中每个字符而言，可以基于其分别与样本问诊参考文本中各个字符的样本相关度对样本问诊参考文本中各个字符的编码表示进行加权，得到最新选择的样本候选症状文本中每个字符的加权表示，并基于最新选择的样本候选症状文本中每个字符的加权表示，得到最新选择的样本候选症状文本的第二样本症状表示，为了便于描述，可以将第二样本症状表示记为Asym。具体过程可以参阅前述关于“新得到最新选择的候选症状文本的第二症状表示”的相关描述，在此不再赘述。进一步地，可以基于第二样本症状表示Asym分别与各预设症状文本的第三症状表示之间的相似度，得到各预设症状文本的样本推荐分值。为了便于描述，可以将第k个预设症状文本的样本推荐分值记为Ok。此外，可以通过诸如余弦相似度等相似度量方式对第二样本症状表示Asym分别与各预设症状文本的第三症状表示进行度量，得到各预设症状文本的样本推荐分值。在此基础上，可以基于各预设症状文本的样本推荐分值，选择至少一个预设症状文本作为本轮交互的样本候选症状文本。示例性地，可以按照样本推荐分值由高到低的顺序，对各预设症状文本进行排序，并选择前预设序位（如，前5位、前6位等）的预设症状文本作为本轮交互的样本候选症状文本，以及将所选择的预设症状文本的样本推荐分值进行归一化（如，softmax），得到样本候选症状文本的预测概率值。需要说明的是，样本候选症状文本的选择过程，可以参阅前述关于“选择至少一个预设症状文本作为本轮交互的候选症状文本”的相关描述，在此不再赘述。
在一个具体的实施场景中，在训练得到症状推荐模型之后，即可利用症状推荐模型在每一轮交互过程中进行症状鉴别，得到每一轮交互的若干候选症状文本。症状推荐模型的具体处理过程，可以参阅前述相关描述，在此不再赘述。
步骤S13：基于目标对象在本轮交互的若干候选症状文本中所选择的候选症状文本，更新目标症状文本。
具体地，在得到本轮交互的若干候选症状文本之后，即可提示目标对象在这些候选症状文本中根据自身实际情况进行选择。示例性地，仍以咨询文本“最近有些发热”为例，前两轮目标对象选择的候选症状文本分别为咳嗽、咳痰，在此基础上进行症状鉴别，得到本轮交互的若干候选症状文本包括：胸口疼痛、喉咙疼痛、头疼，在此基础上，可以输出如下提示：“请根据自身实际情况在以下症状中选择：A、胸口疼痛，B、喉咙疼痛，C、头疼”，目标对象根据自身实际情况选择B、喉咙疼痛，则可以据此将所选择的候选症状文本添加至当前的目标症状文本，以对目标症状文本进行更新，更新后的目标症状文本为：咳嗽、咳痰、喉咙疼痛。其他情况可以以此类推，在此不再一一举例。
步骤S14：重新执行基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤。
在一个实施场景中，在更新得到目标症状文本之后，即可展开新一轮交互，并重新执行前述基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤，以通过层次化症状鉴别，尽可能全面地挖掘出目标对象的症状。仍以咨询文本“最近有些发热”为例，在更新得到目标症状文本“咳嗽、咳痰、喉咙疼痛”之后，可以重新执行上述相关步骤，在新一轮交互后将目标症状文本迭代更新为“咳嗽、咳痰、喉咙疼痛、眼睛酸涩”，如此往复，以此类推，在此不再一一举例。
在一个实施场景中，为了提升问诊交互的效率，也可以在重新执行上述步骤之前，先基于问诊参考文本和最新的目标症状文本进行诊断预测，得到本轮交互的诊断置信度，并响应于本轮交互的诊断置信度满足预设条件，再重新执行基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤。上述方式，在循环问诊交互之前，先基于问诊参考文本和最新的目标症状文本预测得到本轮交互的诊断置信度，并在本轮交互的诊断置信度满足预设条件的情况下，再开始循环问诊交互，故能够确保通过尽可能少的有限轮交互，即可为后续诊断提供充足辅助信息，有助于在确保后续诊断的同时，提升问诊交互的效率。
在一个具体的实施场景中，预设条件可以设置为包括：本轮交互的诊断置信度不高于预设阈值。需要说明的是，预设阈值可以根据实际应用需要进行设置。例如，在对后续诊断的精度要求较高的情况下，预设阈值可以设置地适当大一些，如可以设置为0.95、0.97等，或者，在对后续诊断的精度要求相对宽松的情况下，预设阈值可以设置地适当小一些，如可以设置为0.85、0.87等，在此不做限定。
在一个具体的实施场景中，为了提升诊断预测的效率和精度，可以预先训练一个诊断预测模型，诊断预测模型可以包括但不限于：长短期记忆网络、卷积神经网络、循环神经网络等，在此对诊断预测模型的网络结构不做限定。在此基础上，可以将问诊参考文本和最新的目标症状文本输入诊断预测模型，得到本轮交互的诊断置信度。需要说明的是，诊断置信度可以表征基于问诊参考文本和最新的目标症状文本进行诊断预测的可信程度，诊断置信度越高，表面基于问诊参考文本和最新的目标症状文本进行诊断预测的可信程度越大，反之，诊断置信度越低，表面基于问诊参考文本和最新的目标症状文本进行诊断预测的可信程度越小，故在诊断置信度足够大的情况下，可以认为无需再进行问诊交互。此外，为了训练诊断预测模型，可以预先收集样本数据，且样本数据可以包括样本问诊参考文本和样本目标症状文本，两者的含义可以参阅前述相关描述，在此不再赘述。不同之处在于，在训练诊断预测模型时，为了使诊断预测模型能够学习到医生真实诊断思路，可以将医患对话过程中，患者在多轮对话中分别确定的症状文本所组成的目标症状文本，作为训练诊断预测模型的正样本，并将正样本对应的样本置信度设置为第一数值（如，1），对于正样本，希望诊断预测模型能够给出尽可能高的诊断置信度，并在正样本中随机剔除至少一个患者所确定的症状文本，作为诊断预测模型的负样本，并将负样本对应的样本置信度设置为第二数值（如，0），对于负样本，希望诊断预测模型能够给出尽可能低的诊断置信度。在此基础上，即可将样本问诊参考文本和样本目标症状文本输入诊断预测模型，得到预测置信度，并基于预测置信度与样本目标症状文本对应的样本置信度之间的差异，调整诊断预测模型的网络参数。具体而言，可以基于诸如交叉熵等损失函数度量预测置信度与样本目标症状文本对应的样本置信度之间的差异，以及基于诸如梯度下降等优化方式调整诊断预测模型的网络参数，在此不再赘述。
在一个具体的实施场景中，区别于本轮交互的诊断置信度满足预设条件，若本轮交互的诊断置信度不满足预设条件，则可以结束问诊交互流程，并提示目标对象问诊结束，等待诊断。具体来说，可以将问诊参考文本和目标症状文本发送给医生，以供医生提供人工诊断结果，或者，也可以将问诊参考文本和目标症状文本输入诊断推荐模型，由诊断推荐模型提供机器诊断结果，在此不做限定。在此之后，即可输出人工诊断结果或机器诊断结果，以供目标对象自诊自查。
上述方案，获取问诊参考文本，且问诊参考文本至少包括：目标对象输入的咨询文本和基于咨询文本预测到的系统文本，系统文本表征目标对象所患疾病所属的功能系统，基于此再基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本，且目标症状文本包括：目标对象在本轮交互之前已经选择的候选症状文本，并基于目标对象在本轮交互的若干候选症状文本中所选择的候选症状文本，更新目标症状文本，再重新执行基于文本参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤，一方面问诊交互过程中无需依赖于规则匹配，而是根据包含咨询文本的问诊参考文本针对性地在症状文本集合确定候选症状文本，从而能够根据目标对象的输入做出相应的策略性优化，有助于提升问诊交互的灵活性，另一方面问诊交互过程中先获取包含系统文本的问诊参考文本，且基于系统文本基于咨询文本预测到，系统文本表征目标对象所患疾病所属的功能系统，从而在问诊过程中先基于目标对象的咨询文本确定后续问诊范围，再通过若干轮交互进行症状鉴别，以此来实现层次化鉴别症状的问诊路径，有助于提升问诊交互的准确性和适用性。故此，能够提升问诊交互的灵活性、准确性和适用性。
请参阅图3，图3是本申请问诊交互装置30一实施例的框架示意图。问诊交互装置30包括：问诊参考获取模块31、候选症状确定模块32、目标症状更新模块33和循环问诊交互模块34，问诊参考获取模块31，用于获取问诊参考文本；其中，问诊参考文本至少包括：目标对象输入的咨询文本和基于咨询文本预测到的系统文本，且系统文本表征目标对象所患疾病所属的功能系统；候选症状确定模块32，用于基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本；其中，目标症状文本包括：目标对象在本轮交互之前已经选择的候选症状文本；目标症状更新模块33，用于基于目标对象在本轮交互的若干候选症状文本中所选择的候选症状文本，更新目标症状文本；循环问诊交互模块34，用于重新执行基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤。
上述方案，一方面问诊交互过程中无需依赖于规则匹配，而是根据包含咨询文本的问诊参考文本针对性地在症状文本集合确定候选症状文本，从而能够根据目标对象的输入做出相应的策略性优化，有助于提升问诊交互的灵活性，另一方面问诊交互过程中先获取包含系统文本的问诊参考文本，且基于系统文本基于咨询文本预测到，系统文本表征目标对象所患疾病所属的功能系统，从而在问诊过程中先基于目标对象的咨询文本确定后续问诊范围，再通过若干轮交互进行症状鉴别，以此来实现层次化鉴别症状的问诊路径，有助于提升问诊交互的准确性和适用性。故此，能够提升问诊交互的灵活性、准确性和适用性。
在一些公开实施例中，候选症状确定模块32包括文本编码子模块，用于基于问诊参考文本进行编码，得到参考文本表示，并基于目标症状文本进行编码，得到第一症状表示；候选症状确定模块32包括表示更新子模块，用于基于参考文本表示与第一症状表示之间的相关度，更新得到最新选择的候选症状文本的第二症状表示；候选症状确定模块32包括症状选择子模块，用于基于第二症状表示和症状文本集合中各预设症状文本的第三症状表示，选择至少一个预设症状文本作为本轮交互的候选症状文本。
在一些公开实施例中，参考文本表示包括问诊参考文本中各个字符的编码表示，第一症状表示包括目标症状文本中各个字符的编码表示；表示更新子模块包括相关度量单元，用于基于参考文本表示和第一症状表示，获取目标症状文本中每一字符分别与问诊参考文本中各个字符的相关度；表示更新子模块包括表示加权单元，用于对于最新选择的候选症状文本中每一字符，基于分别与问诊参考文本中各个字符的相关度对问诊参考文本中各个字符的编码表示进行加权，分别得到最新选择的候选症状文本中每一字符的加权表示；表示更新子模块包括表示获取单元，用于基于最新选择的候选症状文本中每一字符的加权表示，得到第二症状表示。
在一些公开实施例中，症状选择子模块包括相似度量单元，用于基于第二症状表示分别与各预设症状文本的第三症状表示之间的相似度，得到各预设症状文本的推荐分值；症状选择子模块包括文本选择单元，用于基于各预设症状文本的推荐分值，选择至少一个预设症状文本作为本轮交互的候选症状文本。
在一些公开实施例中，问诊参考文本还包括基于咨询文本与目标对象产生的交互文本，且交互文本包含目标对象所患疾病的相关属性；问诊参考获取模块31包括属性获取子模块，用于基于咨询文本、以症状为中心的第一知识图谱和以疾病为中心的第二知识图谱，获取需向目标对象问询的目标属性；问诊参考获取模块31包括系统预测子模块，用于获取目标对象响应于目标属性所回复的交互文本，并基于咨询文本和交互文本进行预测，得到系统文本；问诊参考获取模块31包括文本组合子模块，用于基于咨询文本、交互文本和系统文本，组合得到问诊参考文本。
在一些公开实施例中，属性获取子模块包括候选属性查询单元，用于基于咨询文本，从第一知识图谱中获取若干候选属性；属性获取子模块包括目标属性选择单元，用于基于第二知识图谱，选择至少一个候选属性作为目标属性；其中，第二知识图谱包含若干种疾病及其属性信息，且不同疾病关于目标属性的属性信息不同。
在一些公开实施例中，系统预测子模块包括候选疾病预测单元，用于基于咨询文本和交互文本进行分类预测，得到候选疾病文本；系统预测子模块包括候选科室查询单元，用于基于候选疾病文本在第二知识图谱中进行查询，得到与候选疾病文本相关的候选科室文本；系统预测子模块包括系统文本获取单元，用于基于候选疾病文本、候选科室文本中至少一者，得到系统文本。
在一些公开实施例中，若干候选症状文本由症状推荐模型预测得到，候选症状推荐模型基于样本数据训练得到，且样本数据包括样本问诊参考文本和样本推荐症状文本。
在一些公开实施例中，问诊交互装置30包括样本预测模块，用于基于症状推荐模型对样本问诊参考文本和样本目标症状文本进行预测，确定若干样本候选症状文本及其预测概率值；其中，样本目标症状文本包括已经选择的样本候选症状文本，若干样本候选症状文本在症状文本集合中选择得到；问诊交互装置30包括损失度量模块，用于基于样本推荐症状文本和若干样本候选症状文本及其预测概率值进行损失度量，得到模型损失；问诊交互装置30包括参数调整模块，用于基于模型损失，调整症状推荐模型的网络参数。
在一些公开实施例中，问诊交互装置30包括置信预测模块，用于基于问诊参考文本和最新的目标症状文本进行诊断预测，得到本轮交互的诊断置信度；循环问诊交互模块34具体用于响应于本轮交互的诊断置信度满足预设条件，重新执行基于问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤。
请参阅图4，图4是本申请电子设备40一实施例的框架示意图。电子设备40包括相互耦接的存储器41和处理器42，存储器41中存储有程序指令，处理器42用于执行程序指令以实现上述任一问诊交互方法实施例中的步骤。具体地，电子设备40可以包括但不限于：台式计算机、笔记本电脑、服务器、手机、平板电脑、自动服务机等等，在此不做限定。
具体而言，处理器42用于控制其自身以及存储器41以实现上述任一问诊交互方法实施例中的步骤。处理器42还可以称为CPU（Central Processing Unit，中央处理单元）。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器（Digital Signal Processor, DSP）、专用集成电路（Application SpecificIntegrated Circuit, ASIC）、现场可编程门阵列（Field-Programmable Gate Array,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也可以是任何常规的处理器等。另外，处理器42可以由集成电路芯片共同实现。
上述方案，一方面问诊交互过程中无需依赖于规则匹配，而是根据包含咨询文本的问诊参考文本针对性地在症状文本集合确定候选症状文本，从而能够根据目标对象的输入做出相应的策略性优化，有助于提升问诊交互的灵活性，另一方面问诊交互过程中先获取包含系统文本的问诊参考文本，且基于系统文本基于咨询文本预测到，系统文本表征目标对象所患疾病所属的功能系统，从而在问诊过程中先基于目标对象的咨询文本确定后续问诊范围，再通过若干轮交互进行症状鉴别，以此来实现层次化鉴别症状的问诊路径，有助于提升问诊交互的准确性和适用性。故此，能够提升问诊交互的灵活性、准确性和适用性。
请参阅图5，图5是本申请计算机可读存储介质50一实施例的框架示意图。计算机可读存储介质50存储有能够被处理器运行的程序指令51，程序指令51用于实现上述任一问诊交互方法实施例中的步骤。
上述方案，一方面问诊交互过程中无需依赖于规则匹配，而是根据包含咨询文本的问诊参考文本针对性地在症状文本集合确定候选症状文本，从而能够根据目标对象的输入做出相应的策略性优化，有助于提升问诊交互的灵活性，另一方面问诊交互过程中先获取包含系统文本的问诊参考文本，且基于系统文本基于咨询文本预测到，系统文本表征目标对象所患疾病所属的功能系统，从而在问诊过程中先基于目标对象的咨询文本确定后续问诊范围，再通过若干轮交互进行症状鉴别，以此来实现层次化鉴别症状的问诊路径，有助于提升问诊交互的准确性和适用性。故此，能够提升问诊交互的灵活性、准确性和适用性。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，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，可以存储在一个计算机可读取存储介质中。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计算机设备（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。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
若本申请技术方案涉及个人信息，应用本申请技术方案的产品在处理个人信息前，已明确告知个人信息处理规则，并取得个人自主同意。若本申请技术方案涉及敏感个人信息，应用本申请技术方案的产品在处理敏感个人信息前，已取得个人单独同意，并且同时满足“明示同意”的要求。例如，在摄像头等个人信息采集装置处，设置明确显著的标识告知已进入个人信息采集范围，将会对个人信息进行采集，若个人自愿进入采集范围即视为同意对其个人信息进行采集；或者在个人信息处理的装置上，利用明显的标识/信息告知个人信息处理规则的情况下，通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权；其中，个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。

Claims (12)

1.一种问诊交互方法，其特征在于，包括：
获取问诊参考文本；其中，所述问诊参考文本至少包括：目标对象输入的咨询文本和基于所述咨询文本预测到的系统文本，且所述系统文本表征所述目标对象所患疾病所属的功能系统；
基于所述问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本；其中，所述目标症状文本包括：所述目标对象在所述本轮交互之前已经选择的候选症状文本；
基于所述目标对象在所述本轮交互的若干候选症状文本中所选择的候选症状文本，更新所述目标症状文本；其中，更新后的目标症状文本由新选择的候选症状文本添加至更新前的目标症状文本得到；
基于诊断预测模型对所述问诊参考文本和最新的所述目标症状文本进行诊断预测，得到所述本轮交互的诊断置信度；其中，所述诊断置信度表征基于所述问诊参考文本和最新的所述目标症状文本进行诊断预测的可信程度；
响应于所述本轮交互的诊断置信度满足预设条件，重新执行所述基于所述问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤，直至所述诊断置信度不满足所述预设条件为止。
2.根据权利要求1所述的方法，其特征在于，所述基于所述问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本，包括：
基于所述问诊参考文本进行编码，得到参考文本表示，并基于所述目标症状文本进行编码，得到第一症状表示；
基于所述参考文本表示与所述第一症状表示之间的相关度，更新得到最新选择的候选症状文本的第二症状表示；
基于所述第二症状表示和所述症状文本集合中各预设症状文本的第三症状表示，选择至少一个所述预设症状文本作为所述本轮交互的候选症状文本。
3.根据权利要求2所述的方法，其特征在于，所述参考文本表示包括所述问诊参考文本中各个字符的编码表示，所述第一症状表示包括所述目标症状文本中各个字符的编码表示；所述基于所述参考文本表示与所述第一症状表示之间的相关度，更新得到最新选择的候选症状文本的第二症状表示，包括：
基于所述参考文本表示和所述第一症状表示，获取所述目标症状文本中每一字符分别与所述问诊参考文本中各个字符的相关度；
对于最新选择的候选症状文本中每一字符，基于分别与所述问诊参考文本中各个字符的相关度对所述问诊参考文本中各个字符的编码表示进行加权，分别得到最新选择的候选症状文本中每一字符的加权表示；
基于最新选择的候选症状文本中每一字符的加权表示，得到所述第二症状表示。
4.根据权利要求2所述的方法，其特征在于，所述基于所述第二症状表示和所述症状文本集合中各预设症状文本的第三症状表示，选择至少一个所述预设症状文本作为所述本轮交互的候选症状文本，包括：
基于所述第二症状表示分别与各所述预设症状文本的第三症状表示之间的相似度，得到各所述预设症状文本的推荐分值；
基于各所述预设症状文本的推荐分值，选择至少一个所述预设症状文本作为所述本轮交互的候选症状文本。
5.根据权利要求1所述的方法，其特征在于，所述问诊参考文本还包括基于所述咨询文本与所述目标对象产生的交互文本，且所述交互文本包含所述目标对象所患疾病的相关属性；所述获取问诊参考文本，包括：
基于所述咨询文本、以症状为中心的第一知识图谱和以疾病为中心的第二知识图谱，获取需向所述目标对象问询的目标属性；
获取所述目标对象响应于所述目标属性所回复的交互文本，并基于所述咨询文本和所述交互文本进行预测，得到所述系统文本；
基于所述咨询文本、所述交互文本和所述系统文本，组合得到所述问诊参考文本。
6.根据权利要求5所述的方法，其特征在于，所述基于所述咨询文本、以症状为中心的第一知识图谱和以疾病为中心的第二知识图谱，获取需向所述目标对象问询的目标属性，包括：
基于所述咨询文本，从所述第一知识图谱中获取若干候选属性；
基于所述第二知识图谱，选择至少一个所述候选属性作为目标属性；其中，所述第二知识图谱包含若干种疾病及其属性信息，且不同所述疾病关于所述目标属性的属性信息不同。
7.根据权利要求5所述的方法，其特征在于，所述基于所述咨询文本和所述交互文本进行预测，得到所述系统文本，包括：
基于所述咨询文本和所述交互文本进行分类预测，得到候选疾病文本；
基于所述候选疾病文本在所述第二知识图谱中进行查询，得到与所述候选疾病文本相关的候选科室文本；
基于所述候选疾病文本、所述候选科室文本中至少一者，得到所述系统文本。
8.根据权利要求1所述的方法，其特征在于，所述若干候选症状文本由症状推荐模型预测得到，所述症状推荐模型基于样本数据训练得到，且所述样本数据包括样本问诊参考文本和样本推荐症状文本。
9.根据权利要求8所述的方法，其特征在于，所述症状推荐模型的训练步骤包括：
基于所述症状推荐模型对所述样本问诊参考文本和样本目标症状文本进行预测，确定若干样本候选症状文本及其预测概率值；其中，所述样本目标症状文本包括已经选择的样本候选症状文本，所述若干样本候选症状文本在所述症状文本集合中选择得到；
基于所述样本推荐症状文本和所述若干样本候选症状文本及其预测概率值进行损失度量，得到模型损失；
基于所述模型损失，调整所述症状推荐模型的网络参数。
10.一种问诊交互装置，其特征在于，包括：
问诊参考获取模块，用于获取问诊参考文本；其中，所述问诊参考文本至少包括：目标对象输入的咨询文本和基于所述咨询文本预测到的系统文本，且所述系统文本表征所述目标对象所患疾病所属的功能系统；
候选症状确定模块，用于基于所述问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本；其中，所述目标症状文本包括：所述目标对象在所述本轮交互之前已经选择的候选症状文本；
目标症状更新模块，用于基于所述目标对象在所述本轮交互的若干候选症状文本中所选择的候选症状文本，更新所述目标症状文本；其中，更新后的目标症状文本由新选择的候选症状文本添加至更新前的目标症状文本得到；
置信预测模块，用于基于诊断预测模型对所述问诊参考文本和最新的所述目标症状文本进行诊断预测，得到所述本轮交互的诊断置信度；其中，所述诊断置信度表征基于所述问诊参考文本和最新的所述目标症状文本进行诊断预测的可信程度；
循环问诊交互模块，用于响应于所述本轮交互的诊断置信度满足预设条件，重新执行所述基于所述问诊参考文本和目标症状文本，在症状文本集合确定本轮交互的若干候选症状文本的步骤以及后续步骤，直至所述诊断置信度不满足所述预设条件为止。
11.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述存储器中存储有程序指令，所述处理器用于执行所述程序指令以实现权利要求1至9任一项所述的问诊交互方法。
12.一种计算机可读存储介质，其特征在于，存储有能够被处理器运行的程序指令，所述程序指令用于实现权利要求1至9任一项所述的问诊交互方法。
CN202210736890.7A 2022-06-27 2022-06-27 问诊交互方法及相关装置、电子设备、存储介质 Active CN114822830B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210736890.7A CN114822830B (zh) 2022-06-27 2022-06-27 问诊交互方法及相关装置、电子设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210736890.7A CN114822830B (zh) 2022-06-27 2022-06-27 问诊交互方法及相关装置、电子设备、存储介质

Publications (2)

Publication Number Publication Date
CN114822830A CN114822830A (zh) 2022-07-29
CN114822830B true CN114822830B (zh) 2022-12-06

Family

ID=82522283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210736890.7A Active CN114822830B (zh) 2022-06-27 2022-06-27 问诊交互方法及相关装置、电子设备、存储介质

Country Status (1)

Country Link
CN (1) CN114822830B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141358A (zh) * 2021-11-29 2022-03-04 平安医疗健康管理股份有限公司 基于知识图谱的疾病诊断装置、计算机设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110931137B (zh) * 2018-09-19 2023-07-07 京东方科技集团股份有限公司 机器辅助对话系统、方法及装置
CN112016295B (zh) * 2020-09-04 2024-02-23 平安科技（深圳）有限公司 症状数据处理方法、装置、计算机设备及存储介质
CN112015917A (zh) * 2020-09-07 2020-12-01 平安科技（深圳）有限公司 基于知识图谱的数据处理方法、装置及计算机设备
CN113722504A (zh) * 2021-08-27 2021-11-30 上海钛米机器人股份有限公司 预问诊信息生成方法及装置
CN113963793A (zh) * 2021-10-21 2022-01-21 清华大学 一种问诊方法及其相关设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114141358A (zh) * 2021-11-29 2022-03-04 平安医疗健康管理股份有限公司 基于知识图谱的疾病诊断装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN114822830A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN112863630A (zh) 基于数据和知识的个性化精准医疗问答系统
JP5977898B1 (ja) 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム
WO2023029506A1 (zh) 病情分析方法、装置、电子设备及存储介质
CN111316281A (zh) 基于机器学习的自然语言情境中数值数据的语义分类
WO2023178971A1 (zh) 就医的互联网挂号方法、装置、设备及存储介质
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
CN111048167A (zh) 一种层级式病例结构化方法及系统
JP6908977B2 (ja) 医療情報処理システム、医療情報処理装置及び医療情報処理方法
CN113223735B (zh) 基于对话表征的分诊方法、装置、设备及存储介质
US10936962B1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform
US11232260B2 (en) Updating a document utilizing trusted new information
CN116910172B (zh) 基于人工智能的随访量表生成方法及系统
CN112182168B (zh) 病历文本分析方法、装置、电子设备及存储介质
CN112201359A (zh) 基于人工智能的重症问诊数据识别方法及装置
CN113409907A (zh) 一种基于互联网医院的智能预问诊方法及系统
WO2023124837A1 (zh) 问诊处理方法、装置、设备及存储介质
CN113724859A (zh) 基于人工智能的疾病提示设备、方法、装置及存储介质
CN113436754A (zh) 一种智能终端问诊的医疗软件及其方法
CN115910319A (zh) 耳科问诊辅助方法、装置、电子设备及存储介质
CN112151187A (zh) 信息查询方法、装置、计算机设备和存储介质
CN116994695A (zh) 报告生成模型的训练方法、装置、设备及存储介质
CN111651579A (zh) 信息查询方法、装置、计算机设备和存储介质
CN112635050B (zh) 诊断推荐方法及电子设备、存储装置
CN114218378A (zh) 一种基于知识图谱的内容推送方法、装置、设备及介质
US20210133627A1 (en) Methods and systems for confirming an advisory interaction with an artificial intelligence platform

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 230000 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province

Patentee after: IFLYTEK Medical Technology Co.,Ltd.

Address before: 230000 floor 23-24, building A5, No. 666, Wangjiang West Road, high tech Zone, Hefei City, Anhui Province

Patentee before: Anhui Xunfei Medical Co.,Ltd.