CN114842985A - 一种元宇宙场景下的虚拟现实诊疗系统 - Google Patents

Abstract

本发明提供一种元宇宙场景下的虚拟现实诊疗系统，属于医疗技术领域，具体包括：患者用户端，医生用户端，通信网络；患者用户端负责患者虚拟形象的建立，虚拟形象基于现实患者真实形象建立，并通过通信网络传输至所述医生用户端；医生用户端负责医生虚拟形象和虚拟空间的建立，并通过通信网络与患者用户端进行信息交互，使得医生虚拟形象和患者虚拟形象处于同一个虚拟空间内，实时进行症状的沟通，并根据患者虚拟形象、症状的沟通结果、患者病例确定患者疾病类型；通信网络负责患者用户端和医生用户端之间信息的交互，从而更好的实现了更加准确和便捷的诊断。

Description

一种元宇宙场景下的虚拟现实诊疗系统

技术领域

本发明属于医疗技术领域，具体涉及一种元宇宙场景下的虚拟现实诊疗系统。

背景技术

元宇宙（Metaverse）是利用科技手段进行链接与创造的，与现实世界映射与交互的虚拟世界，产生潜在风险。具备新型社会体系的数字生活空间。元宇宙本质上是对现实世界的虚拟化、数字化过程，需要对内容生产、经济系统、用户体验以及实体世界内容等进行大量改造。但元宇宙的发展是循序渐进的，是在共享的基础设施、标准及协议的支撑下，由众多工具、平台不断融合、进化而最终成形。它基于扩展现实技术提供沉浸式体验，基于数字孪生技术生成现实世界的镜像，基于区块链技术搭建经济体系，将虚拟世界与现实世界在经济系统、社交系统、身份系统上密切融合，并且允许每个用户进行内容生产和世界编辑。

中国专利申请公布号CN113903480A公开了一种AR元宇宙去中心化医疗社区诊断系统，包括区块链网络，区块链网络上具有作为节点及分布式应用程序的患者终端和 医生终端，区块链网络上还具有虚拟医院节点；患者终端将病历信息写入区块链网络各节点维护的区块链；虚拟医院节点将医院建模写入区块链网络各节点维护的区块链，医院建模用于患者终端接入后在第一视角或其他视角下观察到医院建模中的陈设，并通过AR导航、AR聊天、交互动作、执行挂号、医患匹配流程；医生终端根据医患匹配流程获取患者终端提供的病历信息，在得出诊断信息后，将诊断信息写入区块链网络各节点维护的区块链以供患者终端获取；患者终端和医生终端均具备可在虚拟和现实之间产生联系的功能，但是患者病例往往是根据自身的描述，由于害怕隐私泄露，医学常识不足，导致病例往往参考价值不大，从而使得最终的诊断结果准确率不佳。

现有技术问题思考：目前在元宇宙场景下对患者进行诊断仅仅依靠患者本身上传的病例，导致诊断结果准确率不佳。

基于上述技术问题，需要设计一种元宇宙场景下的虚拟现实诊疗系统。

发明内容

本发明的目的是提供一种元宇宙场景下的虚拟现实诊疗系统。

为了解决上述技术问题，本发明第一方面提供了一种元宇宙场景下的虚拟现实诊疗系统，其特征在于，具体包括：

患者用户端，医生用户端，通信网络；

所述患者用户端负责患者虚拟形象的建立，所述虚拟形象基于现实患者真实形象建立，并通过通信网络将所述患者虚拟形象、患者病例传输至所述医生用户端，通过所述通信网络实现与所述医生用户端之间信息的交互；

所述医生用户端负责医生虚拟形象和虚拟空间的建立，并通过所述通信网络与所述患者用户端进行信息交互，使得所述医生虚拟形象和所述患者虚拟形象处于同一个所述虚拟空间内，实时进行症状的沟通，并根据所述患者虚拟形象、症状的沟通结果、所述患者病例确定患者疾病类型；

所述通信网络负责所述患者用户端和医生用户端之间信息的交互。

首先患者用户端通过基于自身真实形象实现对虚拟形象的搭建，并基于通信网络将虚拟新型和患者病例传输给医生用户端，从而使得医生不仅仅可以根据患者病例实现对患者疾病的诊断，使得诊断结果更为准确，通信网络将用户端的数据包括患者虚拟形象、患者病例传输给医生用户端，并负责医生用户端与患者用户端之间的沟通信息的传输，医生用户端通过建立医生虚拟形象和虚拟空间，将患者虚拟形象、医生虚拟形象处于同一个虚拟空间内，进行症状的沟通，并最终通过患者虚拟形象、症状的沟通结果、所述患者病例确定患者疾病类型，并给出下一阶段的治疗建议或者开设处方。

通过采用患者用户端根据患者的真实形象实现对患者虚拟形象的搭建，并通过通信网络将患者的虚拟图像和病例信息传输至医生用户端，从而使得对于患者疾病的诊断不仅仅依靠患者自身提供的患者病例，而通过进一步与患者沟通的结果，基于真实形象搭建的患者形象，从而可以基于多方面实现对患者病症的确定，从而使得最终的诊断结果变得更加的准确。

进一步的技术方案在于，基于现实患者真实形象建立所述虚拟形象的具体步骤为：

S11 通过摄像装置对患者进行拍摄获得患者图像，通过测温装置获得患者体温；

S12 基于所述患者图像采用三维重建技术建立患者的虚拟三维形象，并通过所述患者体温对所述患者虚拟三维形象进行标注，从而获得患者的虚拟形象。

通过采用三维重建技术，将所述的患者图像重建为虚拟三维形象，从而可以使得患者的虚拟三维形象能够真实反应患者的真实状态，为医生进行准确的病症判断奠定了基础，通过测温装置获得患者体温，并对虚拟三维形象进行标注，使得患者的虚拟形象不仅仅可以反应患者的体貌特征，还可以对其真实的体温状况进行反应，从而为最终的病症判断提供了更多的信息，使得判断的准确度大大提升。

进一步的技术方案在于，所述患者病例包括病人身份信息、基础疾病、疾病症状、病史。

进一步的技术方案在于，在通过摄像装置对患者进行拍摄获得患者图像时，所述患者客户端根据对所述患者病例的识别结果，对所述摄像装置进行引导，对所述患者的疑似病患部位的疾病特征进行拍摄得到病患部位特征图像，并对除所述患者的疑似病患部位的其他部位的图像和所述病患部位图像进行筛选，并根据筛选得到的图像构建所述患者图像。

通过对患者病例的识别，引导摄像装置进行病患部位的疾病特征进行拍摄，从而使得患者虚拟形象能够更加真实的反应患者的疾病状态，并对图像进行筛选，对于某些清晰度不高或者噪声过大的照片进行剔除，从而使得患者虚拟形象更加真实可靠。

进一步的技术方案在于，所述患者用户端根据对所述患者病例的识别结果，自动为所述患者进行就诊科室的匹配，并根据匹配结果进行所述就诊科室的医生的推荐得到推荐结果，并由所述患者根据所述推荐结果进行医生的选择。

通过对患者病例的识别结果，进行就诊科室的匹配，从而解决了由于患者本人由于对医院部门设置不准确导致的挂号不准确或者不知道怎么进行选择的问题，从而使得用户能够更加准确的选择医生，实现针对性的匹配。

进一步的技术方案在于，所述患者用户端对所述患者病例进行识别的具体步骤为：

S21 读取所述患者病例，并对所述患者病例的文字进行分词处理，得到患者病例分词；

S22 根据专家算法对所述病例分词进行关键词提取，并将所述关键词进行统一化表述，得到病例关键词；

S23 将所述病例关键词送入到训练完成的基于注意力机制的BI-LSTM算法的预测模型中，其中所述注意力机制对所述关键词进行加权处理，预测得到此时的识别结果。

首先通过专家算法实现对病例分词的提取，由于医学关键词的专业性以及多样性，采取专家算法对多样的病例分词进行提取，从而实现了将不同医生的关键词的统一化描述，更能准确的对应病症；其次由于不同的关键词的效率各不相同，通过采用注意力机制对不同关键词进行加权处理，从而使得不同关键词在进行识别时其影响程度各不相同，从而可以在提高预测效率的同时，还可以进一步提升预测速度。

进一步的技术方案在于，所述通信网络负责所述患者用户端和医生用户端之间信息的交互时，采用区块链的形式或者AES加密算法，对所述信息进行加密。

通过加密的方式，从而使得在信息的交互过程中能够进行加密，防止用户的个人信息被泄露。

进一步的技术方案在于，在进行症状的沟通之前，所述医生用户端会推送所述患者的就诊记录，以辅助医生进行疾病的诊断。

进一步的技术方案在于，所述医生用户端会根据病人的所述患者病例，自动推送相似度大于第一阈值的相似患者，并根据所述相似患者的诊断结果和检查项目进行所述检查项目的推荐，并自动推荐初步诊断结果，以供医生进行参考。

进一步的技术方案在于，所述自动推送相似度大于第一阈值的相似患者的具体步骤为：

S31采用基于BM25算法的相似度模型求得患者病例与历史数据库中的病人病例之间的相似度数据；

S32 依据所述历史数据库中的病人病例的主治医生的年限、职称信息、所述病人病例的医院等级，对所述相似度数据进行加权处理得到最终的相似度；

S33当所述历史数据库中的病人病例与患者病例的相似度大于第一阈值时，自动推送所述相似患者，其中第一阈值根据所述历史数据库中的病人病例的数量、疾病的类型进行确定。

通过基于BM25算法的相似度模型求得患者病例与历史数据库中的病人病例之间的相似度数据，与传统型的TF-IDF算法相比增加了多个可调参数，具有更好的灵活性和实用性，依据历史数据库中的病人病例的主治医生以及医院的等级，对得到的相似度数据进行加权处理，对于病人病例的主治医生专业程度越高，医院等级越高，其病例可信度越高，参考意义越大，因此对相似度函数进行加权处理，使得可信度更高的病例越容易被推荐，这也使得得到参考，同时依据其中第一阈值根据所述历史数据库中的病人病例的数量、疾病的类型进行确定，对于病人病历的数量较少的，其阈值可以设定的尽量低点，以免由于病例数量过少不具有参考意义，另外一方面根据疾病的类型进行确定，对于某些疾病类型例如感冒，磕伤等常见病例，数据量比较大，阈值尽量设置的更高点，骨折等意外损伤病例，不同的损伤程度和部位，其参考意义并不大，因此也需要将阈值设置的更高点，这些病例数量多且未涉及人体核心器官；对于一些病种，例如脑部、心脏涉及到的疾病，其涉及到人体核心器官，需要将阈值设置的低一点，以便推送更多的参考病例，使医生进行诊断时有更多的参考，也会更加慎重。

其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1是根据实施例1中的一种元宇宙场景下的虚拟现实诊疗系统的构成图。

图2是基于现实患者真实形象建立所述虚拟形象的具体步骤的流程图。

图3是实施例1中的患者用户端对所述患者病例进行识别的具体步骤的流程图。

图4是实施例1中的自动推送相似度大于第一阈值的相似患者的具体步骤的流程图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

实施例1

为了解决上述技术问题，如图1所示，本发明提供了一种元宇宙场景下的虚拟现实诊疗系统，其特征在于，具体包括：

患者用户端，医生用户端，通信网络；

所述患者用户端负责患者虚拟形象的建立，所述虚拟形象基于现实患者真实形象建立，并通过通信网络将所述患者虚拟形象、患者病例传输至所述医生用户端，通过所述通信网络实现与所述医生用户端之间信息的交互；

所述医生用户端负责医生虚拟形象和虚拟空间的建立，并通过所述通信网络与所述患者用户端进行信息交互，使得所述医生虚拟形象和所述患者虚拟形象处于同一个所述虚拟空间内，实时进行症状的沟通，并根据所述患者虚拟形象、症状的沟通结果、所述患者病例确定患者疾病类型；

所述通信网络负责所述患者用户端和医生用户端之间信息的交互。

首先患者用户端通过基于自身真实形象实现对虚拟形象的搭建，并基于通信网络将虚拟新型和患者病例传输给医生用户端，从而使得医生不仅仅可以根据患者病例实现对患者疾病的诊断，使得诊断结果更为准确，通信网络将用户端的数据包括患者虚拟形象、患者病例传输给医生用户端，并负责医生用户端与患者用户端之间的沟通信息的传输，医生用户端通过建立医生虚拟形象和虚拟空间，将患者虚拟形象、医生虚拟形象处于同一个虚拟空间内，进行症状的沟通，并最终通过患者虚拟形象、症状的沟通结果、所述患者病例确定患者疾病类型，并给出下一阶段的治疗建议或者开设处方。

通过采用患者用户端根据患者的真实形象实现对患者虚拟形象的搭建，并通过通信网络将患者的虚拟图像和病例信息传输至医生用户端，从而使得对于患者疾病的诊断不仅仅依靠患者自身提供的患者病例，而通过进一步与患者沟通的结果，基于真实形象搭建的患者形象，从而可以基于多方面实现对患者病症的确定，从而使得最终的诊断结果变得更加的准确。

举个例子，患者患有感冒，通过患者用户端进行病例数据的上传，以及个人真实形象的虚拟形象的上传，医生客户端在接到患者虚拟图像之后，将其放置于跟医生虚拟形象在一起的诊断空间内，并根据患者的感冒病例，进行疾病的沟通，例如是否存在发烧头痛等症状，通过虚拟图像观察患者状态，从而确定疾病类型，并给出治疗建议。

在另外的一种可能的实施例中，如图2所示，基于现实患者真实形象建立所述虚拟形象的具体步骤为：

S11 通过摄像装置对患者进行拍摄获得患者图像，通过测温装置获得患者体温；

S12 基于所述患者图像采用三维重建技术建立患者的虚拟三维形象，并通过所述患者体温对所述患者虚拟三维形象进行标注，从而获得患者的虚拟形象。

通过采用三维重建技术，将所述的患者图像重建为虚拟三维形象，从而可以使得患者的虚拟三维形象能够真实反应患者的真实状态，为医生进行准确的病症判断奠定了基础，通过测温装置获得患者体温，并对虚拟三维形象进行标注，使得患者的虚拟形象不仅仅可以反应患者的体貌特征，还可以对其真实的体温状况进行反应，从而为最终的病症判断提供了更多的信息，使得判断的准确度大大提升。

在另外的一种可能的实施例中，所述患者病例包括病人身份信息、基础疾病、疾病症状、病史。

在另外的一种可能的实施例中，在通过摄像装置对患者进行拍摄获得患者图像时，所述患者客户端根据对所述患者病例的识别结果，对所述摄像装置进行引导，对所述患者的疑似病患部位的疾病特征进行拍摄得到病患部位特征图像，并对除所述患者的疑似病患部位的其他部位的图像和所述病患部位图像进行筛选，并根据筛选得到的图像构建所述患者图像。

通过对患者病例的识别，引导摄像装置进行病患部位的疾病特征进行拍摄，从而使得患者虚拟形象能够更加真实的反应患者的疾病状态，并对图像进行筛选，对于某些清晰度不高或者噪声过大的照片进行剔除，从而使得患者虚拟形象更加真实可靠。

在另外的一种可能的实施例中，所述患者用户端根据对所述患者病例的识别结果，自动为所述患者进行就诊科室的匹配，并根据匹配结果进行所述就诊科室的医生的推荐得到推荐结果，并由所述患者根据所述推荐结果进行医生的选择。

通过对患者病例的识别结果，进行就诊科室的匹配，从而解决了由于患者本人由于对医院部门设置不准确导致的挂号不准确或者不知道怎么进行选择的问题，从而使得用户能够更加准确的选择医生，实现针对性的匹配。

在另外的一种可能的实施例中，如图3所示，所述患者用户端对所述患者病例进行识别的具体步骤为：

S21 读取所述患者病例，并对所述患者病例的文字进行分词处理，得到患者病例分词；

S22 根据专家算法对所述病例分词进行关键词提取，并将所述关键词进行统一化表述，得到病例关键词；

S23 将所述病例关键词送入到训练完成的基于注意力机制的BI-LSTM算法的预测模型中，其中所述注意力机制对所述关键词进行加权处理，预测得到此时的识别结果。

首先通过专家算法实现对病例分词的提取，由于医学关键词的专业性以及多样性，采取专家算法对多样的病例分词进行提取，从而实现了将不同医生的关键词的统一化描述，更能准确的对应病症；其次由于不同的关键词的效率各不相同，通过采用注意力机制对不同关键词进行加权处理，从而使得不同关键词在进行识别时其影响程度各不相同，从而可以在提高预测效率的同时，还可以进一步提升预测速度。

举个例子，若病人的病例为感冒，病例中这么描写状态“最近两三天每天都在发烧，温度都达到了38度，但是昨天稍微好点，37度多，今天又是38度”，提取关键词，两三天，发烧，38度，昨天37度多，今天38度，并根据关键词进行-加权处理，两三天发烧38度，昨天，37度多进行加权处理，并送入到预测模型中，得到发烧的预测结果。

在另外的一种可能的实施例中，所述通信网络负责所述患者用户端和医生用户端之间信息的交互时，采用区块链的形式或者AES加密算法，对所述信息进行加密。

通过加密的方式，从而使得在信息的交互过程中能够进行加密，防止用户的个人信息被泄露。

在另外的一种可能的实施例中，在进行症状的沟通之前，所述医生用户端会推送所述患者的就诊记录，以辅助医生进行疾病的诊断。

在另外的一种可能的实施例中，所述医生用户端会根据病人的所述患者病例，自动推送相似度大于第一阈值的相似患者，并根据所述相似患者的诊断结果和检查项目进行所述检查项目的推荐，并自动推荐初步诊断结果，以供医生进行参考。

在另外的一种可能的实施例中，如图4所示，所述自动推送相似度大于第一阈值的相似患者的具体步骤为：

S31采用基于BM25算法的相似度模型求得患者病例与历史数据库中的病人病例之间的相似度数据；

S32 依据所述历史数据库中的病人病例的主治医生的年限、职称信息、所述病人病例的医院等级，对所述相似度数据进行加权处理得到最终的相似度；

S33当所述历史数据库中的病人病例与患者病例的相似度大于第一阈值时，自动推送所述相似患者，其中第一阈值根据所述历史数据库中的病人病例的数量、疾病的类型进行确定。

通过基于BM25算法的相似度模型求得患者病例与历史数据库中的病人病例之间的相似度数据，与传统型的TF-IDF算法相比增加了多个可调参数，具有更好的灵活性和实用性，依据历史数据库中的病人病例的主治医生以及医院的等级，对得到的相似度数据进行加权处理，对于病人病例的主治医生专业程度越高，医院等级越高，其病例可信度越高，参考意义越大，因此对相似度函数进行加权处理，使得可信度更高的病例越容易被推荐，这也使得得到参考，同时依据其中第一阈值根据所述历史数据库中的病人病例的数量、疾病的类型进行确定，对于病人病历的数量较少的，其阈值可以设定的尽量低点，以免由于病例数量过少不具有参考意义，另外一方面根据疾病的类型进行确定，对于某些疾病类型例如感冒，磕伤等常见病例，数据量比较大，阈值尽量设置的更高点，骨折等意外损伤病例，不同的损伤程度和部位，其参考意义并不大，因此也需要将阈值设置的更高点，这些病例数量多且未涉及人体核心器官；对于一些病种，例如脑部、心脏涉及到的疾病，其涉及到人体核心器官，需要将阈值设置的低一点，以便推送更多的参考病例，使医生进行诊断时有更多的参考，也会更加慎重。

在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。

在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

可如下所述地配置本发明：

1）一种元宇宙场景下的虚拟现实诊疗系统，具体包括：

患者用户端，医生用户端，通信网络；

患者用户端负责患者虚拟形象的建立，虚拟形象基于现实患者真实形象建立，并通过通信网络将患者虚拟形象）患者病例传输至医生用户端，通过通信网络实现与医生用户端之间信息的交互；

医生用户端负责医生虚拟形象和虚拟空间的建立，并通过通信网络与患者用户端进行信息交互，使得医生虚拟形象和患者虚拟形象处于同一个虚拟空间内，实时进行症状的沟通，并根据患者虚拟形象、症状的沟通结果、患者病例确定患者疾病类型；

通信网络负责患者用户端和医生用户端之间信息的交互。

2）根据1）的虚拟现实诊疗系统，患者病例包括病人身份信息、基础疾病、疾病症状、病史。

3）根据1）或2）的虚拟现实诊疗系统，基于现实患者真实形象建立虚拟形象的具体步骤为：

S11 通过摄像装置对患者进行拍摄获得患者图像，通过测温装置获得患者体温；

S12 基于患者图像采用三维重建技术建立患者的虚拟三维形象，并通过患者体温对患者虚拟三维形象进行标注，从而获得患者的虚拟形象。

4）根据1）-3）中任一项的虚拟现实诊疗系统，在通过摄像装置对患者进行拍摄获得患者图像时，患者客户端根据对患者病例的识别结果，对摄像装置进行引导，对患者的疑似病患部位的疾病特征进行拍摄得到病患部位特征图像，并对除患者的疑似病患部位的其他部位的图像和病患部位图像进行筛选，并根据筛选得到的图像构建患者图像。

5）根据1）-4）中任一项的虚拟现实诊疗系统，患者用户端根据对患者病例的识别结果，自动为患者进行就诊科室的匹配，并根据匹配结果进行就诊科室的医生的推荐得到推荐结果，并由患者根据推荐结果进行医生的选择。

6）根据5）的虚拟现实诊疗系统，患者用户端对患者病例进行识别的具体步骤为：

S21 读取患者病例，并对患者病例的文字进行分词处理，得到患者病例分词；

S22 根据专家算法对病例分词进行关键词提取，并将关键词进行统一化表述，得到病例关键词；

S23 将病例关键词送入到训练完成的基于注意力机制的BI-LSTM算法的预测模型中，其中注意力机制对关键词进行加权处理，预测得到此时的识别结果。

7）根据1）-6）中任一项的虚拟现实诊疗系统，通信网络负责患者用户端和医生用户端之间信息的交互时，采用区块链的形式或者AES加密算法，对信息进行加密。

8）根据1）-7）中任一项的虚拟现实诊疗系统，在进行症状的沟通之前，医生用户端会推送所述患者的就诊记录，以辅助医生进行疾病的诊断。

9）根据1）-8）中任一项的虚拟现实诊疗系统，医生用户端会根据病人的患者病例，自动推送相似度大于第一阈值的相似患者，并根据相似患者的诊断结果和检查项目进行检查项目的推荐，并自动推荐初步诊断结果，以供医生进行参考。

10）根据9）的虚拟现实诊疗系统，自动推送相似度大于第一阈值的相似患者的具体步骤为：

S31采用基于BM25算法的相似度模型求得患者病例与历史数据库中的病人病例之间的相似度数据；

S32 依据历史数据库中的病人病例的主治医生的年限、职称信息、病人病例的医院等级，对相似度数据进行加权处理得到最终的相似度；

S33当历史数据库中的病人病例与患者病例的相似度大于第一阈值时，自动推送相似患者，其中第一阈值根据历史数据库中的病人病例的数量、疾病的类型进行确定。

以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (10)

1.一种元宇宙场景下的虚拟现实诊疗系统，其特征在于，具体包括：

患者用户端，医生用户端，通信网络；

所述患者用户端负责患者虚拟形象的建立，所述虚拟形象基于现实患者真实形象建立，并通过通信网络将所述患者虚拟形象、患者病例传输至所述医生用户端，通过所述通信网络实现与所述医生用户端之间信息的交互；

所述医生用户端负责医生虚拟形象和虚拟空间的建立，并通过所述通信网络与所述患者用户端进行信息交互，使得所述医生虚拟形象和所述患者虚拟形象处于同一个所述虚拟空间内，实时进行症状的沟通，并根据所述患者虚拟形象、症状的沟通结果、所述患者病例确定患者疾病类型；

所述通信网络负责所述患者用户端和医生用户端之间信息的交互。

2.如权利要求1所述的虚拟现实诊疗系统，其特征在于，所述患者病例包括病人身份信息、基础疾病、疾病症状、病史。

3.如权利要求1所述的虚拟现实诊疗系统，其特征在于，基于现实患者真实形象建立所述虚拟形象的具体步骤为：

S11 通过摄像装置对患者进行拍摄获得患者图像，通过测温装置获得患者体温；

S12 基于所述患者图像采用三维重建技术建立患者的虚拟三维形象，并通过所述患者体温对所述患者虚拟三维形象进行标注，从而获得患者的虚拟形象。

4.如权利要求3所述的虚拟现实诊疗系统，其特征在于，在通过摄像装置对患者进行拍摄获得患者图像时，所述患者客户端根据对所述患者病例的识别结果，对所述摄像装置进行引导，对所述患者的疑似病患部位的疾病特征进行拍摄得到病患部位特征图像，并对除所述患者的疑似病患部位的其他部位的图像和所述病患部位图像进行筛选，并根据筛选得到的图像构建所述患者图像。

5.如权利要求1所述的虚拟现实诊疗系统，其特征在于，所述患者用户端根据对所述患者病例的识别结果，自动为所述患者进行就诊科室的匹配，并根据匹配结果进行所述就诊科室的医生的推荐得到推荐结果，并由所述患者根据所述推荐结果进行医生的选择。

6.如权利要求5所述的虚拟现实诊疗系统，其特征在于，所述患者用户端对所述患者病例进行识别的具体步骤为：

S21 读取所述患者病例，并对所述患者病例的文字进行分词处理，得到患者病例分词；

S22 根据专家算法对所述病例分词进行关键词提取，并将所述关键词进行统一化表述，得到病例关键词；

S23 将所述病例关键词送入到训练完成的基于注意力机制的BI-LSTM算法的预测模型中，其中所述注意力机制对所述关键词进行加权处理，预测得到此时的识别结果。

7.如权利要求1所述的虚拟现实诊疗系统，其特征在于，所述通信网络负责所述患者用户端和医生用户端之间信息的交互时，采用区块链的形式或者AES加密算法，对所述信息进行加密。

8.如权利要求1所述的虚拟现实诊疗系统，其特征在于，在进行症状的沟通之前，所述医生用户端会推送所述患者的就诊记录，以辅助医生进行疾病的诊断。

9.如权利要求1所述的虚拟现实诊疗系统，其特征在于，所述医生用户端会根据病人的所述患者病例，自动推送相似度大于第一阈值的相似患者，并根据所述相似患者的诊断结果和检查项目进行所述检查项目的推荐，并自动推荐初步诊断结果，以供医生进行参考。

10.如权利要求9所述的虚拟现实诊疗系统，其特征在于，所述自动推送相似度大于第一阈值的相似患者的具体步骤为：

S31采用基于BM25算法的相似度模型求得患者病例与历史数据库中的病人病例之间的相似度数据；

S32 依据所述历史数据库中的病人病例的主治医生的年限、职称信息、所述病人病例的医院等级，对所述相似度数据进行加权处理得到最终的相似度；

S33当所述历史数据库中的病人病例与患者病例的相似度大于第一阈值时，自动推送所述相似患者，其中第一阈值根据所述历史数据库中的病人病例的数量、疾病的类型进行确定。

Images