CN116720525A - 基于问诊数据的疾病辅助分析方法、装置、设备及介质 - Google Patents
基于问诊数据的疾病辅助分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116720525A CN116720525A CN202310628939.1A CN202310628939A CN116720525A CN 116720525 A CN116720525 A CN 116720525A CN 202310628939 A CN202310628939 A CN 202310628939A CN 116720525 A CN116720525 A CN 116720525A
- Authority
- CN
- China
- Prior art keywords
- inquiry
- dialogue
- text
- disease
- feature vector
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 99
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 99
- 238000004458 analytical method Methods 0.000 title claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 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
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003064 k means clustering 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
- 239000003607 modifier Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- 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
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种基于问诊数据的疾病辅助分析方法,包括:获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;计算所述问诊对话图的特征向量;根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的基于问诊数据的疾病辅助分析疾病辅助分析结果。本发明还提出一种基于问诊数据的疾病辅助分析装置、设备以及存储介质。本发明可以解决智能问诊时基于问诊数据的疾病辅助分析正确率较低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于问诊数据的疾病辅助分析方法、装置、设备及介质。
背景技术
随着人工智能的发展,深度学习技术在中医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,根据收集到的患者症状信息,正确预测患者可能患有某种疾病。
传统的疾病智能问诊中,主要是提取用户的问诊对话中的关键词,然后将关键词与预设的疾病分类库之间进行匹配,这种方式往往忽略了用户的问诊对话中的上下文关系,导致疾病辅助分析比较片面,从而造成对患者的基于问诊数据的疾病辅助分析的准确率低。
发明内容
本发明提供一种基于问诊数据的疾病辅助分析方法、装置及计算机可读存储介质,其主要目的在于解决进行问诊时基于问诊数据的疾病辅助分析正确率较低的问题。
为实现上述目的,本发明提供的一种基于问诊数据的疾病辅助分析方法,包括:
获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;
根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
计算所述问诊对话图的特征向量;
根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的疾病辅助分析结果。
可选地,所述对所述问诊对话语音进行文本转换,得到问诊对话文本,包括:
对所述问诊对话语音进行噪声去除,得到人声对话语音;
利用预设的语音识别模型将所述人声对话语音转换为语音特征序列;
将所述语音特征序列与预构建的问诊文本特征集进行特征匹配,得到问诊对话文本。
可选地,所述提取所述问诊对话文本中的语义信息,包括:
对所述问诊对话文本进行文本分词,根据所述文本分词结果构建依存关系树;
提取所述问诊对话文本中的文本关键词,根据所述文本关键词在所述依存关系树中进行依存关系搜索,得到每个所述文本关键词的依存关系;
根据所述依存关系确定所述问诊对话文本中的语义信息。
可选地,所述根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图,包括:
利用预先设定的关系图谱确定每个所述聚类簇中语义信息之间的连接关系,得到多个问诊对话子图;
添加一个患者节点作为根节点,分别将每个所述问诊对话子图与所述根节点相连接,得到所述问诊对话图。
可选地,所述计算所述问诊对话图的特征向量,包括:
利用所述预构建的图注意力网络计算所述问诊对话图中的每个连接点的嵌入向量及特征编码向量,将所述嵌入向量及特征编码向量相乘,得到所述每个连接点的特征向量;
利用归一化激活函数计算所述每个连接点的特征向量对应的的图注意力权重;
根据所述图注意力权重对所述每个连接点的特征向量进行加权计算,得到所述问诊对话图的特征向量。
可选地,利用如下公式对所述每个连接点的特征向量进行加权计算:
其中,所述为所述问诊对话图的特征向量,σ为预设的权重系数,W为预设的权重矩阵,j表示第j个连接点,/>表示第j个连接点的特征向量,N表示所述连接点的总数,αj表示所述每个连接点的图注意力权重。
可选地,所述根据所述特征向量计算所述患者的疾病分类概率,包括:
利用所述预构建的图注意力网络中的全连接层计算所述特征向量的对应预设的疾病分类的分数;
对所述分数进行激活计算,得到对应每个疾病分类的概率。
为了解决上述问题,本发明还提供一种基于问诊数据的疾病辅助分析装置,所述装置包括:
文本转换模块,用于获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
文本聚类模块,用于提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;
问诊对话图构建模块,用于根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
特征向量计算模块,计算所述问诊对话图的特征向量;
基于问诊数据的疾病辅助分析模块,用于根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的疾病辅助分析结果。
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:
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上述所述的基于问诊数据的疾病辅助分析方法。
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基于问诊数据的疾病辅助分析方法。
本发明实施例通过对患者的问诊对话文本进行聚类操作,并根据聚类结果构建患者的问诊对话图,实现了以图的形式表达患者问诊的整体逻辑关系,最后基于问诊对话图的特征向量进行疾病的诊断,可以理解的是,所述特征向量反映的是患者整体问诊的特征,而非患者问诊中的某一局部特征,计算所述问诊对话图的特征向量因此本发明提出的基于问诊数据的疾病辅助分析方法、装置、电子设备及计算机可读存储介质,可以解决智能问诊时基于问诊数据的疾病辅助分析正确率较低的问题。
附图说明
图1为本发明一实施例提供的基于问诊数据的疾病辅助分析方法的流程示意图;
图2为本发明一实施例提供的提取语义信息的流程示意图;
图3为本发明一实施例提供的构建问诊对话图的流程示意图;
图4为本发明一实施例提供的基于问诊数据的疾病辅助分析装置的功能模块图;
图5为本发明一实施例提供的实现所述基于问诊数据的疾病辅助分析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。
本申请实施例提供一种基于问诊数据的疾病辅助分析方法。所述基于问诊数据的疾病辅助分析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申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于问诊数据的疾病辅助分析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(ContentDeliveryNetwork,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基于问诊数据的疾病辅助分析方法的流程示意图。在本实施例中,所述基于问诊数据的疾病辅助分析方法包括:
S1、获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
本发明实施例中,所述患者的问诊对话语音是患者进行智能问诊时的对话语音,对所述问诊对话语音进行文本转换,得到问诊对话语音的问诊对话文本。
详细地,所述对所述问诊对话语音进行文本转换,得到问诊对话文本,包括:
对所述问诊对话语音进行噪声去除,得到人声对话语音;
利用预设的语音识别模型将所述人声对话语音转换为语音特征序列;
将所述语音特征序列与预构建的问诊文本特征集进行特征匹配,得到问诊对话文本。
本发明实施例中,所述噪声去除是将所述问诊对话语音中的无关噪音去除,只保留患者与智能问诊设备之间的对话语音,能够提高文本转换的准确度,具体地,本发明实施例可以利用隐马尔可夫(Hidden Markov Model)、bert(Bidirectional EncoderRepresentation from Transformers)等语音识别模型进行特征提取。
本发明实施例中,所述预构建的问诊文本特征集是由问诊过程中智能问诊设备会问的症状文本以及患者可能回答的症状文本构建得到,其中每个文本对应一个特征向量用于与语音特征进行匹配,得到患者的问诊对话,能够避免出现歧义,使得问诊对话文本更准确。
S2、提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本中进行文本聚类,得到一个或一个以上的问诊聚类簇;
本发明实施例中,所述语义信息包括患者的基本信息、患者的问诊意图、患者的症状信息等,不同的语义信息对应的不同的问诊信息,例如,患者的基本信息为语义信息1,患者症状为语义信息2,症状时长为语义信息3、患者的问诊意图为语义信息4等。
详细地,参阅图2所示,所述提取所述问诊对话文本中的语义信息,包括:
S21、对所述问诊对话文本进行文本分词,根据所述文本分词结果构建依存关系树;
S22、提取所述问诊对话文本中的文本关键词,根据所述文本关键词在所述依存关系树中进行依存关系搜索,得到每个所述文本关键词的依存关系;
S23、根据所述依存关系确定所述问诊对话文本中的语义信息。
本发明实施例中,可以利用语言技术平台加载中医领域的术语词典以及停用词表对问诊对话文本进行分词,使得分词结果更贴合中医问诊场景,具体地,本发明实施例可以采用TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆文件频率)算法进行关键词的提取。
本发明实施例中,所述依存关系树中包括分词之间的依赖依存关系,一个依次关系包含两个词,一个是核心词,一个是修饰词,具体地,依存关系树中的依存关系包括主谓关系(SBV)、动宾关系(VOB)、定中关系(ATT)、状中关系(ADV)、并列关系(COO)以及核心关系(HED),再根据提取到的关键词为起点在所述依存关系树中向上及向下搜索,再根据搜索得到的依存关系确定问诊文本的语义信息,例如,对于动宾关系,直接将动宾关系中的动词对应的文本词语作为语义信息,对于定中关系,将定语对应的文本分词作为语义信息。
本发明实施例中,可以根据预设的聚类中心利用K-Means(K均值聚类算法)进行聚类,具体地,所述预设的聚类中心可以是患者的症状、患者的个人信息以及患者的病史信息等,通过聚类将相关的语义信息聚合,能够将患者的问诊信息整合,避免信息分散造成的诊断不精确。
本发明实施例中,每个语义信息表示不同的问诊信息,通过所述语义信息对问诊对话文本进行聚类,能够将问诊对话文本中相关联的语义信息聚类,避免信息的分散,提高后续疾病分类的准确率。
S3、根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
本发明实施例中,所述问诊对话图是一种表征问诊语义信息之间从属关系的数据结构,所述问诊对话图中包括一个患者作为根节点及多个聚类簇之间的从属关系,其中,所述邻居节点表示所述患者的不同节点信息,邻居节点中可能也包含邻居节点,得到问诊对话文本的图结构。
详细地,所述根据多个问诊聚类簇构建所述问诊对话文本的问诊对话图,包括:
利用预先设定的关系图谱确定每个所述问诊聚类簇中语义信息之间的连接关系,得到多个问诊对话子图;
添加一个患者节点作为根节点,分别将每个所述问诊对话子图与所述根节点相连接,得到所述问诊对话图。
本发明实施例中,所述预设的关系图谱为预构建的从属关系图谱,例如症状信息从属图谱中包括时长、频次、程度等,根据所述关系图谱能够确定每个聚类簇中的语义信息与聚类中心点之间的连接关系,利用所述连接关系构建问诊对话子图。
本发明实施例中,通过构建所述问诊对话图,能够将所述问诊对话文本中的从属关系相串联,使得问诊对话文本的结构更清晰。
S4、计算所述问诊对话图的特征向量;
本发明实施例中,可以利用预先构建的图注意力网络计算问诊对话图的特征向量,具体地,图注意力网络是由多个图注意力层(Graph attention layer,简称GTA)组合得到的,本发明实施例中包含6个图注意力层,通过所述图注意力网络能够得到所述问诊对话图的特征向量。
详细地,参阅图3所示,所述利用预构建的图注意力网络计算所述图结构的特征向量,包括:
S31、利用所述预构建的图注意力网络计算所述问诊对话图每个连接节点的嵌入向量及特征编码向量,将所述嵌入向量及特征编码向量相乘,得到所述每个连接点的特征向量;
S32、利用归一化激活函数计算所述每个连接点的特征向量对应的的图注意力权重;
S33、根据所述图注意力权重对所述每个连接点的特征向量进行加权计算,得到所述问诊对话图的特征向量。
进一步地,本发明实施例利用如下公式对所述每个连接点的特征向量进行加权计算:
其中,所述为所述问诊对话图的特征向量,σ为预设的权重系数,W为预设的权重矩阵,j表示第j个连接点,/>表示第j个连接点的特征向量,N表示所述连接点的总数,αj表示所述每个连接点的图注意力权重。
本发明实施例中,所述图注意力网络是将所述图结构中每个邻居节点都考虑了进去,但在实际场景中,不同的邻居节点可能对主节点起着不同的作用,因此需要对每个邻居节点进行加权计算,对不同权值的邻居节点进行自适应匹配,从而提高了图注意力网络计算所述图结构的特征向量的精确度。
本发明实施例中,嵌入向量包含了每个邻居节点的位置信息,利用one-hot编码对所述每个节点进行特征向量编码,利用嵌入向量与特征编码向量相乘,使得每个邻居节点的特征向量包含了位置信息,同时能够减小特征维度,提高后续计算的效率。
本发明实施例中,通过计算所述图结构的特征向量,对图结构中的所有节点特征进行了特征聚合,使得得到的特征更稳定以及更具表征性,从而提高诊断的准确率。
S5、根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的基于问诊数据的疾病辅助分析疾病辅助分析结果。
本发明实施例中,所述根据所述特征向量计算所述患者的疾病分类概率是利用所述图注意力网络中的全连接层进行疾病分类,得到每个疾病的预测概率,再选取最大的预测概率对应的疾病分类作为诊断结果。
详细地,所述根据所述特征向量计算所述患者的疾病分类概率,包括:
利用所述预构建的图注意力网络中的全连接层计算所述特征向量的对应预设的疾病分类的分数;
对所述分数进行激活计算,得到对应疾病分类的概率。
本发明实施例中,可以利用softmax激活函数进行激活计算,通过所述激活函数能够将所述分数映射为概率,从而得到每个疾病分类的概率。
本发明实施例中,通过所述特征向量计算所述患者在每个疾病的概率,选取概率最大的疾病分类作为疾病辅助分析结果,通过所述疾病辅助分析结果能够对患者的疾病进行进一步地分析,使得的疾病辅助分析更精确。
本发明实施例通过对患者的问诊对话文本进行聚类操作,并根据聚类结果构建患者的问诊对话图,实现了以图的形式表达患者问诊的整体逻辑关系,最后基于问诊对话图的特征向量进行疾病的诊断,可以理解的是,所述特征向量反映的是患者整体问诊的特征,而非患者问诊中的某一局部特征,因此本发明提出的基于问诊数据的疾病辅助分析方法、装置、电子设备及计算机可读存储介质,可以解决智能问诊时基于问诊数据的疾病辅助分析的正确率较低的问题。
如图4所示,是本发明一实施例提供的基于问诊数据的疾病辅助分析装置的功能模块图。
本发明所述基于问诊数据的疾病辅助分析装置100可以安装于电子设备中。根据实现的功能,所述基于问诊数据的疾病辅助分析装置100可以包括文本转换模块101、文本聚类模块102、问诊对话图构建模块103、特征向量计算模块104及基于问诊数据的疾病辅助分析模块105。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:
所述文本转换模块101,用于获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
所述文本聚类模块102,用于提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;
所述问诊对话图构建模块103,用于根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
所述特征向量计算模块104,计算所述问诊对话图的特征向量;
所述疾病分类模块105,用于根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的疾病辅助分析结果。
详细地,本发明实施例中所述基于问诊数据的疾病辅助分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于问诊数据的疾病辅助分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现基于问诊数据的疾病辅助分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口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,如基于问诊数据的疾病辅助分析程序。
其中,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(ControlUnit),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(例如执行基于问诊数据的疾病辅助分析程序等),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(Secure Digital,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,例如基于问诊数据的疾病辅助分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线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。
所述通信接口13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。
图中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,图中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。
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1中的所述存储器11存储的基于问诊数据的疾病辅助分析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:
获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;
根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
计算所述问诊对话图的特征向量;
根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的疾病辅助分析结果。
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1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:
获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;
根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
计算所述问诊对话图的特征向量;
根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的疾病辅助分析结果。
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。
本申请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。
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。第一、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)
1.一种基于问诊数据的疾病辅助分析方法,其特征在于,所述方法包括:
获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;
根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
计算所述问诊对话图的特征向量;
根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的疾病辅助分析结果。
2.如权利要求1所述的基于问诊数据的疾病辅助分析方法,其特征在于,所述对所述问诊对话语音进行文本转换,得到问诊对话文本,包括:
对所述问诊对话语音进行噪声去除,得到人声对话语音;
利用预设的语音识别模型将所述人声对话语音转换为语音特征序列;
将所述语音特征序列与预构建的问诊文本特征集进行特征匹配,得到问诊对话文本。
3.如权利要求1所述的基于问诊数据的疾病辅助分析方法,其特征在于,所述提取所述问诊对话文本中的语义信息,包括:
对所述问诊对话文本进行文本分词,根据所述文本分词结果构建依存关系树;
提取所述问诊对话文本中的文本关键词,根据所述文本关键词在所述依存关系树中进行依存关系搜索,得到每个所述文本关键词的依存关系;
根据所述依存关系确定所述问诊对话文本中的语义信息。
4.如权利要求1所述的基于问诊数据的疾病辅助分析方法,其特征在于,所述根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图,包括:
利用预先设定的关系图谱确定每个所述聚类簇中语义信息之间的连接关系,得到多个问诊对话子图;
添加一个患者节点作为根节点,分别将每个所述问诊对话子图与所述根节点相连接,得到所述问诊对话图。
5.如权利要求1所述的基于问诊数据的疾病辅助分析方法,其特征在于,所述计算所述问诊对话图的特征向量,包括:
利用所述预构建的图注意力网络计算所述问诊对话图中的每个连接点的嵌入向量及特征编码向量,将所述嵌入向量及特征编码向量相乘,得到所述每个连接点的特征向量;
利用归一化激活函数计算所述每个连接点的特征向量对应的的图注意力权重;
根据所述图注意力权重对所述每个连接点的特征向量进行加权计算,得到所述问诊对话图的特征向量。
6.如权利要求5所述的基于问诊数据的疾病辅助分析方法,其特征在于,利用如下公式对所述每个连接点的特征向量进行加权计算:
其中,所述为所述问诊对话图的特征向量,σ为预设的权重系数,W为预设的权重矩阵,j表示第j个连接点,/>表示第j个连接点的特征向量,N表示所述连接点的总数,αj表示所述每个连接点的图注意力权重。
7.如权利要求1所述的基于问诊数据的疾病辅助分析方法,其特征在于,所述根据所述特征向量计算所述患者的疾病分类概率,包括:
利用所述预构建的图注意力网络中的全连接层计算所述特征向量的对应预设的疾病分类的分数;
对所述分数进行激活计算,得到对应疾病分类的概率。
8.一种基于问诊数据的疾病辅助分析装置,其特征在于,所述装置包括:
文本转换模块,用于获取患者的问诊对话语音,对所述问诊对话语音进行文本转换,得到问诊对话文本;
文本聚类模块,用于提取所述问诊对话文本中的语义信息,根据所述语义信息对所述问诊对话文本进行文本聚类,得到问诊聚类簇;
问诊对话图构建模块,用于根据所述问诊聚类簇构建所述问诊对话文本的问诊对话图;
特征向量计算模块,计算所述问诊对话图的特征向量;
基于问诊数据的疾病辅助分析模块,用于根据所述特征向量计算所述患者的疾病分类概率,选取所述概率最大的疾病分类作为所述患者的疾病辅助分析结果。
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中任意一项所述的基于问诊数据的疾病辅助分析方法。
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中任意一项所述的基于问诊数据的疾病辅助分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310628939.1A CN116720525A (zh) | 2023-05-31 | 2023-05-31 | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310628939.1A CN116720525A (zh) | 2023-05-31 | 2023-05-31 | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720525A true CN116720525A (zh) | 2023-09-08 |
Family
ID=87867117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310628939.1A Pending CN116720525A (zh) | 2023-05-31 | 2023-05-31 | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720525A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649933A (zh) * | 2023-11-28 | 2024-03-05 | 广州方舟信息科技有限公司 | 在线问诊辅助方法、装置、电子设备和存储介质 |
-
2023
- 2023-05-31 CN CN202310628939.1A patent/CN116720525A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649933A (zh) * | 2023-11-28 | 2024-03-05 | 广州方舟信息科技有限公司 | 在线问诊辅助方法、装置、电子设备和存储介质 |
CN117649933B (zh) * | 2023-11-28 | 2024-05-28 | 广州方舟信息科技有限公司 | 在线问诊辅助方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021212682A1 (zh) | 知识抽取方法、装置、电子设备及存储介质 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN113887941B (zh) | 业务流程生成方法、装置、电子设备及介质 | |
CN112507230B (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
CN115238670B (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN116720525A (zh) | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN113343306B (zh) | 基于差分隐私的数据查询方法、装置、设备及存储介质 | |
CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
CN116844711A (zh) | 基于深度学习的疾病辅助识别方法及装置 | |
CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
CN116719904A (zh) | 基于图文结合的信息查询方法、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 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
WO2022141838A1 (zh) | 模型置信度分析方法、装置、电子设备及计算机存储介质 | |
WO2021151303A1 (zh) | 命名实体对齐方法、装置、电子设备及可读存储介质 | |
CN111414452B (zh) | 搜索词匹配方法、装置、电子设备及可读存储介质 | |
CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
CN114864032B (zh) | 基于his系统的临床数据采集方法及装置 |
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 |