CN115798667A - 体检报告生成方法、装置、计算机设备和存储介质 - Google Patents
体检报告生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115798667A CN115798667A CN202211441093.2A CN202211441093A CN115798667A CN 115798667 A CN115798667 A CN 115798667A CN 202211441093 A CN202211441093 A CN 202211441093A CN 115798667 A CN115798667 A CN 115798667A
- Authority
- CN
- China
- Prior art keywords
- physical examination
- examination report
- sorting
- result
- initial
- 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
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种体检报告生成方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取受检对象的各分检项目的分检结果,并根据各分检项目的分检结果和目标模型,确定初始体检报告,初始体检报告包括分检结果和各分检结果对应的总检结果,目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型,进而向目标终端发送初始体检报告;初始体检报告用于供目标终端对初始体检报告进行审核后得到第一中间体检报告,从而接收目标终端发送的第一中间体检报告,并根据第一中间体检报告生成目标体检报告。采用本方法能够节省人力。
Description
技术领域
本申请涉及医学技术领域,特别是涉及一种体检报告生成方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在进行体检时,用户需要完成一系列分检项目,例如一般检查、内科检查、外科检查、电子计算机断层扫描(Computed Tomography,CT)检查等,并在完成体检后获得对应的体检报告。由于仅某个分检项目的异常并不具有参考意义,因此,体检报告中不仅包括了用户完成分检项目后,医学工作人员出具的各分科检查结果,也即分检结果,还包括了资深医学工作人员对各分检项目的分检结果进行汇总,综合分析后得到的总检结果。
目前,体检机构均是在得到各个分检项目的结果后通过人工进行汇总,并得到最终的总检结果。
发明内容
基于此,有必要针对上述技术问题,提供一种能够节约人力的体检报告生成方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种体检报告生成方法。所述方法包括:
获取受检对象的各分检项目的分检结果;
根据各该分检项目的分检结果和目标模型,确定初始体检报告,该初始体检报告包括该分检结果和各该分检结果对应的总检结果,该目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型;
向目标终端发送该初始体检报告;该初始体检报告用于供该目标终端对该初始体检报告进行审核后得到第一中间体检报告;
接收该目标终端发送的该第一中间体检报告,并根据该第一中间体检报告生成目标体检报告。
在其中一个实施例中,所述方法还包括:
获取该分检结果样本和该分检结果样本对应的总检结果样本;
根据分检结果样本和该分检结果样本对应的总检结果样本,训练初始模型得到该目标模型。
在其中一个实施例中,该获取该分检结果样本和该分检结果样本对应的总检结果样本,包括:
获取初始分检结果样本,对该初始分检结果样本进行关系抽取,得到该分检结果样本;
根据该分检结果样本和实际的总检结果,确定该分检结果样本对应的总检结果样本。
在其中一个实施例中,该根据分检结果样本和该分检结果样本对应的总检结果样本,训练初始模型得到该目标模型,包括:
根据训练样本以及该训练样本对应的总检结果样本,对该初始模型进行训练得到中间模型;
根据该中间模型、验证样本以及该验证样本对应的总检结果样本,得到该中间模型对应的预测评价指标;
根据该预测评价指标和预设评价指标,对该中间模型进行更新得到该目标模型。
在其中一个实施例中,该总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,该待检查分检项目根据该诊断结果确定。
在其中一个实施例中,该根据该第一中间体检报告生成目标体检报告,包括:
若该第一中间体检报告满足体检报告合规条件,则根据该第一中间体检报告和第一预设体检报告合规标识生成该目标体检报告;
其中,该第一中间体检报告包括该目标终端对应的第二预设体检报告合规标识。
在其中一个实施例中,所述方法还包括:
若该第一中间体检报告不满足该体检报告合规条件,则对该第一中间体检报告进行修改以得到第二中间体检报告,该第二中间体检报告不包括该第二预设体检报告合规标识;
根据该第二中间体检报告和该第一预设体检报告合规标识生成该目标体检报告。
第二方面,本申请还提供了一种体检报告生成装置。所述装置包括:
第一获取模块,用于获取受检对象的各分检项目的分检结果;
确定模块,用于根据各该分检项目的分检结果和目标模型,确定初始体检报告,该初始体检报告包括该分检结果和各该分检结果对应的总检结果,该目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型;
发送模块,用于向目标终端发送该初始体检报告;该初始体检报告用于供该目标终端对该初始体检报告进行审核后得到第一中间体检报告;
第一生成模块,用于接收该目标终端发送的该第一中间体检报告,并根据该第一中间体检报告生成目标体检报告。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方法的步骤。
上述体检报告生成方法、装置、计算机设备、存储介质和计算机程序产品,获取受检对象的各分检项目的分检结果,并根据各分检项目的分检结果和目标模型,确定初始体检报告,进而向目标终端发送初始体检报告;初始体检报告用于供目标终端对初始体检报告进行审核后得到第一中间体检报告,从而接收目标终端发送的第一中间体检报告,并根据第一中间体检报告生成目标体检报告。由于初始体检报告包括分检结果和各分检结果对应的总检结果,目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型,因此,本申请中在获取到受检对象的各分检项目的分检结果后,就能利用目标模型自动地确定初始体检报告,无需人工在得到各个分检项目的结果后通过进行汇总,避免了传统技术在体检报告的生成过程中浪费人力的问题,节约了人力。进一步地,本申请在得到初步体检报告后,还会将初步体检报告发送给目标终端,以由目标终端对初始体检报告进行审核得到第一中间体检报告,因此,提高了根据第一体检报告得到的目标体检报告的准确性。
附图说明
图1为本申请实施例中体检报告生成方法的应用环境图;
图2为本申请实施例中体检报告生成方法的流程示意图;
图3为本申请实施例中一种得到目标模型的流程示意图;
图4为本申请实施例中一种确定分检结果样本对应的总检结果样本的流程示意图;
图5为本申请实施例中确定总检结果样本的原理示意图;
图6为本申请实施例中一种得到目标模型的流程示意图;
图7为本申请实施例中目标模型的示意图;
图8为本申请实施例中一种生成目标体检报告的流程示意图;
图9为本申请实施例的整体流程示意图;
图10为本申请实施例中体检报告生成装置的结构框图;
图11为本申请实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
健康体检行业在我国已颇具规模且发展迅速。然而,由于缺乏统一的标准和合适的技术手段,健康体检行业的数据孤岛现象非常突出,尤其对于健康体检报告,体检机构或者体检医院生成的体检报告往往缺乏统一性、科学性和准确性。
具体地,在进行体检时,用户(也即受检对象)需要完成一系列分检项目,例如一般检查、内科检查、外科检查、电子计算机断层扫描(Computed Tomography,CT)检查等,并在完成体检后获得对应的体检报告。由于仅某个分检项目的异常并不具有参考意义,因此,体检报告中不仅包括了用户完成分检项目后,医学工作人员出具的分检结果,还包括了资深医学工作人员对各分检项目的分检结果进行综合分析后得到的总检结果。
其中,资深医学工作人员包括按现行医疗机构体检科室指导文件要求该岗位需“副高级”职称及以上医师,也称“副主任医师”。资深医学工作人员对分检结果进行汇总时,可以根据过往临床经验,以及国家卫健委医学专业教材规定的疾病诊断指南、中华医学会健康管理学分会《健康体检重要异常结果管理专家共识》、《健康体检报告规范与管理》等权威指导机构、教材、学术规范等得到对应的总检结果。
由于目前各体检机构均是在得到各个分检项目的结果后通过人工使用既有的“经验医学”方法进行汇总,并得到最终的总检结果。因此,目前的体检报告的生成方法中,还存在以下问题:
第一,由于工作量庞大,因此胜任总检工作的副高级总检医师人才也较为稀缺,从而导致各医疗体检机构总检资源不足,制约每天的可体检总人数和体检工作效率。
第二,各资深医学工作人员的岗位技能水平也存在极大的差异,因此对诊断的各危险因素权重认定、人体部位及体征的描述、各检验检查手段的置信度都存在不同程度差异。
第三,由于地区之间的医疗资源的不均分布,导致了发达与欠发达地区的医疗水平、检验检查能力、资深医学工作人员的综合水平存在显著差异,欠发达地区的资深医学工作人员也缺少知识的提升渠道。
综上所述,目前的体检报告生成方法存在着执行效率低、缺乏标准执行、人工对错误感知能力不及计算机以及医师水平参差不齐的问题,亟需一种执行标准化诊断、高效率完成总检工作、提升医疗机构总监科室执行效率,同时能较好地帮助基层医疗机构从业人员通过外部协助来提升自身职业技能的体检报告生成。
基于此,本申请提供一种能够节约人力、提高效率以及执行标准诊断规范的体检报告生成方法,以下将对本申请中的体检报告生成方法进行介绍。
图1为本申请实施例中体检报告生成方法的应用环境图,本申请实施例提供的体检报告生成方法可以应用于如图1所示的应用环境中。其中,目标终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,目标终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等,便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
可选的,服务器可以采用开源的应用容器引擎(docker)镜像部署,docker镜像部署虽然需要依赖docker服务,占用一定系统资源,但是其部署速度快且易于扩展。当然,服务器也可以采用原生部署,原生部署虽然安装运行环境较为繁琐,不易于后期扩展,但是其不占用额外资源。服务器可以结合自身的需求选择原生部署或docker镜像部署,或其他部署方式。在一个具体的实施例中,服务器可以搭建在云计算平台上。
图2为本申请实施例中体检报告生成方法的流程示意图,该方法可以应用于图1所示的服务器中,在一个实施例中,如图2所示,包括以下步骤:
S201,获取受检对象的各分检项目的分检结果。
在本实施例中,服务器获取受检对象的各分检项目的分检结果。其中,受检对象可以是人,也可以是动物。各分检项目包括内科、外科、眼科、耳鼻喉科、口腔科、妇科、超声科以及放射科等学科下的各医学项目,例如分检项目是血常规、空腹血糖、腹部彩超等。各分检项目的分检结果可以是对各分检项目的初始分检结果进行处理后得到的结果,也可以直接将各分检项目的初始分检结果直接作为各分检结果的分检结果。各分检项目的初始分检结果可以仅为文字描述,也可以仅为图像描述,还可以是文字和图像的结合。例如,血常规的初始分检结果就包括了血细胞比容、白细胞计数等文字,腹部彩超的初始分检结果不仅包括受检对象的腹部的医学成像,还包括了该医学成像的文字结论。
其中,服务器可以直接获取其它计算机设备发送的各分检项目的分检结果,例如接收各体检机构发送的各分检项目的分检结果,服务器也可以通过其他外设,例如使用U盘获取受检对象的各分检项目的分检结果。或者,服务器可以直接获取到其他计算机设备发送的各分检项目的初始分检结果后,对初始分检结果进行处理,例如进行关系抽取,以获取各分检项目的分检结果。
可选的,服务器获取的是脱敏处理后的受检对象的各分检项目的分检结果。脱敏处理指将受检对象的身份信息和联系信息(如身份证号、姓名、住址、手机号、工作单位等)等隐私信息删除或加密。例如,脱敏处理包括安全散列算法1(Secure Hash Algorithm 1,SHA1)、对称密码体制(Data Encryption Standard,DES)、高级加密标准(AdvancedEncryption Standard,AES)中的至少一种处理。对于服务器而言,服务器仅确定受检对象的对象标识,例如受检对象1的对象标识为001,受检对象2的对象标识为002。
S202,根据各分检项目的分检结果和目标模型,确定初始体检报告,初始体检报告包括分检结果和各分检结果对应的总检结果,目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型。
在本实施例中,当服务器获取到了受检对象的各分检项目的分检结果后,就可以根据各分检项目的分检结果和目标模型,确定初始体检报告。
其中,一种得到目标模型的方式是:服务器确定初始模型,并根据分检结果样本和分检结果样本对应的总检结果样本训练初始模型,当满足训练停止条件时,可以停止训练并确定目标模型,训练停止条件可以是初始模型的输出的总检结果与分检结果样本对应的总检结果样本的差异小于预设阈值。其中,初始模型可以是卷积神经网络(ConvolutionalNeural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN),也可以为其他的深度学习网络、机器学习算法等,本实施例不做限制。
进一步地,由于目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型,因此,根据各分检项目的分检结果和目标模型确定的初始体检报告不仅包括了各分检项目的分检结果,还包括了各分检结果对应的总检结果。例如,服务器获取到受检对象1在分检项目1~分检项目10的分检结果后,就可以将分检项目1~分检项目10的分检结果输入至目标模型中,得到目标模型输出的分检项目1~分检项目10对应的总检结果,进而服务器根据分检项目1~分检项目10的分检结果和分检项目1~分检项目对应的总检结果确定初始体检报告。
具体地,服务器可以调用应用程序编程接口(Application Program Interface,API)获取预设时间段的分检结果样本,由富有经验的医学工作人员或者计算机设备对分检结果样本进行标注,以确定各分检结果样本对应的总检结果样本。
在标注的过程中以《疾病和有关健康问题的国际统计分类》第十版为基准,不仅将大量的非标准化体检用词转换为标准化的总检结论,例如,对于腹部彩超,将分检结果中包括“肿瘤”“癌症”的用词统一替换为“腹部肿瘤”,还会抓取分检结果样本中的数据,并能够自动进行数据清洗和转换,比如KPa与mmHg,mg/L与mmol/L之间的转换等。
在一个具体的实施例中,服务器提供web前端页面,医学工作人员标注500条以上的分检结果样本,得到分检结果样本对应的总检结果样本,以由服务器基于该分检结果样本和分检结果样本对应的总检结果样本得到目标模型。
S203,向目标终端发送初始体检报告;初始体检报告用于供目标终端对初始体检报告进行审核后得到第一中间体检报告。
在本实施例中,服务器和各终端通信连接,例如服务器和终端1、终端2、终端3均通信连接,则目标终端可以是服务器从终端1、终端2、终端3随机指定的终端,也可以是服务器根据预设优先级或预设规则从终端1、终端2、终端3确定的终端。
进一步地,服务器根据各分检项目的分检结果和目标模型,确定初始体检报告后,会向目标终端发送初始体检报告。服务器目标终端会对初始体检报告进行审核。具体地,目标终端对初始体检报告进行审核包括对初始体检报告中不符合临床证据条件的因素进行去除、对不符合伦理要求的总检结果进行调整或删除、对不符合国家临床医学教材指引的总检结果进行修改或删除、标记某些因分检项目缺失导致的不能明确诊断、缺乏临床数据支持的总检结果以及提示出缺失的分检项目等等,以得到对初始体检报告进行审核后的第一中间体检报告。
在一个具体的实施例中,目标终端可以指定对应的医学专家对初始体检报告进行审核,以均衡各地区的医疗资源,避免部分地区由于医疗资源不足无法及时得到体检报告的情况。例如,服务器根据地区1的受检对象1的各分检项目确定初始体检报告1,并将初始体检报告1发送给地区2的目标终端,以由地区2的医学专家对初始体检报告进行审核得到第一中间体检报告。
S204,接收目标终端发送的第一中间体检报告,并根据第一中间体检报告生成目标体检报告。
在本实施例中,服务器向目标终端发送初始体检报告后,目标终端会对初始体检报告进行审核后得到第一中间体检报告,并将得到的第一中间体检报告返回给服务器,进而,服务器在接收到目标终端发送的第一中间体检报告后,就能根据第一中间体检报告生成目标体检报告。例如,服务器直接将目标终端发送的第一中间体检报告作为目标体检报告。
本申请提供的体检报告生成方法,获取受检对象的各分检项目的分检结果,并根据各分检项目的分检结果和目标模型,确定初始体检报告,进而向目标终端发送初始体检报告;初始体检报告用于供目标终端对初始体检报告进行审核后得到第一中间体检报告,从而接收目标终端发送的第一中间体检报告,并根据第一中间体检报告生成目标体检报告。由于初始体检报告包括分检结果和各分检结果对应的总检结果,目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型,因此,本申请中在获取到受检对象的各分检项目的分检结果后,就能利用目标模型自动地确定初始体检报告,无需人工在得到各个分检项目的结果后通过进行汇总,避免了传统技术在体检报告的生成过程中浪费人力的问题,节约了人力。进一步地,本申请在得到初步体检报告后,还会将初步体检报告发送给目标终端,以由目标终端对初始体检报告进行审核得到第一中间体检报告,因此,提高了根据第一体检报告得到的目标体检报告的准确性。
图3为本申请实施例中一种得到目标模型的流程示意图,参照图3,本实施例涉及的是如何得到目标模型的一种可选的实现方式。在上述实施例的基础上,上述的体检报告生成方法还包括如下步骤:
S301,获取分检结果样本和分检结果样本对应的总检结果样本。
在本实施例中,服务器在确定目标模型时,需要获取分检结果样本和分检结果样本对应的总检结果样本。
分检结果样本包括多个受检对象的多个不同的分检项目的分检结果,例如,分检结果样本包括受检对象1的分检项目1的分检结果、受检对象2的分检项目1的分检结果、……受检对象10的分检项目3的分检结果等。
总检结果样本包括多个受检对象在不同的分检项目时所对应的总检结果,例如,总检结果样本包括受检对象1的分检项目1~分检项目10对应的总检结果、受检对象1的分检项目1~分检项目20对应的总检结果、受检对象2的分检项目1~分检项目10对应的总检结果等。
服务器可以调用API获取预设时间段的分检结果样本后,利用PyTorch或TensorFlow等机器学习工具,由富有经验的医学工作人员或者计算机设备对分检结果样本进行标注,以确定各分检结果样本对应的总检结果样本。服务器也可以接收其他计算机设备发送的分检结果样本和分检结果样本对应的总检结果样本,本实施例不做限制。
可选的,服务器可以基于NLP(Natural Language Processing)自然语言处理算法技术对分检结果样本进行汇总、归类、清洗、拆分词组、标点格式化和语义理解,以便于服务器对于不同类型的分检结果样本均能准确理解并进行对应的后续逻辑处理,以及为其他第三方AI工具进行更深度的解析预留基础能力与数据接口,以便其快速接入。
S302,根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型。
在本实施例中,服务器获取到分检结果样本和分检结果样本对应的总检结果样本后,会根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型。
一种根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型的方式是:服务器直接根据分检结果样本和分检结果样本对应的总检结果样本训练初始模型,当满足训练停止条件时,可以停止训练并确定目标模型,训练停止条件可以是:初始模型输出的总检结果与分检结果样本对应的总检结果样本的差异小于预设阈值。
另一种根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型的方式是:服务器将分检结果样本划分为训练样本和验证样本,利用训练样本和训练样本对应的总检结果样本对初始模型进行训练,当满足训练停止条件时,可以停止训练并确定中间模型,进而服务器再利用验证样本和验证样本对应的总检结果样本对中间模型进行更新和优化,以得到目标模型。
当然,服务器也可以通过其他方式根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型,本实施例不做限制。
本实施例获取分检结果样本和分检结果样本对应的总检结果样本,并根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型。由于是根据获取到的分检结果样本和分检结果样本对应的总检结果样本确定目标模型,因此根据各分检项目的分检结果和目标模型,就能确定初始体检报告,完成自动生成体检报告的过程,无需人工在得到各个分检项目的结果后通过进行汇总,提高了体检报告生成的效率。
图4为本申请实施例中一种确定分检结果样本对应的总检结果样本的流程示意图,参照图4,本实施例涉及的是如何得到分检结果样本对应的总检结果样本的一种可选的实现方式。在上述实施例的基础上,上述的S301,获取分检结果样本和分检结果样本对应的总检结果样本,包括如下步骤:
S401,获取初始分检结果样本,对初始分检结果样本进行关系抽取,得到分检结果样本。
在本实施例中,服务器获取初始分检结果样本,并对初始分检结果样本进行关系抽取,得到分检结果样本。其中,初始分检结果样本是体检机构针对各分检项目直接确定出的结果,其包括结构化类型和文本类型。结构化类型指对应关系明确的结果,例如血常规的初始分检结果就包括了血细胞比容、白细胞计数,“血常规”与“血细胞比容”以及“血细胞比容”的具体值就构成了一组结构化的关系。文本类型一般是影像科的结果,例如电子计算机断层扫描(Computed Tomography,CT)的初始分检结果包括了该医学成像的文字结论:“胸廓对称,气管居中,所见骨骼骨质结构完整”。
可选的,针对结构化类型的初始分检结果样本,服务器可以不做处理或者仅进行简单的单位统一处理。而对于文本类型的初始分检结果样本,服务器需要进行关系抽取,得到文本类型的初始分检结果样本的关系三元组,并将该关系三元组和初始分检结果样本一起作为分检结果样本。其中,三元组指实体subject、实体object、实体subject和实体object之间的关系:relation。
举例说明,服务器可以预设实体标签,例如预设实体标签为“器官组织”、“阴性表现”,对于初始分检结果样本“胸廓对称,气管居中,所见骨骼骨质结构完整”来说,“胸廓”、“气管”、“骨骼骨质”对应的预设实体标签为“器官组织”。同理,“对称”、“居中”、“完整”对应的预设实体标签为“阴性表现”。若“胸廓”和“对称”之间存在对应关系,则“胸廓”、“对称”、“胸廓”和“对称”之间的关系就构成了一对关系三元组(subject,object,relation),其他同理,在此不再赘述。
可选的,服务器可以通过GlobalPointer结合关系抽取(pipeline,PURE)模型,对初始分检结果样本进行关系抽取,得到分检结果样本。
可选的,服务器可以将初始分检结果输入至已经训练好的预训练的语言表征模型(Bidirectional Encoder Representation from Transformers,BERT),然后通过GlobalPointer结合PURE模型,确定初始分检结果对应的关系三元组。
图5为本申请实施例中确定总检结果样本的原理示意图。图5示出了服务器利用BERT模型对初始分检结果样本进行关系抽取得到分检结果样本的过程示意图。如图5所示,服务器将文本类型的初始分检结果样本输入至BERT模型中,BERT模型对文本类型的初始分检结果样本进行数字化处理,例如输入“胸廓对称,气管居中,所见骨骼骨质结构完整”,BERT模型会将“胸廓对称,气管居中,所见骨骼骨质结构完整”转化为对应的数字矩阵,然后通过(多头)GlobalPointer抽取出初始分检结果样本对应的预设实体标签。
具体地,GlobalPointer可以并行处理多个预设实体标签,每个预设实体标签对应一个实体识别矩阵(即GlobalPointer的训练目标),实体识别矩阵的长宽等于初始分检结果样本的长度,实体识别矩阵的元素值为0或1。
例如预设实体标签“器官组织”对应一个行列相等的实体识别矩阵。如图5左边的实体识别矩阵,若该实体识别矩阵的第1行第2列、第6行第7列的元素值为1,其他位置元素均为0,则计算机设备可以确定初始分检结果样本[1,2]的字符串“胸廓”、[6,7]的字符串“器官”对应的预设实体标签为“器官组织”。
进一步地,输入的文本类型的初始分检结果样本和对应的实体标签,BERT模型将文本类型的初始分检结果样本和对应的实体标签转化为对应的数字矩阵后,PURE模型确定各实体之间的因果关系。
具体地,PURE模型可以并行处理多个预设关系标签,各关系标签也对应一个行列相等的关系识别矩阵(即PURE模型的训练目标),如图5右边的关系识别矩阵。例如输入“胸廓对称,气管居中,所见骨骼骨质结构完整[a][/a][b][/b][a][/a][b][/b][a][/a][c][/c][b][/b]”。若该关系识别矩阵的第1行第2列、第4行第5列的元素值为1,其他位置元素均为0,则计算机设备可以确定初始分检结果样本中的“胸廓”与“对称”构成预设关系1,初始分检结果样本中的“气管”与“居中”构成预设关系2。
以此类推,PURE模型就能确定“胸廓”和“对称”构成关系1,“气管”和“居中”构成预设关系2,“骨骼骨质”和“结构”构成预设关系3,“结构”和“完整”构成预设关系4。其中,[a][/a]表示“器官组织”,“[b][/b]”表示“阴性表现”,“[c][/c]”表示属性,[a][/a]、[b][/b]、[c][/c]均用于辅助关系识别。
经过上面的处理后,服务器能够确定文本类型的分检结果样本对应的关系三元组,例如“胸廓”、“对称”以及预设关系1对应一组关系三元组,并将各关系三元组和初始分检结果样本一起作为分检结果样本。
如此,服务器就得到了分检结果样本。可以理解的是,服务器在确定分检结果样本时对初始分检结果样本进行关系抽取得到分检结果样本,则实际使用过程中,服务器也会对初始分检结果进行关系抽取以得到受检对象的各分检项目的分检结果。
S402,根据分检结果样本和实际的总检结果,确定分检结果样本对应的总检结果样本。
在本实施例中,服务器在确定了分检结果样本后,还会根据实际的总检结果,确定分检结果样本对应的总检结果样本。
举例说明,服务器确定关系三元组1对应实际的总检结论1,关系三元组2对应实际的总检结论2,总检结论1和总结结论2为分检结果样本对应的总检结果样本,以此类推,服务器就确定了分检结果样本对应的总检结果样本。
本实施例获取初始分检结果样本,对初始分检结果样本进行关系抽取,得到分检结果样本,并根据分检结果样本和实际的总检结果,确定分检结果样本对应的总检结果样本。由于是对初始分检结果样本进行关系抽取,得到分检结果样本,因此在减小了初始分检结果样本的数据量的基础上,进一步保留了必要的分检结果样本,提高了目标模型的精度和训练速度。
图6为本申请实施例中一种得到目标模型的流程示意图,参照图6,本实施例涉及的是如何得到目标模型的一种可选的实现方式。在上述实施例的基础上,上述的S302,根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型,包括如下步骤:
S601,根据训练样本以及训练样本对应的总检结果样本,对初始模型进行训练得到中间模型。
在本实施例中,服务器在需要根据分检结果样本和分检结果样本对应的总检结果样本得到目标模型时,会将分检结果样本按照一定的比例划分为训练样本和验证样本,例如,服务器将分检结果样本的60%作为训练样本,将分检结果样本的40%作为验证样本。
进一步地,服务器根据训练样本以及训练样本对应的总检结果样本,对初始模型进行训练得到中间模型。
在一个实施例中,初始模型、中间模型和目标模型的模型架构如图7所示,图7为本申请实施例中目标模型的示意图,请参考图7,目标模型包含四个部分。第一部分包括,RoBERTa模型是BERT模型的强化模型。RoBERTa模型可以将分检结果样本中的整个语句在最后一个隐藏嵌入层Hidden embedding输出。
第二部分包括向量积(Cross product)层和仿射变换(Affine Transformation)层。具体地,服务器通过仿射变换把二阶交叉变换结果变到合适维度,例如256维,用于组合与记忆特征。
第三部分包括嵌入层(embedding)、特征融合层(concat)和多层感知器(Multi-Layer Perceptron,MLP)。具体地,嵌入层首先将离散特征嵌入到20维,然后把嵌入后的离散特征和连续特征经过特征融合层进行融合。融合后的特征经过多层感知器(Multi-LayerPerceptron,MLP)的三层全连接,将最后一个隐藏嵌入层Hidden embedding得到了256维的特征进行输出,以提高了目标模型对于未曾出现过或者低频的特征组合的泛化特性。
第四部分包括基于决策树算法的分布式梯度提升框架(Light GradientBoosting Machine,LightGBM)和开源的机器学习算法CatBoost。具体地,服务器通过LightGBM和CatBoost决策规则最优路径的回溯与比较,进行路径合并后得到最终的诊断路径,并通过LightGBM和CatBoost进一步增加目标模型的泛化能力与提取决策路径。
其中,诊断路径用于表示目标模型输出的总检结果过程中的路径,例如在分检结果样本1中的血糖值在范围1的情况下输出总检结果1,在分检结果样本1中的血糖值在范围2的情况下输出总检结果2。
连续特征指一定区间内可以任意取值的分检结果样本,例如为视力4.1、血压收缩压134、体重77.4等。离散特征指特征值可以按一定顺序一一列举的分检结果样本,例如为“骨骼结构完整or不完整”。
请继续参考图7,目标模型将第一部分、第二部分和第三部分的输出进行融合后与第四部分进行堆叠处理(stacking)。如此,目标模型不仅可以输出不同分检结果样本对应的总检结果的概率,还可以输出诊断路径,以提高了目标模型的效率和精度。
S602,根据中间模型、验证样本以及验证样本对应的总检结果样本,得到中间模型对应的预测评价指标。
在本实施例中,在服务器得到了中间模型后,进一步地,会根据中间模型、验证样本以及验证样本对应的总检结果样本,得到中间模型对应的预测评价指标。其中,中间模型对应的预测评价指标可以是中间模型的准确率、中间模型的召回率。
在一个具体的实施例中,服务器按照如下式(1)确定中间模型的预测评价指标。
其中,Precision为中间模型的精准率,Recall为中间模型的召回率,F1为大于0小于1的数。
S603,根据预测评价指标和预设评价指标,对中间模型进行更新得到目标模型。
在本实施例中,服务器根据预测评价指标和预设评价指标,对中间模型进行更新得到目标模型。例如,预设评价指标为0.85,在首次利用验证样本对中间验证时,中间模型的预测评价指标为0.75,则服务器通过对预测错误的验证样本进行原因分析和中间模型参数微调后,继续观察中间模型的F1值是否提升,直到中间模型的F1值达到预设评价指标0.85,并将大于预设评价指标的中间模型作为目标模型。
在一些实施例中,服务器还可以按照预设的周期更新目标模型,例如,在目标模型使用期间存储第一中间体检报告和初始体检报告,并根据第一中间体检报告和初始体检报告对目标模型进行更新,评估目标模型的F1值的变化。
本实施例根据训练样本以及训练样本对应的总检结果样本,对初始模型进行训练得到中间模型,进而根据中间模型、验证样本以及验证样本对应的总检结果样本,得到中间模型对应的预测评价指标,从而根据预测评价指标和预设评价指标,对中间模型进行更新得到目标模型。由于利用训练样本对初始模型训练得到中间模型后,还会根据验证样本对中间模型进行更新得到目标模型,因此提高了得到的目标模型的精度,进而提高了生成的目标体检报告的准确性。
可选的,总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,待检查分检项目根据诊断结果确定。
在本实施例中,总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种。其中,诊断结果包括确定结果或疑似确定结果,例如,当可以根据分检项目1~分检项目10确定总检结果时,诊断结果就是一个确定结果,并且提示该确定结果下的风险建议,比如为“甲状腺功能减退;禁辛辣,并及时药物治疗”;当可以根据分检项目1~分检项目10还不能完全确定总检结果时,诊断结果就是一个疑似确定结果,并且还会提示待检查分检项目,待检查分检项目根据诊断结果确定,比如“疑似糖尿病;建议完善检查项目1、项目2和项目3以明确诊断或明确排除该怀疑”。
可以理解的是,由于总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,因此,根据各分检项目的分检结果和目标模型确定的初始体检报告中,总检结果就会包括诊断结果以及待检查分检项目和风险建议中的至少一种。
本实施例中总检结果样本包括诊断结果以及风险建议和根据诊断结果确定的待检查分检项目中的至少一种,因此,初始体检报告中的总检结果就会包括诊断结果以及风险建议和根据诊断结果确定的待检查分检项目中的至少一种,故而本申请中最终生成的目标体检报告是受检对象能够理解的报告,提高了目标体检报告的可读性,受检对象也可以根据目标体检报告中的总检结果进行进一步的随诊或者补充检查。
可选的,上述的S204中的根据第一中间体检报告生成目标体检报告,还可以通过如下方式实现:
若第一中间体检报告满足体检报告合规条件,则根据第一中间体检报告和第一预设体检报告合规标识生成目标体检报告;
其中,第一中间体检报告包括目标终端对应的第二预设体检报告合规标识。
在本实施例中,目标终端在返回第一中间体检报告时,会对第一中间体检报告添加目标终端对应的第二预设体检报告合规标识,以表明发送的第一中间体检报告经过了目标终端的审核。第二预设体检报告合规标识可以是目标终端的印章、签名或其他水印等。
可选的,服务器接收到了目标终端返回的第一中间体检报告后,可以对第一中间体检报告中的第二预设体检报告合规标识进行检查,如果第一中间体检报告不包括第二预设体检报告合规标识进行检查,服务器可以拒收该第一中间体检报告,或者向服务器重新请求第一中间体检报告。
进一步地,服务器在接收到了目标终端发送的包括第二预设体检报告合规标识的第一中间体检报告后,会对第一中间体检报告的合规性进行审核,也即确定第一中间体检报告是否满足体检报告合规条件。其中,体检报告合规条件可以根据各体检机构的要求自行设置,例如体检报告合规条件包括第一中间体检报告的用词规范满足预设用词、第一中间体检报告无错误等等。
当服务器确定第一中间体检报告满足体检报告合规条件时,则会根据第一中间体检报告和第一预设体检报告合规标识生成目标体检报告,也即,服务器会对第一中间体检报告添加第一预设体检报告合规标识。
进一步地,服务器可以将添加了第一预设体检报告合规标识的第一中间体检报告作为目标体检报告,服务器也可以对添加了第一预设体检报告合规标识的第一中间体检报告进行后处理后作为目标体检报告,后处理可以包括对格式、文档类型进行处理。
可以理解的是,第一预设体检报告合规标识是服务器对应的标识,第一预设体检报告合规标识同样地可以是服务器的印章、签名或其他水印等,以表明目标体检报告经过了服务器的审核。
本实施例中若第一中间体检报告满足体检报告合规条件,则根据第一中间体检报告和第一预设体检报告合规标识生成目标体检报告,其中,第一中间体检报告包括目标终端对应的第二预设体检报告合规标识。由于在第一中间体检报告满足体检报告合规条件的情况下,服务器根据所述第一中间体检报告和第一预设体检报告合规标识生成所述目标体检报告,因此,目标体检报告就包括了第一预设体检报告合规标识和第二预设体检报告合规标识,具有追溯性。
图8为本申请实施例中一种生成目标体检报告的流程示意图,参照图8,本实施例涉及的是如何生成目标体检报告的一种可选的实现方式。在上述实施例的基础上,上述的体检报告生成方法,还包括如下步骤:
S801,若第一中间体检报告不满足体检报告合规条件,则对第一中间体检报告进行修改以得到第二中间体检报告,第二中间体检报告不包括第二预设体检报告合规标识。
在本实施例中,当服务器确定第一中间体检报告不满足体检报告合规条件时,则会对第一中间体检报告进行修改生成第二中间体检报告,例如删减第一中间体检报告中的部分文字。
此种情况下,第二中间体检报告不包括第二预设体检报告合规标识,第一中间体检报告中的第二预设体检报告合规标识可以自动失效,或者,服务器生成第二中间体检报告时可以删除第二预设体检报告合规标识。
S802,根据第二中间体检报告和第一预设体检报告合规标识生成目标体检报告。
在本实施例中,服务器对第一中间体检报告进行修改后得到第二中间体检报告,进而服务器对第二中间体检报告添加第一预设体检报告合规标识,并根据添加了第一预设体检报告合规标识的第二中间体检报告生成目标体检报告。
同样地,服务器可以将添加了第一预设体检报告合规标识的第二中间体检报告作为目标体检报告,服务器也可以对添加了第一预设体检报告合规标识的第二中间体检报告进行后处理后作为目标体检报告,后处理可以包括对格式、文档类型进行处理。
本实施例中若第一中间体检报告不满足体检报告合规条件,则对第一中间体检报告进行修改以得到第二中间体检报告,第二中间体检报告不包括第二预设体检报告合规标识,并根据第二中间体检报告和第一预设体检报告合规标识生成目标体检报告。由于在第一中间体检报告不满足体检报告合规条件的情况下,服务器还可以对第一中间体检报告进行修改得到第二中间体检报告,因此提高了目标体检报告的准确性和合规性。进一步地,第二中间体检报告不包括第二预设体检报告合规标识,服务器根据第二中间体检报告和第一预设体检报告合规标识生成的目标体检报告同样具有追溯性。
为了更清楚地对本申请中的体检报告生成方法进行解释,在此结合图6进行说明,图9为本申请实施例的整体流程示意图。如图9所示,受检对象想要进行体检时,也即准备参检时,会前往体检机构完成各分检项目,例如受检对象完成血常规、腹部彩超、胸透等分检项目。当受检对象完成了各分检项目后,体检机构所对应的计算机设备会对各分检项目的初始分检结果进行预处理,例如对各分检项目的初始分检结果进行脱敏处理得到各分检项目的分检结果,进而服务器会获取到受检对象的各分检项目的分检结果。
服务器中已经内置了根据分检结果样本和所述分检结果样本对应的总检结果样本确定的目标模型,具体地,服务器根据训练样本以及训练样本对应的总检结果样本,对初始模型进行训练得到中间模型,并根据中间模型、验证样本以及验证样本对应的总检结果样本,得到中间模型对应的预测评价指标,最后,服务器根据预测评价指标和预设评价指标,对中间模型进行更新得到目标模型。其中,总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种。
进一步地,服务器在获取到各分检项目的分检结果之后,就会将各分检项目的分检结果输入至目标模型,确定目标模型输出的初始体检报告。
服务器确定了初始体检报告之后,会向目标终端发送该初始体检报告。然后,目标终端在接收到初始体检报告后,会对初始体检报告进行审核后得到第一中间体检报告。进而,目标终端对第一中间体检报告添加目标终端对应的第二预设体检报告合规标识后发送给服务器,也即,服务器接收到的第一中间体检报告包括目标终端对应的第二预设体检报告合规标识。
服务器在接收到第一中间体检报告后,会确定第一中间体检报告是否满足体检报告合规条件。
若第一中间体检报告满足体检报告合规条件,则根据第一中间体检报告和第一预设体检报告合规标识生成目标体检报告,此种情况下,目标体检报告就包括了第一预设体检报告合规标识和第二预设体检报告合规标识。
若第一中间体检报告不满足体检报告合规条件,则服务器会对第一中间体检报告进行修改得到第二中间体检报告,此时第二预设体检报告合规标识失效,第二中间体检报告不包括第二预设体检报告合规标识。进一步地,服务器根据第二中间体检报告和第一预设体检报告合规标识生成目标体检报告。此种情况下,目标体检报告仅包括第一预设体检报告合规标识。
更进一步地,服务器确定了目标体检报告后返回给体检机构,体检机构可以将受检对象的对象标识与受检对象的隐私信息对应起来,复原受检对象的隐私信息,同时将添加了受检对象的身份信息、联系信息的目标体检报告返回给受检对象。
故而,本申请提供的体检报告生成方法,第一,解决了各体检机构受体检医生学识、能力、专业年限、资历、主观见解等因素带来的对同样的分检结果得到的总检结论的诊断及相关描述差异、健康指导建议差异。
第二,统一使用了世卫组织国际疾病诊断分类第十版(internationalClassification of diseases,ICD-10)的标准名称出具诊断,直接使用中华医学会健康管理学分会发布的《健康体检主检报告撰写指南》和相关专家共识规范了疾病诊断名称的命名与书写规则与体检报告的格式,以及疾病诊断的基本原则与专家共识,实现了分检结果和总检结果的标准化、规范化、权威化,且符合循证医学的基本理论,避免了传统技术在体检报告的生成过程由于人工导致的执行标准不统一的问题。
第三,解决了因各地区医疗资源分布不均导致的基层体检机构能力的不足,使得医技薄弱地区和偏远地区的医疗水平通过目标终端的审核得到直观的改善,也拓展了这些地区基层医疗工作人员的学习渠道。
第四,减小了因人工进行汇总、主检工作量大导致的体检报告生成周期,将原本7-10天生成体检报告的时间缩短到1-2天,提高了体检报告的生成效率。
第五,生成的目标体检报告采用三级审核模式,降低了传统技术中由于人工汇总导致的漏诊、误诊率。
第六,目标模型具有自动学习功能。对于不在常见病、多发病数据库中的诊断,目标模型具备新诊断的自学习能力,不断扩充智能主检数据库,不断进化的过程中配合无监督学习进行自我喂养、自我验证、自我博弈,疾病覆盖范围逐渐扩大。
第七,提供了补充检查建议和风险建议,增加了生成的体检报告的可读性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的体检报告生成方法的体检报告生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个体检报告生成装置实施例中的具体限定可以参见上文中对于体检报告生成方法的限定,在此不再赘述。
图10为本申请实施例中体检报告生成装置的结构框图,如图10所示,在本申请实施例中提供了一种体检报告生成装置1000,包括:第一获取模块1001、确定模块1002、发送模块1003和第一生成模块1004,其中:
第一获取模块1001,用于获取受检对象的各分检项目的分检结果。
确定模块1002,用于根据各分检项目的分检结果和目标模型,确定初始体检报告,初始体检报告包括分检结果和各分检结果对应的总检结果,目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型。
发送模块1003,用于向目标终端发送初始体检报告;初始体检报告用于供目标终端对初始体检报告进行审核后得到第一中间体检报告。
第一生成模块1004,用于接收目标终端发送的第一中间体检报告,并根据第一中间体检报告生成目标体检报告。
本申请提供的体检报告生成装置,获取受检对象的各分检项目的分检结果,并根据各分检项目的分检结果和目标模型,确定初始体检报告,进而向目标终端发送初始体检报告;初始体检报告用于供目标终端对初始体检报告进行审核后得到第一中间体检报告,从而接收目标终端发送的第一中间体检报告,并根据第一中间体检报告生成目标体检报告。由于初始体检报告包括分检结果和各分检结果对应的总检结果,目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型,因此,本申请中在获取到受检对象的各分检项目的分检结果后,就能利用目标模型自动地确定初始体检报告,无需人工在得到各个分检项目的结果后通过进行汇总,避免了传统技术在体检报告的生成过程中浪费人力的问题,节约了人力。进一步地,本申请在得到初步体检报告后,还会将初步体检报告发送给目标终端,以由目标终端对初始体检报告进行审核得到第一中间体检报告,因此,提高了根据第一体检报告得到的目标体检报告的准确性。
可选的,该体检报告生成装置1000还包括:
第二获取模块,用于获取分检结果样本和分检结果样本对应的总检结果样本。
训练模块,用于根据分检结果样本和分检结果样本对应的总检结果样本,训练初始模型得到目标模型。
可选的,第二获取模块包括:
获取单元,用于获取初始分检结果样本,对所述初始分检结果样本进行关系抽取,得到所述分检结果样本。
第一确定单元,用于根据所述分检结果样本和实际的总检结果,确定所述分检结果样本对应的总检结果样本。
可选的,训练模块包括:
训练单元,用于根据训练样本以及训练样本对应的总检结果样本,对初始模型进行训练得到中间模型。
第二确定单元,用于根据中间模型、验证样本以及验证样本对应的总检结果样本,得到中间模型对应的预测评价指标。
更新单元,用于根据预测评价指标和预设评价指标,对中间模型进行更新得到目标模型。
可选的,总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,待检查分检项目根据诊断结果确定。
可选的,第一生成模块,具体用于若第一中间体检报告满足体检报告合规条件,则根据第一中间体检报告和第一预设体检报告合规标识生成目标体检报告;其中,第一中间体检报告包括目标终端对应的第二预设体检报告合规标识。
可选的,该体检报告生成装置1000还包括:
修改模块,用于若第一中间体检报告不满足体检报告合规条件,则对第一中间体检报告进行修改以得到第二中间体检报告,第二中间体检报告不包括第二预设体检报告合规标识。
第二生成模块,根据第二中间体检报告和第一预设体检报告合规标识生成目标体检报告。
上述体检报告生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图11为本申请实施例中计算机设备的内部结构图,在本申请实施例中提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种体检报告生成方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取受检对象的各分检项目的分检结果;
根据各所述分检项目的分检结果和目标模型,确定初始体检报告,所述初始体检报告包括所述分检结果和各所述分检结果对应的总检结果,所述目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型;
向目标终端发送所述初始体检报告;所述初始体检报告用于供所述目标终端对所述初始体检报告进行审核后得到第一中间体检报告;
接收所述目标终端发送的所述第一中间体检报告,并根据所述第一中间体检报告生成目标体检报告。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取所述分检结果样本和所述分检结果样本对应的总检结果样本;
根据分检结果样本和所述分检结果样本对应的总检结果样本,训练初始模型得到所述目标模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取初始分检结果样本,对所述初始分检结果样本进行关系抽取,得到所述分检结果样本;
根据所述分检结果样本和实际的总检结果,确定所述分检结果样本对应的总检结果样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据训练样本以及所述训练样本对应的总检结果样本,对所述初始模型进行训练得到中间模型;
根据所述中间模型、验证样本以及所述验证样本对应的总检结果样本,得到所述中间模型对应的预测评价指标;
根据所述预测评价指标和预设评价指标,对所述中间模型进行更新得到所述目标模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
所述总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,所述待检查分检项目根据所述诊断结果确定。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述第一中间体检报告满足体检报告合规条件,则根据所述第一中间体检报告和第一预设体检报告合规标识生成所述目标体检报告;
其中,所述第一中间体检报告包括所述目标终端对应的第二预设体检报告合规标识。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若所述第一中间体检报告不满足所述体检报告合规条件,则对所述第一中间体检报告进行修改以得到第二中间体检报告,所述第二中间体检报告不包括所述第二预设体检报告合规标识;
根据所述第二中间体检报告和所述第一预设体检报告合规标识生成所述目标体检报告。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取受检对象的各分检项目的分检结果;
根据各所述分检项目的分检结果和目标模型,确定初始体检报告,所述初始体检报告包括所述分检结果和各所述分检结果对应的总检结果,所述目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型;
向目标终端发送所述初始体检报告;所述初始体检报告用于供所述目标终端对所述初始体检报告进行审核后得到第一中间体检报告;
接收所述目标终端发送的所述第一中间体检报告,并根据所述第一中间体检报告生成目标体检报告。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述分检结果样本和所述分检结果样本对应的总检结果样本;
根据分检结果样本和所述分检结果样本对应的总检结果样本,训练初始模型得到所述目标模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取初始分检结果样本,对所述初始分检结果样本进行关系抽取,得到所述分检结果样本;
根据所述分检结果样本和实际的总检结果,确定所述分检结果样本对应的总检结果样本。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据训练样本以及所述训练样本对应的总检结果样本,对所述初始模型进行训练得到中间模型;
根据所述中间模型、验证样本以及所述验证样本对应的总检结果样本,得到所述中间模型对应的预测评价指标;
根据所述预测评价指标和预设评价指标,对所述中间模型进行更新得到所述目标模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,所述待检查分检项目根据所述诊断结果确定。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述第一中间体检报告满足体检报告合规条件,则根据所述第一中间体检报告和第一预设体检报告合规标识生成所述目标体检报告;
其中,所述第一中间体检报告包括所述目标终端对应的第二预设体检报告合规标识。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述第一中间体检报告不满足所述体检报告合规条件,则对所述第一中间体检报告进行修改以得到第二中间体检报告,所述第二中间体检报告不包括所述第二预设体检报告合规标识;
根据所述第二中间体检报告和所述第一预设体检报告合规标识生成所述目标体检报告。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取受检对象的各分检项目的分检结果;
根据各所述分检项目的分检结果和目标模型,确定初始体检报告,所述初始体检报告包括所述分检结果和各所述分检结果对应的总检结果,所述目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型;
向目标终端发送所述初始体检报告;所述初始体检报告用于供所述目标终端对所述初始体检报告进行审核后得到第一中间体检报告;
接收所述目标终端发送的所述第一中间体检报告,并根据所述第一中间体检报告生成目标体检报告。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取所述分检结果样本和所述分检结果样本对应的总检结果样本;
根据分检结果样本和所述分检结果样本对应的总检结果样本,训练初始模型得到所述目标模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取初始分检结果样本,对所述初始分检结果样本进行关系抽取,得到所述分检结果样本;
根据所述分检结果样本和实际的总检结果,确定所述分检结果样本对应的总检结果样本。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据训练样本以及所述训练样本对应的总检结果样本,对所述初始模型进行训练得到中间模型;
根据所述中间模型、验证样本以及所述验证样本对应的总检结果样本,得到所述中间模型对应的预测评价指标;
根据所述预测评价指标和预设评价指标,对所述中间模型进行更新得到所述目标模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
所述总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,所述待检查分检项目根据所述诊断结果确定。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述第一中间体检报告满足体检报告合规条件,则根据所述第一中间体检报告和第一预设体检报告合规标识生成所述目标体检报告;
其中,所述第一中间体检报告包括所述目标终端对应的第二预设体检报告合规标识。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若所述第一中间体检报告不满足所述体检报告合规条件,则对所述第一中间体检报告进行修改以得到第二中间体检报告,所述第二中间体检报告不包括所述第二预设体检报告合规标识;
根据所述第二中间体检报告和所述第一预设体检报告合规标识生成所述目标体检报告。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种体检报告生成方法,其特征在于,所述方法包括:
获取受检对象的各分检项目的分检结果;
根据各所述分检项目的分检结果和目标模型,确定初始体检报告,所述初始体检报告包括所述分检结果和各所述分检结果对应的总检结果,所述目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型;
向目标终端发送所述初始体检报告;所述初始体检报告用于供所述目标终端对所述初始体检报告进行审核后得到第一中间体检报告;
接收所述目标终端发送的所述第一中间体检报告,并根据所述第一中间体检报告生成目标体检报告。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述分检结果样本和所述分检结果样本对应的总检结果样本;
根据分检结果样本和所述分检结果样本对应的总检结果样本,训练初始模型得到所述目标模型。
3.根据权利要求2所述的方法,其特征在于,所述获取所述分检结果样本和所述分检结果样本对应的总检结果样本,包括:
获取初始分检结果样本,对所述初始分检结果样本进行关系抽取,得到所述分检结果样本;
根据所述分检结果样本和实际的总检结果,确定所述分检结果样本对应的总检结果样本。
4.根据权利要求2或3所述的方法,其特征在于,所述根据分检结果样本和所述分检结果样本对应的总检结果样本,训练初始模型得到所述目标模型,包括:
根据训练样本以及所述训练样本对应的总检结果样本,对所述初始模型进行训练得到中间模型;
根据所述中间模型、验证样本以及所述验证样本对应的总检结果样本,得到所述中间模型对应的预测评价指标;
根据所述预测评价指标和预设评价指标,对所述中间模型进行更新得到所述目标模型。
5.根据权利要求1或2所述的方法,其特征在于,所述总检结果样本包括诊断结果以及待检查分检项目和风险建议中的至少一种,所述待检查分检项目根据所述诊断结果确定。
6.根据权利要求1所述的方法,其特征在于,所述根据所述第一中间体检报告生成目标体检报告,包括:
若所述第一中间体检报告满足体检报告合规条件,则根据所述第一中间体检报告和第一预设体检报告合规标识生成所述目标体检报告;
其中,所述第一中间体检报告包括所述目标终端对应的第二预设体检报告合规标识。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若所述第一中间体检报告不满足所述体检报告合规条件,则对所述第一中间体检报告进行修改以得到第二中间体检报告,所述第二中间体检报告不包括所述第二预设体检报告合规标识;
根据所述第二中间体检报告和所述第一预设体检报告合规标识生成所述目标体检报告。
8.一种体检报告生成装置,其特征在于,所述装置包括:
第一获取模块,用于获取受检对象的各分检项目的分检结果;
确定模块,用于根据各所述分检项目的分检结果和目标模型,确定初始体检报告,所述初始体检报告包括所述分检结果和各所述分检结果对应的总检结果,所述目标模型是根据分检结果样本和分检结果样本对应的总检结果样本确定的模型;
发送模块,用于向目标终端发送所述初始体检报告;所述初始体检报告用于供所述目标终端对所述初始体检报告进行审核后得到第一中间体检报告;
第一生成模块,用于接收所述目标终端发送的所述第一中间体检报告,并根据所述第一中间体检报告生成目标体检报告。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211441093.2A CN115798667A (zh) | 2022-11-17 | 2022-11-17 | 体检报告生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211441093.2A CN115798667A (zh) | 2022-11-17 | 2022-11-17 | 体检报告生成方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115798667A true CN115798667A (zh) | 2023-03-14 |
Family
ID=85438531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211441093.2A Pending CN115798667A (zh) | 2022-11-17 | 2022-11-17 | 体检报告生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798667A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035561A (zh) * | 2023-10-09 | 2023-11-10 | 江苏鼎豪电力工程有限公司 | 基于人工智能的电力工程质量监督管理方法及系统 |
-
2022
- 2022-11-17 CN CN202211441093.2A patent/CN115798667A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035561A (zh) * | 2023-10-09 | 2023-11-10 | 江苏鼎豪电力工程有限公司 | 基于人工智能的电力工程质量监督管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11626195B2 (en) | Labeling medical scans via prompt decision trees | |
US11810671B2 (en) | System and method for providing health information | |
Wang et al. | Using multiclass classification to automate the identification of patient safety incident reports by type and severity | |
CN110136788B (zh) | 一种基于自动检测的病历质检方法、装置、设备及存储介质 | |
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
CN110797101B (zh) | 医学数据处理方法、装置、可读存储介质和计算机设备 | |
WO2013176903A1 (en) | Medical record generation and processing | |
TWI521467B (zh) | Nursing decision support system | |
US11966374B2 (en) | Medical clinical data quality analysis system based on big data | |
CN112035619A (zh) | 基于人工智能的医疗问诊单筛选方法、装置、设备和介质 | |
CN115719334A (zh) | 基于人工智能的医学影像评价方法、装置、设备及介质 | |
Ribeiro et al. | A machine learning early warning system: multicenter validation in Brazilian hospitals | |
JP2023036575A (ja) | ゲノムテストステータスを特定するシステム及び方法 | |
CN115798667A (zh) | 体检报告生成方法、装置、计算机设备和存储介质 | |
Neves et al. | Using machine learning to evaluate attending feedback on resident performance | |
Tiwari et al. | Dr. can see: towards a multi-modal disease diagnosis virtual assistant | |
CN111524570A (zh) | 一种基于机器学习的超声随访患者筛选方法 | |
US20220253592A1 (en) | System with report analysis and methods for use therewith | |
US20230317278A1 (en) | System for Aggregating, Analyzing, and Reporting Medical Information | |
WO2023003643A1 (en) | Systems and methods for processing images for image matching | |
US8756234B1 (en) | Information theory entropy reduction program | |
CN114550930A (zh) | 疾病预测方法、装置、设备及存储介质 | |
Basile et al. | The role of big data analytics in improving the quality of healthcare services in the Italian context: The mediating role of risk management | |
US20140195267A1 (en) | Techniques to improve accuracy of a medical report relating to a medical imaging study | |
CN116992839B (zh) | 病案首页自动生成方法、装置及设备 |
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 |