CN116825324A - 一种基于ai的临床麻醉评估系统及方法 - Google Patents
一种基于ai的临床麻醉评估系统及方法 Download PDFInfo
- Publication number
- CN116825324A CN116825324A CN202310312364.2A CN202310312364A CN116825324A CN 116825324 A CN116825324 A CN 116825324A CN 202310312364 A CN202310312364 A CN 202310312364A CN 116825324 A CN116825324 A CN 116825324A
- Authority
- CN
- China
- Prior art keywords
- anesthesia
- vector
- question
- neural network
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010002091 Anaesthesia Diseases 0.000 title claims abstract description 151
- 230000037005 anaesthesia Effects 0.000 title claims abstract description 151
- 238000011156 evaluation Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 15
- 201000010099 disease Diseases 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 165
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 230000000306 recurrent effect Effects 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000007935 neutral effect Effects 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000009412 basement excavation Methods 0.000 claims description 3
- 235000006629 Prosopis spicigera Nutrition 0.000 claims 1
- 240000000037 Prosopis spicigera Species 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009454 functional inhibition Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000001428 peripheral nervous system Anatomy 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001356 surgical procedure 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
- 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
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—Combinations of 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Abstract
本发明公开了一种基于AI的临床麻醉评估系统及方法,涉及电子数字数据处理领域,包括:麻醉知识收集存储子系统、AI问答子系统和交互子系统。本发明既能便于各医院麻醉医师间的有效交流,又能够自动检索和挖掘麻醉专业知识,使麻醉医师便于得到最新的临床资料;同时还能通过AI问答,根据麻醉医师提供的病人病症信息,智能提供麻醉评估与指导方案,使麻醉医师能够正确进行麻醉评估,实现患者手术麻醉的舒适化。
Description
技术领域
本发明涉及电子数字数据处理领域,具体而言,涉及一种基于AI的临床麻醉评估系统及方法。
背景技术
麻醉是由药物产生的一种中枢神经或周围神经系统的可逆性功能抑制,其作用在于无痛地进行手术治疗。麻醉的过程必须由麻醉医师完成,麻醉医师麻醉前必须访视患者了解病情,结合病情确定麻醉方案,选择最适当的麻醉方法和药物;并充分估计麻醉手术过程中可能发生的问题,为了防患于未然,做好充分的准备工作和预防措施,对可能发生的问题制定处理的方案。
因此,麻醉医师需要经过大量手术麻醉观摩和现场学习才能具备临床麻醉的评估能力。然而实际情况无法满足麻醉医师的培养条件,且麻醉知识往往来源于滞后于前沿科技的教材,麻醉医师无法得到最新的临床资料,因此依赖人力的麻醉评估一直是临床上的难点。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于AI的临床麻醉评估系统及方法解决了如何正确进行麻醉评估,使手术麻醉舒适化的问题。
为了达到上述发明目的,本发明采用的技术方案为:
第一方面,一种基于AI的临床麻醉评估系统,包括:麻醉知识收集存储子系统、AI问答子系统和交互子系统;
所述麻醉知识收集存储子系统用于自动检索和挖掘麻醉专业知识并存储;
所述AI问答子系统用于根据麻醉医师输入的病人病症信息,做出麻醉评估与指导方案;
所述交互子系统用于各医院麻醉医师间的经验交流网络通信。
进一步地,所述麻醉知识收集存储子系统包括:麻醉知识库、挖掘模块、情报数据库和搜索引擎模块;
所述麻醉知识库包括麻醉专业知识库、挖掘专题关键词库和权威网址列表,用于存储麻醉专业知识、麻醉专业知识专题关键词和麻醉领域权威网址;
所述搜索引擎模块用于根据权威网址列表,搜索麻醉前沿知识,得到情报数据;
所述情报数据库用于存储情报数据;
所述挖掘模块用于根据麻醉专业知识专题关键词,分析情报数据,挖掘出麻醉专业知识。
进一步地,所述麻醉知识收集存储子系统的工作步骤如下:
A1、麻醉医师预先定义麻醉专业知识专题关键词,并填写麻醉领域权威网址;
A2、通过搜索引擎模块定期获取各麻醉领域权威网址中的文本作为情报数据,存入情报数据库;
A3、通过下式计算情报数据库中文本与需挖掘的麻醉专业知识的专题契合度:
其中,ρ(T,t)为文本T与专题t的契合度,pi为专题t的第i关键词在文本T中出现的频次,bi为专题t的第i关键词的字符长度,b为文本T的字符长度;
A4、通过挖掘模块将契合度大于契合度阈值的文本作为对应专题的麻醉专业知识存入麻醉专业知识库中。
进一步地,所述AI问答子系统的工作方法为:从麻醉专业知识库中以遍历的方式抓取文字语句作为待定的麻醉评估与指导方案,并通过问答匹配模型求取麻醉医师输入的病人病症信息与各个待定的麻醉评估与指导方案之间的匹配度,将匹配度最高的麻醉评估与指导方案反馈给麻醉医师。
进一步地,所述问答匹配模型包括:第一词向量转换模块、第二词向量转换模块、第一时间递归神经网络、第二时间递归神经网络、第一残差神经网络、第二残差神经网络和匹配度计算模块;
所述第一词向量转换模块的输入端作为问答匹配模型的病人病症信息输入端,其输出端与第一时间递归神经网络的输入端连接;
所述第二词向量转换模块的输入端作为问答匹配模型的麻醉评估与指导方案输入端,其输出端与第二时间递归神经网络的输入端连接;
所述第一时间递归神经网络的输出端与第一残差神经网络的输入端连接;
所述第二时间递归神经网络的输出端与第二残差神经网络的输入端连接;
所述第一残差神经网络的输出端和第二残差神经网络的输出端分别与匹配度计算模块的第一输入端和第二输入端连接。
进一步地,所述问答匹配模型求取麻醉医师输入的病人病症信息与各个待定的麻醉评估与指导方案之间的匹配度的工作步骤如下:
B1、通过第一词向量转换模块将病人病症信息转化为第一实数向量,并通过第二词向量转换模块将待定的麻醉评估与指导方案转化为第二实数向量;
B2、分别通过第一时间递归神经网络和第二时间递归神经网络对第一实数向量和第二实数向量进行时间域信息遗忘和记忆的编码,得到第一语义向量和第二语义向量;
B4、分别通过第一残差神经网络和第二残差神经网络对第一语义向量和第二语义向量进行特征提取,得到第一特征向量和第二特征向量;
B5、通过匹配度计算模块计算第一特征向量和第二特征向量的匹配度。
进一步地,所述第一时间递归神经网络和第二时间递归神经网络的输出函数均为:
yt=sigmod(Wx,out·xt+bx,out+Wy,out·stt+by,out)
stt=α·stt-1·oblt+(1-α)·ReLU(Wx,in·xt+bx,in+Wy,in·yt-1+by,in)
oblt=sigmod(Wx,f·xt+bx,f+Wy,f·yt-1+by,f)
其中,yt为t时刻输出的语义向量,xt为t时刻输入的实数向量,yt-1为t-1时刻输出的语义向量,stt为t时刻的状态向量,stt-1为t-1时刻的状态向量,状态向量在初始时刻为零向量,oblt为t时刻的遗忘向量,α为记忆因数,sigmod(·)为S型激活函数,ReLU(·)为线性整流函数,Wx,out为输出门输入向量网络矩阵,bx,out为输出门输入向量偏置向量,Wy,out为输出门过往输出向量网络矩阵,by,out为输出门过往输出向量偏置向量,Wx,in为输入门输入向量网络矩阵,bx,in为输入门输入向量偏置向量,Wy,in为输入门过往输出向量网络矩阵,by,in为输入门过往输出向量偏置向量,Wx,f为遗忘门输入向量网络矩阵,bx,f为遗忘门输入向量偏置向量,Wy,f为遗忘门过往输出向量网络矩阵,by,f为遗忘门过往输出向量偏置向量。
进一步地,所述匹配度计算模块的匹配度计算表达式为:
mh=ReLU(Wmat·[ft1;ft2])
其中,mh为匹配度,ft1为第一特征向量,ft2为第二特征向量,[ft1;ft2]T为第一特征向量和第二特征向量的拼接向量,Wmat为匹配度计算模块参数矩阵。
进一步地,所述AI问答子系统在向麻醉医师做出麻醉评估与指导方案之后需接收和记录麻醉医师的反馈评分,并定期根据反馈评分,使用如下损失函数对第一时间递归神经网络、第二时间递归神经网络和匹配度计算模块进行参数训练:
其中,L为损失函数,scorej为麻醉医师针对第j个问答做出的反馈评分,ln(·)为自然对数函数,mhj为AI问答子系统针对第j个问答计算的匹配度,M为参与训练的问答总数。
第二方面,一种基于AI的临床麻醉评估方法,采用上述的基于AI的临床麻醉评估系统,包括:
通过麻醉知识收集存储子系统自动检索和挖掘麻醉专业知识并存储;
通过AI问答子系统根据麻醉医师输入的病人病症信息,做出麻醉评估与指导方案;
通过交互子系统进行各医院麻醉医师间的经验交流网络通信。
本发明的有益效果为:
(1)本发明既能便于各医院麻醉医师间的有效交流,又能够自动检索和挖掘麻醉专业知识,使麻醉医师便于得到最新的临床资料;同时还能通过AI问答,根据麻醉医师提供的病人病症信息,智能提供麻醉评估与指导方案,使麻醉医师能够正确进行麻醉评估,实现患者手术麻醉的舒适化。
(2)麻醉知识收集存储子系统在定期获取麻醉领域的权威网络信息后,通过信息文本内的关键词数量及各自出现的频次计算专题契合度,将其分门别类,便于麻醉医师的查询和学习,也便于AI问答子系统的抓取使用。
(3)本发明的时间递归神经网络设置了状态向量,其由过往状态信息、过往输出信息和当前输入信息通过记忆因数加权而成,而过往状态信息则由S型激活函数二值逻辑处理后的遗忘门网络数据进行选择性遗忘,同时过往输出信息和当前输入信息也经过输入门编码并通过线性整流函数去除了负值,具有优秀的鲁棒性;状态向量在输出门与输入的向量一同参与运算,得到最终的充分记忆了有效信息且遗忘丢弃了无用数据的经S型激活函数二值编码的语义向量,相比于现有长短记忆神经网络,结构简洁高效,灵活稳定。
(4)本发明在时间递归神经网络到匹配度计算模块之间设置了残差神经网络,其作用为通过卷积运算进一步从语义向量中提取有效的语义特征,得到特征向量,以此缩减匹配运算的计算量,又不使关键信息丢失。得益于残差神经网络的层间残差跳连结构,既引入了前方信息又减少梯度消失的可能性。
(5)本发明设置的AI问答子系统训练方法,以每一次问答反馈的评分定期优化调整AI的网络参数,使得AI问答子系统具有动态优化、动态更新的效能,使麻醉医师能够紧跟前沿知识,并正确进行麻醉评估。
附图说明
图1为本发明实施例提供的一种基于AI的临床麻醉评估系统的结构图;
图2为本发明实施例提供的麻醉知识收集存储子系统的结构图;
图3为本发明实施例提供的问答匹配模型的结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,一种基于AI的临床麻醉评估系统,包括:麻醉知识收集存储子系统、AI问答子系统和交互子系统。麻醉知识收集存储子系统用于自动检索和挖掘麻醉专业知识并存储;AI问答子系统用于根据麻醉医师输入的病人病症信息,做出麻醉评估与指导方案;交互子系统用于各医院麻醉医师间的经验交流网络通信。
在本实施例中,麻醉专业知识可通过交互子系统中各医院麻醉医师交流得到,麻醉评估与指导方案可发布在交互子系统中,用于各医院麻醉医师交流评估。
如图2所示,麻醉知识收集存储子系统包括:麻醉知识库、挖掘模块、情报数据库和搜索引擎模块。麻醉知识库包括麻醉专业知识库、挖掘专题关键词库和权威网址列表,用于存储麻醉专业知识、麻醉专业知识专题关键词和麻醉领域权威网址。搜索引擎模块用于根据权威网址列表,搜索麻醉前沿知识,得到情报数据。情报数据库用于存储情报数据。挖掘模块用于根据麻醉专业知识专题关键词,分析情报数据,挖掘出麻醉专业知识。
麻醉知识收集存储子系统的工作步骤如下:
A1、麻醉医师预先定义麻醉专业知识专题关键词,并填写麻醉领域权威网址;
A2、通过搜索引擎模块定期获取各麻醉领域权威网址中的文本作为情报数据,存入情报数据库;
A3、通过下式计算情报数据库中文本与需挖掘的麻醉专业知识的专题契合度:
其中,p(T,t)为文本T与专题t的契合度,pi为专题t的第i关键词在文本T中出现的频次,bi为专题t的第i关键词的字符长度,b为文本T的字符长度;
A4、通过挖掘模块将契合度大于契合度阈值的文本作为对应专题的麻醉专业知识存入麻醉专业知识库中。
麻醉知识收集存储子系统在定期获取麻醉领域的权威网络信息后,通过信息文本内的关键词数量及各自出现的频次计算专题契合度,将其分门别类,便于麻醉医师的查询和学习,也便于AI问答子系统的抓取使用。
AI问答子系统的工作方法为:从麻醉专业知识库中以遍历的方式抓取文字语句作为待定的麻醉评估与指导方案,并通过问答匹配模型求取麻醉医师输入的病人病症信息与各个待定的麻醉评估与指导方案之间的匹配度,将匹配度最高的麻醉评估与指导方案反馈给麻醉医师。
如图3所示,问答匹配模型包括:第一词向量转换模块、第二词向量转换模块、第一时间递归神经网络、第二时间递归神经网络、第一残差神经网络、第二残差神经网络和匹配度计算模块。第一词向量转换模块的输入端作为问答匹配模型的病人病症信息输入端,其输出端与第一时间递归神经网络的输入端连接;第二词向量转换模块的输入端作为问答匹配模型的麻醉评估与指导方案输入端,其输出端与第二时间递归神经网络的输入端连接;第一时间递归神经网络的输出端与第一残差神经网络的输入端连接;第二时间递归神经网络的输出端与第二残差神经网络的输入端连接;第一残差神经网络的输出端和第二残差神经网络的输出端分别与匹配度计算模块的第一输入端和第二输入端连接。
问答匹配模型求取麻醉医师输入的病人病症信息与各个待定的麻醉评估与指导方案之间的匹配度的工作步骤如下:
B1、通过第一词向量转换模块将病人病症信息转化为第一实数向量,并通过第二词向量转换模块将待定的麻醉评估与指导方案转化为第二实数向量;
B2、分别通过第一时间递归神经网络和第二时间递归神经网络对第一实数向量和第二实数向量进行时间域信息遗忘和记忆的编码,得到第一语义向量和第二语义向量;
B4、分别通过第一残差神经网络和第二残差神经网络对第一语义向量和第二语义向量进行特征提取,得到第一特征向量和第二特征向量;
B5、通过匹配度计算模块计算第一特征向量和第二特征向量的匹配度。
第一时间递归神经网络和第二时间递归神经网络的输出函数均为:
yt=sigmod(Wx,out·xt+bx,out+Wy,out·stt+by,out)
stt=α·stt-1·oblt+(1-α)·ReLU(Wx,in·xt+bx,in+Wy,in·yt-1+by,in)
oblt=sigmod(Wx,f·xt+bx,f+Wy,f·yt-1+by,f)
其中,yt为t时刻输出的语义向量,xt为t时刻输入的实数向量,yt-1为t-1时刻输出的语义向量,stt为t时刻的状态向量,stt-1为t-1时刻的状态向量,状态向量在初始时刻为零向量,oblt为t时刻的遗忘向量,α为记忆因数,sigmod(·)为S型激活函数,ReLU(·)为线性整流函数,Wx,out为输出门输入向量网络矩阵,bx,out为输出门输入向量偏置向量,Wy,out为输出门过往输出向量网络矩阵,by,out为输出门过往输出向量偏置向量,Wx,in为输入门输入向量网络矩阵,bx,in为输入门输入向量偏置向量,Wy,in为输入门过往输出向量网络矩阵,by,in为输入门过往输出向量偏置向量,Wx,f为遗忘门输入向量网络矩阵,bx,f为遗忘门输入向量偏置向量,Wy,f为遗忘门过往输出向量网络矩阵,by,f为遗忘门过往输出向量偏置向量。
匹配度计算模块的匹配度计算表达式为:
mh=ReLU(Wmat·[ft1;ft2])
其中,mh为匹配度,ft1为第一特征向量,ft2为第二特征向量,[ft1;ft2]T为第一特征向量和第二特征向量的拼接向量,Wmat为匹配度计算模块参数矩阵。
由文本转化而来的实数向量与普通数据向量不同,其序列前后的各数据间存在不可忽视的联系,共同构成了语义信息,因此需要神经网络具有过对往数据记忆和遗忘的编码功能,才能有效提取语义。本发明的时间递归神经网络设置了状态向量,其由过往状态信息、过往输出信息和当前输入信息通过记忆因数加权而成,而过往状态信息则由S型激活函数二值逻辑处理后的遗忘门网络数据进行选择性遗忘,同时过往输出信息和当前输入信息也经过输入门编码并通过线性整流函数去除了负值,具有优秀的鲁棒性;状态向量在输出门与输入的向量一同参与运算,得到最终的充分记忆了有效信息且遗忘丢弃了无用数据的经S型激活函数二值编码的语义向量,相比于现有长短记忆神经网络,结构简洁高效,灵活稳定。
残差神经网络的作用为通过卷积运算进一步从语义向量中提取有效的语义特征,得到特征向量,以此缩减匹配运算的计算量,又不使关键信息丢失。得益于残差神经网络的层间残差跳连结构,既引入了前方信息又减少梯度消失的可能性,相比于普通卷积神经网络更利于深度训练,本实施例采用ResNet50结构进行语义向量到特征向量的处理操作。
AI问答子系统在向麻醉医师做出麻醉评估与指导方案之后需接收和记录麻醉医师的反馈评分,并定期根据反馈评分,使用如下损失函数对第一时间递归神经网络、第二时间递归神经网络和匹配度计算模块进行参数训练:
其中,L为损失函数,scorej为麻醉医师针对第j个问答做出的反馈评分,ln(·)为自然对数函数,mhj为AI问答子系统针对第j个问答计算的匹配度,M为参与训练的问答总数。
本发明的上述训练方法,以每一次问答反馈的评分定期优化调整AI的网络参数,使得AI问答子系统具有动态优化、动态更新的效能,使麻醉医师能够紧跟前沿知识,并正确进行麻醉评估。
本发明实施例还提供了一种基于AI的临床麻醉评估方法,采用上述的基于AI的临床麻醉评估系统,包括:
通过麻醉知识收集存储子系统自动检索和挖掘麻醉专业知识并存储;
通过AI问答子系统根据麻醉医师输入的病人病症信息,做出麻醉评估与指导方案;
通过交互子系统进行各医院麻醉医师间的经验交流网络通信。
本发明既能便于各医院麻醉医师间的有效交流,又能够自动检索和挖掘麻醉专业知识,使麻醉医师便于得到最新的临床资料;同时还能通过AI问答,根据麻醉医师提供的病人病症信息,智能提供麻醉评估与指导方案,使麻醉医师能够正确进行麻醉评估,实现患者手术麻醉的舒适化。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种基于AI的临床麻醉评估系统,其特征在于,包括:麻醉知识收集存储子系统、AI问答子系统和交互子系统;
所述麻醉知识收集存储子系统用于自动检索和挖掘麻醉专业知识并存储;
所述AI问答子系统用于根据麻醉医师输入的病人病症信息,做出麻醉评估与指导方案;
所述交互子系统用于各医院麻醉医师间的经验交流网络通信。
2.根据权利要求1所述的基于AI的临床麻醉评估系统,其特征在于,所述麻醉知识收集存储子系统包括:麻醉知识库、挖掘模块、情报数据库和搜索引擎模块;
所述麻醉知识库包括麻醉专业知识库、挖掘专题关键词库和权威网址列表,用于存储麻醉专业知识、麻醉专业知识专题关键词和麻醉领域权威网址;
所述搜索引擎模块用于根据权威网址列表,搜索麻醉前沿知识,得到情报数据;
所述情报数据库用于存储情报数据;
所述挖掘模块用于根据麻醉专业知识专题关键词,分析情报数据,挖掘出麻醉专业知识。
3.根据权利要求2所述的基于AI的临床麻醉评估系统,其特征在于,所述麻醉知识收集存储子系统的工作步骤如下:
A1、麻醉医师预先定义麻醉专业知识专题关键词,并填写麻醉领域权威网址;
A2、通过搜索引擎模块定期获取各麻醉领域权威网址中的文本作为情报数据,存入情报数据库;
A3、通过下式计算情报数据库中文本与需挖掘的麻醉专业知识的专题契合度:
其中,ρ(T,t)为文本T与专题t的契合度,pi为专题t的第i关键词在文本T中出现的频次,bi为专题t的第i关键词的字符长度,b为文本T的字符长度;
A4、通过挖掘模块将契合度大于契合度阈值的文本作为对应专题的麻醉专业知识存入麻醉专业知识库中。
4.根据权利要求3所述的基于AI的临床麻醉评估系统,其特征在于,所述AI问答子系统的工作方法为:从麻醉专业知识库中以遍历的方式抓取文字语句作为待定的麻醉评估与指导方案,并通过问答匹配模型求取麻醉医师输入的病人病症信息与各个待定的麻醉评估与指导方案之间的匹配度,将匹配度最高的麻醉评估与指导方案反馈给麻醉医师。
5.根据权利要求4所述的基于AI的临床麻醉评估系统,其特征在于,所述问答匹配模型包括:第一词向量转换模块、第二词向量转换模块、第一时间递归神经网络、第二时间递归神经网络、第一残差神经网络、第二残差神经网络和匹配度计算模块;
所述第一词向量转换模块的输入端作为问答匹配模型的病人病症信息输入端,其输出端与第一时间递归神经网络的输入端连接;
所述第二词向量转换模块的输入端作为问答匹配模型的麻醉评估与指导方案输入端,其输出端与第二时间递归神经网络的输入端连接;
所述第一时间递归神经网络的输出端与第一残差神经网络的输入端连接;
所述第二时间递归神经网络的输出端与第二残差神经网络的输入端连接;
所述第一残差神经网络的输出端和第二残差神经网络的输出端分别与匹配度计算模块的第一输入端和第二输入端连接。
6.根据权利要求5所述的基于AI的临床麻醉评估系统,其特征在于,所述问答匹配模型求取麻醉医师输入的病人病症信息与各个待定的麻醉评估与指导方案之间的匹配度的工作步骤如下:
B1、通过第一词向量转换模块将病人病症信息转化为第一实数向量,并通过第二词向量转换模块将待定的麻醉评估与指导方案转化为第二实数向量;
B2、分别通过第一时间递归神经网络和第二时间递归神经网络对第一实数向量和第二实数向量进行时间域信息遗忘和记忆的编码,得到第一语义向量和第二语义向量;
B4、分别通过第一残差神经网络和第二残差神经网络对第一语义向量和第二语义向量进行特征提取,得到第一特征向量和第二特征向量;
B5、通过匹配度计算模块计算第一特征向量和第二特征向量的匹配度。
7.根据权利要求6所述的基于AI的临床麻醉评估系统,其特征在于,所述第一时间递归神经网络和第二时间递归神经网络的输出函数均为:
yt=sigmod(Wx,out·xt+bx,out+Wy,out·stt+by,out)
stt=α·stt-1·oblt+(1-α)·ReLU(Wx,in·xt+bx,in+Wy,in·yt-1+by,in)
oblt=sigmod(Wx,f·xt+bx,f+Wy,f·yt-1+by,f)
其中,yt为t时刻输出的语义向量,xt为t时刻输入的实数向量,yt-1为t-1时刻输出的语义向量,stt为t时刻的状态向量,stt-1为t-1时刻的状态向量,状态向量在初始时刻为零向量,oblt为t时刻的遗忘向量,α为记忆因数,sigmod(·)为S型激活函数,ReLU(·)为线性整流函数,Wx,out为输出门输入向量网络矩阵,bx,out为输出门输入向量偏置向量,Wy,out为输出门过往输出向量网络矩阵,by,out为输出门过往输出向量偏置向量,Wx,in为输入门输入向量网络矩阵,bx,in为输入门输入向量偏置向量,Wy,in为输入门过往输出向量网络矩阵,by,in为输入门过往输出向量偏置向量,Wx,f为遗忘门输入向量网络矩阵,bx,f为遗忘门输入向量偏置向量,Wy,f为遗忘门过往输出向量网络矩阵,by,f为遗忘门过往输出向量偏置向量。
8.根据权利要求7所述的基于AI的临床麻醉评估系统,其特征在于,所述匹配度计算模块的匹配度计算表达式为:
mh=ReLU(Wmat·[ft1;ft2])
其中,mh为匹配度,ft1为第一特征向量,ft2为第二特征向量,[ft1;ft2]T为第一特征向量和第二特征向量的拼接向量,Wmat为匹配度计算模块参数矩阵。
9.根据权利要求8所述的基于AI的临床麻醉评估系统,其特征在于,所述AI问答子系统在向麻醉医师做出麻醉评估与指导方案之后需接收和记录麻醉医师的反馈评分,并定期根据反馈评分,使用如下损失函数对第一时间递归神经网络、第二时间递归神经网络和匹配度计算模块进行参数训练:
其中,L为损失函数,scorej为麻醉医师针对第j个问答做出的反馈评分,ln(·)为自然对数函数,mhj为AI问答子系统针对第j个问答计算的匹配度,M为参与训练的问答总数。
10.一种基于AI的临床麻醉评估方法,其特征在于,采用如权利要求1至9任一项所述的基于AI的临床麻醉评估系统,包括:
通过麻醉知识收集存储子系统自动检索和挖掘麻醉专业知识并存储;
通过AI问答子系统根据麻醉医师输入的病人病症信息,做出麻醉评估与指导方案;
通过交互子系统进行各医院麻醉医师间的经验交流网络通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310312364.2A CN116825324A (zh) | 2023-03-28 | 2023-03-28 | 一种基于ai的临床麻醉评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310312364.2A CN116825324A (zh) | 2023-03-28 | 2023-03-28 | 一种基于ai的临床麻醉评估系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116825324A true CN116825324A (zh) | 2023-09-29 |
Family
ID=88119141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310312364.2A Pending CN116825324A (zh) | 2023-03-28 | 2023-03-28 | 一种基于ai的临床麻醉评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116825324A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195890A (zh) * | 2023-11-07 | 2023-12-08 | 成都航空职业技术学院 | 一种基于机器学习的文本推荐方法 |
-
2023
- 2023-03-28 CN CN202310312364.2A patent/CN116825324A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195890A (zh) * | 2023-11-07 | 2023-12-08 | 成都航空职业技术学院 | 一种基于机器学习的文本推荐方法 |
CN117195890B (zh) * | 2023-11-07 | 2024-01-26 | 成都航空职业技术学院 | 一种基于机器学习的文本推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682397B (zh) | 一种基于知识的电子病历质控方法 | |
US9336485B2 (en) | Determining answers in a question/answer system when answer is not contained in corpus | |
Cornelius | Theorizing information for information science | |
CN111078875B (zh) | 一种基于机器学习的从半结构化文档中提取问答对的方法 | |
CN110348008A (zh) | 基于预训练模型和微调技术的医疗文本命名实体识别方法 | |
CN105528437A (zh) | 一种基于结构化文本知识提取的问答系统构建方法 | |
WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
CN116825324A (zh) | 一种基于ai的临床麻醉评估系统及方法 | |
Lavergne et al. | The contribution of co-reference resolution to supervised relation detection between bacteria and biotopes entities | |
CN112182168A (zh) | 病历文本分析方法、装置、电子设备及存储介质 | |
Chen et al. | Knowledge abstraction matching for medical question answering | |
Jin | Application optimization of nlp system under deep learning technology in text semantics and text classification | |
Wang et al. | Research on named entity recognition of doctor-patient question answering community based on bilstm-crf model | |
Gao et al. | Knowledge question-answering system based on knowledge graph of traditional Chinese medicine | |
Zhang et al. | Automatically extracting high-quality negative examples for answer selection in question answering | |
Cortez et al. | The hybrid application of an inductive learning method and a neural network for intelligent information retrieval | |
BROSS et al. | FEASIBILITY OF AUTOMATED INFORMATION SYSTEMS IN THE USERS'NATURAL LANGUAGE | |
Matykiewicz et al. | Nonambiguous concept mapping in medical domain | |
Alemán et al. | Similarity metrics analysis for principal concepts detection in ontology creation | |
Prasla et al. | Question answering system using artificial neural network | |
Zhang et al. | Meta-path reasoning of knowledge graph for commonsense question answering | |
Ménard et al. | Manual and automatic annotation of meeting reports with young offenders for quality assessment of interventions | |
Jarman | Combining Natural Language Processing and Statistical Text Mining: A Study of Specialized Versus Common Languages | |
Luong et al. | Enriching concept descriptions in an amphibian ontology with vocabulary extracted from wordnet | |
CN114564599B (zh) | 一种基于查询字符串模板的检索系统 |
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 |