CN115910300A - 一种基于人工智能医学虚拟平台系统及信息处理方法 - Google Patents

Abstract

本发明适用于医学图像技术领域，提供了一种基于人工智能医学虚拟平台系统及信息处理方法，所述一种基于人工智能医学虚拟平台系统，包括：身份信息识别模块、病症及检查信息识别模块、数据库、数据比对调取模块、以及信息输出模块，本发明通过病症及检查信息识别模块在AI识别录制模块对病症识别摘取、图像识别模块对检查信息处理，通过在线图片对比、检查指标信息与指标信息标准范围比对，再进行专业的诊断改变了传统得诊断方式，避免了用户早期通过网上查询的非正规自诊自查，为用户提供简洁、准确、快速的诊断结果，提高用户的就诊率，最大程度避免用户延误就医的现象。

Description

一种基于人工智能医学虚拟平台系统及信息处理方法

技术领域

本发明属于医学图像技术领域，尤其涉及一种基于人工智能医学虚拟平台系统及信息处理方法。

 

背景技术

我国人口众多，医疗资源分布不平衡，大部分疾病医生都要借助影像呈现的方式进行病理诊断，诊断过程长，用户需要排队数周甚至数月才能得到诊治，极大的增加了用户的就医时间成本，用户就医意愿较低；在医疗条件差的小医院经常出现大病小治的误诊情况，延误了用户最佳的诊疗时机，甚至危及用户的生命。

为缓解医疗资源紧张的问题，随着人工智能、大数据等技术在医疗领域的兴起，虚拟平台问诊及人工智能疾病分析是医学领域发展的必然趋势。

因此需要提供一种基于人工智能医学虚拟平台系统，来满足不同用户的不同需求，避免延误了用户最佳的诊疗时机。

发明内容

本发明实施例提供一种基于人工智能医学虚拟平台系统，旨在解决现有技术中医疗资源紧张导致用户延误就医的问题。

为解决以上问题，本发明提供一种基于人工智能医学虚拟平台系统，包括：

身份信息识别模块，所述身份信息识别模块连接医院用户数据库，通过读取用户的身份证信息、病例条形码以调取用户数据库内用户基本信息以及历史诊断结果；

病症及检查信息识别模块，所述病症及检查信息识别模块包括语音识别模块、AI识别录制模块、图像识别模块、关键词摘取模块，所述语音识别模块提取用户自述内容中的病症信息、检查信息指标；所述图像识别模块提取用户的检查报告图形信息；所述AI识别录制模块录制用户操作过程中整体、面部以及舌头的图像信息；

数据库，所述数据库包括正常生命体征指标、病例库、各类疾病的病症信息、各疾病检查所需的检查指标信息以及各检查指标标准范围；

数据比对调取模块，接收所述病症及检查信息识别模块所识别到的信息并与所述数据库内相对应信息相比对，将异常指标信息标记，并将与此异常指标信息相关联的疾病所需指标信息一一调取；

以及信息输出模块，用于将检查项目清单、检查指标异常信息分类标记、匹配的疾病数据、建议就诊医院信息输出。

可选的，所述AI识别录制模块和所述图像识别模块包括高清摄像头，通过拍摄用户脸部以及舌头图像进行数据分析获取RGB色图数据。

可选的，还包括医学知识库云服务平台。

本发明还提供一种基于人工智能医学虚拟平台系统实现的信息处理方法，获取检查信息传输至数据库中，依据检查信息按照如下方法比对数据，判断数据是否在标准范围之内，进而输出针对检查信息，具体步骤为：

S1.获取文字朗读、文字输入以及检查报告图标信息识别所采取的检查信息；

S2.将获取的信息编译成文本、提取各项指标信息；

S3.将指标信息与数据库中各项检查信息指标一一对应比较分析，将在标准范围内指标列为正常指标，在标准范围外的指标列为异常指标；

S4.抽取异常指标A，从数据库中调取异常指标易引起的疾病信息，并对该疾病涉及的检测指标分别调取形成集合B，形成分析文本；

S5.将分析文本以文字、语音或图表形式输出至终端。

可选的，所述步骤S1中检查信息包括血样检查报告、心电图谱、B超报告等。

可选的，所述步骤S5检查结果采用交互式触摸屏显示或打印机打印。

可选的，还包括基于深度学习的自更新模块，所述基于深度学习的自更新模块接收AI识别录制模块、图像识别模块的图像信息，并将其在深度学习的基础上进行解析，将图像处理结果信息与所述数据库和医疗数据系统连接，提取与用户图像信息想关的疾病信息更新数据库。

可选的，所述基于深度学习的自更新模块包括：

数据输入模块，被配置为接收输入的数据，所述输入的数据包括骨骼尺寸、肌肉群分布、声波声调信息、第一深度学习算法模型以及其他设备采用第二深度学习算法模型针对所述待识别数据的识别结果；

交换模块，被配置为根据骨骼尺寸、肌肉群分布、声波声调信息的标识信息和所述第一深度学习算法模型的标识信息，判断是否将待识别数据以及所述第一深度学习算法模型存储到所述存储模块中；

存储模块，用于在所述交换模块的判断结果为是的情况下，存储所述待识别数据和所述第一深度学习算法模型；

控制模块，用于向所述分析判断模块发出针对所述待识别数据的识别指令；

分析判断模块，用于根据所述识别指令获取所述第一深度学习算法模型和所述待识别数据，并利用所述第一深度学习算法模型对所述待识别数据进行识别处理；

数据输出模块，用于输出所述分析判断模块的识别结果和所述其他设备针对所述待识别数据的识别结果。

可选的，所述基于深度学习的自更新模块训练方法包括：

构建深度学习训练模型并离线训练得到动态深度学习训练模型；具体的，通过数据库中已存在的用户信息（包括预设的骨骼尺寸、肌肉群分布以及声波声调）构建深度学习训练模型，以疾病变化为输出变量基于离线深度学习训练构建动态深度学习训练模型；

根据用户图像解析构建的骨骼模型、肌肉群模型以及语义模型做为主体图像；具体的，将病症及检查信息识别模块中识别到的用户图像中提取出用户骨骼模型、面部肌肉群模型以及声音声波及声调，从而将用户面部信息分模块提取；

根据所述主体图像与所述动态深度学习训练模型融合提取与数据库中预设置不同的骨骼特征、面部肌肉群分布特征以及声波声调信息对动态深度学习训练模型训练得到基于深度学习的预测模型；

将提取深度学习的预测模型的骨骼特征、面部肌肉群分布特征以及声波声调信息连同检查信息合并存储于数据库中更新数据库。

综上所述，相对于现有技术，本发明提供一种基于人工智能医学虚拟平台系统及信息处理方法，所述一种基于人工智能医学虚拟平台系统，包括：身份信息识别模块、病症及检查信息识别模块、数据库、数据比对调取模块、以及信息输出模块，本发明通过病症及检查信息识别模块在AI识别录制模块对病症识别摘取、图像识别模块对检查信息处理，通过在线图片对比、检查指标信息与指标信息标准范围比对，再进行专业的诊断改变了传统得诊断方式，避免了用户早期通过网上查询的非正规自诊自查，为用户提供简洁、准确、快速的诊断结果，提高用户的就诊率，最大程度避免用户延误就医的现象。

附图说明

图1是本发明实施例提供的人工智能医学虚拟平台系统框架图;

图2是本发明实施例提供的基于深度学习的自更新模块系统框架图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供的基于人工智能医学虚拟平台系统及信息处理方法，通过在线图片对比、检查指标信息与指标信息标准范围比对，再进行专业的诊断改变了传统得诊断方式，避免了用户早期通过网上查询的非正规自诊自查，为用户提供简洁、准确、快速的诊断结果，提高用户的就诊率，实现大众化的湿疹样癌早筛平台，最大程度避免用户延误就医的现象。

实施例一

本发明提供一种基于人工智能医学虚拟平台系统，包括：身份信息识别模块、病症及检查信息识别模块、数据库、数据比对调取模块以及信息输出模块；其中，身份信息识别模块连接医院用户数据库，通过读取用户的身份证信息、病例条形码以调取用户数据库内用户基本信息以及历史诊断结果；

其中，病症及检查信息识别模块包括语音识别模块、AI识别录制模块、图像识别模块、关键词摘取模块，语音识别模块提取用户自述内容中的病症信息、检查信息指标；图像识别模块提取用户的检查报告图形信息；AI识别录制模块录制用户操作过程中整体、面部以及舌头的图像信息；

其中，数据库包括正常生命体征指标、病例库、各类疾病的病症信息、各疾病检查所需的检查指标信息以及各检查指标标准范围；在本实施例中，生命体征又包括体温、血压、心率等体征指标；

其中，数据比对调取模块接收所述病症及检查信息识别模块所识别到的信息并与所述数据库内相对应信息相比对，将异常指标信息标记，并将与此异常指标信息相关联的疾病所需指标信息一一调取；

其中，信息输出模块，用于将检查项目清单、检查指标异常信息分类标记、匹配的疾病数据、建议就诊医院信息输出。

可选的，AI识别录制模块和图像识别模块包括高清摄像头，通过拍摄用户脸部以及舌头图像进行数据分析获取RGB色图数据，采用人工智能方式实现医疗问诊中对用户表症观察；

可选的，还包括含有医学知识库的云服务平台。

本发明还提供一种基于人工智能医学虚拟平台系统实现的信息处理方法，获取检查信息传输至数据库中，依据检查信息按照如下方法比对数据，判断数据是否在标准范围之内，进而输出针对检查信息，具体步骤为：

S1.获取文字朗读、文字输入以及检查报告图标信息识别所采取的检查信息；

S2.将获取的信息编译成文本、提取各项指标信息；

S3.将指标信息与数据库中各项检查信息指标一一对应比较分析，将在标准范围内指标列为正常指标，在标准范围外的指标列为异常指标；

S4.抽取异常指标A，从数据库中调取异常指标易引起的疾病信息，并对该疾病涉及的检测指标分别调取形成集合B，形成分析文本；

S5.将分析文本以文字、语音或图表形式输出至终端。

可选的，所述步骤S1中检查信息包括血样检查报告、心电图谱、B超报告等。

可选的，所述步骤S5检查结果采用交互式触摸屏显示或打印机打印。

可选的，还包括基于深度学习的自更新模块，所述基于深度学习的自更新模块接收AI识别录制模块、图像识别模块的图像信息，并将其在深度学习的基础上进行解析，将图像处理结果信息与所述数据库和医疗数据系统连接，提取与用户图像信息想关的疾病信息更新数据库。

可选的，所述基于深度学习的自更新模块包括：

数据输入模块，被配置为接收输入的数据，所述输入的数据包括骨骼尺寸、肌肉群分布、声波声调信息、第一深度学习算法模型以及其他设备采用第二深度学习算法模型针对所述待识别数据的识别结果；

交换模块，被配置为根据骨骼尺寸、肌肉群分布、声波声调信息的标识信息和所述第一深度学习算法模型的标识信息，判断是否将待识别数据以及所述第一深度学习算法模型存储到所述存储模块中；

存储模块，用于在所述交换模块的判断结果为是的情况下，存储所述待识别数据和所述第一深度学习算法模型；

控制模块，用于向所述分析判断模块发出针对所述待识别数据的识别指令；

分析判断模块，用于根据所述识别指令获取所述第一深度学习算法模型和所述待识别数据，并利用所述第一深度学习算法模型对所述待识别数据进行识别处理；

数据输出模块，用于输出所述分析判断模块的识别结果和所述其他设备针对所述待识别数据的识别结果。数据输出模块将其最终识别的结果传输至数据库中存储，实现了对数据库内容的更新。通过本系统提取用户信息与数据库中所存储的数据进行比对，实现对患者病情分析及诊断。

可选的，所述基于深度学习的自更新模块训练方法包括：

构建深度学习训练模型并离线训练得到动态深度学习训练模型；具体的，通过数据库中已存在的用户信息（包括预设的骨骼尺寸、肌肉群分布以及声波声调）构建深度学习训练模型，以疾病变化为输出变量基于离线深度学习训练构建动态深度学习训练模型；

根据用户图像解析构建的骨骼模型、肌肉群模型以及语义模型做为主体图像；具体的，将病症及检查信息识别模块中识别到的用户图像中提取出用户骨骼模型、面部肌肉群模型以及声音声波及声调，从而将用户面部信息分模块提取；

根据所述主体图像与所述动态深度学习训练模型融合提取与数据库中预设置不同的骨骼特征、面部肌肉群分布特征以及声波声调信息对动态深度学习训练模型训练得到基于深度学习的预测模型；此外，为了提高其识别技术，在本实施例中还将非线性降维图像识别技术、基于神经网络的图像识别技术结合C++算法，使深度学习训练模块得以不断正向、反向传导训练，通过远程终端将预定数值、病例各时期的图像信息传入，设定预定计算以及图像修正原则，将数据库中图片信息建立数据库分隔标签，根据线性统计分析得出权重和偏差理想值，在深度学习训练后提升识别、分类速度。

将提取深度学习的预测模型的骨骼特征、面部肌肉群分布特征以及声波声调信息连同检查信息合并存储于数据库中自更新数据库，以使得在医学“望、闻、切、问”中，完善“望”步骤对于用户面部特征的观察以及对深度学习后与之大概率相关联的病症的了解。

实施例二

本发明提供的基于人工智能医学虚拟平台系统包括两种操作子系统，其一为针对于用户有病症初次就医，具体的，用户在医院挂号后，通过连接医院用户数据库，通过读取用户的身份证信息、病例条形码以调取用户数据库内用户基本信息以及历史诊断结果；

用户语音输入病症，在语音识别模块、AI识别录制模块、图像识别模块、关键词摘取模块作用下，语音识别模块提取用户自述内容中的病症信息、提取用户的检查报告图形信息；并在此过程中由AI识别录制模块录制用户操作过程中整体、面部以及舌头的图像信息并加数据分析运算处理；

经数据比对调取模块将上述的病症信息与数据库内的各类疾病的病症信息比对，并调取类似病症所需要做的检查项目清单；

通过信息输出模块将检查项目清单信息输出，具体的输出方法可以为电子形式发送于显示屏、用户手机上，也可以为打印机打印。

本发明提供的基于人工智能医学虚拟平台系统还包括第二个子系统，针对于用户持有检查报告，但不了解报告具体含义以及治疗方案，具体的，用户持检查报告，再次通过身份信息识别模块识别病例本上条形码从而获取用户数据库内用户基本信息以及历史诊断结果；

通过病症及检查信息识别模块识别检查报告信息，具体的，通过语音识别模块识别用户口述报告中指标、或通过图像识别模块提取用户的检查报告图形信息将检查报告中的指标信息提取出来；

再经数据比对调取模块将报告内个指标信息与所述数据库内相对应信息相比对，将异常指标信息标记，并将与此异常指标信息相关联的疾病所需指标信息一一调取；

最后经信息输出模块将检查指标异常信息分类标记、初步判断结果、建议治疗方法以及处方信息输出。

可选的，还包括基于深度学习的自更新模块，所述基于深度学习的自更新模块接收AI识别录制模块、图像识别模块的图像信息，并将其在深度学习的基础上进行解析，将图像处理结果信息与所述数据库和医疗数据系统连接，提取与用户图像信息想关的疾病信息更新数据库。

可选的，所述基于深度学习的自更新模块训练方法包括：

构建深度学习训练模型并离线训练得到动态深度学习训练模型；具体的，通过数据库中已存在的用户信息（包括预设的骨骼尺寸、肌肉群分布以及声波声调）构建深度学习训练模型，以疾病变化为输出变量基于离线深度学习训练构建动态深度学习训练模型；

根据用户图像解析构建的骨骼模型、肌肉群模型以及语义模型做为主体图像；具体的，将病症及检查信息识别模块中识别到的用户图像中提取出用户骨骼模型、面部肌肉群模型以及声音声波及声调，从而将用户面部信息分模块提取；

根据所述主体图像与所述动态深度学习训练模型融合提取与数据库中预设置不同的骨骼特征、面部肌肉群分布特征以及声波声调信息对动态深度学习训练模型训练得到基于深度学习的预测模型；

将提取深度学习的预测模型的骨骼特征、面部肌肉群分布特征以及声波声调信息连同检查信息合并存储于数据库中完成自更新数据库。

实施例三

在本实施例中，基于人工智能医学虚拟平台系统读取用户身份信息以及历史诊断结果：湿疹治疗无明显好转迹象；

接收到用户口述病症：瘙痒感、刺痛感和局部灼烧感；乳头乳晕区糜烂、结痂、渗出、脱屑等表现,深入发展至乳头内陷、受损甚至消失、对周边皮肤浸润侵袭、可触及乳房肿块、腋下淋巴结肿大等（阳性）；

经过数据比对调取模块将历史诊断结果、病症信息与数据库内的各类疾病的病症信息比对，并调取类似病症所需要做的检查项目清单；

通过信息输出模块将检查项目清单信息输出，输出检查项目清单为：皮肤镜、反射式共聚焦激光扫描显微镜（RCM）、光学相干断层扫描 （OC）、正电子发射断层显像/X线计算机体层成像仪（PET/CT）、光动力学（PDD）以及磁共振成像（MRI）;

用户在接收到屏幕或移动终端或打印出的检查清单后做相应的检查；

检查后用户持检查报告语音识别模块识别口述报告内容、图像识别模块识别图形报告信息，经数据比对调取模块将上述的病症信息与数据库内的各类疾病的病症信息比对，将异常指标信息标记，并将与此异常指标信息相关联的疾病所需指标信息一一调取，具体的：在皮肤镜下，相对于湿疹和真菌感染，EMPD皮损可看到大量的乳白色与红色区域，其中血管分布的结构特点如点状分布、血管球样将EMPD与良性肿瘤区区分；在反射式共聚焦激光扫描显微镜 RCM下，用户的皮疹在RCM图像中可见角质层增多，呈现簇状或均匀一致折光率较高图像，可见真皮乳头层环内高折光度的炎性细胞浸润及扩张的血管，符合病例组织特点；光学相干断层扫描（OCT）可以区分恶性肿瘤与健康组织，在本实施例中，OCT扫描图谱在图像识别模块的识别和数据比对调取模块的对比作用下，并输出匹配的数据报告。

还包括基于深度学习的自更新模块，构建深度学习训练模型并离线训练得到动态深度学习训练模型；具体的，通过数据库中已存在的用户信息（包括预设的骨骼尺寸、肌肉群分布以及声波声调）构建深度学习训练模型，以疾病变化为输出变量基于离线深度学习训练构建动态深度学习训练模型；

在本实施例中，根据用户图像解析构建的骨骼模型、肌肉群模型以及语义模型做为主体图像；具体的，将病症及检查信息识别模块中识别到的用户图像中提取出用户骨骼模型、面部肌肉群模型以及声音声波及声调，从而将用户面部信息分模块提取；

根据所述主体图像与所述动态深度学习训练模型融合提取与数据库中预设置不同的骨骼特征、面部肌肉群分布特征以及声波声调信息对动态深度学习训练模型训练得到基于深度学习的预测模型；

将提取深度学习的预测模型的骨骼特征、面部肌肉群分布特征以及声波声调信息连同检查信息合并存储于数据库中完成自更新数据库。

在本实施例中，基于人工智能医学虚拟平台系统接收到用户人工智能诊断请求，平台接收到用户口述病情、上传的病灶图片后，在AI识别录制模块、图像识别模块作用下人工智能诊断用户是否患湿疹样癌，识别模块的识别和数据比对调取模块的对比作用下，得出建议就诊医院信息。

实施例四

本实施例以用户患有黑色素瘤为例，黑色素瘤（melanoma）通常是指恶性黑色素瘤（malignant melanoma），是黑色素细胞来源的一种高度恶性的肿瘤，多发生于皮肤（约80%），也可见于眼、口鼻及内脏部位，黑色素瘤作为近年来发病率增长速度最快的皮肤恶性肿瘤疾病，逐渐进入了大众关注的视野，因其发病前期隐蔽，并且外形与黑痣极为相似，多数用户都错过了期最佳的治疗时间，从而造成不必要的经济支出、身体上的痛苦甚至危及生命，在良性黑色素痣即将恶变，或者刚刚恶变，即对患者提出预警，无疑会使广大黑色素瘤患者受益，提高患者生存率，减轻社会负担。

由于用户独自在互联网搜索相关资料、图片均具有局限性，如资料内容真假难辨、患处图片不具有代表性等，不但对自己的心理情绪造成影响，还极其容易耽误了最佳治疗时间。

在本实施例中，基于人工智能医学虚拟平台系统接收到用户人工智能诊断请求，用户首先通过身份识别模块将身份信息、历史就以信息等识别；

经病症及检查信息识别模块识别自述病症信息、患处图片等信息，后经数据比对调取模块将信息与数据库内病症图片相比较，将异常信息标记后依次调取显示，并将相关联检测项目清单、建议就诊医院信息输出；

之后，在用户就诊后携带检测报告及就诊结论再次使用，通过病症及检查信息识别模块识别文字朗读、文字输入以及检查报告图标信息识别，将获取信息编译、比对数据库中的指标信息，标记异常指标后再调取与异常指标易引起的疾病信息的集合B形成分析文本输出，与此同时，将此病症及指标信息基于深度学习的自更新模块训练深度学习模型以更新数据库。

实施例五

本实施例以用户患有拇外翻病症为例，拇外翻是最常见的前足畸形，表现为足拇趾向外偏斜过大，随年龄增长可进展为第一跖趾关节半脱位、拇囊炎和前足横弓降低甚至塌陷，严重影响患者生活质量。对于有症状的中重度拇外翻，保守治疗无效的情况下，往往需手术矫正。手术矫正拇外翻在临床工作取得了一定的疗效，但也存在不少术后并发症：如拇外翻复发、拇内翻、转移性跖骨痛等。

在本实施例中，基于人工智能医学虚拟平台系统接收到用户人工智能诊断请求，用户首先通过身份识别模块将身份信息、历史就以信息等识别；

经病症及检查信息识别模块识别自述病症信息、患处图片等信息，后经数据比对调取模块将信息与数据库内病症图片相比较，将异常信息标记后依次调取显示，并将相关联检测项目清单、建议就诊医院信息输出；

之后，在用户就诊后携带检测报告及就诊结论再次使用，通过病症及检查信息识别模块识别文字朗读、文字输入以及检查报告图标信息识别，将获取信息编译、比对数据库中的指标信息，标记异常指标后再调取与异常指标易引起的疾病信息的集合B形成分析文本输出，与此同时，将此病症及指标信息基于深度学习的自更新模块训练深度学习模型以更新数据库。

在本实施例中，通过导入用户的足部影像资料，将其与数据库进行比对验证，建立拇外翻足模型，并在基于深度学习的自更新模块进一步完善模型，给予用户相关的就诊医院建议信息；本发明利用基于深度学习的自更新模块数字化足部模型，通过数字化模型可以评估术前足底压力情况、模拟手术后预估足底压力分布情况，为最佳术式、最佳内固定方式提供建议。

本发明提供的基于人工智能医学虚拟平台系统，包括：身份信息识别模块、病症及检查信息识别模块、数据库、数据比对调取模块、以及信息输出模块，本发明通过病症及检查信息识别模块在AI识别录制模块对病症识别摘取、图像识别模块对检查信息处理，通过在线图片对比、检查指标信息与指标信息标准范围比对，再进行专业的诊断改变了传统得诊断方式，避免了用户早期通过网上查询的非正规自诊自查，为用户提供简洁、准确、快速的诊断结果，提高用户的就诊率，最大程度避免用户延误就医的现象。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能医学虚拟平台系统，其特征在于，包括：

身份信息识别模块，所述身份信息识别模块连接医院用户数据库，通过读取用户的身份证信息、病例条形码以调取用户数据库内用户基本信息以及历史诊断结果；

病症及检查信息识别模块，所述病症及检查信息识别模块包括语音识别模块、AI识别录制模块、图像识别模块、关键词摘取模块，所述语音识别模块提取用户自述内容中的病症信息、检查信息指标；所述图像识别模块提取用户的检查报告图形信息；所述AI识别录制模块录制用户操作过程中整体、面部以及舌头的图像信息；

数据库，所述数据库包括正常生命体征指标、病例库、各类疾病的病症信息、各疾病检查所需的检查指标信息以及各检查指标标准范围；

数据比对调取模块，接收所述病症及检查信息识别模块所识别到的信息并与所述数据库内相对应信息相比对，将异常指标信息标记，并将与此异常指标信息相关联的疾病所需指标信息一一调取；

以及信息输出模块，用于将检查项目清单、检查指标异常信息分类标记、匹配的疾病数据、建议就诊医院信息输出。

2.如权利要求1所述的基于人工智能医学虚拟平台系统，其特征在于，所述AI识别录制模块和所述图像识别模块包括高清摄像头，通过拍摄用户脸部以及舌头图像进行数据分析获取RGB色图数据。

3.如权利要求1所述的基于人工智能医学虚拟平台系统，其特征在于，还包括医学知识库云服务平台。

4.如权利要求1所述的基于人工智能医学虚拟平台系统，其特征在于，

如权利要求1-3任一项所述的基于人工智能医学虚拟平台系统的信息处理方法，其特征在于，获取检查信息传输至数据库中，依据检查信息按照如下方法比对数据，判断数据是否在标准范围之内，进而输出针对检查信息，具体步骤为：

S1.获取文字朗读、文字输入以及检查报告图标信息识别所采取的检查信息；

S2.将获取的信息编译成文本、提取各项指标信息；

S3.将指标信息与数据库中各项检查信息指标一一对应比较分析，将在标准范围内指标列为正常指标，在标准范围外的指标列为异常指标；

S4.抽取异常指标A，从数据库中调取异常指标易引起的疾病信息，并对该疾病涉及的检测指标分别调取形成集合B，形成分析文本；

S5.将分析文本以文字、语音或图表形式输出至终端。

5.如权利要求4所述的基于人工智能医学虚拟平台系统的信息处理方法，其特征在于，所述步骤S1中检查信息包括血样检查报告、心电图谱、B超报告等。

6.如权利要求5所述的基于人工智能医学虚拟平台系统的信息处理方法，其特征在于，所述步骤S5检查结果采用交互式触摸屏显示或打印机打印。

7.如权利要求4所述的基于人工智能医学虚拟平台系统的信息处理方法，其特征在于，还包括基于深度学习的自更新模块，所述基于深度学习的自更新模块接收AI识别录制模块、图像识别模块的图像信息，并将其在深度学习的基础上进行解析，将图像处理结果信息与所述数据库和医疗数据系统连接，提取与用户图像信息想关的疾病信息更新数据库。

8.如权利要求7所述的基于人工智能医学虚拟平台系统的信息处理方法，其特征在于，所述基于深度学习的自更新模块包括：

数据输入模块，被配置为接收输入的数据，所述输入的数据包括骨骼尺寸、肌肉群分布、声波声调信息、第一深度学习算法模型以及其他设备采用第二深度学习算法模型针对所述待识别数据的识别结果；

交换模块，被配置为根据骨骼尺寸、肌肉群分布、声波声调信息的标识信息和所述第一深度学习算法模型的标识信息，判断是否将待识别数据以及所述第一深度学习算法模型存储到所述存储模块中；

存储模块，用于在所述交换模块的判断结果为是的情况下，存储所述待识别数据和所述第一深度学习算法模型；

控制模块，用于向所述分析判断模块发出针对所述待识别数据的识别指令；

分析判断模块，用于根据所述识别指令获取所述第一深度学习算法模型和所述待识别数据，并利用所述第一深度学习算法模型对所述待识别数据进行识别处理；

数据输出模块，用于输出所述分析判断模块的识别结果和所述其他设备针对所述待识别数据的识别结果。

9.如权利要求4所述的基于人工智能医学虚拟平台系统的信息处理方法，其特征在于，所述基于深度学习的自更新模块训练方法包括：

构建深度学习训练模型并离线训练得到动态深度学习训练模型；具体的，通过数据库中已存在的用户信息，构建深度学习训练模型，以疾病变化为输出变量基于离线深度学习训练构建动态深度学习训练模型，所述信息包括预设的骨骼尺寸、肌肉群分布以及声波声调信息；

根据用户图像解析构建的骨骼模型、肌肉群模型以及语义模型做为主体图像；具体的，将病症及检查信息识别模块中识别到的用户图像中提取出用户骨骼模型、面部肌肉群模型以及声音声波及声调，从而将用户面部信息分模块提取；

根据所述主体图像与所述动态深度学习训练模型融合提取与数据库中预设置不同的骨骼特征、面部肌肉群分布特征以及声波声调信息对动态深度学习训练模型训练得到基于深度学习的预测模型；

将提取深度学习的预测模型的骨骼特征、面部肌肉群分布特征以及声波声调信息连同检查信息合并存储于数据库中更新数据库。

Images