CN116913553A - 智能问诊中病患症状获取方法、装置、设备及存储介质 - Google Patents

智能问诊中病患症状获取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116913553A
CN116913553A CN202310626127.3A CN202310626127A CN116913553A CN 116913553 A CN116913553 A CN 116913553A CN 202310626127 A CN202310626127 A CN 202310626127A CN 116913553 A CN116913553 A CN 116913553A
Authority
CN
China
Prior art keywords
symptom
feature
preset
initial
expansion
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
Application number
CN202310626127.3A
Other languages
English (en)
Inventor
郭维
阮晓雯
吴振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310626127.3A priority Critical patent/CN116913553A/zh
Publication of CN116913553A publication Critical patent/CN116913553A/zh
Pending legal-status Critical Current

Links

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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及人工智能技术，揭露一种智能问诊中病患症状获取方法，包括：获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。本发明还提出一种智能问诊中病患症状获取装置、设备以及介质。本发明可以提升智能问诊中病患症状获取的准确性。

Description

智能问诊中病患症状获取方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种智能问诊中病患症状获取方法、装置、电子设备及计算机可读存储介质。
背景技术
在科技日新月异的今天，人工智能已逐渐成为中国产业进步的科技先导和提升国际竞争力的重要支撑。将人工智能和医疗相结合起来，帮助现代人改善健康问题是非常令人期待的。随着越来越多的人工智能技术在各个领域成功落地应用，在智慧医疗领域也有相关的智能对话问诊系统。
医疗智能对话问诊系统旨在改善医生人力资源紧缺的问题，帮助医生提前收集用户信息、用户症状并给出初步的诊断结果供医生参考。问诊系统是以医学知识作为基础，通过与用户之间多轮问答来实现症状收集的功能，其中，问什么是所有问诊系统都需要重点关注和解决的问题。
在现有的方案中，一般都是基于用户在对话过程中的历史回答及当前回答提取用户症状，根据提取到的症状进行相关的诊断，或者根据提取到的用户症状进一步地调用预设的话术继续引导用户进行沟通，因此，在智能对话中所提取的用户症状的准确性非常关键。
当前提取用户症状较多采用基于神经网络的机器学习模型，而机器学习模型训练的准确性较多依赖训练语料的质量和数量，最终影响模型可能出现训练准确率低，或者训练过拟合的情况，出现无法保障提取用户症状的准确性的问题。
发明内容
本发明提供一种智能问诊中病患症状获取方法、装置、电子设备及计算机可读存储介质，其主要目的在于提升智能问诊中病患症状获取的准确性。
为实现上述目的，本发明提供的一种智能问诊中病患症状获取方法，包括：
获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
可选地，所述根据所述用户输入信息提取所述用户对应的初始症状特征，包括：
将所述用户输入信息转换为文本向量矩阵；
从所述文本向量矩阵中，提取所述用户输入信息对应的初始症状特征。
可选地，所述将所述用户输入信息转换为文本向量矩阵，包括：
对所述用户输入信息进行分词处理，得到多个文本分词；
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
利用每一个文本分词对应的共现次数构建共现矩阵；
分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵。
可选地，所述从所述文本向量矩阵中，提取所述用户输入信息对应的初始症状特征，包括：
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
将所述特征分词的词向量拼接得到所述用户输入信息的初始症状特征。
可选地，所述对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集，包括：
计算所述初始症状特征与预设的特征资源池中的每个症状特征之间的特征距离；
选择所述特征距离在预设的互斥距离范围内的症状特征作为所述初始症状特征的互斥扩展特征，选择所述特征距离小于预设的关联距离阈值的症状特征作为所述初始症状特征的同义扩展特征；
利用剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池，构建所述初始症状特征的关联特征二叉树，将所述初始症状特征对应的父节点上的症状特征作为所述初始症状特征的扩展父特征，将所述初始症状特征对应的子节点上的症状特征作为所述初始症状特征的扩展子特征；
汇集所述互斥扩展特征、所述同义扩展特征、所述扩展父特征及所述扩展子特征得到所述扩展症状集。
可选地，所述利用剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池，构建所述初始症状特征的关联特征二叉树，包括：
将剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池中每个症状特征转换为特征向量；
利用预设的二叉树遍历方法，遍历每个所述特征向量，得到所有所述特征向量之间的排序；
利用预设的成员函数基于所述排序生成所述关联特征二叉树。
可选地，所述利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集，包括：
利用所述预设的诊断模型的输入层对所述初始症状特征进行向量转换为特征向量集；
对所述特征向量集进行卷积池化操作，得到特征矩阵集；
利用所述预设的诊断模型的flatten层对所述特征矩阵集进行拆分，并将拆分结果进行一维连接操作，得到特征序列；
利用所述预设的诊断模型的全连接层对所述特征序列进行全连接操作，得到特征集合；
计算所述特征集合与预设的症状标签的对应分数，选取大于预设分数的症状标签作为所述初始症状特征的参考症状集。
为了解决上述问题，本发明还提供一种智能问诊中病患症状获取装置，所述装置包括：
初始症状提取模块，用于获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
扩展症状生成模块，用于对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
参考症状生成模块，用于利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
推荐症状筛选模块，用于从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的程序以实现上述所述的智能问诊中病患症状获取方法。
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智能问诊中病患症状获取方法。
本发明实施例中，通过对用户输入信息对应的初始症状特征进行模糊扩展，得到用户对应的扩展症状集，进一步地，利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集，最后剔除所述扩展症状集与所述参考症状集之间的重合的症状，因为重合的症状均属于扩展特征，与所述初始症状特征有一定的差距，进而剔除这部分重合的特征，进而提神了所述预设的诊断模型输出的参考症状的准确性。
附图说明
图1为本发明一实施例提供的智能问诊中病患症状获取方法的流程示意图；
图2为本发明一实施例提供的智能问诊中病患症状获取方法中其中一个步骤的详细实施流程示意图；
图3为本发明一实施例提供的智能问诊中病患症状获取方法中其中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的智能问诊中病患症状获取方法中其中另一个步骤的详细实施流程示意图；
图5为本发明一实施例提供的智能问诊中病患症状获取方法中其中另一个步骤的详细实施流程示意图；
图6为本发明一实施例提供的智能问诊中病患症状获取装置的功能模块图；
图7为本发明一实施例提供的实现所述智能问诊中病患症状获取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智能问诊中病患症状获取方法。所述智能问诊中病患症状获取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，所述智能问诊中病患症状获取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。所述服务端可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的智能问诊中病患症状获取方法的流程示意图。在本实施例中，所述一种智能问诊中病患症状获取方法包括：
S1、获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
本发明实施例中，所述一种智能问诊中病患症状获取方法适用于人机对话领域，例如，在中医智能问诊系统中，智能机器人接收并分析患者输入的信息，根据预设的人机话术机制，回复和引导患者进一步的沟通，以及根据患者输入信息获取患者病患症状，并结合医学知识，对患者进行线上治疗。
本发明实施例中，由于所述用户输入信息由自然语言组成，若直接对所述用户输入信息进行分析，会占用大量的计算资源，导致分析的效率低下，因此，可将所述用户输入信息转换为文本向量矩阵，进而将由自然语言表达的文本内容转换为数值形式。
本发明实施例中，可采用Glove(Global Vectors for Word Representation，全局词向量)、Embedding Layer等方法将所述用户输入信息转换为文本向量矩阵。
详细地，参阅图2所示，可以通过下述方法将所述用户输入信息转换为文本向量矩阵，包括：
S11、对所述用户输入信息进行分词处理，得到多个文本分词；
S12、从所述多个文本分词中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
S13、利用每一个文本分词对应的共现次数构建共现矩阵；
S14、分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
S15、利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵。
详细地，可采用预设的标准词典对所述用户输入信息进行分词处理，得到多个文本分词，所述标准词典中包含多个标准分词。
例如，将所述用户输入信息按照不同的长度在所述标准词典中进行检索，若能检索到与所述用户输入信息相同的标准分词，则可确定检索到的该标准分词为所述用户输入信息的文本分词。
示例性地，可利用每一个文本分词对应的所述共现次数构建如下所示的共现矩阵：
其中，Xi,j为所述用户输入信息中关键词i与该关键词i的相邻文本分词j的共现次数。
本发明实施例中，可采用word2vec模型、NLP(Natural Language Processing，自然语言处理)模型等具有词向量转换功能的模型分别将所述多个文本分词转换为词向量，进而将词向量拼接为所述文本内容的向量矩阵，并将所述向量矩阵与所述共现矩阵进行乘积运算，得到文本向量矩阵。
进一步地，在将所述用户输入信息转换为文本向量矩阵后，可对所述文本向量矩阵进行特征提取，以获取所述文本内容的初始症状特征，所述初始症状特征包括但不限于症状关键词、症状发生场景、症状时序时长、症状部位、症状程度等，其中所述症状关键词包括但不限于头疼、发烧、咳嗽等，所述症状发生场景包括早起刷牙恶心、按压小腹疼痛等，所述症状持续时长包括头痛三天、进半个月不舒服等，所述症状部位包括但不限于胳膊、肚子、头等，所述症状程度包括轻微、较严重、严重等。
本发明其中一个实施例中，可利用预先训练的LSTM(Long Short-Term Memory，长短期记忆网络)模型对所述用户输入信息的文本向量矩阵进行特征提取，以获取所述文本向量矩阵中的初始症状特征。
本发明另一实施实施例中，参图3所示，可以通过下述方法从所述文本向量矩阵中提取所述用户输入信息对应的初始症状特征，包括：
S16、从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
S17、按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
S18、将所述特征分词的词向量拼接得到所述用户输入信息的初始症状特征。
详细地，由于所述用户输入信息中包含大量的文本分词，但并非每一个文本分词均是该用户输入信息的特征，因此，需要对所述多个文本分词进行筛选，本发明实施例从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值，以根据所述关键值筛选出对该用户输入信息具有代表性的特征分词，以实现获取该用户输入信息的文本特征。
具体地，所述根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值，包括：
利用如下关键值算法计算所述目标分词的关键值：
其中，K为所述关键值，|W|为所述文本向量矩阵，T为矩阵转置符号，||为求模符号，为所述目标分词的词向量。
本发明实施例中，按照每一个文本分词的关键值从大到小的顺序从所述将所述多个文本分词中选取预设数量的文本分词为特征分词。
例如，所述多个文本分词包括：文本分词A、文本分词B和文本分词C，其中，文本分词A的关键值为80，文本分词B的关键值为70，文本分词C的关键值为30，若预设数量为2，则按照所述关键值从大到小的顺序，选取文本分词A和文本分词B为特征分词，并将所述文本分词A和所述文本分词B的词向量进行拼接，得到所述用户输入信息的初始症状特征。
S2、对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
本发明实施例中，所述模糊扩展是指以所述初始症状特征为中心，向相近、相反、包含及被包含等多种维度进行延伸，从而延伸出多种与所述初始症状特征存在一定关联度的扩展症状集。所述扩展特征集包括但不限于同义扩展特征、互斥扩展特征、扩展父特征及扩展子特征等类型。
示例性的，假设所述初始症状特征为“失眠多梦”，对其做同义特征扩展，可以得到“睡眠不好”、“入睡困难”、“夜寐不安”等同义扩展特征。对“失眠多梦”做互斥特征扩展，可以得到“嗜睡”、“易困”等互斥扩展特征。对“失眠多梦”做向外被包括扩展，得到对应的扩展父特征包括“抑郁”、“植物神经功能紊乱”、“内分泌功能紊乱”等、对““失眠多梦””做向里包含扩展，得到对应的扩展子特征包括“失眠”、“易醒”等。
详细地，参阅图4所示，所述对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集，包括：
S21、计算所述初始症状特征与预设的特征资源池中的每个症状特征之间的特征距离；
S22、选择所述特征距离在预设的互斥距离范围内的症状特征作为所述初始症状特征的互斥扩展特征，选择所述特征联距离小于预设的关联距离阈值的症状特征作为所述初始症状特征的同义扩展特征；
S23、利用剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池，构建所述初始症状特征的关联特征二叉树，将所述初始症状特征对应的父节点上的症状特征作为所述初始症状特征的扩展父特征，将所述初始症状特征对应的子节点上的症状特征作为所述初始症状特征的扩展子特征；
S24、汇集所述互斥扩展特征、所述同义扩展特征、所述扩展父特征及所述扩展子特征得到所述扩展症状集。
本发明实施例中，所述预设的特征资源池可以通过预设的症状字典获取，所述预设的症状字典是基于医学知识梳理的各种疾病的症状集合。
本发明实施例中，可以利用预设的马氏距离公式、欧式距离公式等算法计算所述特征距离。
本发明实施例中，当所述预设的互斥距离范围越大时，相应的所述互斥扩展特征包括的症状特征也就越多。同理，当所述预设的关联距离阈值越大时，相应的所述同义扩展特征包括的症状特征也就越多，在实际应用中，可以根据实际业务情况设置所述预设的互斥距离范围及所述预设的关联距离阈值。
详细地，所述利用剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池，构建所述初始症状特征的关联特征二叉树，包括：将剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池中每个症状特征转换为特征向量；利用预设的二叉树遍历方法，遍历每个所述特征向量，得到所有所述特征向量之间的排序；利用预设的成员函数基于所述排序生成所述关联特征二叉树。
本发明实施例中，所述预设的二叉树遍历方法可以是前序遍历或中序遍历，所述预设的成员函数可以基于C++语言或Python语言。
本发明实施例通过对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集，可以扩充所述用户输入信息包含的症状特征的范围，为后续最终症状特征的获取提供了比对或筛选的资源池。
S3、利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
本发明实施例中，所述预设的诊断模型是一种基于神经网络的机器学习模型。
详细地，参阅图5所示，所述利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集，包括：
S31、利用所述预设的诊断模型的输入层对所述初始症状特征进行向量转换为特征向量集；
S32、对所述特征向量集进行卷积池化操作，得到特征矩阵集；
S33、利用所述预设的诊断模型的flatten层对所述特征矩阵集进行拆分，并将拆分结果进行一维连接操作，得到特征序列；
S34、利用所述预设的诊断模型的全连接层对所述特征序列进行全连接操作，得到特征集合；
S35、计算所述特征集合与预设的症状标签的对应分数，选取大于预设分数的症状标签作为所述初始症状特征的参考症状集。
本发明实施例中，所述预设的诊断模型包括输入层(量化层)、卷积层、池化层、flatten层、全连接层、输出层。
本发明实施例中，利用所述输入层对所述初始症状特征进行向量转换，可以降低输入数据的数据量，增加后续特征识别时的效率，再利用所述卷积层中的各个卷积核对所述特征向量集进行提取，利用池化层对提取的卷积矩阵进行降维，得到特征矩阵集，最后通过flatten层对所述特征矩阵集进行扁平化操作，得到特征序列，最后通过全连接层及输出层进行特征识别、判断与输出，得到参考症状集。
本发明实施例中，可以利用预设的激活函数计算所述特征集合与预设的症状标签的对应分数。所述预设的激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数，所述预设的症状标签可以来自所述预设的症状字典。
本发明其中一个实施例中，可利用如下激活函数计算对应分数：
其中，p(a|x)为特征x和症状标签a之间的对应分数，wa为症状标签a的权重向量，T为求转置运算符号，exp为求期望运算符号，A为预设的症状标签的数量。
S4、从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
可以理解的是，所述参考症状集中与所述扩展症状集重合的症状是所述扩展症状集中的一部分，即包含同义扩展特征、互斥扩展特征、扩展父特征及扩展子特征等类型，该重合症状均属于扩展特征均与所述初始症状特征有一定的差距，进而剔除这部分重合特征，才能保证所述预设的诊断模型输出的参考症状的准确性。
本发明实施例中，通过对用户输入信息对应的初始症状特征进行模糊扩展，得到用户对应的扩展症状集，进一步地，利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集，最后剔除所述扩展症状集与所述参考症状集之间的重合的症状，因为重合的症状均属于扩展特征，与所述初始症状特征有一定的差距，进而剔除这部分重合的特征，进而提神了所述预设的诊断模型输出的参考症状的准确性。
如图6所示，是本发明一实施例提供的智能问诊中病患症状获取装置的功能模块图。
本发明所述智能问诊中病患症状获取装置100可以安装于电子设备中。根据实现的功能，所述智能问诊中病患症状获取装置100包括：初始症状提取模块101、扩展症状生成模块102、参考症状生成模块103及推荐症状筛选模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述初始症状提取模块101，用于获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
所述扩展症状生成模块102，用于对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
所述参考症状生成模块103，用于利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
所述推荐症状筛选模块104，用于从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
详细地，本发明实施例中所述智能问诊中病患症状获取装置100中的各个模块在使用时采用与上述的图1至图5中所述的智能问诊中病患症状获取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7所示，是本发明一实施例提供的实现智能问诊中病患症状获取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和总线，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，如智能问诊中病患症状获取程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1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1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1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1的应用软件及各类数据，例如智能问诊中病患症状获取程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如智能问诊中病患症状获取程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、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。
图7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7示出的结构并不构成对所述电子设备1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1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1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的智能问诊中病患症状获取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：
获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
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：
获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
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全息投影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)

1.一种智能问诊中病患症状获取方法，其特征在于，所述方法包括：
获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
2.如权利要求1所述的智能问诊中病患症状获取方法，其特征在于，所述根据所述用户输入信息提取所述用户对应的初始症状特征，包括：
将所述用户输入信息转换为文本向量矩阵；
从所述文本向量矩阵中，提取所述用户输入信息对应的初始症状特征。
3.如权利要求2所述的智能问诊中病患症状获取方法，其特征在于，所述将所述用户输入信息转换为文本向量矩阵，包括：
对所述用户输入信息进行分词处理，得到多个文本分词；
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数；
利用每一个文本分词对应的共现次数构建共现矩阵；
分别将所述多个文本分词转换为词向量，将所述词向量拼接为向量矩阵；
利用所述共现矩阵和所述向量矩阵进行乘积运算，得到文本向量矩阵。
4.如权利要求2所述的智能问诊中病患症状获取方法，其特征在于，所述从所述文本向量矩阵中，提取所述用户输入信息对应的初始症状特征，包括：
从所述多个文本分词中逐个选取其中一个文本分词为目标分词，根据所述目标分词的词向量及所述文本向量矩阵，计算所述目标分词的关键值；
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词；
将所述特征分词的词向量拼接得到所述用户输入信息的初始症状特征。
5.如权利要求1所述的智能问诊中病患症状获取方法，其特征在于，所述对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集，包括：
计算所述初始症状特征与预设的特征资源池中的每个症状特征之间的特征距离；
选择所述特征距离在预设的互斥距离范围内的症状特征作为所述初始症状特征的互斥扩展特征，选择所述特征距离小于预设的关联距离阈值的症状特征作为所述初始症状特征的同义扩展特征；
利用剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池，构建所述初始症状特征的关联特征二叉树，将所述初始症状特征对应的父节点上的症状特征作为所述初始症状特征的扩展父特征，将所述初始症状特征对应的子节点上的症状特征作为所述初始症状特征的扩展子特征；
汇集所述互斥扩展特征、所述同义扩展特征、所述扩展父特征及所述扩展子特征得到所述扩展症状集。
6.如权利要求5所述的智能问诊中病患症状获取方法，其特征在于，所述利用剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池，构建所述初始症状特征的关联特征二叉树，包括：
将剔除所述同义扩展特征和所述互斥扩展特征后的特征资源池中每个症状特征转换为特征向量；
利用预设的二叉树遍历方法，遍历每个所述特征向量，得到所有所述特征向量之间的排序；
利用预设的成员函数基于所述排序生成所述关联特征二叉树。
7.如权利要求1所述的智能问诊中病患症状获取方法，其特征在于，所述利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集，包括：
利用所述预设的诊断模型的输入层对所述初始症状特征进行向量转换为特征向量集；
对所述特征向量集进行卷积池化操作，得到特征矩阵集；
利用所述预设的诊断模型的flatten层对所述特征矩阵集进行拆分，并将拆分结果进行一维连接操作，得到特征序列；
利用所述预设的诊断模型的全连接层对所述特征序列进行全连接操作，得到特征集合；
计算所述特征集合与预设的症状标签的对应分数，选取大于预设分数的症状标签作为所述初始症状特征的参考症状集。
8.一种智能问诊中病患症状获取装置，其特征在于，所述装置包括：
初始症状提取模块，用于获取用户输入信息，根据所述用户输入信息提取所述用户对应的初始症状特征；
扩展症状生成模块，用于对所述初始症状特征进行模糊扩展，得到所述用户对应的扩展症状集；
参考症状生成模块，用于利用预设的诊断模型根据所述初始症状特征生成所述用户对应的参考症状集；
推荐症状筛选模块，用于从所述参考症状集中，剔除所述参考症状集与所述扩展症状集之间重合的症状，得到所述用户对应的推荐症状集。
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中任意一项所述的智能问诊中病患症状获取方法。
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中任意一项所述的智能问诊中病患症状获取方法。
CN202310626127.3A 2023-05-30 2023-05-30 智能问诊中病患症状获取方法、装置、设备及存储介质 Pending CN116913553A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310626127.3A CN116913553A (zh) 2023-05-30 2023-05-30 智能问诊中病患症状获取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310626127.3A CN116913553A (zh) 2023-05-30 2023-05-30 智能问诊中病患症状获取方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116913553A true CN116913553A (zh) 2023-10-20

Family

ID=88365657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310626127.3A Pending CN116913553A (zh) 2023-05-30 2023-05-30 智能问诊中病患症状获取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116913553A (zh)

Similar Documents

Publication Publication Date Title
CN109599185B (zh) 疾病数据处理方法、装置、电子设备及计算机可读介质
US20210034813A1 (en) Neural network model with evidence extraction
CN112447300B (zh) 基于图神经网络的医疗查询方法、装置、计算机设备及存储介质
CN113611405A (zh) 一种体检项目推荐方法、装置、设备及介质
CN113111162A (zh) 科室推荐方法、装置、电子设备及存储介质
CN113722483A (zh) 话题分类方法、装置、设备及存储介质
CN115221276A (zh) 基于clip的中文图文检索模型训练方法、装置、设备及介质
CN113706322A (zh) 基于数据分析的服务分发方法、装置、设备及存储介质
CN114398557A (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN113111159A (zh) 问答记录生成方法、装置、电子设备及存储介质
CN115910319A (zh) 耳科问诊辅助方法、装置、电子设备及存储介质
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
CN113821602B (zh) 基于图文聊天记录的自动答疑方法、装置、设备及介质
CN113707323B (zh) 基于机器学习的疾病预测方法、装置、设备及介质
CN114420279A (zh) 一种医疗资源推荐方法、装置、设备及存储介质
CN113821587A (zh) 文本相关性确定方法、模型训练方法、装置及存储介质
CN113761192A (zh) 文本处理方法、文本处理装置及文本处理设备
CN116522944A (zh) 基于多头注意力的图片生成方法、装置、设备及介质
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
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN116701635A (zh) 培训视频文本二分类方法、装置、设备及存储介质
CN116705304A (zh) 基于图像文本的多模态任务处理方法、装置、设备及介质
CN116737933A (zh) 文本分类方法、装置、电子设备及计算机可读存储介质
CN116741358A (zh) 问诊挂号推荐方法、装置、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

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