CN115982335A - 一种主动式ai医疗问答系统、方法、设备及存储介质 - Google Patents
一种主动式ai医疗问答系统、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN115982335A CN115982335A CN202310111981.6A CN202310111981A CN115982335A CN 115982335 A CN115982335 A CN 115982335A CN 202310111981 A CN202310111981 A CN 202310111981A CN 115982335 A CN115982335 A CN 115982335A
- Authority
- CN
- China
- Prior art keywords
- information
- current
- question
- user
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 208000024891 symptom Diseases 0.000 claims description 102
- 201000010099 disease Diseases 0.000 claims description 54
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 54
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 12
- 238000011282 treatment Methods 0.000 abstract description 4
- 208000004998 Abdominal Pain Diseases 0.000 description 8
- 206010037660 Pyrexia Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 206010028813 Nausea Diseases 0.000 description 5
- 230000008693 nausea Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 208000007882 Gastritis Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 206010000060 Abdominal distension Diseases 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 2
- 206010012735 Diarrhoea Diseases 0.000 description 2
- 208000036071 Rhinorrhea Diseases 0.000 description 2
- 206010039101 Rhinorrhoea Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 208000008384 ileus Diseases 0.000 description 2
- 208000003243 intestinal obstruction Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种主动式AI医疗问答系统、方法、设备及存储介质，涉及智能医疗领域，包括：问答模型训练模块，用于根据预设医疗问答数据集对初始问答模型进行模型训练得到目标问答模型；用户端信息监听模块，用于监听当前是否接收到用户端信息；用户信息确定模块，用于如果是，则根据用户端信息得到当前用户信息；服务端信息确定模块，用于基于当前用户信息和目标问答模型确定出当前提示词，并根据当前提示词确定当前服务端答复信息；服务端信息发送模块，用于将当前服务端答复信息发送至用户端，并触发所述用户端信息监听模块的工作流程。这样一来，可以主动与用户进行交互，采集更多的用户数据，以便提高医疗诊断的效率。
Description
技术领域
本发明涉及智能医疗领域，特别涉及一种主动式AI医疗问答系统、方法、设备及存储介质。
背景技术
随着科学技术的发展，互联网的各种产品开始普及于人类生活的方方面面，医疗与互联网相结合是医学信息化发展的必然趋势，医学信息化的发展影响着人们对健康知识的获取方式。目前对医学相关知识的搜索主要通过传统搜索引擎，例如百度，谷歌等，这种搜索方式只需用户输入关键字，便会返回大量的网页，然而这些方式难以满足用户的需求。
而现有医疗领域的问诊系统主要分以下几种：第一种方法是从大量的知识库中检索出最相似的答案的基于检索式的问诊系统；第二种方法是有明确任务目标的基于任务式的问诊系统，主要是靠识别特定的意图加上反复确认来实现；第三种方法是依赖于大量的病人和医生的历史问诊记录的基于生成式的问诊系统。但这些方法都只能被动地根据用户提出的问题进行回答，无法主动根据用户的主诉信息提出问题与用户进行交互，从而导致医疗诊断的效率较低。因此，如何在医疗诊断过程中主动与用户进行交互以提高医疗诊断的效率，是本领域一个亟需解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种主动式AI医疗问答系统、方法、设备及存储介质，可以对用户提出的医疗问题进行可控、有效、准确地回复，从而主动与用户进行交互，采集更多的用户数据，以便提高医疗诊断的效率。其具体方案如下：
第一方面，本申请提供了一种主动式AI医疗问答系统，应用于服务端，包括：
问答模型训练模块，用于根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型；
用户端信息监听模块，用于监听当前是否接收到用户端信息；
用户信息确定模块，用于如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息；
服务端信息确定模块，用于基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息；
服务端信息发送模块，用于将所述当前服务端答复信息发送至用户端，并触发所述用户端信息监听模块的工作流程。
可选的，所述问答模型训练模块，包括：
Prompt编码器训练单元，用于利用预设医疗问答数据集对初始Prompt编码器进行训练，以得到训练好的目标Prompt编码器；
目标问答模型确定单元，用于基于所述目标Prompt编码器和预设预训练模型确定出目标问答模型。
可选的，所述用户信息确定模块，包括：
实体识别单元，用于通过预设Smedbert模型对所述用户端信息进行实体识别，并利用识别结果确定当前用户信息；所述识别结果包括用户的当前症状信息。
可选的，所述主动式AI医疗问答系统，还包括：
结束条件判断单元，用于判断当前是否满足预设医疗问答结束条件；
结束语句发送单元，用于如果当前满足所述预设医疗问答结束条件，则将预设问答结束语句发送至用户端，以完成本次医疗问答。
可选的，所述服务端信息确定模块，包括：
疾病确定子模块，用于根据所述当前用户信息并利用预设医疗知识图谱确定出当前若干疾病；
提示词确定子模块，用于利用所述预设医疗知识图谱和所述当前若干疾病确定出若干症状，并利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词；
答复信息确定单元，用于根据所述当前提示词确定当前服务端答复信息。
可选的，所述疾病确定子模块，还包括：
疾病筛除单元，用于在接收到用户端发送的回复信息后，根据所述回复信息确定出待筛除疾病，并将所述待筛除疾病从所述当前若干疾病中筛除，以对所述当前若干疾病进行更新。
可选的，所述提示词确定子模块，包括：
疾病症状确定单元，用于利用所述预设医疗知识图谱和所述当前若干疾病确定出若干待筛选症状；
症状筛选单元，用于从所述若干待筛选症状中筛选出与用户当前症状不一致的症状，以得到若干症状；其中，所述用户当前症状包括根据所述当前用户信息确定的症状；
提示词确定单元，用于利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词。
第二方面，本申请提供了一种主动式AI医疗问答方法，应用于服务端，包括：
根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型；
监听当前是否接收到用户端信息；
如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息；
基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息；
将所述当前服务端答复信息发送至用户端，并跳转至所述监听当前是否接收到用户端信息的步骤。
第三方面，本申请提供了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现前述的主动式AI医疗问答方法。
第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的主动式AI医疗问答方法。
本申请中，所述主动式AI医疗问答系统，包括：问答模型训练模块，用于根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型；用户端信息监听模块，用于监听当前是否接收到用户端信息；用户信息确定模块，用于如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息；服务端信息确定模块，用于基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息；服务端信息发送模块，用于将所述当前服务端答复信息发送至用户端，并触发所述用户端信息监听模块的工作流程。通过上述方案，本申请可以训练目标问答模型，以利用所述目标问答模型并基于用户端信息确定出当前服务端答复信息，这样一来，可以对用户提出的医疗问题进行可控、有效、准确地回复，从而主动与用户进行交互，采集更多的用户数据，以便提高医疗诊断的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种主动式AI医疗问答系统结构示意图；
图2为本申请提供的一种目标问答模型结构示意图；
图3为本申请提供的一种具体的主动式AI医疗问答结构示意图；
图4为本申请提供的一种根据用户症状进行主动提问的流程示意图；
图5为本申请提供的一种主动式AI医疗问答方法流程图；
图6为本申请提供的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有医疗领域的问诊系统都只能被动地根据用户提出的问题进行回答，无法主动根据用户的主诉信息提出问题与用户进行交互，从而导致医疗诊断的效率较低。因此，本申请公开了一种主动式AI医疗问答系统，应用于服务端，可以主动对用户提出针对症状的询问信息，提高医疗问答系统的交互性，从而提高医疗诊断的效率。
参见图1所示，本发明实施例公开了一种主动式AI医疗问答系统，应用于服务端，包括：
问答模型训练模块11，用于根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型。
本实施例中，所述问答模型训练模块11，具体可以包括：Prompt编码器训练单元，用于利用预设医疗问答数据集对初始Prompt编码器进行训练，以得到训练好的目标Prompt编码器；目标问答模型确定单元，用于基于所述目标Prompt编码器和预设预训练模型确定出目标问答模型。
由于预设预训练模型中包括的知识或者模式是既定的，不一定会根据使用需求去生成句子，需要给一些提示来引导上述模型去做下游任务。本发明中，通过设计一个动态Prompt编码器来鼓励上下文感知的Prompt learning，以更好地重利用大规模预训练模型中的知识并生成更符合需求的回复。
需要指出的是，如图2所示的目标问答模型结构图，图中Context代表对话的上文，也就是患者的问句，Prompt代表可训练的Prompt编码器，Response代表目标问答模型的当前服务端答复信息，h1至h13代表基模型的隐层。本发明将上文文本的embedding和在预设医疗知识图谱中获取的提示实体词输入至初始Prompt编码器中获得感知上文的Prompt编码器的编码表示，并利用所述编码表示和所述上文文本来预测下文。这样一来，可以有效利用预设预训练模型中的知识来提高医疗答复的效率。
在训练过程中，本发明使用Smedbert模型对预设医疗问答数据集中的与医生回复相关的文本内容进行实体识别，具体识别的类型包括但不限于：疾病、症状、病因、检查、诊断、治疗、饮食保健、医院、专家、药品，其中，所述预设医疗问答数据集包括CMCQA数据集；将识别的实体，作为医生回复内容的提示词，并重新组合对话语句，将识别到的实体词放到回复内容的最前面，作为本回复文本的提示词。例如，原始对话为“患者：医生我可能感冒了，浑身不舒服。医生：你有没有发烧呢？”，识别提示词为：发烧，重新组合后的的对话语句为：“患者：医生我可能感冒了，浑身不舒服。医生：发烧你有没有发烧呢？”。本发明使用T5模型(Text-to-Text Transfer Transformer，统一文本到文本任务模型)作为基模型，T5模型为自回归语言模型，且目标函数如下：
其中S1到Sn-1代表文本序列的第1到n-1个字，i代表文本序列的第i个字，Sn代表文本序列的第n个字，p(x)代表最大概率。此目标函数表征从文本序列中前n-1个字来预测第n个字。
训练过程中冻结T5模型参数，训练初始Prompt编码器。首先，设置X＝[x1，x2，...，xm]，代表问答文本序列，设置P＝[p1，...，p4]作为初始Prompt编码器的tokens，且所述初始Prompt编码器为全连接的神经网络结构。本发明设定Prompt编码器的隐层变量为：
s1，...，sk＝fθ(e(p1)，...，e(pk))
其中，fθ代表全连接神经网络，θ代表可训练的参数，e代表将tokens进行随机embedding。
本发明定义训练阶段的目标函数为：
其中，θ代表全连接Prompt编码器中唯一可训练的参数，φ代表参数已经被冻结的T5模型，xi代表输入的第i个token，s1：k代表已经训练好的目标Prompt编码器的tokens，h＜i代表第i个token之前的token的隐层。
T5解码器隐层表示为：
hi＝Transformerpre(xi，s1：k，h＜i)
其中，xi代表输入的第i个token，s1：k代表已经训练好的目标Prompt编码器的tokens，h＜i代表第i个token之前的token的隐层。
目标Prompt编码器训练完成后，基于所述目标Prompt编码器和预设预训练模型确定出目标问答模型。
用户端信息监听模块12，用于监听当前是否接收到用户端信息。
用户信息确定模块13，用于如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息。
本实施例中，如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息，所述当前用户信息包括用户的个人信息和症状信息。需要指出的是，所述用户信息确定模块，具体可以包括：实体识别单元，用于通过预设Smedbert模型对所述用户端信息进行实体识别，并利用识别结果确定当前用户信息；所述识别结果包括用户的当前症状信息。例如，若用户端信息为：“医生，我可能吃坏肚子了，腹疼的厉害”，则通过预设Smedbert模型进行实体识别，得到识别结果为症状：腹疼，并利用所述识别结果确定当前用户信息。
服务端信息确定模块14，用于基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息。
本实施例中，基于所述当前用户信息和所述目标问答模型确定出当前提示词，利用所述目标问答模型并根据所述当前提示词确定当前服务端答复信息，其中，所述当前服务端答复信息包括针对患者症状的询问信息。例如，若当前用户信息表征用户存在腹疼的症状，确定出的当前提示词为发烧，则可以确定出当前服务端答复信息为“发烧_请问您是否发烧？”，以便根据用户针对当前服务端答复信息的回复信息进行更准确的病情判断。这样一来，可以对用户提出的医疗问题进行可控、有效、准确地回复，从而主动与用户进行交互，采集更多的用户数据，以便提高医疗诊断的效率，提高用户的使用体验。
服务端信息发送模块15，用于将所述当前服务端答复信息发送至用户端，并触发所述用户端信息监听模块的工作流程。
本实施例中，所述主动式AI医疗问答系统，具体还可以包括：结束条件判断单元，用于判断当前是否满足预设医疗问答结束条件；结束语句发送单元，用于如果当前满足所述预设医疗问答结束条件，则将预设问答结束语句发送至用户端，以完成本次医疗问答。也即，当满足预设医疗问答结束条件时，服务端会向用户端发送预设问答结束语句，以完成本次医疗问答。例如，当用户在预设时间范围内未发送信息时，系统检测到当前满足预设医疗问答结束条件，此时会发送“本次医疗咨询已结束。”的信息至用户端，结束本次医疗问答，这样一来，可以降低系统的内存占用率，避免资源浪费。
本实施例中，所述主动式AI医疗问答系统，包括：问答模型训练模块，用于根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型；用户端信息监听模块，用于监听当前是否接收到用户端信息；用户信息确定模块，用于如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息；服务端信息确定模块，用于基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息；服务端信息发送模块，用于将所述当前服务端答复信息发送至用户端，并触发所述用户端信息监听模块的工作流程。通过上述方案，本申请可以训练目标问答模型，以利用所述目标问答模型并基于用户端信息确定出当前服务端答复信息，这样一来，可以对用户提出的医疗问题进行可控、有效、准确地回复，从而主动与用户进行交互，采集更多的用户数据，以便提高医疗诊断的效率。
下面关于服务端信息确定模块的一种具体工作流程进行详细介绍。参见图3所示，本发明实施例公开了一种具体的主动式AI医疗问答系统，应用于服务端，包括：
疾病确定子模块21，用于根据所述当前用户信息并利用预设医疗知识图谱确定出当前若干疾病。
本实施例中，根据当前用户信息并利用预设医疗知识图谱确定出当前若干疾病，例如，若当前用户信息表征用户存在腹疼的症状，则利用预设医疗知识图谱可以确定出疾病症状包括腹疼的当前若干疾病，其中，所述当前若干疾病包括肠梗阻、胃炎、新冠。
提示词确定子模块22，用于利用所述预设医疗知识图谱和所述当前若干疾病确定出若干症状，并利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词。
本实施例中，所述提示词确定子模块，包括：疾病症状确定单元，用于利用所述预设医疗知识图谱和所述当前若干疾病确定出若干待筛选症状；症状筛选单元，用于从所述若干待筛选症状中筛选出与用户当前症状不一致的症状，以得到若干症状；其中，所述用户当前症状包括根据所述当前用户信息确定的症状；提示词确定单元，用于利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词。也即，如图4所示，若当前用户信息表征用户存在腹疼的症状，当前若干疾病包括肠梗阻、胃炎和新冠，则可以利用预设医疗知识图谱确定出包括腹疼、腹胀、腹泻、恶心、发烧、流鼻涕和咳嗽的若干待筛选症状，然后从所述若干待筛选症状中筛选出腹胀、腹泻、恶心、发烧、流鼻涕和咳嗽，以得到若干症状，并利用目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词。
需要指出的是，所述疾病确定子模块，具体还可以包括：疾病筛除单元，用于在接收到用户端发送的回复信息后，根据所述回复信息确定出待筛除疾病，并将所述待筛除疾病从所述当前若干疾病中筛除，以对所述当前若干疾病进行更新。也即，若用户存在腹疼的症状，系统发送的当前服务端答复信息为“是否有恶心症状”，如果用户端信息表征用户不存在恶心的症状，则可以排除胃炎，将胃炎从当前若干疾病中筛除，这样一来，可以避免对用户提出无效问题，从而提高医疗诊断的效率。而如果用户端信息表征用户存在恶心的症状，则为了进一步确认用户是否患有肠梗阻，则需要确认用户是否存在肠梗阻的其他症状。这样一来，可以有方向性的生成当前服务端答复信息，从而提高医疗诊断的效率。
答复信息确定单元23，用于根据所述当前提示词确定当前服务端答复信息。
本实施例中，所述主动式AI医疗问答系统，包括：疾病确定子模块，用于根据所述当前用户信息并利用预设医疗知识图谱确定出当前若干疾病；提示词确定子模块，用于利用所述预设医疗知识图谱和所述当前若干疾病确定出若干症状，并利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词；答复信息确定单元，用于根据所述当前提示词确定当前服务端答复信息。本申请可以利用预设医疗知识图谱和当前用户信息确定出用户可能患有的若干疾病，并确定相应的若干症状，然后利用目标问答模型确定出当前提示词，根据所述当前提示词生成当前服务端答复信息并发送至用户端，这样一来，可以利用预设医疗知识图谱和当前用户信息并根据目标问答模型确定出当前提示词，提高在医疗问答过程中当前提示词的准确性和实用性，避免对用户提出无效问题，从而提高医疗诊断的效率。
参见图5所示，本发明实施例公开了一种主动式AI医疗问答方法，应用于服务端，包括：
步骤S11、根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型。
步骤S12、监听当前是否接收到用户端信息。
步骤S13、如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息。
步骤S14、基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息。
步骤S15、将所述当前服务端答复信息发送至用户端，并跳转至所述监听当前是否接收到用户端信息的步骤。
本实施例中，根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型；监听当前是否接收到用户端信息；如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息；基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息；将所述当前服务端答复信息发送至用户端，并跳转至所述监听当前是否接收到用户端信息的步骤。通过上述方案，本申请可以训练目标问答模型，以利用所述目标问答模型并基于用户端信息确定出当前服务端答复信息，这样一来，可以对用户提出的医疗问题进行可控、有效、准确地回复，从而主动与用户进行交互，采集更多的用户数据，以便提高医疗诊断的效率。
在一些具体实施例中，所述根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型，具体可以包括：
利用预设医疗问答数据集对初始Prompt编码器进行训练，以得到训练好的目标Prompt编码器；
基于所述目标Prompt编码器和预设预训练模型确定出目标问答模型。
在一些具体实施例中，所述根据所述用户端信息得到当前用户信息，具体可以包括：
通过预设Smedbert模型对所述用户端信息进行实体识别，并利用识别结果确定当前用户信息；所述识别结果包括用户的当前症状信息。
在一些具体实施例中，所述主动式AI医疗问答方法，具体还可以包括：
判断当前是否满足预设医疗问答结束条件；
如果当前满足所述预设医疗问答结束条件，则将预设问答结束语句发送至用户端，以完成本次医疗问答。
在一些具体实施例中，所述基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息，具体可以包括：
根据所述当前用户信息并利用预设医疗知识图谱确定出当前若干疾病；
利用所述预设医疗知识图谱和所述当前若干疾病确定出若干症状，并利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词；
根据所述当前提示词确定当前服务端答复信息。
在一些具体实施例中，所述根据所述当前用户信息并利用预设医疗知识图谱确定出当前若干疾病，具体还可以包括：
在接收到用户端发送的回复信息后，根据所述回复信息确定出待筛除疾病，并将所述待筛除疾病从所述当前若干疾病中筛除，以对所述当前若干疾病进行更新。
在一些具体实施例中，所述利用所述预设医疗知识图谱和所述当前若干疾病确定出若干症状，并利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词，具体可以包括：
利用所述预设医疗知识图谱和所述当前若干疾病确定出若干待筛选症状；
从所述若干待筛选症状中筛选出与用户当前症状不一致的症状，以得到若干症状；其中，所述用户当前症状包括根据所述当前用户信息确定的症状；
利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词。
进一步的，本申请实施例还公开了一种电子设备，图6是根据一示例性实施例示出的电子设备30结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备30的结构示意图。该电子设备30，具体可以包括：至少一个处理器31、至少一个存储器32、电源33、通信接口34、输入输出接口35和通信总线36。其中，所述存储器32用于存储计算机程序，所述计算机程序由所述处理器31加载并执行，以实现前述任一实施例公开的主动式AI医疗问答方法中的相关步骤。另外，本实施例中的电子设备30具体可以为电子计算机。
本实施例中，电源33用于为电子设备30上的各硬件设备提供工作电压；通信接口34能够为电子设备30创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口35，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器32作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统321、计算机程序322等，存储方式可以是短暂存储或者永久存储。
其中，操作系统321用于管理与控制电子设备30上的各硬件设备以及计算机程序322，其可以是Windows Server、Netware、Unix、Linux等。计算机程序322除了包括能够用于完成前述任一实施例公开的由电子设备30执行的主动式AI医疗问答方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的主动式AI医疗问答方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种主动式AI医疗问答系统，其特征在于，应用于服务端，包括：
问答模型训练模块，用于根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型；
用户端信息监听模块，用于监听当前是否接收到用户端信息；
用户信息确定模块，用于如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息；
服务端信息确定模块，用于基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息；
服务端信息发送模块，用于将所述当前服务端答复信息发送至用户端，并触发所述用户端信息监听模块的工作流程。
2.根据权利要求1所述的主动式AI医疗问答系统，其特征在于，所述问答模型训练模块，包括：
Prompt编码器训练单元，用于利用预设医疗问答数据集对初始Prompt编码器进行训练，以得到训练好的目标Prompt编码器；
目标问答模型确定单元，用于基于所述目标Prompt编码器和预设预训练模型确定出目标问答模型。
3.根据权利要求1所述的主动式AI医疗问答系统，其特征在于，所述用户信息确定模块，包括：
实体识别单元，用于通过预设Smedbert模型对所述用户端信息进行实体识别，并利用识别结果确定当前用户信息；所述识别结果包括用户的当前症状信息。
4.根据权利要求1所述的主动式AI医疗问答系统，其特征在于，还包括：
结束条件判断单元，用于判断当前是否满足预设医疗问答结束条件；
结束语句发送单元，用于如果当前满足所述预设医疗问答结束条件，则将预设问答结束语句发送至用户端，以完成本次医疗问答。
5.根据权利要求1至4任一项所述的主动式AI医疗问答系统，其特征在于，所述服务端信息确定模块，包括：
疾病确定子模块，用于根据所述当前用户信息并利用预设医疗知识图谱确定出当前若干疾病；
提示词确定子模块，用于利用所述预设医疗知识图谱和所述当前若干疾病确定出若干症状，并利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词；
答复信息确定单元，用于根据所述当前提示词确定当前服务端答复信息。
6.根据权利要求5所述的主动式AI医疗问答系统，其特征在于，所述疾病确定子模块，还包括：
疾病筛除单元，用于在接收到用户端发送的回复信息后，根据所述回复信息确定出待筛除疾病，并将所述待筛除疾病从所述当前若干疾病中筛除，以对所述当前若干疾病进行更新。
7.根据权利要求5所述的主动式AI医疗问答系统，其特征在于，所述提示词确定子模块，包括：
疾病症状确定单元，用于利用所述预设医疗知识图谱和所述当前若干疾病确定出若干待筛选症状；
症状筛选单元，用于从所述若干待筛选症状中筛选出与用户当前症状不一致的症状，以得到若干症状；其中，所述用户当前症状包括根据所述当前用户信息确定的症状；
提示词确定单元，用于利用所述目标问答模型从所述若干症状中确定出目标症状，以基于所述目标症状确定出当前提示词。
8.一种主动式AI医疗问答方法，其特征在于，应用于服务端，包括：
根据预设医疗问答数据集对初始问答模型进行模型训练，以得到目标问答模型；所述初始问答模型包括初始Prompt编码器和预设预训练模型；
监听当前是否接收到用户端信息；
如果当前接收到所述用户端信息，则根据所述用户端信息得到当前用户信息；所述用户端信息包括用户的主诉信息和针对历史服务端答复信息的回复信息；
基于所述当前用户信息和所述目标问答模型确定出当前提示词，并根据所述当前提示词确定当前服务端答复信息；所述当前服务端答复信息包括针对患者症状的询问信息；
将所述当前服务端答复信息发送至用户端，并跳转至所述监听当前是否接收到用户端信息的步骤。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求8所述的主动式AI医疗问答方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求8所述的主动式AI医疗问答方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310111981.6A CN115982335B (zh) | 2023-02-14 | 2023-02-14 | 一种主动式ai医疗问答系统、方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310111981.6A CN115982335B (zh) | 2023-02-14 | 2023-02-14 | 一种主动式ai医疗问答系统、方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115982335A true CN115982335A (zh) | 2023-04-18 |
| CN115982335B CN115982335B (zh) | 2024-06-18 |
Family
ID=85958080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310111981.6A Active CN115982335B (zh) | 2023-02-14 | 2023-02-14 | 一种主动式ai医疗问答系统、方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115982335B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235239A (zh) * | 2023-11-13 | 2023-12-15 | 智慧眼科技股份有限公司 | 一种主动式对话大模型构建装置、方法、设备及存储介质 |
| CN118013021A (zh) * | 2024-04-08 | 2024-05-10 | 浙江口碑网络技术有限公司 | 基于大语言模型的医药解答方法、装置、设备及介质 |
| CN118016324A (zh) * | 2024-01-18 | 2024-05-10 | 中南大学 | 一种基于病历的医疗大模型问答系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021012878A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技（深圳）有限公司 | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 |
| CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 智能医疗问诊装置、设备及介质 |
| CN113934824A (zh) * | 2021-12-15 | 2022-01-14 | 之江实验室 | 一种基于多轮智能问答的相似病历匹配系统及方法 |
| WO2022041727A1 (zh) * | 2020-08-28 | 2022-03-03 | 康键信息技术（深圳）有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
| CN114300160A (zh) * | 2021-11-16 | 2022-04-08 | 北京左医科技有限公司 | 问诊对话方法及系统 |
| CN114398487A (zh) * | 2022-01-14 | 2022-04-26 | 平安普惠企业管理有限公司 | 线上会话的参考信息输出方法、装置、设备及存储介质 |
-
2023
- 2023-02-14 CN CN202310111981.6A patent/CN115982335B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021012878A1 (zh) * | 2019-07-19 | 2021-01-28 | 平安科技（深圳）有限公司 | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 |
| WO2022041727A1 (zh) * | 2020-08-28 | 2022-03-03 | 康键信息技术（深圳）有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
| CN112750529A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 智能医疗问诊装置、设备及介质 |
| CN114300160A (zh) * | 2021-11-16 | 2022-04-08 | 北京左医科技有限公司 | 问诊对话方法及系统 |
| CN113934824A (zh) * | 2021-12-15 | 2022-01-14 | 之江实验室 | 一种基于多轮智能问答的相似病历匹配系统及方法 |
| CN114398487A (zh) * | 2022-01-14 | 2022-04-26 | 平安普惠企业管理有限公司 | 线上会话的参考信息输出方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 马满福;刘元?;李勇;王霞;贾海;史彦斌;张小康;: "基于LCN的医疗知识问答模型", 西南大学学报(自然科学版), no. 10 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117235239A (zh) * | 2023-11-13 | 2023-12-15 | 智慧眼科技股份有限公司 | 一种主动式对话大模型构建装置、方法、设备及存储介质 |
| CN117235239B (zh) * | 2023-11-13 | 2024-02-20 | 智慧眼科技股份有限公司 | 一种主动式对话大模型构建装置、方法、设备及存储介质 |
| CN118016324A (zh) * | 2024-01-18 | 2024-05-10 | 中南大学 | 一种基于病历的医疗大模型问答系统 |
| CN118013021A (zh) * | 2024-04-08 | 2024-05-10 | 浙江口碑网络技术有限公司 | 基于大语言模型的医药解答方法、装置、设备及介质 |
| CN118013021B (zh) * | 2024-04-08 | 2024-09-06 | 浙江口碑网络技术有限公司 | 基于大语言模型的医药解答方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115982335B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Blouw et al. | Concepts as semantic pointers: A framework and computational model | |
| CN115982335B (zh) | 一种主动式ai医疗问答系统、方法、设备及存储介质 | |
| Hussain et al. | Extending a conventional chatbot knowledge base to external knowledge source and introducing user based sessions for diabetes education | |
| Carberry | Techniques for plan recognition | |
| US20140186818A1 (en) | Computer based system and method for assisting an interviewee in remembering and recounting information about a prior event using a cognitive interview and natural language processing | |
| Hijjawi et al. | ArabChat: An arabic conversational agent | |
| CN117235239B (zh) | 一种主动式对话大模型构建装置、方法、设备及存储介质 | |
| CN118098646B (zh) | 在线问诊服务的提供方法及装置 | |
| CN115714030A (zh) | 一种基于疼痛感知和主动交互的医疗问答系统及方法 | |
| CN111897829A (zh) | 一种用于医疗软件的自然语言查询方法及设备 | |
| Galitsky et al. | Learning communicative actions of conflicting human agents | |
| Duch | Neurocognitive informatics manifesto | |
| Lokman et al. | Designing a Chatbot for diabetic patients | |
| CN110136839B (zh) | 一种症状信息处理方法、装置和电子设备 | |
| CN111797232B (zh) | 法律事件图谱构建方法、法律事件推理方法、装置和电子设备 | |
| Kochen et al. | Computers and comprehension | |
| Di Lecce et al. | Dialogue-oriented interface for linguistic human-computer interaction: A chat-based application | |
| CN117009456A (zh) | 医疗查询文本的处理方法、装置、设备、介质和电子产品 | |
| Yildiz et al. | Incorporating social practices in dialogue systems | |
| CN111797230A (zh) | 法律三阶层论自动推理方法、装置和电子设备 | |
| Mallios | Virtual doctor: an intelligent human-computer dialogue system for quick response to people in need | |
| Golata | The Ethics of Superintelligent Design: A Christian View of the Theological and Moral Implications of Artificial Superintelligence | |
| Kvadsheim | The intelligent imitator: towards an exemplar theory of behavioral choice | |
| JP7219377B1 (ja) | 認知能力改善支援システム | |
| CN114822830B (zh) | 问诊交互方法及相关装置、电子设备、存储介质 |
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 |