CN116525100A - 一种基于标签系统的中医开方反向校验方法及系统 - Google Patents

一种基于标签系统的中医开方反向校验方法及系统 Download PDF

Info

Publication number
CN116525100A
CN116525100A CN202310479272.3A CN202310479272A CN116525100A CN 116525100 A CN116525100 A CN 116525100A CN 202310479272 A CN202310479272 A CN 202310479272A CN 116525100 A CN116525100 A CN 116525100A
Authority
CN
China
Prior art keywords
label
chinese medicine
traditional chinese
prescription
input
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
Application number
CN202310479272.3A
Other languages
English (en)
Inventor
马楚璇
唐国新
陈健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Maijing Hangzhou Health Management Co ltd
Original Assignee
Maijing Hangzhou Health Management Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Maijing Hangzhou Health Management Co ltd filed Critical Maijing Hangzhou Health Management Co ltd
Priority to CN202310479272.3A priority Critical patent/CN116525100A/zh
Publication of CN116525100A publication Critical patent/CN116525100A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Toxicology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)

Abstract

本发明提供了一种基于标签系统的中医开方反向校验方法及系统。所述方法包括：S1，确定需要标注的方剂标签；S2，训练多维中医标签预测模型，所述多维中医标签预测模型输出目标标签；S3，接收待检验模型的结果和多维中医标签预测模型的结果，对结果进行相似度计算；S4，依据相似度计算结果评估待检验方剂结果的好坏。本发明根据已知临床症状所聚类的病机信息，与现有智能辅诊引擎推荐方剂的组方要素交叉验证，以反向验证推荐方剂的准确性，为方剂选用提供信心评价。

Description

一种基于标签系统的中医开方反向校验方法及系统
技术领域
本发明涉及中医智能辅助诊疗技术领域，具体而言，涉及一种基于标签系统的中医开方反向校验方法、系统、电子设备及计算机存储介质。
背景技术
中医的两大基础理论即整体观念和辨证论治。中医讲的以五脏为中心的整体观，人的各项生理活动都依赖于脏腑，各种病理变化也与脏腑密切相关。因此，疾病的发生与发展，大多会影响到脏腑，致使脏腑功能出现异常改变的结果。
中医经典辨证方法有八纲辨证、脏腑辨证、三焦辨证、卫气营血辨证、六经辨证、辨病论治等。每种理论都代表了中医家基于历史情境中对自然规律的客观认识，主要是对疾病原因、性质和机理的系统性阐述。准确辨证是体现中医辨证论治特色与优势的关键。
当前技术均基于常规诊疗路径，均为正向辅助诊断，并推荐合适的方剂。但缺少对中医开方进行反向校验的研究，难以先验性的评估推荐方剂的准确性和有效性。
发明内容
为了解决上述背景技术中涉及的技术问题，本发明提供了一种基于标签系统的中医开方反向校验方法、系统、电子设备及计算机存储介质。
本发明的第一方面提供了一种基于标签系统的中医开方反向校验方法，包括如下步骤：
S1，确定需要标注的方剂标签；
S2，训练多维中医标签预测模型，所述多维中医标签预测模型输出目标标签；
S3，接收待检验模型的结果和多维中医标签预测模型的结果，对结果进行相似度计算；
S4，依据相似度计算结果评估待检验方剂结果的好坏。
进一步地，步骤S1中确定的方剂标签包括六经、八纲、脏腑、三焦、卫气营血、病机、病位、病势、病因、功效多个方面。
进一步地，步骤S2中，训练多维中医标签预测模型，所述多维中医标签预测模型输出目标标签，包括：
S21：收集医案数据；
S22：对收集医案数据进行清理，剔除垃圾医案；
S23：由医学专家对所有医案打医学标签；
S24：依据标注结果，合并重复含义的标签；
S25：由第三方医学专家提取医案各个维度信息，审查所打标签的合理性；
S26：结合第三方医学专家审查结果，重复步骤S21-S25，生成可靠的标签训练数据集和各种下游任务输出结果所对应的标签；
S27：使用多分类EfficientNet模型，训练所述多维中医标签预测模型。
进一步地，步骤S3中包括下游任务预测流程：
S311：收集患者基本情况、舌面图片、症状、疾病等各类信息；
S312：将步骤S311采集到的信息传入标签预测系统，获得多维度的标签得分；
S313：获得下游任务所有可能输出结果所对应的标签；
S314：基于步骤S312所获得的标签得分，计算所有输出结果的得分，将结果由大到小排序，剔除得分小于阈值的结果；输出过滤后的下游任务结果。
进一步地，步骤S3中还包括模型校验流程：
S321：收集患者基本情况、舌面图片、症状、疾病等各类信息；
S322：获得待检验模型输出结果；
S323：获得模型结果所对应的定性标签；
S324：将步骤S321采集的信息传入所述多维中医标签预测模型，获得所有标签的得分；
S325：将步骤S323的结果和步骤S324的结果计算效用余弦相似度，如果相似度结果大于预设阈值，则校验成功，给出模型结果的置信度，否则校验失败，依据校验结果，调整所述待检验模型，提高性能。
进一步地，所述多维中医标签预测模型通过如下步骤进行训练：
1：采集高质量医案数据，对其结构化，每个医案的标签进行one-hot编码；
one-hot:在数字电路，one-hot是一组比特，每个比特代表逻辑的高位或地位；在机器学习中，通常作为离散数据的编码。
2：将医案中涉及的基本信息，如年龄、性别等进行one-hot离散编码；
3：将基本信息的one-hot输出，传入一个多层感知机(MLP)中，输出基本信息的特征向量；MLP是一类全连接的前馈神经网络。一个MLP至少由3层节点组成，一个输入层，一个隐藏层和一个输出层；除了输入节点，每个节点都使用一个非线性激活函数的神经元；MLP通过反向传播的监督机器学习技术进行训练。
info_features＝MLP(one_h ot(input_info))
input_info为输入的基本信息，如年龄、性别、地域、时间等，one-hot为独热编码层，MLP为多层感知机，info_features为基本信息对应的特征向量；
4：将医案数据中涉及的症状通过embedding层，输出每个病症的特征向量；Embedding层是词向量层，通常用于编码具有大量词汇的输入。
5：将特征向量求和，作为embedding的输出，既是整体病症的特征向量；扩展embedding输出
sym_features＝sum(embedding(input_symptom))
input_symptomtom为病症信息，如头疼、发热、恶寒、无汗、畏风等，embedding为词向量层，sum为求和操作，sym_features为病症特征向量；
6：将采集舌面等图片信息通过CLIP层，获得图片的特征向量，将图片的特征向量求和，图像特征向量；
CLIP(Constrastive Language-Iage Pre-Training)是一个基于文本和图像对训练的神经网络，对图片信息具有很强的表达能力，在多种零样本预测任务中取得了优秀的结果；
image_features＝sum(CLIP(input_image))
input_image是输入的图片，如舌图、面图、舌下络脉图等，image_features是图片特征向量；
7：将基本信息，病症和图像的特征向量，以行扩展成一个向量，作为EfficientNet层的输入；
input_features＝concat([info_features,sym_features,image_features],axis＝0)
concat为拼接函数，作用是将基本信息特征、病症特征、图像特征拼接成输入特征向量，input_features为输入的特征向量；
8：EfficientNet模型框架为多分类任务，最终输出层与所有标签的数量相同；
9：将EfficientNet的输出output与医案标签label，一起计算CrossEntropy损失；
output＝EfficientNet(input_features)
output为模型的最终输出。
本发明的第二方面提供了一种基于标签系统的中医开方反向校验系统，包括获取模块、处理模块、存储模块；所述处理模块与所述获取模块、所述存储模块连接；
所述存储模块，用于存储可执行的计算机程序代码；
所述获取模块，用于获取医案数据和患者基本情况，并传输给所述处理模块；
所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如前任一项所述的方法。
本发明的第三方面提供了一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。
本发明的第四方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。
本发明的有益效果在于：
1)切合临床实际情况
临床中，经验更为丰富的医生通常会跳过辨别证型的阶段，直接考虑方证对应，开具处方。基于标签系统的智能匹配，可以将实际的、繁杂的真实世界症状信息，与更为适合的方剂信息做到某种强关联，这与常规临床诊疗思路一致；
2)搭建多学科协作(MDT)的诊疗模式
实际临床环境下，患者可能有多种既往疾病史，或者处于某一种疾病下的复杂情形，几乎不可能按照教科书生病。基于标签系统的中医论治算法，可以做到融合多种诊疗信息，只要有匹配的标签聚类，就会给出针对性更强的中医处方，甚至是西医处方。
3)检验算法实用性强，可检验模型数多。
算法理论上能够检验中医诊疗领域涉及的各类预测任务。例如：证型预测、疾病预测、主诉预测、问诊引导、知识问答、智能开方等。检验算法能够为待检验算法提供客观的相似度指标，基于统计分析后，有助于发现待检验算法问题，为算法进一步优化提供思路。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例公开的一种基于标签系统的中医开方反向校验方法的示意图；
图2是本发明实施例公开的一种基于标签系统的中医开方反向校验方法的流程描述示意图；
图3是本发明实施例公开的标签推荐系统的模型框架图；
图4是本发明实施例公开的关于六经和八纲的部分标签的示意图；
图5是本发明实施例公开的关于方剂功效的部分标签的示意图；
图6是本发明实施例公开的中医证型推荐界面的示意图；
图7是本发明实施例公开的一种基于标签系统的中医开方反向校验系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，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它实施例，都属于本发明保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本申请实施例中可能采用术语第一、第二、第三等来描述……，但这些……不应限于这些术语。这些术语仅用来将……区分开。例如，在不脱离本申请实施例范围的情况下，第一……也可以被称为第二……，类似地，第二……也可以被称为第一……。
取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是，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商品或者系统不仅包括那些要素，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商品或者系统所固有的要素。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商品或者系统中还存在另外的相同要素。
下面结合附图详细说明本发明的优选实施例。
参阅图1-6所示，本发明实施例提供了一种基于标签系统的中医开方反向校验方法，包括如下步骤：
S1，确定需要标注的方剂标签；
S2，训练多维中医标签预测模型，所述多维中医标签预测模型输出目标标签；
S3，接收待检验模型的结果和多维中医标签预测模型的结果，对结果进行相似度计算；
S4，依据相似度计算结果评估待检验方剂结果的好坏。
中医经典辨证方法有八纲辨证、脏腑辨证、三焦辨证、卫气营血辨证、六经辨证、辨病论治等。每种理论都代表了中医家基于历史情境中对自然规律的客观认识，主要是对疾病原因、性质和机理的系统性阐述。准确辨证是体现中医辨证论治特色与优势的关键。
每种理论都会提出不同的中医术语。用当前大数据语言来说，每种理论都是对大量数据的主观抽象，反应了事物的特有属性。八纲辨证中可以提取阴、阳、表、里、半表半里、虚、实、虚实夹杂、寒、热、寒热错杂、上寒下热、上热下寒等标签；六经辨证中提出太阳、少阳、阳明、厥阴、太阴、少阴标签；脏腑辨证中提出了心、肝、脾、肺、肾的五脏标签和大肠、小肠、胃、胆、膀胱、三焦的六腑标签；气血津液辨证包含气虚、气亏、气脱、气滞、气陷、血虚、血热、血热、水饮、痰饮、支饮、水停等多种标签。
2008年，赵前龙等提出“组方要素”概念，认为“组方要素即遣药组方的基本要素,其具体内容是药物的功效、性味、归经、升降浮沉等。其目的是针对病变要素选择合适的药物来组合成方剂,使方剂中各药物的组方要素的合成恰好能覆盖患者的病变要素”。
于是，本发明在“方证对应”的辨证论治原则基础上，提出“方-证标签对应”的方剂组成原则。“方证对应”是选方原则，“方证要素对应”则属于组方原则。后世医家研究经方采用“以方测证”的方法，正是利用了这种“药-法-证”三者之间的链式对应关系规律。本发明根据已知临床症状所聚类的病机信息，与现有智能辅诊引擎推荐方剂的组方要素交叉验证，以反向验证推荐方剂的准确性，为方剂选用提供信心评价。
需要说明的是，待检验模型指的是现有的辅助模型，例如方剂推荐模型、主诉预测模型、证型模型等，具体不作限定。
进一步地，步骤S1中确定的方剂标签包括六经、八纲、脏腑、三焦、卫气营血、病机、病位、病势、病因、功效等多个方面。
在本实施例中，中医标签系统不仅包含上述辨证理论所提出的术语，也包含了中医认同度高的病因、病势和方剂功效等信息。病因包括外感六淫：风、寒、暑、湿、燥、火；内伤七情：喜、怒、忧、思、悲、恐、惊；其他病因：饮食不洁、劳倦、毒、脓等。病势包括缓、急两个标签。方剂功效分为一级功效和二级功效。方剂一级功效包含和解、祛暑、安神、理气、治燥、驱虫、涌吐、消食、治风、泻下、清热、温里、补益、固涩、理血、利水祛湿、祛痰、开窍、治痈疮；方剂二级功效包含标签温下、寒下、润下、逐水、清实热、清虚热、清热解毒、清热凉血、温中祛寒、回阳救逆、温经散寒、补气、补血、补阳、补阴、补脏腑、止汗、止咳、止泻痢、止遗、止遗尿、止遗精、止带、止痢、止泻、活血、止血、凉血、利水渗湿、清热祛湿、温化寒湿、祛风除湿、温化寒痰、清热化痰、燥湿化痰、祛风化痰、温开、凉开、软坚散结、回乳、通乳、止痛、止呕吐、止呃逆。
进一步地，步骤S2中，训练多维中医标签预测模型，所述多维中医标签预测模型输出目标标签，包括：
S21：收集医案数据；
S22：对收集医案数据进行清理，剔除垃圾医案；
S23：由医学专家对所有医案打医学标签；
S24：依据标注结果，合并重复含义的标签；
S25：由第三方医学专家提取医案各个维度信息，审查所打标签的合理性；
S26：结合第三方医学专家审查结果，重复步骤S21-S25，生成可靠的标签训练数据集和各种下游任务输出结果所对应的标签；
S27：使用多分类EfficientNet模型，训练所述多维中医标签预测模型。
在本实施例中，本发明中的医案数据来源主要有名老专家医案，经典书籍，本发明的医案数据库采集的高质量医案。首先基于分词技术结合词的重要性，在医案中提取所有可能的标签，由医学专家进行初步审核。初始标签应该由机器生成，后续合并，剔除由专家多轮斟酌确定。
本发明收集大量高质量的中医标签名后，再由中医专家对标签进行去重、分类，将标签分为四级结构。图4和图5为本发明的部分4级标签，最终确定了136个高质量标签。
进一步地，步骤S3中包括下游任务预测流程：
S311：收集患者基本情况(例如年龄、性别)、舌面图片、症状、疾病等各类信息；
S312：将步骤S311采集到的信息传入标签预测系统，获得多维度的标签得分；
S313：获得下游任务所有可能输出结果所对应的标签；
S314：基于步骤S312所获得的标签得分，计算所有输出结果的得分，将结果由大到小排序，剔除得分小于阈值的结果；输出过滤后的下游任务结果。
在本实施例中，步骤S313中的标签包括预测主症、疾病预测、食疗建议、方剂推荐等。
进一步地，步骤S3中还包括模型校验流程：
S321：收集患者基本情况(例如年龄、性别)、舌面图片、症状、疾病等各类信息；
S322：获得待检验模型输出结果；
S323：获得模型结果所对应的定性标签；
S324：将步骤S321采集的信息传入所述多维中医标签预测模型，获得所有标签的得分；
S325：将步骤S323的结果和步骤S324的结果计算效用余弦相似度，如果相似度结果大于预设阈值，则校验成功，给出模型结果的置信度，否则校验失败，依据校验结果，调整所述待检验模型，提高性能。
进一步地，所述多维中医标签预测模型通过如下步骤进行训练：
1：采集高质量医案数据，对其结构化，每个医案的标签进行one-hot编码；
one-hot:在数字电路，one-hot是一组比特，每个比特代表逻辑的高位或地位；在机器学习中，通常作为离散数据的编码。
2：将医案中涉及的基本信息，如年龄、性别等进行one-hot离散编码；
3：将基本信息的one-hot输出，传入一个多层感知机(MLP)中，输出基本信息的特征向量；MLP是一类全连接的前馈神经网络。一个MLP至少由3层节点组成，一个输入层，一个隐藏层和一个输出层；除了输入节点，每个节点都使用一个非线性激活函数的神经元；MLP通过反向传播的监督机器学习技术进行训练。
info_features＝MLP(one_h ot(input_info))
input_info为输入的基本信息，如年龄、性别、地域、时间等，one-hot为独热编码层，MLP为多层感知机，info_features为基本信息对应的特征向量；
4：将医案数据中涉及的症状通过embedding层，输出每个病症的特征向量；
Embedding层是词向量层，通常用于编码具有大量词汇的输入。
5：将特征向量求和，作为embedding的输出，既是整体病症的特征向量；
扩展embedding输出
sym_features＝sum(embedding(input_symptom))
input_symptomtom为病症信息，如头疼、发热、恶寒、无汗、畏风等，embedding为词向量层，sum为求和操作，sym_features为病症特征向量；
6：将采集舌面等图片信息通过CLIP层，获得图片的特征向量，将图片的特征向量求和，图像特征向量；
CLIP(Constrastive Language-Iage Pre-Training)是一个基于文本和图像对训练的神经网络，对图片信息具有很强的表达能力，在多种零样本预测任务中取得了优秀的结果；
image_features＝sum(CLIP(input_image))
input_image是输入的图片，如舌图、面图、舌下络脉图等，image_features是图片特征向量；
7：将基本信息，病症和图像的特征向量，以行扩展成一个向量，作为EfficientNet层的输入；
input_features＝concat([info_features,sym_features,image_features],axis＝0)
concat为拼接函数，作用是将基本信息特征、病症特征、图像特征拼接成输入特征向量，input_features为输入的特征向量；
8：EfficientNet模型框架为多分类任务，最终输出层与所有标签的数量相同；
9：将EfficientNet的输出output与医案标签label，一起计算CrossEntropy损失；
output＝EfficientNet(input_features)
output为模型的最终输出。
请参阅图7，本发明实施例还公开了一种基于标签系统的中医开方反向校验系统，包括获取模块、处理模块、存储模块；所述处理模块与所述获取模块、所述存储模块连接；
所述存储模块，用于存储可执行的计算机程序代码；
所述获取模块，用于获取医案数据和患者基本情况，并传输给所述处理模块；
所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如前任一项所述的方法。
本发明实施例还公开了一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前述实施例所述的方法。
本发明实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如前述实施例所述的方法。
根据本公开的实施例的装置/系统可以包括处理器、用于存储程序数据并执行该程序数据的存储器、诸如磁盘驱动器的永久存储器、用于处理与外部装置的通信的通信端口、以及用户界面装置等。方法被实现为软件模块或者可作为可由处理器执行的计算机可读代码或程序命令存储在计算机可读记录介质上。计算机可读记录介质的示例可包括磁存储介质(例如，只读存储器(ROM)、随机存取存储器(RAM)、软盘、硬盘等)、光学读取介质(例如，CD-ROM、数字通用盘(DVD)等)等。计算机可读记录介质可被分布在连接在网络中的计算机系统中，并且计算机可读代码可以以分布方式存储和执行。介质可以是计算机可读的，存储在存储器中并由处理器执行。
本公开的实施例可以被指示为功能块组件和各种处理操作。功能块可被实现为执行特定功能的各种数量的硬件和/或软件组件。例如，本公开的实施例可实现可在一个或更多个微处理器或其他控制装置的控制下执行各种功能的直接电路组件，诸如存储器、处理电路、逻辑电路、查找表等。本公开的组件可通过软件编程或软件组件来实现。类似地，本公开的实施例可以包括由数据结构、过程、例程或其他编程组件的组合实现的各种算法，并且可以由编程或脚本语言(诸如C、C++、Java、汇编程序等)实现。功能方面可通过由一个或更多个处理器执行的算法来实现。此外，本公开的实施例可实现用于电子环境设置、信号处理和/或数据处理的相关技术。诸如“机构”、“元件”、“单元”等的术语可以被广泛使用，并且不限于机械和物理组件。这些术语可表示与处理器等相关的一系列软件例程。
在本公开中描述了作为示例的具体实施例，并且实施例的范围不限于此。
虽然已经描述了本公开的实施例，但是本领域普通技术人员将理解，在不脱离由所附权利要求限定的本公开的精神和范围的状况下，可以在其中进行形式和细节上的各种改变。因此，本公开的上述实施例应当被解释为示例，并且在所有方面不限制实施例。例如，被描述为单个单元的每个组件可以以分布式方式执行，并且同样地，被描述为分布式的组件可以以组合方式执行。
在本公开的实施例中使用所有示例或示例术语(例如，等)是为了描述本公开的实施例的目的，而不意图限制本公开的实施例的范围。
此外，除非另有明确说明，否则与某些组件相关联的诸如“必要”、“重要”等的表述可不指示绝对需要所述组件。
本领域普通技术人员将理解，在不脱离本公开的精神和范围的状况下，可以以修改的形式实现本公开的实施例。
由于本公开允许对本公开的实施例进行各种改变，因此本公开不限于特定实施例，并且将理解，不脱离本公开的精神和技术范围的所有改变、等同物和替代物都包含在本公开中。因此，本文描述的本公开的实施例应在所有方面被理解为示例，而不应被解释为限制。
此外，诸如“单元”、“模块”等的术语表示可被实现为硬件或软件或硬件和软件的组合的处理至少一个功能或操作的单元。“单元”和“模块”可被存储在将被寻址的存储介质中，并且可被实现为可能够由处理器执行的程序。例如，“单元”和“模块”可指诸如软件组件、面向对象的软件组件、类组件和任务组件的组件，并且可包括进程、功能、属性、过程、子例程、程序代码段、驱动程序、固件、微代码、电路、数据、数据库、数据结构、表、阵列或变量。
在本公开中，“A可包括a1、a2和a3中的一个”的表述可以广泛地表示可被包括在元素A中的示例包括a1、a2或a3。该表述不应当被解释为限定为包括在元素A中的示例必须限定为a1、a2和a3的含义。因此，作为包括在元素A中的示例，不应当被解释为排除a1、a2和a3以外的元素。另外，该表述表示元素A可包括a1、a2或a3。该表述并不表示元素A所包括的元素必须选自要素的特定集合。也就是说，该表述不应被限制性地理解为表示必须选自包括a1、a2和a3的集合的a1、a2或a3被包括在元素A中。
此外，在本公开中，表述“a1、a2和/或a3中的至少一个”表示“a1”、“a2”、“a3”、“a1和a2”、“a1和a3”、“a2和a3”、以及“a1、a2和a3”中的一个。因此，应当注意，除非明确描述为“a1中的至少一个，a2中的至少一个，以及a3中的至少一个”，否则表述“a1、a2和/或a3中的至少一个”不应被解释为“a1中的至少一个”、“a2中的至少一个”以及“a3中的至少一个”。

Claims (9)

1.一种基于标签系统的中医开方反向校验方法，其特征在于，包括如下步骤：
S1，确定需要标注的方剂标签；
S2，训练多维中医标签预测模型，所述多维中医标签预测模型输出目标标签；
S3，接收待检验模型的结果和多维中医标签预测模型的结果，对结果进行相似度计算；
S4，依据相似度计算结果评估待检验方剂结果的好坏。
2.根据权利要求1所述的一种基于标签系统的中医开方反向校验方法，其特征在于：步骤S1中确定的方剂标签包括六经、八纲、脏腑、三焦、卫气营血、病机、病位、病势、病因、功效多个方面。
3.根据权利要求2所述的一种基于标签系统的中医开方反向校验方法，其特征在于：步骤S2中，训练多维中医标签预测模型，所述多维中医标签预测模型输出目标标签，包括：
S21：收集医案数据；
S22：对收集医案数据进行清理，剔除垃圾医案；
S23：由医学专家对所有医案进行打医学标签；
S24：依据标注结果，合并重复含义的标签；
S25：由第三方医学专家提取医案各个维度信息，审查所打标签的合理性；
S26：结合第三方医学专家审查结果，重复步骤S21-S25，生成可靠的标签训练数据集和各种下游任务输出结果所对应的标签；
S27：使用多分类EfficientNet模型，训练所述多维中医标签预测模型。
4.根据权利要求3所述的一种基于标签系统的中医开方反向校验方法，其特征在于：步骤S3中包括下游任务预测流程：
S311：收集患者基本情况、舌面图片、症状、疾病等各类信息；
S312：将步骤S311采集到的信息传入标签预测系统，获得多维度的标签得分；
S313：获得下游任务所有可能输出结果所对应的标签；
S314：基于步骤S312所获得的标签得分，计算所有输出结果的得分，将结果由大到小排序，剔除得分小于阈值的结果；输出过滤后的下游任务结果。
5.根据权利要求4所述的一种基于标签系统的中医开方反向校验方法，其特征在于：步骤S3中还包括模型校验流程：
S321：收集患者基本情况、舌面图片、症状、疾病等各类信息；
S322：获得待检验模型输出结果；
S323：获得模型结果所对应的定性标签；
S324：将步骤S321采集的信息传入所述多维中医标签预测模型，获得所有标签的得分；
S325：将步骤S323的结果和步骤S324的结果计算效用余弦相似度，如果相似度结果大于预设阈值，则校验成功，给出模型结果的置信度，否则校验失败，依据校验结果，调整所述待检验模型，提高性能。
6.根据权利要求3所述的一种基于标签系统的中医开方反向校验方法，其特征在于：所述多维中医标签预测模型通过如下步骤进行训练：
1：采集高质量医案数据，对其结构化，每个医案的标签进行one-hot编码；
2：将医案中涉及的基本信息，包括年龄、性别，进行one-hot离散编码；
3：将基本信息的one-hot输出，传入一个多层感知机(MLP)中，输出基本信息的特征向量；MLP是一类全连接的前馈神经网络；一个MLP至少由3层节点组成，一个输入层，一个隐藏层和一个输出层；除了输入节点，每个节点都使用一个非线性激活函数的神经元；MLP通过反向传播的监督机器学习技术进行训练；
info_features＝MLP(one_hot(input_info))
式中，input_info为输入的基本信息，包括年龄、性别、地域、时间，one-hot为独热编码层，MLP为多层感知机，info_features为基本信息对应的特征向量；
4：将医案数据中涉及的症状通过embedding层，输出每个病症的特征向量；
Embedding层是词向量层，通常用于编码具有大量词汇的输入；
5：将特征向量求和，作为embedding的输出，既是整体病症的特征向量；
扩展embedding输出
sym_features＝sum(embedding(input_symptom))
式中，input_symptomtom为病症信息，包括头疼、发热、恶寒、无汗、畏风，embedding为词向量层，sum为求和操作，sym_features为病症特征向量；
6：将采集舌面图片信息通过CLIP层，获得图片的特征向量，将图片的特征向量求和，图像特征向量；
image_features＝sum(CLIP(input_image))
input_image是输入的图片，包括舌图、面图、舌下络脉图，image_features是图片特征向量；
7：将基本信息，病症和图像的特征向量，以行扩展成一个向量，作为EfficientNet层的输入；
input_features＝concat([info_features,sym_features,image_features],axis＝0)
式中，concat为拼接函数，作用是将基本信息特征、病症特征、图像特征拼接成输入特征向量，input_features为输入的特征向量；
8：EfficientNet模型框架为多分类任务，最终输出层与所有标签的数量相同；
9：将EfficientNet的输出output与医案标签label，一起计算CrossEntropy损失；
output＝EfficientNet(input_features)
式中，output为模型的最终输出。
7.一种基于标签系统的中医开方反向校验系统，包括获取模块、处理模块、存储模块；所述处理模块与所述获取模块、所述存储模块电连接；
所述存储模块，用于存储可执行的计算机程序代码；
所述获取模块，用于获取医案数据和患者基本情况，并传输给所述处理模块；
其特征在于：所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如权利要求1-6任一项所述的方法。
8.一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-6任一项所述的方法。
9.一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-6任一项所述的方法。
CN202310479272.3A 2023-04-26 2023-04-26 一种基于标签系统的中医开方反向校验方法及系统 Pending CN116525100A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310479272.3A CN116525100A (zh) 2023-04-26 2023-04-26 一种基于标签系统的中医开方反向校验方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310479272.3A CN116525100A (zh) 2023-04-26 2023-04-26 一种基于标签系统的中医开方反向校验方法及系统

Publications (1)

Publication Number Publication Date
CN116525100A true CN116525100A (zh) 2023-08-01

Family

ID=87397056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310479272.3A Pending CN116525100A (zh) 2023-04-26 2023-04-26 一种基于标签系统的中医开方反向校验方法及系统

Country Status (1)

Country Link
CN (1) CN116525100A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853883A (zh) * 2024-03-07 2024-04-09 深圳市万物云科技有限公司 一种街道清洁度分析方法、装置、计算机设备及存储介质

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109947901A (zh) * 2019-02-20 2019-06-28 杭州师范大学 基于多层感知机和自然语言处理技术的方剂功效预测方法
CN109979558A (zh) * 2017-12-27 2019-07-05 中国科学院沈阳自动化研究所 基于新型人工智能技术的症状药物关联关系分析方法
CN110115563A (zh) * 2019-05-22 2019-08-13 成都中医药大学 一种中医证型预测系统
CN110321550A (zh) * 2019-04-25 2019-10-11 北京科技大学 一种面向中医古籍文献的命名实体识别方法和装置
CN110335684A (zh) * 2019-06-14 2019-10-15 电子科技大学 基于主题模型技术的中医智能辨证辅助决策方法
CN110838368A (zh) * 2019-11-19 2020-02-25 广州西思数字科技有限公司 一种基于中医临床知识图谱的机器人主动问诊方法
CN111710412A (zh) * 2020-05-29 2020-09-25 北京百度网讯科技有限公司 诊断结果的校验方法、装置及电子设备
CN111834012A (zh) * 2020-07-14 2020-10-27 中国中医科学院中医药信息研究所 基于深度学习和注意力机制的中医证候诊断方法及装置
CN112216359A (zh) * 2020-09-29 2021-01-12 百度国际科技（深圳）有限公司 医疗数据校验方法、装置及电子设备
US20210065859A1 (en) * 2018-02-16 2021-03-04 Google Llc Automated extraction of structured labels from medical text using deep convolutional networks and use thereof to train a computer vision model
CN112908443A (zh) * 2021-03-12 2021-06-04 北京市商汤科技开发有限公司 医疗诊断结果的校验方法及装置、电子设备、存储介质
CN113535974A (zh) * 2021-06-28 2021-10-22 科大讯飞华南人工智能研究院（广州）有限公司 诊断推荐方法及相关装置、电子设备、存储介质
CN113707330A (zh) * 2021-07-30 2021-11-26 电子科技大学 一种蒙医辨证模型的构建方法和系统、方法
CN113707331A (zh) * 2021-07-30 2021-11-26 电子科技大学 一种中医辨证数据生成方法与系统
CN113808751A (zh) * 2020-06-15 2021-12-17 中国中医科学院中国医史文献研究所 一种中医方剂评价和推送方法、装置及电子设备
CN114330820A (zh) * 2021-11-19 2022-04-12 北京明略软件系统有限公司 患者病情预后预测方法、系统、存储介质及电子设备
CN114491072A (zh) * 2022-01-28 2022-05-13 上海国民集团健康科技有限公司 一种中医数据处理系统、方法、存储介质及终端
CN114722826A (zh) * 2022-04-07 2022-07-08 平安科技（深圳）有限公司 模型的训练方法和装置、电子设备、存储介质
CN115050481A (zh) * 2022-06-17 2022-09-13 湖南中医药大学 一种基于图卷积神经网络的中医方剂功效预测方法
CN115391494A (zh) * 2022-10-27 2022-11-25 北京元知创智科技有限公司 中医症候智能识别方法及装置
CN115691751A (zh) * 2022-11-17 2023-02-03 中国中医科学院中药研究所 一种基于诊疗经验和智能学习的中药组方筛选方法及系统
WO2023042045A1 (en) * 2021-09-16 2023-03-23 3M Innovative Properties Company Convolution attention network for multi-label clinical document classification

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109979558A (zh) * 2017-12-27 2019-07-05 中国科学院沈阳自动化研究所 基于新型人工智能技术的症状药物关联关系分析方法
US20210065859A1 (en) * 2018-02-16 2021-03-04 Google Llc Automated extraction of structured labels from medical text using deep convolutional networks and use thereof to train a computer vision model
CN109947901A (zh) * 2019-02-20 2019-06-28 杭州师范大学 基于多层感知机和自然语言处理技术的方剂功效预测方法
CN110321550A (zh) * 2019-04-25 2019-10-11 北京科技大学 一种面向中医古籍文献的命名实体识别方法和装置
CN110115563A (zh) * 2019-05-22 2019-08-13 成都中医药大学 一种中医证型预测系统
CN110335684A (zh) * 2019-06-14 2019-10-15 电子科技大学 基于主题模型技术的中医智能辨证辅助决策方法
CN110838368A (zh) * 2019-11-19 2020-02-25 广州西思数字科技有限公司 一种基于中医临床知识图谱的机器人主动问诊方法
CN111710412A (zh) * 2020-05-29 2020-09-25 北京百度网讯科技有限公司 诊断结果的校验方法、装置及电子设备
CN113808751A (zh) * 2020-06-15 2021-12-17 中国中医科学院中国医史文献研究所 一种中医方剂评价和推送方法、装置及电子设备
CN111834012A (zh) * 2020-07-14 2020-10-27 中国中医科学院中医药信息研究所 基于深度学习和注意力机制的中医证候诊断方法及装置
CN112216359A (zh) * 2020-09-29 2021-01-12 百度国际科技（深圳）有限公司 医疗数据校验方法、装置及电子设备
CN112908443A (zh) * 2021-03-12 2021-06-04 北京市商汤科技开发有限公司 医疗诊断结果的校验方法及装置、电子设备、存储介质
CN113535974A (zh) * 2021-06-28 2021-10-22 科大讯飞华南人工智能研究院（广州）有限公司 诊断推荐方法及相关装置、电子设备、存储介质
CN113707330A (zh) * 2021-07-30 2021-11-26 电子科技大学 一种蒙医辨证模型的构建方法和系统、方法
CN113707331A (zh) * 2021-07-30 2021-11-26 电子科技大学 一种中医辨证数据生成方法与系统
WO2023042045A1 (en) * 2021-09-16 2023-03-23 3M Innovative Properties Company Convolution attention network for multi-label clinical document classification
CN114330820A (zh) * 2021-11-19 2022-04-12 北京明略软件系统有限公司 患者病情预后预测方法、系统、存储介质及电子设备
CN114491072A (zh) * 2022-01-28 2022-05-13 上海国民集团健康科技有限公司 一种中医数据处理系统、方法、存储介质及终端
CN114722826A (zh) * 2022-04-07 2022-07-08 平安科技（深圳）有限公司 模型的训练方法和装置、电子设备、存储介质
CN115050481A (zh) * 2022-06-17 2022-09-13 湖南中医药大学 一种基于图卷积神经网络的中医方剂功效预测方法
CN115391494A (zh) * 2022-10-27 2022-11-25 北京元知创智科技有限公司 中医症候智能识别方法及装置
CN115691751A (zh) * 2022-11-17 2023-02-03 中国中医科学院中药研究所 一种基于诊疗经验和智能学习的中药组方筛选方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117853883A (zh) * 2024-03-07 2024-04-09 深圳市万物云科技有限公司 一种街道清洁度分析方法、装置、计算机设备及存储介质
CN117853883B (zh) * 2024-03-07 2024-05-31 深圳市万物云科技有限公司 一种街道清洁度分析方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN110838368B (zh) 一种基于中医临床知识图谱的主动问诊机器人
CN109036553A (zh) 一种基于自动抽取医疗专家知识的疾病预测方法
Hu et al. VGG-TSwinformer: Transformer-based deep learning model for early Alzheimer’s disease prediction
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
Camburu Explaining deep neural networks
CN109949929A (zh) 一种基于深度学习大规模病历的辅助诊断系统
WO2020224433A1 (zh) 基于机器学习的目标对象属性预测方法及相关设备
Zhang et al. Hybrid graph convolutional network for semi-supervised retinal image classification
CN114564959A (zh) 中文临床表型细粒度命名实体识别方法及系统
CN109213871A (zh) 患者信息知识图谱构建方法、可读存储介质和终端
Nan et al. Enhancing few-shot text-to-sql capabilities of large language models: A study on prompt design strategies
CN116631562A (zh) 一种生成电子病历出院记录的方法、装置及电子设备
CN116525100A (zh) 一种基于标签系统的中医开方反向校验方法及系统
Montalbo Truncating fined-tuned vision-based models to lightweight deployable diagnostic tools for SARS-CoV-2 infected chest X-rays and CT-scans
Yu et al. Identification of pediatric respiratory diseases using a fine-grained diagnosis system
CN115691786A (zh) 基于电子病历的眼科疾病信息提取方法和辅助诊断装置
Molla et al. A predictive analysis framework of heart disease using machine learning approaches
CN109907751A (zh) 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法
CN116452592B (zh) 脑血管病ai认知功能评测模型的构建方法、装置及系统
CN116313141A (zh) 一种基于知识图谱的不明原因发热智能问诊方法
CN113488165B (zh) 基于知识图谱的文本匹配方法、装置、设备以及存储介质
CN115659991A (zh) 一种基于共现关系分层注意力的脑ct医学报告自动生成方法
CN114429822A (zh) 病历质检方法、装置和存储介质
CN113704481A (zh) 一种文本处理方法、装置、设备及存储介质
US20230317279A1 (en) Method and system for medical diagnosis using graph embeddings

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