CN116798565A - 基于人工智能的医学数据处理方法、装置及计算机设备 - Google Patents
基于人工智能的医学数据处理方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN116798565A CN116798565A CN202310662690.6A CN202310662690A CN116798565A CN 116798565 A CN116798565 A CN 116798565A CN 202310662690 A CN202310662690 A CN 202310662690A CN 116798565 A CN116798565 A CN 116798565A
- Authority
- CN
- China
- Prior art keywords
- medical
- target
- user
- image data
- result
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 108
- 201000010099 disease Diseases 0.000 claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 75
- 208000024891 symptom Diseases 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 80
- 238000012360 testing method Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 29
- 238000011282 treatment Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 10
- 230000001960 triggered effect Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 15
- 238000000034 method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 7
- 239000003814 drug Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000017520 skin disease Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010000087 Abdominal pain upper Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 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
- 239000002243 precursor Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例属于人工智能领域，涉及一种基于人工智能的医学数据处理方法，包括：获取目标疾病标签；确定与目标疾病标签的匹配度最高的第一医学结果；若目标疾病标签符合预设症状特征，生成并展示上传与目标疾病标签对应的图像上传信息；接收输入的医学图像数据；将医学图像数据分别输入至多个目标识别模型内，通过各目标识别模型对医学图像数据进行识别处理，分别输出与医学图像数据对应的第二医学结果；基于第一医学结果与第二医学结果得到目标医学结果。本申请还提供一种基于人工智能的医学数据处理装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，目标医学结果可存储于区块链中。本申请提高了目标医学结果的生成效率与准确性。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及基于人工智能的医学数据处理方法、装置、计算机设备及存储介质。
背景技术
医疗健康，是人类社会永恒的需求，在科技高度发展的当下，特别是随着计算科学和数学科学的不断完善与提高，科技与医疗正在全球的科研人员、医疗人员的催促下，碰撞出绚丽的火花，关系愈来愈密切。
目前对于用户输入的医学数据进行分析处理的方式通常包括两种。第一种处理方式，依赖于全面专业的信息和数据量足够的数据分析引擎，需要对病人采集足够的信息，比如通过病人主诉医生汇总为症状文本，然后再通过辅助技术(比如血常规、尿常规、心脑电图、x片等)的信息，输入分析引擎，计算出最符合的病症信息。此种对于医学数据的处理方式需要到具备AI智能诊断引擎的大医院才能实现，医学数据的处理时效性低，实现度不理想。第二种处理方式，通过普通应用小程序对医学数据进行分析处理。比如现有推出的健康自测或者皮肤检测小应用。这类应用原理简单，通过一些问卷形式的选项来匹配已有病例，看是否命中，或者简单的使用图片识别技术来判断用户输入的医学数据属于哪种皮肤病。此种对于医学数据的处理方式可实现的功能较为粗糙，无法给出准确可靠的识别结果，参考意义不大。
发明内容
本申请实施例的目的在于提出一种基于人工智能的医学数据处理方法、装置、计算机设备及存储介质，以解决现有的对于医学数据的处理方式存在处理时效性低，且无法给出准确可靠的识别结果的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的医学数据处理方法，采用了如下所述的技术方案：
获取用户输入的目标疾病标签；
从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果；
若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息；
接收所述用户基于所述图像上传信息输入的医学图像数据；
将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息；
对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
进一步的，所述从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果的步骤，具体包括：
创建与所述病例数据库对应的搜索引擎；
基于所述搜索引擎，从所述病例数据库中查询出与所述目标疾病标签匹配的第三医学结果；
分别获取各所述第三医学结果与所述目标疾病标签之间的匹配度；
对所有所述匹配度的数值进行分析，从所有所述第三医学结果中筛选出与所述目标疾病标签之间的匹配度最高的第一数量的所述第一医学结果。
进一步的，所述将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果的步骤，具体包括：
获取所述目标识别模型的第二数量；
基于所述第一数量与所述第二数量确定指定次数；
将所述医学图像数据输入至指定识别模型，通过所述指定识别模型对所述医学图像数据进行指定次数的识别处理，分别输出与所述医学图像数据对应的指定医学结果；其中，所述指定识别模型为所有所述目标识别模型中的任意一个识别模型。
进一步的，所述对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果的步骤，具体包括：
基于笛卡尔集方式确定各个所述第一医学结果与各个所述第二医学结果之间的相似度；
将得到的所有所述相似度的数值从大到小的顺序进行排序，得到对应的排序结果；
从所述排序结果中排序第一位的相似度开始，依次筛选出指定数量的指定相似度；
获取与所述指定相似度对应的指定医学结果，并将所述指定医学结果作为所述目标医学结果。
进一步的，在所述将所述医学图像数据分别输入至预先训练好的多个目标识别模型内的步骤之前，还包括：
从所述训练样本集中获取指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集；
基于所述指定训练样本集对所述基于TensorFlow框架的逻辑模型进行训练，得到初始识别模型；
获取预设的测试样本集；
基于所述测试样本集对所述初始识别模型进行识别准确率测试，得到对应的识别准确率；
判断所述识别准确率是否大于预设的准确率阈值；
若是，将所述初始识别模型作为与所述指定训练样本集对应的识别模型。
进一步的，所述获取用户输入的目标疾病标签的步骤，具体包括：
判断是否接收到所述用户触发的医疗分析指令；
若是，展示预设的查询页面；其中，所述查询页面中包含有与多个部位对应的部位选项；
基于所述用户在所述查询页面中触发的对所述部位选项的操作，确定所述用户选取的目标部位；
展示与所述目标部位对应的标签页面；其中，所述标签页面中包含有多个疾病标签；
接收所述用户在所述标签页面中选择的疾病标签，得到所述目标疾病标签。
进一步的，在所述对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果的步骤之后，还包括：
获取所述目标医学结果中的症状信息；
调用预设的治疗数据库；
基于所述症状信息，从所述治疗数据库中查询出与所述症状信息对应的目标治疗方案；
获取所述用户的通讯信息；
将所述治疗方案发送至与所述通讯信息对应的用户终端。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的医学数据处理装置，采用了如下所述的技术方案：
第一获取模块，用于获取用户输入的目标疾病标签；
第一确定模块，用于从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果；
生成模块，用于若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息；
接收模块，用于接收所述用户基于所述图像上传信息输入的医学图像数据；
第一处理模块，用于将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息；
第二处理模块，用于对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取用户输入的目标疾病标签；
从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果；
若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息；
接收所述用户基于所述图像上传信息输入的医学图像数据；
将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息；
对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取用户输入的目标疾病标签；
从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果；
若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息；
接收所述用户基于所述图像上传信息输入的医学图像数据；
将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息；
对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先获取用户输入的目标疾病标签；然后从预设的病例数据库中确定出与目标疾病标签的匹配度最高的第一数量的第一医学结果；若检测出目标疾病标签符合预设症状特征，生成上传与目标疾病标签对应的图像上传信息，并展示图像上传信息；之后接收用户基于图像上传信息输入的医学图像数据；后续将医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各目标识别模型对医学图像数据进行识别处理，分别输出与医学图像数据对应的第二医学结果；最后对第一医学结果与所有第二医学结果进行相似度分析处理，得到与用户对应的目标医学结果。本申请实施例通过基于病例数据库的使用来生成与用户输入的目标疾病标签对应的第一医学结果，以及基于目标识别模型的使用来生成与用户输入的医学图像数据对应的第二医学结果，进而对第一医学结果与第二医学结果进行相似度分析以得到与用户对应的最终的目标医学结果，有效提高了基于用户输入的医学数据生成目标医学结果的处理效率，保证了目标医学结果的生成准确性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的医学数据处理方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的医学数据处理装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的医学数据处理方法一般由服务器/终端设备执行，相应地，基于人工智能的医学数据处理装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的医学数据处理方法的一个实施例的流程图。所述的基于人工智能的医学数据处理方法，包括以下步骤：
步骤S201，获取用户输入的目标疾病标签。
在本实施例中，基于人工智能的医学数据处理方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取获取用户输入的目标疾病标签。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。对于上述获取用户输入的目标疾病标签的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S202，从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果。
在本实施例中，对于上述第一数量的取值不作具体限制，可根据实际的使用需求进行设置。另外，对于上述从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息。
在本实施例中，上述预设症状特征是指病例中的病症包含外在症状表现。举例地，如果病例中(比如皮肤病、咽喉病、眼科疾病等)有图片特征的说明，则会提示用户上传相关的图像数据。而一些内科疾病比如胃痛胃胀等，或者神经性头痛，是没有明确等外在症状等，就不需要用户上传图像数据。而如果用户选择的是皮肤病，那么是有外在特征作为匹配项的，从而需要用户上传相关的图像数据。因此，图像数据的上传是根据病症有无外在症状表现来调整的。
步骤S204，接收所述用户基于所述图像上传信息输入的医学图像数据。
在本实施例中，可在当前页面上设置有图片输入框，使得用户可以使用该图片输入框来完成医学图像数据的上传。
步骤S205，将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息。
在本实施例中，TensorFlow是一个基于数据流编程(dataflow programming)的符号数学系统，被广泛应用于各类机器学习(machine learning)算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算，被广泛应用于谷歌内部的产品开发和各领域的科学研究。TensorFlow由谷歌人工智能团队谷歌大脑(Google Brain)开发和维护，拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Research Cloud在内的多个项目以及各类应用程序接口(Application Programming Interface,API)。其中，上述逻辑模型具体为面向对象模型。面向对象模型可以是支持向量机分类模型，支持向量机分类模型是一种建立在统计学习理论基础上的机器学习模型。主要思想是针对两类分类问题，在高维空间中寻找一个超平面作为两类的分割，以保证最小的分类错误率。基于找到具有最小间隔的样本点，然后拟合出一个到这些样本点距离和最大的线段/平面。通过学习算法，支持向量机可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。另外，对于上述目标识别模型的数量不作具体限定，可根据实际的使用需求进行设置。此外，对于目标识别模型的训练生成过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S206，对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
在本实施例中，可基于笛卡尔集方式对第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与用户对应的目标医学结果，具体的实现过程本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请首先获取用户输入的目标疾病标签；然后从预设的病例数据库中确定出与目标疾病标签的匹配度最高的第一数量的第一医学结果；若检测出目标疾病标签符合预设症状特征，生成上传与目标疾病标签对应的图像上传信息，并展示图像上传信息；之后接收用户基于图像上传信息输入的医学图像数据；后续将医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各目标识别模型对医学图像数据进行识别处理，分别输出与医学图像数据对应的第二医学结果；最后对第一医学结果与所有第二医学结果进行相似度分析处理，得到与用户对应的目标医学结果。本申请通过基于病例数据库的使用来生成与用户输入的目标疾病标签对应的第一医学结果，以及基于目标识别模型的使用来生成与用户输入的医学图像数据对应的第二医学结果，进而对第一医学结果与第二医学结果进行相似度分析以得到与用户对应的最终的目标医学结果，有效提高了基于用户输入的医学数据生成目标医学结果的处理效率，保证了目标医学结果的生成准确性。
在一些可选的实现方式中，步骤S202包括以下步骤：
创建与所述病例数据库对应的搜索引擎。
在本实施例中，对于上述搜索引擎的采用不作限定，具体可采用Elasticsearch、Splunk、Solr等中的任意一种引擎中间件作为上述搜索引擎。其中，优选的搜索引擎为Elasticsearch。通过将现有的搜索引擎植入到电子设备捏，从而方便在电子设备的病例数据库中进行关键字查询。
基于所述搜索引擎，从所述病例数据库中查询出与所述目标疾病标签匹配的第三医学结果。
在本实施例中，可通过将目标疾病标签输入至搜索引擎内，以通过搜索引擎基于该目标疾病标签，从病例数据库中查询出与目标疾病标签匹配的第三医学结果。
分别获取各所述第三医学结果与所述目标疾病标签之间的匹配度。
在本实施例中，不同的第三医学结果与目标疾病标签会存在不同的匹配度，通常在病例数据库中会将搜索得到的第三医学结果按照匹配度的数值从大到小的顺序对所有第三医学结果进行排序。
对所有所述匹配度的数值进行分析，从所有所述第三医学结果中筛选出与所述目标疾病标签之间的匹配度最高的第一数量的所述第一医学结果。
本申请通过创建与病例数据库对应的搜索引擎，然后基于搜索引擎，从病例数据库中查询出与目标疾病标签匹配的第三医学结果，进而基于获得的第三医学结果与目标疾病标签之间的匹配度，从所有第三医学结果中筛选出与目标疾病标签之间的匹配度最高的第一数量的所述第一医学结果，有利于后续可以基于得到的第一医学结果与由目标识别模型输出的第二医学结果来确定出最终的目标医学结果，有效提高了目标医学结果的生成准确性。
在本实施例的一些可选的实现方式中，步骤S205包括以下步骤：
获取所述目标识别模型的第二数量。
在本实施例中，第一医学结果的第一数量与上述目标识别模型的第二数量之间具有倍数关系，且第一数量大于第二数量。
基于所述第一数量与所述第二数量确定指定次数。
在本实施例中，可通过计算第一数量与第二数量之间的比值，再将得到的比值作为上述指定次数。举例地，假如第一数量为9，第二数量为3，则指定次数为9与3的比值3。
将所述医学图像数据输入至指定识别模型，通过所述指定识别模型对所述医学图像数据进行指定次数的识别处理，分别输出与所述医学图像数据对应的指定医学结果；其中，所述指定识别模型为所有所述目标识别模型中的任意一个识别模型。
在本实施例中，假如指定次数为3，则对于输入的医学图像数据，每一个目标识别模型对该医学图像数据进行三次的识别处理，进而输出3个医学识别结果。进一步地，假如第二数量为3，则使用三个目标识别模型对医学图像数据分别进行识别处理后，则一共会得到9个医学识别结果。
本申请通过获取目标识别模型的第二数量，再基于第一数量与第二数量确定指定次数，进而将医学图像数据输入至每一个目标识别模型，通过各目标识别模型对医学图像数据进行指定次数的识别处理，分别输出与医学图像数据对应的指定医学结果，通过使用同一个目标识别模型对医学图像数据进行多次识别以得到多个医学识别结果，可以提高第二医学识别结果的数量，有利于提高后续在使用第二医学识别结果与第一医学识别结果进行分析的处理准确性，从而提高生成的最终的目标医学识别结果的准确性。
在一些可选的实现方式中，步骤S206包括以下步骤：
基于笛卡尔集方式确定各个所述第一医学结果与各个所述第二医学结果之间的相似度。
在本实施例中，笛卡尔集是集合的一种,假设A和B都是集合，A和B的笛卡尔积用AX B来表示，是所有有序偶(a,b)的集合，其中a属于A，b属于B。A X B＝{(a,b)|a属于A且b属于B},则A X B所形成的集合就叫笛卡尔集。假设A、B是两个非空集合，任给x∈A，y∈B，将它们组成一个有序对(x，y)，把这种有序对作为新的元素，这些元素的全体组成一个新的集合，称为集合A与集合B的笛卡儿乘积集合，记作A×B。即A×B＝{(x,y)|x∈A且y∈B}，通常也称A×B是A与B的直积。
将得到的所有所述相似度的数值从大到小的顺序进行排序，得到对应的排序结果。
从所述排序结果中排序第一位的相似度开始，依次筛选出指定数量的指定相似度。
在本实施例中，对于上述指定数量的取值不作具体限定，可根据实际的使用需求进行设置，只需保证指定数量小于上述第一数量。举例地，假如第一数量为9，则指定数量为3。
获取与所述指定相似度对应的指定医学结果，并将所述指定医学结果作为所述目标医学结果。
在本实施例中，在得到了指定相似度后，可从所有第一医学结果与所有第二医学结果中筛选出与该指定相似度具有匹配关系的指定医学结果，以得到上述目标医学结果。
本申请在得到了第一医学结果与第二医学结果后，通过基于笛卡尔集方式确定各个所述第一医学结果与各个所述第二医学结果之间的相似度，然后从所有相似度中筛选出指定数量的数值最大的指定相似度，进而获取与指定相似度对应的指定医学结果以作为最终的目标医学结果，保证了生成的目标医学结果准确性。
在一些可选的实现方式中，在步骤S205之前，上述电子设备还可以执行以下步骤：
从所述训练样本集中获取指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集。
在本实施例中，上述指定训练样本集包括若干指定医学图像样本数据，以及与该指定医学图像样本数据对应的指定标签信息，该指定标签为该指定医学图像样本数据对应的医学结果。其中，训练样本集可包括诊断资料：血指标，心跳指标；诊断结论：医生，症状，时间；治疗方案：药单，药名，价格，厂商，用量，规格等数据。这些数据会作为底层的数据集合，通过建立索引和不同纬度的树形分类，为识别模型的训练做好数据结构的准备工作，以及在对症状图像进行识别训练时的准确度提供一个对比标准。
基于所述指定训练样本集对所述基于TensorFlow框架的逻辑模型进行训练，得到初始识别模型。
在本实施例中，上述逻辑模型具体为面向对象模型，面向对象模型通过TensorFlow框架抽取指定医学图像样本数据中的文字信息，例如疾病描述，治疗方案等信息用作面向对象模型训练所需的处理后的训练数据。其中，可以将指定训练样本集中的指定医学图像样本数据作为面向对象模型的输入，将指定标签信息作为面向对象模型的输出以对面向对象模型进行训练，当面向对象模型在训练过程中的收敛度满足预设的收敛度阈值时，则判定对于该面向对象模型的训练初步完成，并得到相应的初始识别模型。其中，上述收敛度阈值可根据实际的使用需求进行设置，对此不做具体限制。初始识别模型的收敛值越小则训练难度越大，后续利用初始识别模型对输入的医学图像数据进行识别处理时所输出的识别结果则越可靠。另外，还可以使用用户评价数据对初始识别模型进行进一步的训练，在确保生成的初始识别模型的用户评分处于预设的用户评分阈值内再结束训练，以实现最终生成大多数用户认可的有效的训练模型。
获取预设的测试样本集。
在本实施例中，可从上述训练样本集中随机筛选出预设比例的训练样本数据用作上述测试样本集。其中，对于上述预设比例的取值不作具体限定，可根据实际的使用需求进行设置。上述测试样本集包括若干测试医学图像样本数据，以及与该测试医学图像样本数据对应的测试标签信息。
基于所述测试样本集对所述初始识别模型进行识别准确率测试，得到对应的识别准确率。
在本实施例中，在将测试样本集输入至初始识别模型后，初始识别模型会识别得到每一个测试医学图像样本数据的识别标签结果，并将每一个测试医学图像样本数据的识别标签结果与对该测试医学图像样本数据所对应的测试标签信息进行对比，如果一致，则该初始识别模型对该测试医学图像样本数据的识别准确，如果不一致，则该初始识别模型对该测试医学图像样本数据的预测错误，从而统计得到初始识别模型的识别准确率(识别准确率＝预测准确的测试医学图像样本数据的数量/测试医学图像样本数据的总数量)，如果所得到的识别准确率满足设定的准确率要求，即大于上述准确率阈值，则该初始识别模型收敛，从而结束该初始识别模型的训练，并将结束训练的初始识别模型作为指定识别模型，并用于对医学图像数据进行识别处理。进一步地，若识别准确率小于或等于上述准确率阈值，那么说明训练后的初始识别模型的训练还没有达到了预设标准，可能是用于训练的指定训练样本集的样本数量过少或测试样本集的样本数量过少，因而，在这种情况时，则增大指定训练样本集的样本数量(例如每次增加固定数量或每次增加随机数量)，然后在这基础上重新执行上述的训练步骤与测试步骤，如此循环执行，直至达到了训练后的初始识别模型的识别准确率大于预设的准确率阈值的要求，则结束模型训练。
判断所述识别准确率是否大于预设的准确率阈值。
若是，将所述初始识别模型作为与所述指定训练样本集对应的识别模型。
本申请通过基于指定训练样本集来对基于TensorFlow框架的逻辑模型进行训练及验证，从而可以智能快速的生成符合实际使用需求的指定识别模型，有利于后续在得到待识别的医学图像数据时，能够基于该指定识别模型对该医学图像数据进行识别处理，进而准确快速地生成与医学图像数据对应的医学结果，有利于提高对于医学图像数据进行识别处理的识别准确性与识别效率。
在本实施例的一些可选的实现方式中，步骤S201包括以下步骤：
判断是否接收到所述用户触发的医疗分析指令。
在本实施例中，上述医疗分析指令为用户触发的用于根据用户输入的医学数据进行分析以生成相应的结果数据的指令。
若是，展示预设的查询页面；其中，所述查询页面中包含有与多个部位对应的部位选项。
在本实施例中，上述部位是指检查部位，例如可包括头部，胸部，腹部，上肢，下肢和皮肤等部位。
基于所述用户在所述查询页面中触发的对所述部位选项的操作，确定所述用户选取的目标部位。
在本实施例中，用户本身可能并不能准确分辨病情症状，但是能够知道哪里不舒服，所以可以先根据用户选取的目标部位作为异常部位来进行初步的分类。
展示与所述目标部位对应的标签页面；其中，所述标签页面中包含有多个疾病标签。
在本实施例中，上述标签页面内的疾病标签为由电子设备根据用户所在地区、年龄、职业、当年年份、身高体重、性别等基础信息推荐得到的匹配度最高的疾病标签数据。
接收所述用户在所述标签页面中选择的疾病标签，得到所述目标疾病标签。
在本实施例中，如果标签页面内的疾病标签中缺少用户所需的症状信息，还可支持用户在当前的标签页面内的输入框手动填写相关的疾病标签并进行获取。
本申请在接收到用户触发的医疗分析指令时，通过使用预设的查询页面来确定出用户选取的目标部位，进而使用与该目标部位对应的标签页面来确定出用户所输入的目标疾病标签，保证了目标疾病标签获取的准确性，有利于后续可以基于该目标疾病标签，实现快速准确地从预设的病例数据库中确定出与目标疾病标签的匹配度最高的第一数量的第一医学结果。
在本实施例的一些可选的实现方式中，在步骤S206之后，上述电子设备还可以执行以下步骤：
获取所述目标医学结果中的症状信息。
在本实施例中，上述目标医学结果的内容格式为包含有若干症状信息的医学报告，可通过对目标医学结果进行解析以得到相应的症状信息。
调用预设的治疗数据库。
在本实施例中，上述治疗数据库为预先创建的存储有多个患者的患病信息和治疗方案，
基于所述症状信息，从所述治疗数据库中查询出与所述症状信息对应的目标治疗方案。
在本实施例中，上述目标治疗方案关联的患者的症状与上述用户的症状信息之间的相似度满足预设条件。其中，治疗方案内至少包括药品名称和药品用量；上述预设条件是指相似度大于预设的相似度阈值，对于该相似度阈值的取值不作具体限定，可根据实际的使用需求进行设置。
获取所述用户的通讯信息。
在本实施例中，上述通讯信息可包括电话号码或邮件地址。
将所述治疗方案发送至与所述通讯信息对应的用户终端。
本申请在得到与用户对应的目标医学结果后，还会进一步基于得到的目标医学结果对预设的治疗数据库进行查询以得到与该症状信息对应的目标治疗方案，并将治疗方案发送至与用户的通讯信息对应的用户终端，实现了利用已有的治疗方案为用户制定出合理的治疗方案，提高了用户的使用体验。
需要强调的是，为进一步保证上述目标医学结果的私密和安全性，上述目标医学结果还可以存储于一区块链的节点中。
本申请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。
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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的医学数据处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的医学数据处理装置300包括：第一获取模块301、第一确定模块302、生成模块303、接收模块304、第一处理模块305以及第二处理模块306。其中：
第一获取模块301，用于获取用户输入的目标疾病标签；
第一确定模块302，用于从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果；
生成模块303，用于若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息；
接收模块304，用于接收所述用户基于所述图像上传信息输入的医学图像数据；
第一处理模块305，用于将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息；
第二处理模块306，用于对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的医学数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一确定模块302包括：
创建子模块，用于创建与所述病例数据库对应的搜索引擎；
查询子模块，用于基于所述搜索引擎，从所述病例数据库中查询出与所述目标疾病标签匹配的第三医学结果；
第一获取子模块，用于分别获取各所述第三医学结果与所述目标疾病标签之间的匹配度；
第一筛选子模块，用于对所有所述匹配度的数值进行分析，从所有所述第三医学结果中筛选出与所述目标疾病标签之间的匹配度最高的第一数量的所述第一医学结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的医学数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第一处理模块305包括：
第二获取子模块，用于获取所述目标识别模型的第二数量；
第一确定子模块，用于基于所述第一数量与所述第二数量确定指定次数；
处理子模块，用于将所述医学图像数据输入至指定识别模型，通过所述指定识别模型对所述医学图像数据进行指定次数的识别处理，分别输出与所述医学图像数据对应的指定医学结果；其中，所述指定识别模型为所有所述目标识别模型中的任意一个识别模型。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的医学数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二处理模块306包括：
第二确定子模块，用于基于笛卡尔集方式确定各个所述第一医学结果与各个所述第二医学结果之间的相似度；
排序子模块，用于将得到的所有所述相似度的数值从大到小的顺序进行排序，得到对应的排序结果；
第二筛选子模块，用于从所述排序结果中排序第一位的相似度开始，依次筛选出指定数量的指定相似度；
第三确定子模块，用于获取与所述指定相似度对应的指定医学结果，并将所述指定医学结果作为所述目标医学结果。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的医学数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的医学数据处理装置还包括：
第二获取模块，用于从所述训练样本集中获取指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集；
训练模块，用于基于所述指定训练样本集对所述基于TensorFlow框架的逻辑模型进行训练，得到初始识别模型；
第三获取模块，用于获取预设的测试样本集；
测试模块，用于基于所述测试样本集对所述初始识别模型进行识别准确率测试，得到对应的识别准确率；
判断模块，用于判断所述识别准确率是否大于预设的准确率阈值；
第二确定模块，用于若是，将所述初始识别模型作为与所述指定训练样本集对应的识别模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的医学数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一获取模块301包括：
判断子模块，用于判断是否接收到所述用户触发的医疗分析指令；
第一展示子模块，用于若是，展示预设的查询页面；其中，所述查询页面中包含有与多个部位对应的部位选项；
第四确定子模块，用于基于所述用户在所述查询页面中触发的对所述部位选项的操作，确定所述用户选取的目标部位；
第二展示子模块，用于展示与所述目标部位对应的标签页面；其中，所述标签页面中包含有多个疾病标签；
接收子模块，用于接收所述用户在所述标签页面中选择的疾病标签，得到所述目标疾病标签。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的医学数据处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，基于人工智能的医学数据处理装置还包括：
第四获取模块，用于获取所述目标医学结果中的症状信息；
调用模块，用于调用预设的治疗数据库；
查询模块，用于基于所述症状信息，从所述治疗数据库中查询出与所述症状信息对应的目标治疗方案；
第五获取模块，用于获取所述用户的通讯信息；
发送模块，用于将所述治疗方案发送至与所述通讯信息对应的用户终端。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的医学数据处理方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的医学数据处理方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的医学数据处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取用户输入的目标疾病标签；然后从预设的病例数据库中确定出与目标疾病标签的匹配度最高的第一数量的第一医学结果；若检测出目标疾病标签符合预设症状特征，生成上传与目标疾病标签对应的图像上传信息，并展示图像上传信息；之后接收用户基于图像上传信息输入的医学图像数据；后续将医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各目标识别模型对医学图像数据进行识别处理，分别输出与医学图像数据对应的第二医学结果；最后对第一医学结果与所有第二医学结果进行相似度分析处理，得到与用户对应的目标医学结果。本申请实施例通过基于病例数据库的使用来生成与用户输入的目标疾病标签对应的第一医学结果，以及基于目标识别模型的使用来生成与用户输入的医学图像数据对应的第二医学结果，进而对第一医学结果与第二医学结果进行相似度分析以得到与用户对应的最终的目标医学结果，有效提高了基于用户输入的医学数据生成目标医学结果的处理效率，保证了目标医学结果的生成准确性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的医学数据处理方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先获取用户输入的目标疾病标签；然后从预设的病例数据库中确定出与目标疾病标签的匹配度最高的第一数量的第一医学结果；若检测出目标疾病标签符合预设症状特征，生成上传与目标疾病标签对应的图像上传信息，并展示图像上传信息；之后接收用户基于图像上传信息输入的医学图像数据；后续将医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各目标识别模型对医学图像数据进行识别处理，分别输出与医学图像数据对应的第二医学结果；最后对第一医学结果与所有第二医学结果进行相似度分析处理，得到与用户对应的目标医学结果。本申请实施例通过基于病例数据库的使用来生成与用户输入的目标疾病标签对应的第一医学结果，以及基于目标识别模型的使用来生成与用户输入的医学图像数据对应的第二医学结果，进而对第一医学结果与第二医学结果进行相似度分析以得到与用户对应的最终的目标医学结果，有效提高了基于用户输入的医学数据生成目标医学结果的处理效率，保证了目标医学结果的生成准确性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于人工智能的医学数据处理方法，其特征在于，包括下述步骤：
获取用户输入的目标疾病标签；
从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果；
若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息；
接收所述用户基于所述图像上传信息输入的医学图像数据；
将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息；
对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
2.根据权利要求1所述的基于人工智能的医学数据处理方法，其特征在于，所述从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果的步骤，具体包括：
创建与所述病例数据库对应的搜索引擎；
基于所述搜索引擎，从所述病例数据库中查询出与所述目标疾病标签匹配的第三医学结果；
分别获取各所述第三医学结果与所述目标疾病标签之间的匹配度；
对所有所述匹配度的数值进行分析，从所有所述第三医学结果中筛选出与所述目标疾病标签之间的匹配度最高的第一数量的所述第一医学结果。
3.根据权利要求1所述的基于人工智能的医学数据处理方法，其特征在于，所述将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果的步骤，具体包括：
获取所述目标识别模型的第二数量；
基于所述第一数量与所述第二数量确定指定次数；
将所述医学图像数据输入至指定识别模型，通过所述指定识别模型对所述医学图像数据进行指定次数的识别处理，分别输出与所述医学图像数据对应的指定医学结果；其中，所述指定识别模型为所有所述目标识别模型中的任意一个识别模型。
4.根据权利要求1所述的基于人工智能的医学数据处理方法，其特征在于，所述对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果的步骤，具体包括：
基于笛卡尔集方式确定各个所述第一医学结果与各个所述第二医学结果之间的相似度；
将得到的所有所述相似度的数值从大到小的顺序进行排序，得到对应的排序结果；
从所述排序结果中排序第一位的相似度开始，依次筛选出指定数量的指定相似度；
获取与所述指定相似度对应的指定医学结果，并将所述指定医学结果作为所述目标医学结果。
5.根据权利要求1所述的基于人工智能的医学数据处理方法，其特征在于，在所述将所述医学图像数据分别输入至预先训练好的多个目标识别模型内的步骤之前，还包括：
从所述训练样本集中获取指定训练样本集；其中，所述指定训练样本集为所有所述训练样本集中的任意一个样本集；
基于所述指定训练样本集对所述基于TensorFlow框架的逻辑模型进行训练，得到初始识别模型；
获取预设的测试样本集；
基于所述测试样本集对所述初始识别模型进行识别准确率测试，得到对应的识别准确率；
判断所述识别准确率是否大于预设的准确率阈值；
若是，将所述初始识别模型作为与所述指定训练样本集对应的识别模型。
6.根据权利要求1所述的基于人工智能的医学数据处理方法，其特征在于，所述获取用户输入的目标疾病标签的步骤，具体包括：
判断是否接收到所述用户触发的医疗分析指令；
若是，展示预设的查询页面；其中，所述查询页面中包含有与多个部位对应的部位选项；
基于所述用户在所述查询页面中触发的对所述部位选项的操作，确定所述用户选取的目标部位；
展示与所述目标部位对应的标签页面；其中，所述标签页面中包含有多个疾病标签；
接收所述用户在所述标签页面中选择的疾病标签，得到所述目标疾病标签。
7.根据权利要求1所述的基于人工智能的医学数据处理方法，其特征在于，在所述对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果的步骤之后，还包括：
获取所述目标医学结果中的症状信息；
调用预设的治疗数据库；
基于所述症状信息，从所述治疗数据库中查询出与所述症状信息对应的目标治疗方案；
获取所述用户的通讯信息；
将所述治疗方案发送至与所述通讯信息对应的用户终端。
8.一种基于人工智能的医学数据处理装置，其特征在于，包括：
第一获取模块，用于获取用户输入的目标疾病标签；
第一确定模块，用于从预设的病例数据库中确定出与所述目标疾病标签的匹配度最高的第一数量的第一医学结果；
生成模块，用于若检测出所述目标疾病标签符合预设症状特征，生成上传与所述目标疾病标签对应的图像上传信息，并展示所述图像上传信息；
接收模块，用于接收所述用户基于所述图像上传信息输入的医学图像数据；
第一处理模块，用于将所述医学图像数据分别输入至预先训练好的多个目标识别模型内，通过各所述目标识别模型对所述医学图像数据进行识别处理，分别输出与所述医学图像数据对应的第二医学结果；其中，每一个所述目标识别模型分别是基于各自不同的训练样本集对基于TensorFlow框架的逻辑模型进行训练生成的，每一个所述训练样本集包括若干医学图像样本数据，以及与所述医学图像样本数据对应的标签信息；
第二处理模块，用于对所述第一医学结果与所有所述第二医学结果进行相似度分析处理，得到与所述用户对应的目标医学结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的医学数据处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的医学数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310662690.6A CN116798565A (zh) | 2023-06-05 | 2023-06-05 | 基于人工智能的医学数据处理方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310662690.6A CN116798565A (zh) | 2023-06-05 | 2023-06-05 | 基于人工智能的医学数据处理方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116798565A true CN116798565A (zh) | 2023-09-22 |
Family
ID=88035497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310662690.6A Pending CN116798565A (zh) | 2023-06-05 | 2023-06-05 | 基于人工智能的医学数据处理方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116798565A (zh) |
-
2023
- 2023-06-05 CN CN202310662690.6A patent/CN116798565A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108899064A (zh) | 电子病历生成方法、装置、计算机设备和存储介质 | |
| US8660857B2 (en) | Method and system for outcome based referral using healthcare data of patient and physician populations | |
| JP2021532499A (ja) | 機械学習に基づく医療データ分類方法、装置、コンピュータデバイス及び記憶媒体 | |
| CN112015917A (zh) | 基于知识图谱的数据处理方法、装置及计算机设备 | |
| WO2020248847A1 (zh) | 智能心脏疾病检测方法、装置及计算机可读存储介质 | |
| WO2021151295A1 (zh) | 患者治疗方案的确定方法、装置、计算机设备及介质 | |
| CN112418059B (zh) | 一种情绪识别的方法、装置、计算机设备及存储介质 | |
| CN114765075A (zh) | 药品推荐方法、装置及系统、电子设备及存储介质 | |
| CN113658662A (zh) | 基于用药大数据的配药方法、装置、设备及存储介质 | |
| CN110164519B (zh) | 一种基于众智网络的用于处理电子病历混合数据的分类方法 | |
| CN110752027A (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
| US20150019239A1 (en) | Identifying target patients for new drugs by mining real-world evidence | |
| CN113724830A (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
| CN117557331A (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
| CN116861875A (zh) | 基于人工智能的文本处理方法、装置、设备及存储介质 | |
| CN111353302A (zh) | 医学词义识别方法、装置、计算机设备和存储介质 | |
| CN116130088A (zh) | 多模态面诊问诊方法、装置及相关设备 | |
| EP4199002A1 (en) | A computer implemented method and a system | |
| CN116798565A (zh) | 基于人工智能的医学数据处理方法、装置及计算机设备 | |
| US20210133627A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
| CN114664458A (zh) | 患者分类装置、计算机设备及存储介质 | |
| CN114141358A (zh) | 基于知识图谱的疾病诊断装置、计算机设备及存储介质 | |
| CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
| CN115408599A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| CN113241198A (zh) | 用户数据处理方法、装置、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 |