CN116775911B - 基于问卷和大模型的医学队列随访对话辅助方法及系统 - Google Patents
基于问卷和大模型的医学队列随访对话辅助方法及系统 Download PDFInfo
- Publication number
- CN116775911B CN116775911B CN202311059060.6A CN202311059060A CN116775911B CN 116775911 B CN116775911 B CN 116775911B CN 202311059060 A CN202311059060 A CN 202311059060A CN 116775911 B CN116775911 B CN 116775911B
- Authority
- CN
- China
- Prior art keywords
- medical
- question
- user
- questionnaire
- answer
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003759 clinical diagnosis Methods 0.000 claims abstract description 10
- 201000010099 disease Diseases 0.000 claims description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000002452 interceptive effect Effects 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004393 prognosis Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 3
- 101150054987 ChAT gene Proteins 0.000 description 19
- 101100203187 Mus musculus Sh2d3c gene Proteins 0.000 description 19
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公布了一种基于问卷和大模型的医学队列随访对话辅助方法及系统,包括:医学知识图谱模块、大语言模型模块、逻辑控制模块;构建医学知识图谱,并在其上实现智能问答;设计由系统引导的“分诊‑预问诊‑聊天”三阶段工作流程算法;构建微调语料集并微调大语言模型;设计系统,结合知识图谱、大模型和问卷模板,实现完整的轻量级医学对话辅助。利用本发明提供的技术方案,能够满足方便患者进行初步自我筛查,辅助医生进行临床诊断的需求,能够解决知识图谱、大语言模型、量表问诊三者有效结合的问题;提高问诊服务的质量,节省医患双方的经济成本和时间成本,从而提高医疗资源的利用率。
Description
技术领域
本发明属于人工智能医学对话系统技术领域,涉及大语言模型和量表问诊技术,具体涉及一种基于问卷模板和大语音模型的医学队列随访轻量级文本对话辅助方法及系统。
背景技术
随着现代社会人们对于医疗健康的关注度越来越高,去医院挂号问诊的现象越来越常见。传统的问诊过程存在科室选择难、排队时间长、问诊效率低、数据处理困难等问题。因此,需要设计并开发一款既能够方便患者进行初步自我筛查,又能够辅助医生进行临床诊断的智能医学对话辅助系统。
对话系统按照实现技术可以分为两类:管道式对话系统和端到端式对话系统。管道式对话系统一般由多个组件或模块组成,每个组件或模块都有自己的输入和输出,负责一个特定的任务,模块之间通过接口进行通信。管道式的架构可能导致“错误累积”,即前面模块引入的错误会由于向后传递而一直累积,导致系统整体表现不佳。而端到端式对话系统则是指由单个模块构成的一个完整系统,它不需要多个模块来处理不同的任务,而是可以通过深度学习模型直接将用户输入映射到输出。这种架构不仅可以减少错误传递,还具有更高的灵活性和泛化能力,以及一定的上下文感知能力。医学领域的智能对话系统服务例如Microsoft的Healthcare Bot, AdaHealth的Ada等,它们可以通过分析处理相关医疗数据、医学临床文献和患者的电子病历等信息,从而辅助医生进行诊断并制定治疗方案。
现有的医学对话辅助系统大多基于知识图谱技术或自然语言处理技术之一。其中:基于知识图谱技术的医学对话辅助系统虽具有更系统专业的医学知识库和更有逻辑的推理判断能力,但大多缺乏良好的问题理解能力以及与用户交互的灵活性和友好性;基于自然语言处理技术的医学对话辅助系统虽具有更好的问题理解和语言生成能力,但大多缺乏医学领域知识的专业性和诊断的准确性。此外,目前大多数医学对话辅助系统均以用户的提问或查询为主导,缺乏一定的系统引导,同时也缺乏临床量表的设计规范性。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于问卷和大模型的医学队列随访对话辅助方法及系统,以知识图谱为基础,以量表问诊为主线,以大语言模型为核心的智能医学对话辅助系统,有效地利用知识图谱技术、自然语言处理技术、临床量表问诊,实现智能医学对话辅助。
本发明首先构建一个医学知识图谱,并在其上实现智能问答;然后设计一套由系统引导的“分诊-预问诊-聊天”的三阶段工作流程算法,接着构建微调语料集并微调大语言模型(采用ChatGLM-6B),最后进行系统设计,结合知识图谱、大模型和问卷模板,最终形成一个完整的轻量级医学对话辅助系统。
本发明能够根据用户的提问自动匹配最佳的量表问卷,然后由系统引导进行规范化的预问诊,最后进行表达多样化的交互式对话聊天。具备聊天记录保存、知识图谱检索、图片上传、病历存储分析、疾病预判等功能。具有分诊准确率高、预问诊流程规范、聊天交互友好、响应速度快、稳定性好等优势。
本发明实现的基于问卷和大模型的医学队列随访对话辅助系统主要包括三个模块:医学知识图谱模块、大语言模型模块、逻辑控制模块。其中以大语言模型模块为核心,通过与其的交互实现各个功能。以逻辑控制模块为主线,设计算法控制系统整体的工作流程逻辑和边界判断管理。以医学知识图谱模块作为系统的专业知识支撑,既能从中抽取知识构成大模型微调训练语料集的一部分,又能利用其在实现系统的交互聊天功能时首先为大模型提供提示。
本发明提供的一种基于问卷和大模型的医学队列随访对话辅助方法,包括如下步骤:
1)收集医学知识三元组数据,使用图数据库(如Neo4j),构建医学知识图谱;医学知识图谱还作为系统的专业知识支撑,在实现交互聊天时首先通过其上的问答为大模型提供提示;
2)采用基于模板的语义解析方法实现医学知识图谱上的智能问答,并安装图数据科学插件,然后基于图算法(PageRank)计算疾病节点并发症关系排名;
3)构建语料集,包括:医学分诊数据集、各科室问卷数据集、医学问答数据集、医学知识数据集和通用语料集等多种数据;其中医学知识数据集是通过医学知识图谱中的三元组生成的问答形式的数据集;
4)选定大语言模型;以多种数据集对大语言模型进行微调,通过逻辑控制,分别实现分诊导诊、量表生成、交互聊天、病历存储、疾病预判;
5)设计“分诊-预问诊-聊天”三阶段工作流程算法及边界管理策略,主要过程如下:
a. 第一阶段为分诊阶段;通过逻辑控制,将用户的提问与类别进行映射,确定分诊结果;
通过网页端后进入系统引导,引导用户输入想要咨询的内容。然后逻辑控制模块将调用分诊导诊功能,把用户的提问映射到既定的32个类别,其中包括31个科室与1个无法判断。若结果为无法判断,则提示用户重新输入咨询内容,否则将判断结果呈现给用户,由用户评估分诊结果是否合理。若用户回答不合理,则重新调用分诊导诊功能,给出新的结果。若用户回答合理,则进入下一阶段。
b. 第二阶段为预问诊阶段。生成临床诊断辅助问卷,将临床诊断辅助问卷的问题逐个推送给用户;当用户回答完某一问题,自动进行问答相关性检测;再自动进行病历存储,并进行疾病预判,得到可能性最大的疾病名称;
在这一阶段中,逻辑控制模块首先调用量表生成功能,生成一份确定科室下的由十一个问题组成的临床诊断辅助问卷,然后将问题逐个推送给用户。需要说明的是,在用户回答某一问题的过程中,可以自由选择重写作答上一问题,或是暂时退出预问诊阶段进入聊天阶段,而后再返回当前问题继续作答,以便于用户更好的了解问题中的相关信息。当用户回答完某一问题时,逻辑控制模块将自动调用问答相关性检测功能,若检测结果为不相干,则提示用户重写回答该问题,以此避免搜集到胡乱作答的病历。当量表问卷中的所有问题都回答完并通过检测后,将自动进行病历存储,再由逻辑控制模块调用疾病预判功能,结合系统已搜集的信息给出最有可能的疾病名称。
c. 第三阶段为聊天阶段。将用户发送的文本内容在知识图谱中进行基于语义解析的智能问答;并确定内容输入到大模型中;
为继续提高微调后的大模型生成回答的质量和准确度,在交互聊天时用户发送一段内容(原内容)后,逻辑控制模块将首先用这段文本在知识图谱中进行基于语义解析的智能问答,若能生成相关回答,则将原内容和生成的回答一并作为提示(Prompt)的一部分,以此构造出新问题,输入到大模型中。若无法生成相关回答,则直接将原内容输入到大模型中。
d. 最后,考虑到某些用户的特殊需求,系统支持在任意时刻输入指令直接进入聊天阶段,以及在任意时刻输入指令重新进入第一阶段。
与现有技术相比,本发明的有益效果是:
利用本发明提供的技术方案,能够满足方便患者进行初步自我筛查,辅助医生进行临床诊断的需求,能够解决知识图谱、大语言模型、量表问诊三者有效结合的问题。可以提高问诊服务的质量,节省医患双方的经济成本和时间成本,从而提高医疗资源的利用率。
附图说明
图1是本发明系统结构设计框图。
图2是本发明实例1交互过程的系统界面截图。
图3是本发明实例2交互过程的系统界面截图。
具体实施方式
本发明的具体实施方式如下:
1)使用Neo4j图数据库加载医学知识三元组数据(来源于http://openkg.cn/dataset/disease-information),构建医学知识图谱。
2)采用基于模板的语义解析的方法实现医学知识图谱上的智能问答,并安装图数据科学Graph Data Science插件,然后基于PageRank图算法计算疾病节点并发症关系排名。
3)设计系统整体框架,如附图1所示。
本发明具体实施时,以ChatGLM-6B大语言模型(大语言模型ChatGLM-6B是一个开源的、支持中英双语问答的对话语言模型产品,并针对中文进行了优化,该模型基于General Language Model (GLM)架构,具有 62亿参数)为核心,以医学分诊数据集、各科室问卷数据集、医学问答数据集、医学知识数据集和通用语料集等对大语言模型进行微调,通过逻辑控制模块分别实现分诊导诊、量表生成、交互聊天、病历存储、疾病预判等功能。其中医学知识数据集是通过医学知识图谱中三元组生成的问答形式的数据集。同时医学知识图谱还作为系统的专业知识支撑,在实现交互聊天时首先通过其上的问答为大模型提供提示。
4)设计“分诊-预问诊-聊天”三阶段工作流程算法及边界管理策略,算法伪代码如下图所示,主要过程如下:
a. 第一阶段为分诊阶段,用户访问系统网页端后进入系统引导,引导用户输入想要咨询的内容。然后逻辑控制模块将调用分诊导诊功能,把用户的提问映射到既定的32个类别,其中包括31个科室与1个无法判断。若结果为无法判断,则提示用户重新输入咨询内容,否则将判断结果呈现给用户,由用户评估分诊结果是否合理。若用户回答不合理,则重新调用分诊导诊功能,给出新的结果。若用户回答合理,则进入下一阶段。
b. 第二阶段为预问诊阶段。在这一阶段中,逻辑控制模块首先调用量表生成功能,生成一份确定科室下的由十一个问题组成的临床诊断辅助问卷,然后将问题逐个推送给用户。需要说明的是,在用户回答某一问题的过程中,可以自由选择重写作答上一问题,或是暂时退出预问诊阶段进入聊天阶段,而后再返回当前问题继续作答,以便于用户更好的了解问题中的相关信息。当用户回答完某一问题时,逻辑控制模块将自动调用问答相关性检测功能,若检测结果为不相干,则提示用户重写回答该问题,以此避免搜集到胡乱作答的病历。当量表问卷中的所有问题都回答完并通过检测后,将自动进行病历存储,再由逻辑控制模块调用疾病预判功能,结合系统已搜集的信息给出最有可能的疾病名称。
c. 第三阶段为聊天阶段。为继续提高微调后的大模型生成回答的质量和准确度,在交互聊天时用户发送一段内容后,逻辑控制模块将首先用这段文本在知识图谱中进行基于语义解析的智能问答,若能生成相关回答,则将原内容和生成的回答一并作为提示(Prompt)的一部分,以此构造出新问题,输入到大模型中。若无法生成相关回答,则直接将原内容输入到大模型中。
d. 最后,考虑到某些用户的特殊需求,系统支持在任意时刻输入指令直接进入聊天阶段,以及在任意时刻输入指令重新进入第一阶段。
5)设计量表问卷;
设计不同任务的大模型交互提示(Prompt),通过不断与ChatGLM-6B大模型对话探索,最终将分诊导诊、量表生成、问答相关性检测、疾病预判、交互聊天这五项特定任务的Prompt设计并归纳如附下表所示。在设计之前,首先需要结合已有的各科室问卷数据集以及一定的医学基础知识,对分诊结果中科室的数量与名称进行统一与标准化。同时量表问卷的设计可见于疾病预判部分的输入示例。一套完整的问卷由11个问题组成:其中第1个问题为年龄和性别,第2~9个问题为各科室问诊时的具体问题,同时也是量表生成功能的返回结果,第10个问题为症状的发生和持续时间,第11个问题为其他补充说明。
6)加载已收集的网络开源医学分诊数据集、医学问答数据集、医学量表数据集等,并将医学知识图谱中的部分知识转化为问答形式,再结合部分通用语料集,构建出用于大语言模型微调训练的语料集(微调语料集),具体组成如下:
a. 分诊部分。包括四组来源于网络的开源医学分诊数据集,进行科室名称标准化后,从中共随机抽取5000条用于微调训练。
b. 聊天部分。包括四组来源于网络的开源医学问答数据集,从中共随机抽取6000条用于微调训练。
c. 量表生成部分。其中部分缺失内容由ChatGPT辅助生成,共155条。
d. 疾病预判部分。由知识图谱中的三元组知识转化而来,共8443条。
e. 通用语料集部分。主要为来源于网络的开源中文问答数据集,从中共随机抽取5000条用于微调训练。
f. 其他部分。包含基于上述开源中文问答数据集和自建数据集构建的分诊结果为“无法判断”的数据集,共1101条;基于上述量表生成数据集和自建数据集构建的用于问答相关性检测的数据集,共4000条。
7)参照已有方法,采用P-Tuning v2方法和上述构建的微调语料集对大语言模型进行微调训练。
8)基于Vue与Flask框架设计开发用户交互界面,并进行系统集成。
下面通过实例对本发明做进一步说明。
实例1:
假定医学辅助对话系统的使用情形1为:用户输入咨询、给出具体科室、用户判断合理、生成量表并逐个推送问题、病历存储与疾病预判、交互聊天、结束。交互过程如附图2所示。
实例2:
假定医学辅助对话系统的使用情形2为:用户输入咨询、系统无法判断、用户重新输入、给出具体科室、用户判断不合理、重新给出具体科室、用户判断合理、生成量表并逐个推送问题、用户进行不相关回答、用户重新回答上一问题、用户跳出预问诊进行聊天、用户回答预问诊继续作答、结束。交互过程如附图3所示。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (8)
1.一种基于问卷和大模型的医学队列随访对话辅助方法,其特征是,构建医学知识图谱,并在其上实现智能问答;设计由系统引导的“分诊-预问诊-聊天”三阶段工作流程算法;构建微调语料集并微调大语言模型;设计系统,结合知识图谱、大模型和问卷模板,实现完整的轻量级医学对话辅助;包括如下步骤:
1)收集医学知识三元组数据,使用图数据库构建医学知识图谱;医学知识图谱用于作为系统的专业知识支撑,在实现交互聊天时首先通过其上的问答为大模型提供提示;
2)采用基于模板的语义解析方法实现医学知识图谱上的智能问答,并安装图数据科学插件,然后基于图算法计算疾病节点并发症关系排名;
3)构建语料集,包括:医学分诊数据集、各科室问卷数据集、医学问答数据集、医学知识数据集和通用语料集多种数据;其中医学知识数据集是通过医学知识图谱中的三元组生成的问答形式的数据集;
用于大语言模型微调训练的语料集即微调语料集具体组成如下:
a. 分诊部分:包括四组来源于网络的开源医学分诊数据集,进行科室名称标准化后,从中随机抽取多条数据用于微调训练;
b. 聊天部分:包括四组来源于网络的开源医学问答数据集,从中随机抽取多条数据用于微调训练;
c. 量表生成部分:其中部分缺失内容由ChatGPT辅助生成多条数据;
d. 疾病预判部分:由知识图谱中的三元组知识转化得到多条数据;
e. 通用语料集部分:为来源于网络的开源中文问答数据集,从中随机抽取多条数据用于微调训练;
f. 其他部分;
4)选定大语言模型;大语言模型采用ChatGLM-6B;采用P-Tuning v2方法以多种数据集对大语言模型进行微调,通过逻辑控制,分别实现分诊导诊、量表生成、交互聊天、病历存储、疾病预判;
5)设计“分诊-预问诊-聊天”三阶段工作流程算法及边界管理策略;主要过程如下:
a. 第一阶段为分诊阶段;通过逻辑控制,将用户的提问与类别进行映射,确定分诊结果;
b. 第二阶段为预问诊阶段;生成临床诊断辅助问卷,将临床诊断辅助问卷的问题逐个推送给用户;当用户回答完某一问题,自动进行问答相关性检测;再自动进行病历存储,并进行疾病预判,得到可能性最大的疾病名称;
c. 第三阶段为聊天阶段;将用户发送的文本内容在知识图谱中进行基于语义解析的智能问答;并确定内容输入到大模型中;
还支持在任意时刻输入指令直接进入聊天阶段,以及在任意时刻输入指令重新进入第一阶段;
通过上述步骤,实现基于问卷和大模型的医学队列随访对话辅助。
2.如权利要求1所述基于问卷和大模型的医学队列随访对话辅助方法,其特征是,图数据库采用Neo4j;图算法采用PageRank。
3.如权利要求1所述基于问卷和大模型的医学队列随访对话辅助方法,其特征是,步骤3)中,构建用于大语言模型微调训练的语料集即微调语料集具体组成如下:
a. 分诊部分中,随机抽取用于微调训练的数据共5000条;
b. 聊天部分中,随机抽取用于微调训练的数据共6000条;
c. 量表生成部分中的部分缺失内容由ChatGPT辅助生成共155条数据;
d. 疾病预判部分中的数据共8443条;
e. 通用语料集部分中,随机抽取用于微调训练的数据共5000条。
4.如权利要求1所述基于问卷和大模型的医学队列随访对话辅助方法,其特征是,步骤5)的分诊阶段中,通过逻辑控制进行分诊导诊,具体是将用户的提问映射到32个类别,其中包括31个科室与1个无法判断;当结果为无法判断时,提示用户重新输入咨询内容,否则将判断结果呈现给用户,由用户评估分诊结果是否合理;当用户回答不合理时,重新调用分诊导诊,给出新的结果;当用户回答合理时,进入下一阶段。
5.如权利要求1所述基于问卷和大模型的医学队列随访对话辅助方法,其特征是,步骤5)的预问诊阶段中,通过逻辑控制生成量表,即生成一份确定科室下的由十一个问题组成的临床诊断辅助问卷;然后将问题逐个推送给用户。
6.如权利要求5所述基于问卷和大模型的医学队列随访对话辅助方法,其特征是,在用户回答某一问题的过程中,自由选择重写作答上一问题,或是暂时退出预问诊阶段进入聊天阶段,而后再返回当前问题继续作答;当用户回答完某一问题时,通过逻辑控制自动检测问答相关性;若检测结果为不相干,则提示用户重写回答该问题;当量表问卷中的所有问题均回答完并通过检测后,自动进行病历存储,再通过逻辑控制进行疾病预判,结合已搜集的信息给出最有可能的疾病名称。
7.如权利要求6所述基于问卷和大模型的医学队列随访对话辅助方法,其特征是,步骤5)的聊天阶段中,在交互聊天时用户发送一段内容即原内容后,通过逻辑控制用原内容的文本在知识图谱中进行基于语义解析的智能问答;若能生成相关回答,则将原内容和生成的回答一并作为提示Prompt的一部分,以此构造出新问题,输入到大模型中;若无法生成相关回答,则直接将原内容输入到大模型中。
8.一种实现权利要求1所述基于问卷和大模型的医学队列随访对话辅助方法的系统,其特征是,包括:医学知识图谱模块、大语言模型模块、逻辑控制模块;通过大语言模型模块及与其的交互实现各个功能;逻辑控制模块用于设计算法控制系统的工作流程逻辑和边界判断管理;医学知识图谱模块用于从中抽取知识构成大模型微调训练语料集的一部分,并在实现系统的交互聊天功能时首先为大模型提供提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059060.6A CN116775911B (zh) | 2023-08-22 | 2023-08-22 | 基于问卷和大模型的医学队列随访对话辅助方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311059060.6A CN116775911B (zh) | 2023-08-22 | 2023-08-22 | 基于问卷和大模型的医学队列随访对话辅助方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116775911A CN116775911A (zh) | 2023-09-19 |
CN116775911B true CN116775911B (zh) | 2023-11-03 |
Family
ID=88008431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311059060.6A Active CN116775911B (zh) | 2023-08-22 | 2023-08-22 | 基于问卷和大模型的医学队列随访对话辅助方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116775911B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975241B (zh) * | 2023-09-20 | 2024-01-09 | 广东技术师范大学 | 基于大语言模型的肝癌辅助诊断与问答方法、系统及介质 |
CN117112769B (zh) * | 2023-10-23 | 2024-04-09 | 南京国睿信维软件有限公司 | 基于大语言模型的故障维修智能问答系统及方法 |
CN117725223B (zh) * | 2023-11-20 | 2024-07-02 | 中国科学院成都文献情报中心 | 面向知识发现的科学实验知识图谱构建方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200063352A (ko) * | 2018-11-23 | 2020-06-05 | 박해유 | 딥러닝기술기반 챗봇을 이용한 의료서비스 제공시스템 |
CN113780012A (zh) * | 2021-09-30 | 2021-12-10 | 东南大学 | 基于预训练语言模型的抑郁症访谈对话生成方法 |
CN113889259A (zh) * | 2021-09-06 | 2022-01-04 | 浙江工业大学 | 一种知识图谱辅助下的自动诊断对话系统 |
CN114936275A (zh) * | 2022-06-02 | 2022-08-23 | 上海柯林布瑞信息技术有限公司 | 基于医学知识图谱构建问答对的问答方法及装置 |
CN116110570A (zh) * | 2023-02-07 | 2023-05-12 | 深圳清华大学研究院 | 糖尿病辅助诊断系统、文本处理法、图谱的构建方法 |
CN116610819A (zh) * | 2023-07-17 | 2023-08-18 | 北京惠每云科技有限公司 | 医学知识图谱生成方法、装置、电子设备及存储介质 |
-
2023
- 2023-08-22 CN CN202311059060.6A patent/CN116775911B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200063352A (ko) * | 2018-11-23 | 2020-06-05 | 박해유 | 딥러닝기술기반 챗봇을 이용한 의료서비스 제공시스템 |
CN113889259A (zh) * | 2021-09-06 | 2022-01-04 | 浙江工业大学 | 一种知识图谱辅助下的自动诊断对话系统 |
CN113780012A (zh) * | 2021-09-30 | 2021-12-10 | 东南大学 | 基于预训练语言模型的抑郁症访谈对话生成方法 |
CN114936275A (zh) * | 2022-06-02 | 2022-08-23 | 上海柯林布瑞信息技术有限公司 | 基于医学知识图谱构建问答对的问答方法及装置 |
CN116110570A (zh) * | 2023-02-07 | 2023-05-12 | 深圳清华大学研究院 | 糖尿病辅助诊断系统、文本处理法、图谱的构建方法 |
CN116610819A (zh) * | 2023-07-17 | 2023-08-18 | 北京惠每云科技有限公司 | 医学知识图谱生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116775911A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116775911B (zh) | 基于问卷和大模型的医学队列随访对话辅助方法及系统 | |
JP3067966B2 (ja) | 画像部品を検索する装置及びその方法 | |
CN110993093B (zh) | 基于深度学习的眼科预问诊方法与装置 | |
CN107038336A (zh) | 一种电子病历自动生成方法及装置 | |
EP3926515A1 (en) | A computer- implemented method of structuring content for training an artificial intelligence model | |
Abdelnabi et al. | Generating UML class diagram using NLP techniques and heuristic rules | |
CN113889259A (zh) | 一种知识图谱辅助下的自动诊断对话系统 | |
CN108334501B (zh) | 基于机器学习的电子文档分析系统及方法 | |
Manas et al. | Knowledge-infused abstractive summarization of clinical diagnostic interviews: Framework development study | |
Bateman et al. | Systemic Functional Linguistics and computation: New directions, new challenges | |
Lee et al. | Ehrsql: A practical text-to-sql benchmark for electronic health records | |
Guindon | A multidisciplinary perspective on dialogue structure in user-advisor dialogues | |
CN112069783A (zh) | 一种病历输入法及其输入系统 | |
CN112837772A (zh) | 一种预问诊病历生成方法及装置 | |
CN116910213A (zh) | 一种基于深度强化学习的自动问答系统 | |
CN114999676A (zh) | 用于自动回复医疗咨询的方法、系统、装置和介质 | |
CN117912707A (zh) | 一种智能医疗助手的实现方法及相关装置 | |
Bai et al. | Ofasys: A multi-modal multi-task learning system for building generalist models | |
US20090076846A1 (en) | Medical search clinical interaction | |
CN113160914A (zh) | 在线问诊方法、装置、电子设备及存储介质 | |
CN112395484A (zh) | 一种面向自动驾驶汽车的用户满意度评价方法 | |
CN116738998A (zh) | 一种基于Web的医疗对话多粒度语义标注系统和方法 | |
CN114970733A (zh) | 语料生成方法及装置、系统、存储介质和电子设备 | |
Meurs et al. | Semantic Frame Annotation on the French MEDIA corpus. | |
CN117763129B (zh) | 基于生成式预训练模型的病历检索方法及系统 |
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 |