CN116631608A - 问诊症状识别方法、装置、设备及存储介质 - Google Patents
问诊症状识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116631608A CN116631608A CN202310615067.5A CN202310615067A CN116631608A CN 116631608 A CN116631608 A CN 116631608A CN 202310615067 A CN202310615067 A CN 202310615067A CN 116631608 A CN116631608 A CN 116631608A
- Authority
- CN
- China
- Prior art keywords
- text
- symptom
- demonstration
- symptoms
- training
- 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
- 208000024891 symptom Diseases 0.000 title claims abstract description 297
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 130
- 239000012634 fragment Substances 0.000 claims abstract description 84
- 238000010276 construction Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 210000002700 urine Anatomy 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 206010062717 Increased upper airway secretion Diseases 0.000 description 6
- 206010036790 Productive cough Diseases 0.000 description 6
- 208000026435 phlegm Diseases 0.000 description 6
- 208000024794 sputum Diseases 0.000 description 6
- 210000003802 sputum Anatomy 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- BALXUFOVQVENIU-KXNXZCPBSA-N pseudoephedrine hydrochloride Chemical compound [H+].[Cl-].CN[C@@H](C)[C@@H](O)C1=CC=CC=C1 BALXUFOVQVENIU-KXNXZCPBSA-N 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- 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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及数字医疗领域的人工智能技术,揭露了一种问诊症状识别方法,包括:构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合,基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合,利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型,利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。本发明还涉及区块链技术,所述识别症状可存储在区块链的节点中。本发明还提出一种问诊症状识别装置、电子设备以及可读存储介质。本发明可以提高问诊症状识别的准确率。
Description
技术领域
本发明涉及数字医疗及人工智能技术领域,尤其涉及一种问诊症状识别方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的发展,机器学习技术在医学领域成功落地的应用场景越来越多,比如,远程医疗、智能诊断、机器人问诊等。在智慧中医领域,机器人辅助问诊是比较常见的一种业务场景,机器人通过和患者对话,代替人工专家收集患者信息,需要正确理解每轮交互患者语义意图和症状信息,从而转缺进行症状识别。
现有技术中主要通过模型分类或检索的方法把问话中提及的文本映射到领域知识库中的实体。现有技术存在以下缺陷:1.需要人工标注大量症状实体,模型学习效率较低,模型训练效率及准确率都会受到影响;2.模型训练较为复杂,随着数据量的提高,占用大量计算空间及存储空间。
发明内容
本发明提供一种问诊症状识别方法、装置、电子设备及可读存储介质,其主要目的在于可以提高问诊症状识别的准确率。
为实现上述目的,本发明提供的一种问诊症状识别方法,包括:
构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合;
基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合;
利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型;
利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
可选地,所述构建原始症状识别模型,包括:
将预设层数的神经网络进行串联,并将串联后的网络作为文本编码层;
在所述文本编码层后拼接两层全连接层,将拼接后的网络作为所述原始症状识别模型。
可选地,所述预设的示范学习格式包括文本片段、症状及特殊符号。
可选地,所述基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合,包括:
对所述历史问诊对话集合中的问诊对话进行分词处理,得到分词片段集合;
将所述分词片段集合中包含识别症状的分词片段作为文本片段,利用所述示范学习格式中预设的第一特殊符号将所述文本片段及所述文本片段的对应症状进行拼接,得到文本-症状文本对,汇总所有的文本-症状文本对得到原始训练文本集合;
利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合。
可选地,所述利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合,包括:
依次从所述原始训练文本集合选择文本-症状文本对作为目标文本对;
利用所述第三特殊符号替换所述目标文本对中的症状,得到替换文本对;
从非目标文本对中选择预设数量的文本-症状文本对作为所述替换文本对的示范文本对;
利用所述第二特殊符号对所述替换文本对及所述替换文本对的示范文本对进行拼接,得到示范训练文本;
在所述原始训练文本集合中所有文本-症状文本对均被选为目标文本对时,汇总所有示范训练文本,得到所述示范训练文本集合。
可选地,所述利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状,包括:
对所述待识别症状文本进行分词处理,得到分词文本集合;
利用所述第一特殊符号、第二特殊符号及所述第三特殊符号对所述分词文本集合中的分词文本进行拼接,得到待识别文本序列;
利用所述标准症状识别模型输出所述待识别文本序列中分词文本对应的识别症状。
可选地,所述利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型,包括:
利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码,得到编码向量;
利用所述原始症状识别模型中的全连接层输出所述编码向量的预测症状;
利用所述预测症状及预设的损失函数计算损失值,并在所述损失值大于等于预设损失阈值时,调整所述原始症状识别模型中的模型参数,返回所述利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码的步骤,直至所述损失值小于预设损失阈值时,停止训练,得到所述标准症状识别模型。
为了解决上述问题,本发明还提供一种问诊症状识别装置,所述装置包括:
模型构建模块,用于构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合;
示范文本构建模块,用于基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合;
模型训练模块,用于利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型;
症状识别模块,用于利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的问诊症状识别方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的问诊症状识别方法。
本发明基于预设的示范学习格式对历史问诊对话集合中的文本片段及文本片段对应症状进行示范文本构建,通过示范训练文本,在不引入参数的前提下,用来自同一个训练集中的多个样本当做“示范标兵”,从而达到引导模型深度学习预测未知症状的能力,提高了症状识别的准确率。并且通过统一的示范学习格式,可以充分使用历史信息,不需要大量人工标注,提高了模型训练的效率,也降低了模型训练对计算能力、存储空间的依赖。因此本发明提出的问诊症状识别方法、装置、电子设备及计算机可读存储介质,可以提高问诊症状识别的准确率。
附图说明
图1为本发明一实施例提供的问诊症状识别方法的流程示意图;
图2为本发明一实施例提供的问诊症状识别装置的功能模块图;
图3为本发明一实施例提供的实现所述问诊症状识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本发明实施例提供一种问诊症状识别方法。所述问诊症状识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述问诊症状识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的问诊症状识别方法的流程示意图。在本实施例中,所述问诊症状识别方法包括以下步骤S1-S4:
S1、构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合。
本发明实施例中,所述历史问诊对话集合是指历史线上问诊时,问诊医生与患者的对话文本集合,主要包括文本片段及文本片段对应症状,其中,文本片段是反映症状的片段,症状是基于文本片段识别的症状实体。例如,用户B与线上医生A的对话文本包括:“A:你好,请问您那里不舒服?B:我早上起床发现尿液比平时黄。A:还有其他异常或不舒服的吗?B:还有就是每天不想动弹,懒懒的。A:您痰量多吗?B:痰倒是没有。”,文本片段“尿液比平时黄”,对应症状为“小便黄”,文本片段“不想动弹,懒懒的”,对应症状为“乏力”,文本片段“痰倒是没有”,对应症状为“无痰”。
详细地,所述构建原始症状识别模型,包括:
将预设层数的神经网络进行串联,并将串联后的网络作为文本编码层;
在所述文本编码层后拼接两层全连接层,将拼接后的网络作为所述原始症状识别模型。
本发明一可选实施例中,所述预设层数的神经网络可以为12层transformerblock构成,用以编码拼接的文本数据,2层全连接层用以进一步融合各部分拼接特征,并输出症状预测概率分布。
S2、基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合。
本发明实施例中,所述预设的示范学习格式包括文本片段、症状及特殊符号。其中,特殊符号包括:第一特殊符号“[=]”,用来拼接文本片段及症状;第二特殊符号“[sep]”,用来隔离不同的文本片段及症状;第三特殊符号“[?]”,用来标注待预测的文本片段。例如,“文本片段1[=]症状1[sep]文本片段2[=]症状2[sep]文本片段3[=][?]”。
详细地,所述基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合,包括:
对所述历史问诊对话集合中的问诊对话进行分词处理,得到分词片段集合;
将所述分词片段集合中包含识别症状的分词片段作为文本片段,利用所述示范学习格式中预设的第一特殊符号将所述文本片段及所述文本片段的对应症状进行拼接,得到文本-症状文本对,汇总所有的文本-症状文本对得到原始训练文本集合;
利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合。
本发明实施例中,由于历史问诊对话中文本片段标注有对应识别症状,通过分词处理(jieba分词等)可以快速进行分词,并通过第一特殊符号“[=]”拼接得到文本-症状文本对。例如,“不想动弹[=]乏力”。
详细地,所述利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合,包括:
依次从所述原始训练文本集合选择文本-症状文本对作为目标文本对;
利用所述第三特殊符号替换所述目标文本对中的症状,得到替换文本对;
从非目标文本对中选择预设数量的文本-症状文本对作为所述替换文本对的示范文本对;
利用所述第二特殊符号对所述替换文本对及所述替换文本对的示范文本对进行拼接,得到示范训练文本;
在所述原始训练文本集合中所有文本-症状文本对均被选为目标文本对时,汇总所有示范训练文本,得到所述示范训练文本集合。
本发明一可选实施例中,对于原始训练文本集合中的文本-症状对,可以依次选为目标文本对,并利用第三特殊符号得到替换文本对,例如,“不想动弹[=]乏力”的替换文本对为“不想动弹[=][?]”,并随机采样10个其他文本-症状对作为替换文本对的示范文本对,再利用第二特殊符号“[sep]”进行拼接得到示范训练文本,例如,某一示范训练文本为“尿液比平时黄[=]小便黄[sep]痰倒是没有[=]无痰[sep]…[sep]不想动弹[=][?]”。
基于预设的示范学习格式,把对话历史中的文本片段和对应症状当做示范文本,附加到当前待预测的替换文本对,可以深度挖掘模型的模仿能力,提升模型学习水平,提高了症状识别的准确率。
S3、利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型。
详细地,所述利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型,包括:
利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码,得到编码向量;
利用所述原始症状识别模型中的全连接层输出所述编码向量的预测症状;
利用所述预测症状及预设的损失函数计算损失值,并在所述损失值大于等于预设损失阈值时,调整所述原始症状识别模型中的模型参数,返回所述利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码的步骤,直至所述损失值小于预设损失阈值时,停止训练,得到所述标准症状识别模型。
本发明一可选实施例中,所述预设的损失函数为交叉熵损失函数。
本发明实施例中,通过示范文本对模型进行有监督学习,在不引入新参数的前提下挖掘模型学习潜力,同时训练数据构建较为简单,减少人工梳理数据模板,提高了模型训练的速度及准确度。
S4、利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
详细地,所述利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状,包括:
对所述待识别症状文本进行分词处理,得到分词文本集合;
利用所述第一特殊符号、第二特殊符号及所述第三特殊符号对所述分词文本集合中的分词文本进行拼接,得到待识别文本序列;
利用所述标准症状识别模型输出所述待识别文本序列中分词文本对应的识别症状。
本发明一可选实施例中,所述待识别症状文本为线上问诊时用户和线上医生的实时对话文本,通过分词处理,得到不同的分词文本,并利用第一特殊符号[=]及所述第三特殊符号[?]进行拼接,得到待预测文本序列,例如,“分词1[=][?][sep]分词2[=][?][sep]分词3[=][?]”。
本发明基于预设的示范学习格式对历史问诊对话集合中的文本片段及文本片段对应症状进行示范文本构建,通过示范训练文本,在不引入参数的前提下,用来自同一个训练集中的多个样本当做“示范标兵”,从而达到引导模型深度学习预测未知症状的能力,提高了症状识别的准确率。并且通过统一的示范学习格式,可以充分使用历史信息,不需要大量人工标注,提高了模型训练的效率,也降低了模型训练对计算能力、存储空间的依赖。因此本发明提出的问诊症状识别方法,可以提高问诊症状识别的准确率。
如图2所示,是本发明一实施例提供的问诊症状识别装置的功能模块图。
本发明所述问诊症状识别装置100可以安装于电子设备中。根据实现的功能,所述问诊症状识别装置100可以包括模型构建模块101、示范文本构建模块102、模型训练模块103及症状识别模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述模型构建模块101,用于构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合;
所述示范文本构建模块102,用于基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合;
所述模型训练模块103,用于利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型;
所述症状识别模块104,用于利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
详细地,所述问诊症状识别装置100各模块的具体实施方式如下:
步骤一、构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合。
本发明实施例中,所述历史问诊对话集合是指历史线上问诊时,问诊医生与患者的对话文本集合,主要包括文本片段及文本片段对应症状,其中,文本片段是反映症状的片段,症状是基于文本片段识别的症状实体。例如,用户B与线上医生A的对话文本包括:“A:你好,请问您那里不舒服?B:我早上起床发现尿液比平时黄。A:还有其他异常或不舒服的吗?B:还有就是每天不想动弹,懒懒的。A:您痰量多吗?B:痰倒是没有。”,文本片段“尿液比平时黄”,对应症状为“小便黄”,文本片段“不想动弹,懒懒的”,对应症状为“乏力”,文本片段“痰倒是没有”,对应症状为“无痰”。
详细地,所述构建原始症状识别模型,包括:
将预设层数的神经网络进行串联,并将串联后的网络作为文本编码层;
在所述文本编码层后拼接两层全连接层,将拼接后的网络作为所述原始症状识别模型。
本发明一可选实施例中,所述预设层数的神经网络可以为12层transformerblock构成,用以编码拼接的文本数据,2层全连接层用以进一步融合各部分拼接特征,并输出症状预测概率分布。
步骤二、基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合。
本发明实施例中,所述预设的示范学习格式包括文本片段、症状及特殊符号。其中,特殊符号包括:第一特殊符号“[=]”,用来拼接文本片段及症状;第二特殊符号“[sep]”,用来隔离不同的文本片段及症状;第三特殊符号“[?]”,用来标注待预测的文本片段。例如,“文本片段1[=]症状1[sep]文本片段2[=]症状2[sep]文本片段3[=][?]”。
详细地,所述基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合,包括:
对所述历史问诊对话集合中的问诊对话进行分词处理,得到分词片段集合;
将所述分词片段集合中包含识别症状的分词片段作为文本片段,利用所述示范学习格式中预设的第一特殊符号将所述文本片段及所述文本片段的对应症状进行拼接,得到文本-症状文本对,汇总所有的文本-症状文本对得到原始训练文本集合;
利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合。
本发明实施例中,由于历史问诊对话中文本片段标注有对应识别症状,通过分词处理(jieba分词等)可以快速进行分词,并通过第一特殊符号“[=]”拼接得到文本-症状文本对。例如,“不想动弹[=]乏力”。
详细地,所述利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合,包括:
依次从所述原始训练文本集合选择文本-症状文本对作为目标文本对;
利用所述第三特殊符号替换所述目标文本对中的症状,得到替换文本对;
从非目标文本对中选择预设数量的文本-症状文本对作为所述替换文本对的示范文本对;
利用所述第二特殊符号对所述替换文本对及所述替换文本对的示范文本对进行拼接,得到示范训练文本;
在所述原始训练文本集合中所有文本-症状文本对均被选为目标文本对时,汇总所有示范训练文本,得到所述示范训练文本集合。
本发明一可选实施例中,对于原始训练文本集合中的文本-症状对,可以依次选为目标文本对,并利用第三特殊符号得到替换文本对,例如,“不想动弹[=]乏力”的替换文本对为“不想动弹[=][?]”,并随机采样10个其他文本-症状对作为替换文本对的示范文本对,再利用第二特殊符号“[sep]”进行拼接得到示范训练文本,例如,某一示范训练文本为“尿液比平时黄[=]小便黄[sep]痰倒是没有[=]无痰[sep]…[sep]不想动弹[=][?]”。
基于预设的示范学习格式,把对话历史中的文本片段和对应症状当做示范文本,附加到当前待预测的替换文本对,可以深度挖掘模型的模仿能力,提升模型学习水平,提高了症状识别的准确率。
步骤三、利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型。
详细地,所述利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型,包括:
利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码,得到编码向量;
利用所述原始症状识别模型中的全连接层输出所述编码向量的预测症状;
利用所述预测症状及预设的损失函数计算损失值,并在所述损失值大于等于预设损失阈值时,调整所述原始症状识别模型中的模型参数,返回所述利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码的步骤,直至所述损失值小于预设损失阈值时,停止训练,得到所述标准症状识别模型。
本发明一可选实施例中,所述预设的损失函数为交叉熵损失函数。
本发明实施例中,通过示范文本对模型进行有监督学习,在不引入新参数的前提下挖掘模型学习潜力,同时训练数据构建较为简单,减少人工梳理数据模板,提高了模型训练的速度及准确度。
步骤四、利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
详细地,所述利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状,包括:
对所述待识别症状文本进行分词处理,得到分词文本集合;
利用所述第一特殊符号、第二特殊符号及所述第三特殊符号对所述分词文本集合中的分词文本进行拼接,得到待识别文本序列;
利用所述标准症状识别模型输出所述待识别文本序列中分词文本对应的识别症状。
本发明一可选实施例中,所述待识别症状文本为线上问诊时用户和线上医生的实时对话文本,通过分词处理,得到不同的分词文本,并利用第一特殊符号[=]及所述第三特殊符号[?]进行拼接,得到待预测文本序列,例如,“分词1[=][?][sep]分词2[=][?][sep]分词3[=][?]”。
本发明基于预设的示范学习格式对历史问诊对话集合中的文本片段及文本片段对应症状进行示范文本构建,通过示范训练文本,在不引入参数的前提下,用来自同一个训练集中的多个样本当做“示范标兵”,从而达到引导模型深度学习预测未知症状的能力,提高了症状识别的准确率。并且通过统一的示范学习格式,可以充分使用历史信息,不需要大量人工标注,提高了模型训练的效率,也降低了模型训练对计算能力、存储空间的依赖。因此本发明提出的问诊症状识别装置,可以提高问诊症状识别的准确率。
如图3所示,是本发明一实施例提供的实现所述问诊症状识别方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如问诊症状识别程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如问诊症状识别程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如问诊症状识别程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的问诊症状识别程序是多个指令的组合,在所述处理器10中运行时,可以实现:
构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合;
基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合;
利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型;
利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合;
基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合;
利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型;
利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种问诊症状识别方法,其特征在于,所述方法包括:
构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合;
基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合;
利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型;
利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
2.如权利要求1所述的问诊症状识别方法,其特征在于,所述构建原始症状识别模型,包括:
将预设层数的神经网络进行串联,并将串联后的网络作为文本编码层;
在所述文本编码层后拼接两层全连接层,将拼接后的网络作为所述原始症状识别模型。
3.如权利要求1所述的问诊症状识别方法,其特征在于,所述预设的示范学习格式包括文本片段、症状及特殊符号。
4.如权利要求1中所述的问诊症状识别方法,其特征在于,所述基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合,包括:
对所述历史问诊对话集合中的问诊对话进行分词处理,得到分词片段集合;
将所述分词片段集合中包含识别症状的分词片段作为文本片段,利用所述示范学习格式中预设的第一特殊符号将所述文本片段及所述文本片段的对应症状进行拼接,得到文本-症状文本对,汇总所有的文本-症状文本对得到原始训练文本集合;
利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合。
5.如权利要求4所述的问诊症状识别方法,其特征在于,所述利用所述示范学习格式中预设的第二特殊符号及第三特殊符号对所述原始训练文本集合进行示范文本构建,得到示范训练文本集合,包括:
依次从所述原始训练文本集合选择文本-症状文本对作为目标文本对;
利用所述第三特殊符号替换所述目标文本对中的症状,得到替换文本对;
从非目标文本对中选择预设数量的文本-症状文本对作为所述替换文本对的示范文本对;
利用所述第二特殊符号对所述替换文本对及所述替换文本对的示范文本对进行拼接,得到示范训练文本;
在所述原始训练文本集合中所有文本-症状文本对均被选为目标文本对时,汇总所有示范训练文本,得到所述示范训练文本集合。
6.如权利要求4中所述的问诊症状识别方法,其特征在于,所述利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状,包括:
对所述待识别症状文本进行分词处理,得到分词文本集合;
利用所述第一特殊符号、第二特殊符号及所述第三特殊符号对所述分词文本集合中的分词文本进行拼接,得到待识别文本序列;
利用所述标准症状识别模型输出所述待识别文本序列中分词文本对应的识别症状。
7.如权利要求1所述的问诊症状识别方法,其特征在于,所述利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型,包括:
利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码,得到编码向量;
利用所述原始症状识别模型中的全连接层输出所述编码向量的预测症状;
利用所述预测症状及预设的损失函数计算损失值,并在所述损失值大于等于预设损失阈值时,调整所述原始症状识别模型中的模型参数,返回所述利用所述原始症状识别模型中的文本编码层对所述所述示范训练文本集合中的示范训练文本进行特征编码的步骤,直至所述损失值小于预设损失阈值时,停止训练,得到所述标准症状识别模型。
8.一种问诊症状识别装置,其特征在于,所述装置包括:
模型构建模块,用于构建原始症状识别模型,获取包含文本片段及所述文本片段对应症状的历史问诊对话集合;
示范文本构建模块,用于基于预设的示范学习格式对所述文本片段及所述文本片段对应症状进行示范文本构建,得到示范训练文本集合;
模型训练模块,用于利用所述示范训练文本集合对所述原始症状识别模型进行示范学习训练,得到标准症状识别模型;
症状识别模块,用于利用所述标准症状识别模型对待识别症状文本进行症状识别,得到识别症状。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的问诊症状识别方法。
10.一种计算机可读存储介质,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如权利要求1至7中任意一项所述的问诊症状识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310615067.5A CN116631608A (zh) | 2023-05-29 | 2023-05-29 | 问诊症状识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310615067.5A CN116631608A (zh) | 2023-05-29 | 2023-05-29 | 问诊症状识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116631608A true CN116631608A (zh) | 2023-08-22 |
Family
ID=87612999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310615067.5A Pending CN116631608A (zh) | 2023-05-29 | 2023-05-29 | 问诊症状识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116631608A (zh) |
-
2023
- 2023-05-29 CN CN202310615067.5A patent/CN116631608A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
CN114461777B (zh) | 智能问答方法、装置、设备及存储介质 | |
CN113821622B (zh) | 基于人工智能的答案检索方法、装置、电子设备及介质 | |
CN112860848A (zh) | 信息检索方法、装置、设备及介质 | |
CN114610855B (zh) | 对话回复生成方法、装置、电子设备及存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN113553431B (zh) | 用户标签提取方法、装置、设备及介质 | |
CN116705345A (zh) | 医疗实体标注方法、装置、设备及存储介质 | |
CN116501846A (zh) | 开放式对话方法、装置、电子设备及介质 | |
CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
CN116702776A (zh) | 基于跨中西医的多任务语义划分方法、装置、设备及介质 | |
CN114548114B (zh) | 文本情绪识别方法、装置、设备及存储介质 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN115510219A (zh) | 话术推荐方法、装置、电子设备及存储介质 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN116631608A (zh) | 问诊症状识别方法、装置、设备及存储介质 | |
CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN112749264A (zh) | 基于智能机器人的问题分发方法、装置、电子设备及存储介质 | |
CN115169330B (zh) | 中文文本纠错及验证方法、装置、设备及存储介质 | |
CN116976821B (zh) | 企业问题反馈信息处理方法、装置、设备及介质 | |
CN116860944A (zh) | 对话生成方法、装置、电子设备及介质 | |
CN117392996A (zh) | 目标语音识别方法、装置、电子设备及存储介质 |
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 |