CN115862831A - 一种智能在线预约诊疗管理系统及方法 - Google Patents

Abstract

本发明涉及在线预约诊疗领域，公开了一种智能在线预约诊疗管理系统及方法，用户在线预约诊疗，对用户的检测目的进行内容识别，构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别；基于检测人的检查数据生成检查报告，从检查报告中提取需要标注到医学影像上的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，将医学影像生成医学影像报告，实现智能在线预约诊疗管理。本发明解决了现有的在线预约方式没有针对不同病情进行分类管控，容易产生延误紧急患者诊疗的情况，而且医生在给出诊断结果后，患者可获知诊断结果却无法直观的从医学影像上了解各个部位并看出病症问题所在的问题。

Description

一种智能在线预约诊疗管理系统及方法

技术领域

本发明涉及在线预约诊疗领域，尤其涉及一种智能在线预约诊疗管理系统及方法。

背景技术

在线预约是各地近年来开展的一项便民就医服务，旨在缩短看病流程，节约患者时间。这种预约挂号大多通过医疗机构提供的电话或者网络进行，基本上是免费或者只收取很少的手续费。由于预约挂号需要事先登记患者的信息，并且可以减少在医院挂号窗口排队等待之苦，同时，患者在诊疗结束后，还可以直接通过电子终端查看自己的检查报告，让看病更加便利。

不同病情的患者之间存在轻重缓急之分，传统的预约方式没有针对该种情况进行分类管控，对于情况比较紧急的患者仍需排队检查，无法进行优先问诊；而且，基于互联网的发展，越来越多的患者可以通过电子终端查看检查报告，而检查报告中大量医学专业内容对于普通人来说难以理解，因此需要一份详细的报告说明。

我国专利申请号：CN115274075A，公开日：2022.07.18，公开了一种数字化医疗门诊高峰期分段式预约系统及方法，所述医院门诊预约挂号系统由前台模块和后台模块组成。为解决现有的患者之间存在轻重缓急之分，传统的预约挂号方式没有针对该种情况进行分类管控的问题，用户根据自身的挂号需求来进行对应选项框的选择，一些患者的病情紧急或者时间如果相对来说较为紧张则可以使用自主预约选择来进行预约挂号，而时间相对来说较为自由或者病情不是特别紧急时则可以选用智能预约选择，这样可以有效的避开人流高峰期，给患者带来较为舒适的体验。

但上述技术至少存在如下技术问题：现有的在线预约方式没有针对不同病情进行分类管控，容易产生延误紧急患者诊疗的情况，而且医生在给出诊断结果后，患者可获知诊断结果却无法直观的从医学影像上了解各个部位并看出病症问题所在。

发明内容

本发明通过提供一种智能在线预约诊疗管理系统及方法，目的在于解决现有的在线预约方式没有针对不同病情进行分类管控，容易产生延误紧急患者诊疗的情况，而且医生在给出诊断结果后，患者可获知诊断结果却无法直观的从医学影像上了解各个部位并看出病症问题所在的问题，实现了多层次理解检测目的的内容，智能化分类，提高大量预约信息的处理效率，对医学影像进行图文配准，方便用户直观了解病情。

本发明具体包括以下技术方案：

一种智能在线预约诊疗管理系统，包括以下部分：

区块链端口、预约信息获取模块、身份确认模块、信息识别模块、检测分类模块、病历生成模块、病历管理模块、报告分析模块、影像分析模块；

所述信息识别模块，用于构建检查类别匹配神经网络模型，对用户的检测目的进行内容识别，提取用户想要检测的部位或疾病类型，基于检查目的的词集合匹配得到检查类别，所述信息识别模块通过数据传输的方式与所述检测分类模块相连；

所述影像分析模块，用于对医学影像中所包含的信息进行充分的分析，结合检查报告中的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，帮助检测人查看时能直观了解检查报告，所述影像分析模块通过数据传输的方式与所述病历管理模块相连。

一种智能在线预约诊疗管理方法，包括以下步骤：

S1. 用户在线预约诊疗，对用户的检测目的进行内容识别，构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别；

S2. 基于检测人的检查数据生成检查报告，从检查报告中提取需要标注到医学影像上的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，将医学影像生成医学影像报告，实现智能在线预约诊疗管理。

进一步，所述步骤S1具体包括：

对用户的检测目的进行内容识别，提取用户想要检测的部位或疾病类型。

进一步，所述步骤S1具体包括：

构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别；将检查目的的词向量集合输入到检查类别匹配神经网络模型中，通过深度学习，输出词向量集合对应的检查类别，一个检测目的的词向量集合对应至少一个检查类别；所述检查类别匹配神经网络模型包括输入层、预测层、和输出层。

进一步，所述步骤S1具体包括：

输入层将词向量传递给预测层，预测层中有更新门、重置门和记忆门，对输入信息进行递归更新，输出层输出最终的检查类别表征参数。

进一步，所述步骤S2具体包括：

根据医生设定的分类逻辑指令对检测人进行检测分类，所述分类逻辑指令是指根据检测人信息中的空腹血糖值、是否有糖尿病等参数以及检测目的对应的检查类别进行检测类别匹配的逻辑运算，将当前预约问诊病历划分到对应的检测类别中。

进一步，所述步骤S2具体包括：

对医学影像中所包含的信息进行分析，结合检查报告中的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，帮助检测人查看时能直观了解检查报告。

进一步，所述步骤S2具体包括：

构建深度学习agent，以医学影像为环境，每个文本数据注释对应一个agent，每个agent能根据环境的变化，自动对自己的行为和状态进行调整，具有自我管理自我调节的能力；而且还能够与其它agent进行交互，以达到解决问题的目的，具备积累或学习经验和知识，并修改自己的行为以适应新环境的能力。

进一步，所述步骤S2具体包括：

为agent设计两个维度的动作变化；一是agent环境视野范围的移动；二是agent环境视野范围大小的变动；设立奖励函数，根据agent在不同状态的动作所得到的奖励函数值进行反馈，形成一个学习样本，当样本数量达到预设数量时，将学习样本集输入到机器学习模型中，通过迭代训练输出文本报告中各文本数据在医学影像中的标注位置，从而将医学影像生成医学影像报告。

本发明至少具有如下技术效果或优点：

1、本发明对用户的检测目的进行内容识别，构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别；检查类别匹配神经网络模型挖掘细粒度检测目的特征，通过设立更新门、重置门和记忆门，多层次理解检测目的的内容，智能化分类，提高大量预约信息的处理效率。

2、构建深度学习agent（智能体），将影像中不同部位标注对应的文本数据注释，进行图文配准，实现对医学影像所代表的语义进行解释，弥补图像区域检测不精确，并且基于多层次文本信息描述实现了客观、准确的文本信息的生成，提升了医学影像报告自动生成的准确性，方便用户直观了解病情。

3、本发明的技术方案能够有效解决现有的在线预约方式没有针对不同病情进行分类管控，容易产生延误紧急患者诊疗的情况，而且医生在给出诊断结果后，患者可获知诊断结果却无法直观的从医学影像上了解各个部位并看出病症问题所在，终能够多层次理解检测目的的内容，智能化分类，提高大量预约信息的处理效率，对医学影像进行图文配准，方便用户直观了解病情。

附图说明

图1为本发明所述的一种智能在线预约诊疗管理系统结构图；

图2为本发明所述的一种智能在线预约诊疗管理方法流程图。

具体实施方式

本申请实施例中的技术方案为解决上述问题，总体思路如下：

本发明对用户的检测目的进行内容识别，构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别；检查类别匹配神经网络模型挖掘细粒度检测目的特征，通过设立更新门、重置门和记忆门，多层次理解检测目的的内容，智能化分类，提高大量预约信息的处理效率；构建深度学习agent（智能体），将影像中不同部位标注对应的文本数据注释，进行图文配准，实现对医学影像所代表的语义进行解释，弥补图像区域检测不精确，并且基于多层次文本信息描述实现了客观、准确的文本信息的生成，提升了医学影像报告自动生成的准确性，方便用户直观了解病情。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照附图1，本发明所述的一种智能在线预约诊疗管理系统包括以下部分：

区块链端口10、预约信息获取模块20、身份确认模块30、信息识别模块40、检测分类模块50、病历生成模块60、病历管理模块70、报告分析模块80、影像分析模块90。

所述区块链端口10，用于与区块链建立通信链接，将数据存储到区块链中，区块链端口10通过数据传输的方式与预约信息获取模块20、信息识别模块40相连；

所述预约信息获取模块20，用于对数字签名进行解密，得到检测人的预约信息，预约信息获取模块20通过数据传输的方式与身份确认模块30、信息识别模块40相连；

所述身份确认模块30，用于根据预约信息中的检测人信息从医院的患者数据库中查找是否有历史诊疗记录，若患者数据库中当前检测人的历史诊疗记录，则调出当前检测人的历史诊疗记录发送给病历生成模块60，身份确认模块30通过数据传输的方式与区块链端口10、病历生成模块60相连；

所述信息识别模块40，用于构建检查类别匹配神经网络模型，对用户的检测目的进行内容识别，提取用户想要检测的部位或疾病类型，基于检查目的的词集合匹配得到检查类别，信息识别模块40通过数据传输的方式与检测分类模块50相连；

所述检测分类模块50，用于根据医生设定的分类逻辑指令对检测人进行检测分类，将当前预约问诊病历划分到对应的检测类别中，检测分类模块50通过数据传输的方式与医生端相连；

所述病历生成模块60，用于对检测人的预约信息、历史诊疗记录和检测类别进行格式统一，生成当前检测人的预约问诊病历，病历生成模块60通过数据传输的方式与病历管理模块70相连；

所述病历管理模块70，用于对检测人的病历进行修改、管理，病历管理模块70通过数据传输的方式与区块链端口10相连；

所述报告分析模块80，用于从医生端给出的检查报告中提取需要标注到医学影像上的文本数据，报告分析模块80通过数据传输的方式与影像分析模块90相连；

所述影像分析模块90，用于对医学影像中所包含的信息进行充分的分析，结合检查报告中的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，帮助检测人查看时能直观了解检查报告，影像分析模块90通过数据传输的方式与病历管理模块70相连。

参照附图2，本发明所述的一种智能在线预约诊疗管理方法包括以下步骤：

S1. 用户在线预约诊疗，对用户的检测目的进行内容识别，构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别。

用户在用户端注册填写检测人信息，所述检测人信息包括姓名、性别、身高、体重、空腹血糖值、是否有糖尿病等；注册后进行在线预约诊疗，填写预约信息，所述预约信息包括检测人信息、检测时间和检测目的。

用户预约成功后，生成密钥对，所述密钥对包括检测人进行身份认证的私钥和访问区块链的公钥。检测人私钥对预约信息进行加密得到数字签名，将数字签名发送至区块链；用户端将检测人的公钥写入区块链中。

区块链端口10访问到区块链上检测人的公钥和数字签名，预约信息获取模块20对数字签名进行解密，得到检测人的预约信息。

身份确认模块30根据预约信息中的检测人信息从区块链中查找是否有历史诊疗记录，若患者数据库中当前检测人的历史诊疗记录，则调出当前检测人的历史诊疗记录发送给病历生成模块60。

信息识别模块40对用户的检测目的进行内容识别，提取用户想要检测的部位或疾病类型，所述检测目的是用户对自身病情的描述，在用户进行病情描述时，会提示用户对病情部位、严重程度等方面进行描述，具体的检测内容识别方法如下：

预设检查类别词库，人工设立检查类别的名称和标签，所述标签是指对对应检查类别的描述特征词。对检测目的的内容进行分割，将句子分割为词集合，设立检测目的的词集合为

，n表示词向量的数量。构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别。

将检查目的的词向量集合输入到检查类别匹配神经网络模型中，通过深度学习，输出词向量集合对应的检查类别，值得注意的是，一个检测目的的词向量集合对应至少一个检查类别；所述检查类别匹配神经网络模型包括输入层、预测层、和输出层。

检查类别匹配神经网络的输入层有n个神经元，输入层将词向量传递给预测层，预测层中有更新门、重置门和记忆门，对输入信息进行递归更新，具体计算公式为：

其中，

分别表示第i个神经元的更新门、重置门、记忆门和神经元状态，/>

均为激活函数，此处采用常用的激活函数即可，例如sigmoid函数、ReLU函数等，/>

均为神经元当前时刻的输入权重，/>

为神经元的循环输入权重，/>

均表示偏置，/>

表示哈达玛积。预测层输出为：

其中，

表示预测层的输出，/>

表示状态阈值范围。预测层将输出传递给输出层，输出层输出最终的检查类别表征参数：

其中，

表示输出层的输出，/>

表示预测层与输出层的连接权重，/>

表示输出层的偏置。从而得到当前检测人的检测目的对应的检查类别。

以急性阑尾炎为例，设立从检测目的中分割出的词集合包括：腹部、右下、反复、疼痛、恶心、两天等，将词集合输入到已训练完成的检查类别匹配神经网络模型中，则根据检查类别匹配神经网络之前的深度学习成果，模型中的参数已调到最优，可根据输入的词向量得到对应的检查类别，即急性阑尾炎轻症。根据医院设立的针对急性阑尾炎轻症的急迫度进行分类管控，确定急性阑尾炎轻症是否分类为急诊症，值得注意的是，此处划分为不确定划分，若用户在检测目的中的词集合含有对病症严重程度或时间的描述，则可进行急诊划分，否则按照非急诊划分。若确定患者为急诊症，则在用户到达医院诊断时优先进行诊断；否则按照正常的预约顺序进行诊断。

S2. 基于检测人的检查数据生成检查报告，从检查报告中提取需要标注到医学影像上的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，将医学影像生成医学影像报告，实现智能在线预约诊疗管理。

检测分类模块50根据医生设定的分类逻辑指令对检测人进行检测分类，具体的，所述分类逻辑指令是指根据检测人信息中的空腹血糖值、是否有糖尿病等参数以及检测目的对应的检查类别进行检测类别匹配的逻辑运算，将当前预约问诊病历划分到对应的检测类别中。病历生成模块60对检测人的预约信息、历史诊疗记录和检测类别进行格式统一，生成当前检测人的预约问诊病历，以便医生对检测人的病史有详细的了解，缩短诊疗时间。

检测人在预约的检测时间来到医院进行检查后，检查数据直接由检查设备导出到病历管理模块70，根据检测人信息找到对应的检测人病历，将检查数据加入病历中。

报告医生基于检测人的检查数据生成检查报告，所述检查报告包括到检号、检查类型、检查项目、检查时间、诊断意见、报告医生、报告时间、影像浏览等信息；由于胸片、CT、磁共振等检查数据是以医学影像的形式存在，需要将医学影像生成医学影像报告，检测人通过点击影像浏览可以查看医学影像报告，在所述医学影像报告中，检测人可通过对影像进行点击、放大、缩小等操作实现多模态查看。

进一步，报告分析模块80从医生端给出的检查报告中提取需要标注到医学影像上的文本数据，所述提取方法采用现有技术；影像分析模块90对医学影像中所包含的信息进行充分的分析，结合检查报告中的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，帮助检测人查看时能直观了解检查报告。

具体的，构建深度学习agent（智能体），以医学影像为环境，每个文本数据注释对应一个agent，每个agent能根据环境的变化，自动对自己的行为和状态进行调整，具有自我管理自我调节的能力；而且还可以与其它agent进行交互，以达到解决问题的目的，具备积累或学习经验和知识，并修改自己的行为以适应新环境的能力。

设立每个agent的环境视野范围为

，其中，/>

和

分别表示环境视野范围的第一个像素坐标和最后一个像素的坐标，作为一个实施例，agent的环境视野为方形，每个像素按照从上到下、从左到右的顺序排序。

由于医学影像中不同人体部位的形状和大小均不同，因此为agent设计两个维度的动作变化；一是agent环境视野范围的移动；二是agent环境视野范围大小的变动。设立奖励函数：

其中，

表示奖励函数，/>

表示初始奖励值，/>

表示agent环境视野范围

与目标范围/>

的长宽高距离和，/>

表示agent环境视野范围/>

与目标范围/>

的重合范围的长宽高距离和。所述奖励函数用于调节agent视野范围大小，奖励函数越大，表明agent环境视野范围大小更合适，当随着agent环境视野范围不断变化，而奖励函数值不再增加时，表明达到了最佳大小的环境视野范围。

根据agent在不同环境视野范围内捕捉到的疑似目标坐标集进行反馈，形成一个学习样本，当样本数量达到预设数量时，将学习样本集输入到机器学习模型中，所述机器学习模型采用现有技术，通过迭代训练输出文本报告中各文本数据在医学影像中的标注位置，从而将医学影像生成医学影像报告。

所述机器学习模型可采用朴素贝叶斯算法，假设学习样本之间是相互独立的，即agent在不同环境视野范围内捕捉到的疑似目标坐标集是相互独立的，从所有疑似目标坐标集中寻找到真正的目标位置。根据朴素贝叶斯的特征独立性假设，进一步转换得到：

其中，

（疑似目标坐标集丨目标坐标集）表示疑似目标与实际目标的相似度，相似度越高表明agent寻找到的疑似目标为实际目标的可能性越大，目标坐标特征/>

是指目标坐标特征集合中的任意一个特征，疑似目标坐标特征/>

是指疑似目标坐标特征集合中的任意一个特征。

继续以急性阑尾炎为例，基于对急性阑尾炎患者拍摄的医学影像，即患者腹部CT检查影像，设立一个文本数据标签为“阑尾增大”，即agent，利用深度学习agent的自我管理和自我调节能力，找到“阑尾增大”标签在医学影像中进行注释的部位。首先设立agent的环境视野为方形，agent能看到当前方形区域内的详细影像，根据患者阑尾增大后的形状数据预设阑尾坐标集，从影像中不同灰度值的像素对应的位置坐标中可以寻找是否有符合预设阑尾坐标集相关关系的图像。若没有，则移动agent的环境视野范围，并进行放大或缩小，直至找到对应的阑尾位置，从而将“阑尾增大”标签注释到影像中，用户在浏览影像时可以直观看到阑尾增大的部位，帮助用户了解病情。

医生端将检查报告上传到在线预约诊疗管理系统，放入当前检测人的病历中。报告医生在得出检查报告后，还需要由审核医生对检查报告进行审核，审核医生在对检查报告审核发现无误后，在报告中写入审核医生和审核时间，形成完整的检查报告，然后发送给区块链端口10，在线预约诊疗管理系统与区块链建立通信链路，利用检测人的公钥对检查报告进行加密，经过加密算法将检测人的检查报告加密后打包发送至区块链。

检测人通过私钥对检查报告进行解密，查看检查报告内容，并通过点击影像浏览查看在医院做的胸片、CT、磁共振等检查的影像资料，直接通过用户端显示查看，既方便又环保。

综上所述，便完成了本发明所述的一种智能在线预约诊疗管理系统及方法。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种智能在线预约诊疗管理系统，其特征在于，包括以下部分：

区块链端口、预约信息获取模块、身份确认模块、信息识别模块、检测分类模块、病历生成模块、病历管理模块、报告分析模块、影像分析模块；

所述信息识别模块，用于构建检查类别匹配神经网络模型，对用户的检测目的进行内容识别，提取用户想要检测的部位或疾病类型，基于检查目的的词集合匹配得到检查类别，所述信息识别模块通过数据传输的方式与所述检测分类模块相连；

所述影像分析模块，用于对医学影像中所包含的信息进行充分的分析，结合检查报告中的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，帮助检测人查看时能直观了解检查报告，所述影像分析模块通过数据传输的方式与所述病历管理模块相连。

2.一种智能在线预约诊疗管理方法，其特征在于，包括以下步骤：

S1. 用户在线预约诊疗，对用户的检测目的进行内容识别，构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别；

S2. 基于检测人的检查数据生成检查报告，从检查报告中提取需要标注到医学影像上的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，将医学影像生成医学影像报告，实现智能在线预约诊疗管理。

3.如权利要求2所述的一种智能在线预约诊疗管理方法，其特征在于，所述步骤S1具体包括：

对用户的检测目的进行内容识别，提取用户想要检测的部位或疾病类型。

4.如权利要求2所述的一种智能在线预约诊疗管理方法，其特征在于，所述步骤S1具体包括：

构建检查类别匹配神经网络模型，基于检查目的的词集合匹配得到检查类别；将检查目的的词向量集合输入到检查类别匹配神经网络模型中，通过深度学习，输出词向量集合对应的检查类别，一个检测目的的词向量集合对应至少一个检查类别；所述检查类别匹配神经网络模型包括输入层、预测层、和输出层。

5.如权利要求4所述的一种智能在线预约诊疗管理方法，其特征在于，所述步骤S1具体包括：

输入层将词向量传递给预测层，预测层中有更新门、重置门和记忆门，对输入信息进行递归更新，输出层输出最终的检查类别表征参数。

6.如权利要求2所述的一种智能在线预约诊疗管理方法，其特征在于，所述步骤S2具体包括：

根据医生设定的分类逻辑指令对检测人进行检测分类，将当前预约问诊病历划分到对应的检测类别中。

7.如权利要求2所述的一种智能在线预约诊疗管理方法，其特征在于，所述步骤S2具体包括：

对医学影像中所包含的信息进行分析，结合检查报告中的文本数据，将影像中不同部位标注对应的文本数据注释，进行图文配准，帮助检测人查看时能直观了解检查报告。

8.如权利要求2所述的一种智能在线预约诊疗管理方法，其特征在于，所述步骤S2具体包括：

构建深度学习agent，以医学影像为环境，每个文本数据注释对应一个agent，每个agent能根据环境的变化，自动对自己的行为和状态进行调整，具有自我管理自我调节的能力；而且还能够与其它agent进行交互，以达到解决问题的目的，具备积累或学习经验和知识，并修改自己的行为以适应新环境的能力。

9.如权利要求8所述的一种智能在线预约诊疗管理方法，其特征在于，所述步骤S2具体包括：

为agent设计两个维度的动作变化；一是agent环境视野范围的移动；二是agent环境视野范围大小的变动；设立奖励函数，根据agent在不同状态的动作所得到的奖励函数值进行反馈，形成一个学习样本，当样本数量达到预设数量时，将学习样本集输入到机器学习模型中，通过迭代训练输出文本报告中各文本数据在医学影像中的标注位置，从而将医学影像生成医学影像报告。

Images