CN117079809A - 基于生成式模型构建导医场景助手的方法和系统、设备 - Google Patents
基于生成式模型构建导医场景助手的方法和系统、设备 Download PDFInfo
- Publication number
- CN117079809A CN117079809A CN202311351953.8A CN202311351953A CN117079809A CN 117079809 A CN117079809 A CN 117079809A CN 202311351953 A CN202311351953 A CN 202311351953A CN 117079809 A CN117079809 A CN 117079809A
- Authority
- CN
- China
- Prior art keywords
- prompt
- user
- medical
- model
- generated
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 201000010099 disease Diseases 0.000 claims abstract description 202
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 202
- 208000024891 symptom Diseases 0.000 claims abstract description 104
- 238000003745 diagnosis Methods 0.000 claims abstract description 28
- 230000002452 interceptive effect Effects 0.000 claims abstract description 21
- 238000011161 development Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 18
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 12
- 238000003058 natural language processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 5
- 208000017667 Chronic Disease Diseases 0.000 description 4
- 241001122315 Polites Species 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 101150054987 ChAT gene Proteins 0.000 description 3
- 101100203187 Mus musculus Sh2d3c gene Proteins 0.000 description 3
- 208000009453 Thyroid Nodule Diseases 0.000 description 3
- 208000024770 Thyroid neoplasm Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010000084 Abdominal pain lower Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002682 general surgery Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010010144 Completed suicide Diseases 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了一种基于生成式模型构建导医场景助手的方法和系统、使用导医场景助手进行智能导诊的方法、电子设备及存储介质,涉及人工智能技术领域。该基于生成式模型构建导医场景助手的方法基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板;基于导医路径信息搭建导医推理控制逻辑;结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手。本实施例构建的导医场景助手,引导用户提供更多的疾病和/或症状的描述信息,收集更准确地用于导医的信息;同时导医服务具有非常强的医学专业性,涉及到医学专业信息方面的将通过导医推理控制逻辑和生成式模型结合的方式达到导医过程的精准性,实现高效和准确地导医的目的。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于生成式模型构建导医场景助手的方法和系统、使用导医场景助手进行智能导诊的方法、电子设备及存储介质。
背景技术
在现有的医疗行业中,导医服务扮演着重要的角色。目前导医服务主要通过以下几种方式进行:
(1)人工导医:由专业医务人员担任导医,为患者提供医疗咨询和指导服务。这种方式的缺点是成本较高,且无法满足所有患者的需求。
(2)基于网页或APP(应用程序)的导医:在网页或APP上展示症状、疾病等选项,患者选择症状或疾病提交后,系统匹配相应的导医信息,例如科室、医院或者医生等信息。这种方式的缺点是网页或APP上展示的症状、疾病等选项是固定的,患者在这些固定的选项中可能找不到自己需要的选项,无法满足患者的需求。
(3)电话导医:通过电话为患者提供医疗咨询和指导服务。这种方式的缺点是无法获得患者的详细信息,有时会给患者带来不便。
以上是目前导医服务的几种常见方式,但都存在一些局限性。因此,亟待解决这一技术问题。
发明内容
鉴于上述问题,提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的基于生成式模型构建导医场景助手的方法和系统、使用导医场景助手进行智能导诊的方法、电子设备及存储介质。所述技术方案如下:
第一方面,提供了一种基于生成式模型构建导医场景助手的方法,包括:
基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板;
基于导医路径信息搭建导医推理控制逻辑;
结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手;
其中,所述基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板,包括:
基于导医路径信息设计用于将生成式模型定位为导诊医生角色的第一提示,设计用于向生成式模型询问用户问题是否和导诊相关的第二提示,设计用于向生成式模型询问用户问题中描述的是症状还是疾病的第三提示,设计用于向生成式模型询问用户问题中描述的是什么疾病以及对应的科室是什么的第四提示,设计用于向生成式模型询问用户问题中描述的是什么症状以及对应的疾病有哪些的第五提示,设计用于向生成式模型询问多个疾病对应的症状有哪些的第六提示,设计用于向生成式模型询问推荐的疾病或者单个疾病对应的科室是什么的第七提示;
结合第一提示、第二提示、第三提示、第四提示、第五提示、第六提示以及第七提示,开发与生成式模型进行交互式导医的提示工程模板;
所述基于导医路径信息搭建导医推理控制逻辑,包括:
基于导医路径信息,当接收到用户问题时,将第一提示提供给生成式模型,并接收生成式模型根据第一提示生成的第一内容;接着,将第二提示提供给生成式模型,并接收生成式模型根据第二提示生成的第二内容;若第二内容是表示用户问题和导医无关,则生成用户问题和导医无关的提示信息,并展示给用户;若第二内容是表示用户问题和导医相关,则将第三提示提供给生成式模型,并接收生成式模型根据第三提示生成的第三内容;
若第三内容是表示用户问题中描述的是疾病,则将第四提示提供给生成式模型,并接收生成式模型根据第四提示生成的第四内容;判断第四内容中是否对应多个疾病,若第四内容中对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示给用户;若第四内容中对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示给用户;
若第三内容是表示用户问题中描述的是症状,则将第五提示提供给生成式模型,并接收生成式模型根据第五提示生成的第五内容;判断第五内容中是否对应多个疾病,若第五内容中对应多个疾病,则将第六提示提供给生成式模型,并接收生成式模型根据第六提示生成的第六内容,生成用于用户选择症状的界面,并根据用户选择的目标症状推荐疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户;若第五内容中对应单个疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户。
在一种可能的实现方式中,所述第六提示中的多个疾病是基于疾病发生概率从第五内容对应的多个疾病中筛选得到的。
在一种可能的实现方式中,所述提示工程模板还包括:基于导医路径信息设计的用于向生成式模型询问从选取的医院的医生公开简介信息中提取医生擅长的疾病信息和/或症状信息的第八提示;
所述基于导医路径信息搭建导医推理控制逻辑,还包括:
当接收到用户选取的医院时,将第八提示提供给生成式模型,并接收生成式模型根据第八提示生成的第八内容;
根据第八内容中的医生擅长的疾病信息和/或症状信息,结合用户的疾病信息和/或症状信息,匹配目标医生,并将目标医生提供给用户。
在一种可能的实现方式中,所述结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手,包括:
基于生成式模型构建端到端的应用程序的技术框架,结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手的应用程序。
第二方面,提供了一种使用导医场景助手进行智能导诊的方法,所述导医场景助手是根据上述的基于生成式模型构建导医场景助手的方法构建的,所述使用导医场景助手进行智能导诊的方法包括:
响应于用户提交的用户问题,执行导医场景助手的导医推理控制逻辑,结合用户问题和提示工程模板,与生成式模型进行交互式导医,为用户提供智能导诊信息。
第三方面,提供了一种基于生成式模型构建导医场景助手的系统,包括:
开发模块,用于基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板;
搭建模块,用于基于导医路径信息搭建导医推理控制逻辑;
构建模块,用于结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手;
其中,所述开发模块还用于:
基于导医路径信息设计用于将生成式模型定位为导诊医生角色的第一提示,设计用于向生成式模型询问用户问题是否和导诊相关的第二提示,设计用于向生成式模型询问用户问题中描述的是症状还是疾病的第三提示,设计用于向生成式模型询问用户问题中描述的是什么疾病以及对应的科室是什么的第四提示,设计用于向生成式模型询问用户问题中描述的是什么症状以及对应的疾病有哪些的第五提示,设计用于向生成式模型询问多个疾病对应的症状有哪些的第六提示,设计用于向生成式模型询问推荐的疾病或者单个疾病对应的科室是什么的第七提示;
结合第一提示、第二提示、第三提示、第四提示、第五提示、第六提示以及第七提示,开发与生成式模型进行交互式导医的提示工程模板;
所述搭建模块还用于:
基于导医路径信息,当接收到用户问题时,将第一提示提供给生成式模型,并接收生成式模型根据第一提示生成的第一内容;接着,将第二提示提供给生成式模型,并接收生成式模型根据第二提示生成的第二内容;若第二内容是表示用户问题和导医无关,则生成用户问题和导医无关的提示信息,并展示给用户;若第二内容是表示用户问题和导医相关,则将第三提示提供给生成式模型,并接收生成式模型根据第三提示生成的第三内容;
若第三内容是表示用户问题中描述的是疾病,则将第四提示提供给生成式模型,并接收生成式模型根据第四提示生成的第四内容;判断第四内容中是否对应多个疾病,若第四内容中对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示给用户;若第四内容中对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示给用户;
若第三内容是表示用户问题中描述的是症状,则将第五提示提供给生成式模型,并接收生成式模型根据第五提示生成的第五内容;判断第五内容中是否对应多个疾病,若第五内容中对应多个疾病,则将第六提示提供给生成式模型,并接收生成式模型根据第六提示生成的第六内容,生成用于用户选择症状的界面,并根据用户选择的目标症状推荐疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户;若第五内容中对应单个疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户。
在一种可能的实现方式中,所述第六提示中的多个疾病是基于疾病发生概率从第五内容对应的多个疾病中筛选得到的。
在一种可能的实现方式中,所述提示工程模板还包括:基于导医路径信息设计的用于向生成式模型询问从选取的医院的医生公开简介信息中提取医生擅长的疾病信息和/或症状信息的第八提示;
所述搭建模块还用于:
当接收到用户选取的医院时,将第八提示提供给生成式模型,并接收生成式模型根据第八提示生成的第八内容;
根据第八内容中的医生擅长的疾病信息和/或症状信息,结合用户的疾病信息和/或症状信息,匹配目标医生,并将目标医生提供给用户。
第四方面,提供了一种电子设备,该电子设备包括处理器和存储器,其中,所述存储器中存储有计算机程序,所述处理器被配置为运行所述计算机程序以执行上述任一项所述的基于生成式模型构建导医场景助手的方法或者使用导医场景助手进行智能导诊的方法。
第五方面,提供了一种存储介质,所述存储介质存储有计算机程序,其中,所述计算机程序被配置为运行时执行上述任一项所述的基于生成式模型构建导医场景助手的方法或者使用导医场景助手进行智能导诊的方法。
借由上述技术方案,本申请实施例提供的基于生成式模型构建导医场景助手的方法和系统、使用导医场景助手进行智能导诊的方法、电子设备及存储介质,该基于生成式模型构建导医场景助手的方法基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板;基于导医路径信息搭建导医推理控制逻辑;结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手。可以看到,本申请实施例构建的导医场景助手,基于提示工程模板与生成式模型进行交互,可以引导用户提供更多的疾病和/或症状的描述信息,并基于生成式模型的自然语言处理、图像处理或语音处理等能力,收集更多更准确地用于导医的信息;同时,导医服务具有非常强的医学专业性,涉及到医学专业信息方面的将通过导医推理控制逻辑和生成式模型结合的方式达到导医过程的精准性,从而实现高效和准确地导医的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1示出了本申请实施例提供的基于生成式模型构建导医场景助手的方法的流程图;
图2示出了本申请实施例提供的使用导医场景助手进行智能导诊的方法的流程图;
图3示出了本申请实施例提供的基于生成式模型构建导医场景助手的系统的结构图;
图4示出了本申请实施例提供的一种电子设备的结构图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。
如前文介绍,目前的导医服务通过人工或者有固定症状、疾病等选项的网页或APP来实现,这些方式都存在一些局限性。为了解决这一技术问题,本申请实施例提供了一种基于生成式模型构建导医场景助手的方法,如图1所示,该基于生成式模型构建导医场景助手的方法可以包括以下步骤S101至S103:
步骤S101,基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板。
在该步骤之前,可以融合医学知识库、专家经验和导医场景等设计导医路径,生成导医路径信息。
生成式模型是具有自然语言处理、图像处理或语音处理等能力,且具有文本、图片、音频、视频等内容生成能力的模型或大模型。结合深度学习的预训练手段的生成式模型称为生成式预训练模型。
大模型,也称大语言模型(Large Language Model,LLM),第一,顾名思义是规模大,网络参数达到百亿、千亿甚至更多的规模;第二,通用性,是指不限于专门问题或领域;第三,涌现性,即产生预料之外的新能力。
提示工程模板中的提示(Prompt),是为生成式模型提供的一段文本或问题,用于指导生成式模型生成特定类型的文本或回答。Prompt可以是一句话、一个问题、一篇文章或者一个主题等,它可以引导生成式模型生成与Prompt相关的信息或者回答。
例如,当给定问题“什么是人工智能?”时,生成式模型可以生成一篇关于人工智能的文章或者回答。
又如,当给定提示是“你现在是医院负责导医服务的医生小姐姐小诺,用户问了跟导医无关的问题,请礼貌拒绝,请以30个字以内回答”,生成式模型可以生成“非常抱歉,我只负责医院的导诊服务,不涉及其他领域的问题。如有医疗相关疑问,请随时咨询”的内容。
Prompt可以提高生成式模型的生成质量和效率,减少生成无意义或不相关的内容的概率。同时,Prompt也可以用于对比实验,用不同的Prompt来测试模型的生成能力和效果。
在本实施例中,可以通过设计、优化和评估输入的Prompt来引导生成式模型生成期望的输出,即找到最佳方式向生成式模型提问,以获得最有用、最准确的回答。
步骤S102,基于导医路径信息搭建导医推理控制逻辑。
步骤S103,结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手。
本申请实施例构建的导医场景助手,基于提示工程模板与生成式模型进行交互,可以引导用户提供更多的疾病和/或症状的描述信息,并基于生成式模型的自然语言处理、图像处理或语音处理等能力,收集更多更准确地用于导医的信息;同时,导医服务具有非常强的医学专业性,涉及到医学专业信息方面的将通过导医推理控制逻辑和生成式模型结合的方式达到导医过程的精准性,从而实现高效和准确地导医的目的。
本申请实施例中提供了一种可能的实现方式,上面步骤S101基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板,具体可以包括以下步骤A1和A2:
步骤A1,基于导医路径信息设计用于将生成式模型定位为导诊医生角色的第一提示,设计用于向生成式模型询问用户问题是否和导诊相关的第二提示,设计用于向生成式模型询问用户问题中描述的是症状还是疾病的第三提示,设计用于向生成式模型询问用户问题中描述的是什么疾病以及对应的科室是什么的第四提示,设计用于向生成式模型询问用户问题中描述的是什么症状以及对应的疾病有哪些的第五提示,设计用于向生成式模型询问多个疾病对应的症状有哪些的第六提示,设计用于向生成式模型询问推荐的疾病或者单个疾病对应的科室是什么的第七提示;
步骤A2,结合第一提示、第二提示、第三提示、第四提示、第五提示、第六提示以及第七提示,开发与生成式模型进行交互式导医的提示工程模板。
本实施例的导医路径信息中融合了医学知识库、专家经验和导医场景等,结合导医路径信息设计多个提示来实现落地,可以引导用户提供更多的疾病和/或症状的描述信息,并基于生成式模型的自然语言处理、图像处理或语音处理等能力,收集更多更准确地用于导医的信息。
本申请实施例中提供了一种可能的实现方式,上面步骤S102基于导医路径信息搭建导医推理控制逻辑,具体可以包括以下步骤B1至B3:
步骤B1,基于导医路径信息,当接收到用户问题时,将第一提示提供给生成式模型,并接收生成式模型根据第一提示生成的第一内容;接着,将第二提示提供给生成式模型,并接收生成式模型根据第二提示生成的第二内容;若第二内容是表示用户问题和导医无关,则生成用户问题和导医无关的提示信息,并展示给用户;若第二内容是表示用户问题和导医相关,则将第三提示提供给生成式模型,并接收生成式模型根据第三提示生成的第三内容;
步骤B2,若第三内容是表示用户问题中描述的是疾病,则将第四提示提供给生成式模型,并接收生成式模型根据第四提示生成的第四内容;判断第四内容中是否对应多个疾病,若第四内容中对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示给用户;若第四内容中对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示给用户;
步骤B3,若第三内容是表示用户问题中描述的是症状,则将第五提示提供给生成式模型,并接收生成式模型根据第五提示生成的第五内容;判断第五内容中是否对应多个疾病,若第五内容中对应多个疾病,则将第六提示提供给生成式模型,并接收生成式模型根据第六提示生成的第六内容,生成用于用户选择症状的界面,并根据用户选择的目标症状推荐疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户;若第五内容中对应单个疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户。
本实施例基于导医路径信息搭建了导医推理控制逻辑,由于导医服务具有非常强的医学专业性,涉及到医学专业信息方面的将通过导医推理控制逻辑和生成式模型结合的方式达到导医过程的精准性,从而实现高效和准确地导医的目的。
本申请实施例中提供了一种可能的实现方式,上面步骤B3提及的第六提示中的多个疾病是基于疾病发生概率从第五内容对应的多个疾病中筛选得到的。本实施例中由于导诊不是精确诊断,不对发病率较低的疾病进行预诊,基于疾病发生概率从第五内容对应的多个疾病中筛选得到疾病发生率排前的疾病,可以截断长尾效应。这里,可以是排名前5或排名前3等,具体可以根据实际需求进行设置,本实施例对此不作限制。
本申请实施例中提供了一种可能的实现方式,上面提及的提示工程模板还可以包括:基于导医路径信息设计的用于向生成式模型询问从选取的医院的医生公开简介信息中提取医生擅长的疾病信息和/或症状信息的第八提示。则步骤S102基于导医路径信息搭建导医推理控制逻辑,还可以包括以下步骤B4和B5:
步骤B4,当接收到用户选取的医院时,将第八提示提供给生成式模型,并接收生成式模型根据第八提示生成的第八内容;
步骤B5,根据第八内容中的医生擅长的疾病信息和/或症状信息,结合用户的疾病信息和/或症状信息,匹配目标医生,并将目标医生提供给用户。
本实施例中使用生成式模型提取医生擅长的疾病信息和/或症状信息,并结合导医推理控制逻辑与生成式模型交互得到的用户的疾病信息和/或症状信息,匹配目标医生,并将目标医生提供给用户,导医结果更加高效和精准。
本申请实施例中提供了一种可能的实现方式,上面步骤S103结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手,具体可以包括以下步骤C1:
步骤C1,基于生成式模型构建端到端的应用程序的技术框架,结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手的应用程序。
该步骤中,具体可以采用LangChain(语言链)技术框架。LangChain是一个开源的技术框架,旨在帮助开发人员使用生成式模型构建端到端的应用程序。该框架提供了一组工具、组件和接口,简化了将生成式模型和聊天模型与外部数据结合使用的过程。
在LangChain中,Component(组成部分)是模块化的构建块,可以组合起来创建强大的应用程序。Chain(链)是组合在一起以完成特定任务的一系列Components(或其他Chain)。例如,一个Chain可能包括一个Prompt模板、一个生成式模型和一个输出解析器,它们一起工作以处理用户输入、生成响应并处理输出。
LangChain的核心概念还包括管理和交互生成式模型的组件,将多个组件链接在一起,并集成额外的资源,例如API(应用程序接口)和数据库。这个框架的功能使得开发人员可以轻松管理和使用生成式模型,简化开发过程,并快速增强模型的能力。
基于同一发明构思,本申请实施例还提供了一种使用导医场景助手进行智能导诊的方法,具体可以是响应于用户提交的用户问题,执行导医场景助手的导医推理控制逻辑,结合用户问题和提示工程模板,与生成式模型进行交互式导医,为用户提供智能导诊信息,如科室、医院、医生等信息。
以上介绍了图1所示实施例的各个环节的多种实现方式,下面将通过具体实施例对本申请实施例的基于生成式模型构建导医场景助手的方法和使用导医场景助手进行智能导诊的方法做进一步说明。
结合目前导医服务存在的局限性,本实施例进行了如下创新性地实践,提供了基于生成式模型构建导医场景助手的原理概述、技术方案和导医场景流程图。
一、原理概述。
1、通过开发基于生成式模型的提示工程分离完成具体任务的能力,再根据导医场景需求将分离出的能力进行重新组合,以达到交互式导医效果。
2、导医服务具有非常强的医学专业性,涉及到医学专业信息方面的将通过本地知识库和生成式模型的方式以达到导医过程的精准性。
3、各个环节能力依据融合医学知识库、专家经验和导医场景等设计的导医路径,通过LangChain技术框架来实现。
二、技术方案。
1、导医对话过程中涉及到的基于生成式模型的NLP(Natural LanguageProcessing,自然语言处理)技术包括:
问题分类:问题是否跟医学相关、问题是否跟导医相关等;
关键信息提取:用户导医对话中提及的症状信息、疾病信息等;
信息标准化:疾病信息标准化、症状信息标准化等。
以上技术能力均通过基于生成式模型开发具备相应能力的提示工程模板以满足需求。
2、推理能力构建。
疾病导诊的推断路径通常是较为复杂的,鉴于导医场景助手的目标是给用户推荐就诊科室,本实施例设计了一个简单高效的路径推断方式,可以在3个问题回合内推断出应该去就诊的科室。
以下(1)、(2)、(3)和(4)是融合医学知识库、专家经验和导医场景等设计导医路径,生成的导医路径信息。
(1)用户在进行导医咨询之前,经用户知晓和授权,用户需要提供年龄、性别、城市信息。
(2)用户只提供明确的疾病诊断信息,直接根据年龄、性别、疾病诊断进行就诊科室推荐。
(3)用户只提供症状描述信息:
a、根据年龄、性别、症状查询出所有候选疾病;
b、如果候选疾病指向同一科室确定就诊科室推荐;
c、如果候选疾病指向不同科室,选择候选疾病发生率排前5或排前3的疾病(由于导诊不是精确诊断,不对发病率较低的疾病进行预诊,截断长尾效应),并计算排前5或排前3疾病区分度最高的症状并以对话方式问用户是否存在类似症状以便于进一步推断可能的疾病;
d、根据用户反馈重复上述a、b、c过程,直到能够唯一确定就诊科室。
(4)用户同时提供症状信息和疾病信息:
按照上述(3)进行,其中子流程 a 中输入信息为:年龄、性别、症状和疾病。
3、推荐就医策略。
医院、科室推荐:根据初诊疾病诊断对应的疾病类型(重疾、急症、重症慢性病、普通慢性病、轻症)采用不同的推荐策略。
推荐策略1:针对普通慢性病、轻症采取距离优先的策略,距离患者最近的三甲医院相应科室医生即可。
推荐策略2:重疾、重症慢性病按照用户选择范围内(本市、本省、全国)的权威专家。
推荐策略3:急症直接推荐拨打急救电话。
4、医生推荐排名计算。
医生公开简介信息中,通过生成式模型的NLP技术提炼医生擅长疾病、症状信息并将其进行语义向量化,并将向量进行本地化存储;结合用户聊天交互过程中提及的疾病、症状按照同样的方式进行向量化。
在选定医院、科室的前提下通过计算向量相似度计算匹配度作为专家排名的基础,再结合专家库专家排名进行权重调整。
三、导医场景流程图。
如图2所示,导医流程1.1包括导医前台/用户、本地GPT(Generative Pre-trainedTransformer,生成式预训练的变换器)和导医后台。Transfomer是自然语言处理领域中的一种模型,能对海量文本进行并行处理,它使用的是一种特殊的机制,称为自注意力(self-attention)机制。这里的本地GPT可以是GPT部署在本地,也可以是通过接口调用部署在云端的GPT,实现本地GPT的调用效果。这里的GPT是一种生成式预训练模型。
参见图2,具体包括用户提问定位、疾病推荐科室、症状推荐科室。
首先是用户或患者通过导医前台/用户进行提问,导医后台响应用户或患者的提问,将第一提示提供给生成式模型,并接收生成式模型根据第一提示生成的第一内容(即,导医后台将导诊初始提示词作为第一提示提供给本地GPT,本地GPT根据导诊初始提示词准备作答,将作答内容提交给导医后台,这里的导诊初始提示词,例如可以是“你现在是医院负责导医导诊服务的医生小姐姐小诺,用户问了跟导医导诊无关的问题,请礼貌拒绝,请以30个字以内回答”,需要说明的是,此处例举仅是示意,并不对本实施例进行限制)。
接着,导医后台将第二提示提供给生成式模型,并接收生成式模型根据第二提示生成的第二内容(即,导医后台发送用户问题给本地GPT,也就是说,导医后台将询问用户问题是否和导诊相关的第二提示提供给本地GPT,然后本地GPT根据第二提示判断用户问题是否和导医导诊相关);若第二内容是表示用户问题和导医无关,则生成用户问题和导医无关的提示信息,并展示给用户(即,用户问题和导医导诊无关,则导医前台/用户提示用户和导医导诊无关);若第二内容是表示用户问题和导医相关,则将第三提示提供给生成式模型,并接收生成式模型根据第三提示生成的第三内容(即,用户问题和导医导诊相关,则导医后台向本地GPT询问用户描述的是症状还是疾病,从而本地GPT判断用户问题中描述的是症状还是疾病)。
接下来,若第三内容是表示用户问题中描述的是疾病,则将第四提示提供给生成式模型,并接收生成式模型根据第四提示生成的第四内容(即,用户问题中描述的是疾病,则导医后台向本地GPT询问什么疾病及对应科室,本地GPT回答疾病及科室并提交给导医后台);判断第四内容中是否对应多个疾病,若第四内容中对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示给用户;若第四内容中对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示给用户(即,导医后台判断是否对应多个疾病,若对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示医院排名给用户;若对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示医院排名给用户)。
若第三内容是表示用户问题中描述的是症状,则将第五提示提供给生成式模型,并接收生成式模型根据第五提示生成的第五内容(即,用户问题中描述的是症状,则导医后台向本地GPT询问症状对应的疾病有哪些,本地GPT回答症状对应疾病并提交给导医后台)。
判断第五内容中是否对应多个疾病,若第五内容中对应多个疾病,则将第六提示提供给生成式模型,并接收生成式模型根据第六提示生成的第六内容,生成用于用户选择症状的界面,并根据用户选择的目标症状推荐疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户(即,导医后台判断是否对应多个疾病,若对应多个疾病,则导医后台向本地GPT询问多个疾病对应的症状有哪些,本地GPT回答疾病对应症状并提交给导医前台/用户,导医前台/用户生成用于用户选择症状的界面,将用户选择的目标症状提交给导医后台;导医后台根据用户选择的目标症状推荐疾病,并向本地GPT询问推荐疾病对应的科室;本地GPT回答推荐疾病对应的科室并提交给导医后台;导医后台根据科室推荐一个或多个医院,并展示医院排名给用户)。
若第五内容中对应单个疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户(即,若对应单个疾病,则导医后台向本地GPT询问单个疾病对应的科室;本地GPT回答单个疾病对应的科室并提交给导医后台;导医后台根据科室推荐一个或多个医院,并展示医院排名给用户)。
结合图2,下面提供使用导医场景助手进行精准导医的例子。
例子1,用户询问疾病。
用户问题:本人甲状腺结节弹性评分3分,无症状,请问要去哪里复查?
处理流程:
1)发送角色定位提示词:通过提示或者指令,将GPT定位为导诊医生角色;
提示工程词:“你现在是医院负责导医导诊服务的医生小姐姐小诺,用户问了跟导医导诊无关的问题,请礼貌拒绝,请以30个字以内回答”。
2)发送用户的问题,并询问此问题是否和导诊相关,回答:'yes';
提示工程词:“请问这个问题跟导诊相关吗,回答'yes'或者'no'”。
3)继续询问GPT用户描述是症状还是疾病,提取对话中疾病信息;
提示工程词:以上是一段对话,请提取对话中的症状描述,疾病名称,并根据语义判断是否想咨询检查指标相关问题,如果没有出现则为空,请以json(一种轻量级的数据交换格式)进行输出,比如{"症状描述": "下腹痛", "疾病名称": "", "是否问体检指标":"否"}。
4)继续询问GPT,用户描述的是什么疾病以及对应的科室是什么,回答:甲状腺结节,普外科;
提示工程词:“你现在是医院负责导诊服务的医生小姐姐小诺,请告诉用户+<步骤3)中提取的疾病信息>+应该去哪个科室就诊”。
5)定位用户所在城市,基于知识库,为用户推荐普外科排名前3的医院。
6)用户选择医院,根据用户咨询疾病,将擅长甲状腺结节的专家排名提前展示。
在上面的实施例中,提示工程词仅是示意性的,可以根据GPT的回答情况进行优化调整或微调。
例子2,用户询问症状。
用户问题:女儿精神异常,近期因学习问题打了她一下,就用刀划伤。遇到不开心事总有自杀想法。情绪低落,上课记性不好,讨厌老师同学,易想不开心事,对父母言行举止敏感,晚上十二点到二点睡,多恶梦,早上起床不醒。该去哪里就诊?
处理流程:
(1)发送角色定位提示词:通过提示或者指令,将GPT定位为导诊医生角色;
提示工程词:“你现在是医院负责导诊服务的医生小姐姐小诺,用户问了跟导诊无关的问题,请礼貌拒绝,请以30个字以内回答”。
(2)发送用户的问题,并询问此问题是否和导诊相关,回答:'yes';
提示工程词:“请问这个问题跟导诊相关吗,回答'yes'或者'no'”。
(3)继续询问GPT用户描述是症状还是疾病,提取对话中症状信息;
提示工程词1:以上是一段对话,请提取对话中的症状描述,疾病名称,并根据语义判断是否想咨询检查指标相关问题,如果没有出现则为空,请以json格式进行输出,比如{"症状描述": "下腹痛", "疾病名称": "", "是否问体检指标": "否"};
提示工程词2:<上述提示工程词1中提取的症状信息>可能导致的一些常见疾病的json格式输出,输出格式如{"疾病名称": "XXX", "症状":["XXX","XXX","XXX","XXX"],"治疗方法": ["XXX","XXX"],"就诊科室": ["XXX","XXX"]};
提示工程词3:<上述提示工程词2中输出的疾病信息>+“初诊过程中,可以通过哪些症状进行区分,请以json格式输出,比如{"疾病名称": "偏头痛", "症状": "","就诊科室": ""}”。
(4)将上述提示工程3中的症状作为选项,提示用户选择最接近的症状,输出的疾病名称,就诊科室可以不予以前端显示,仅用于后台记录。根据用户选择得出初诊结论及应该就诊的科室。
(5)定位用户所在城市,基于知识库,为用户推荐精神科排名前3的医院。
(6)用户选择医院,根据用户咨询疾病,将擅长抑郁症的专家排名提前展示。
需要说明的是,上述列举的用户问题、提示工程词内容等仅是示意性的,并不对本实施例进行限制。
本实施例可以实现如下技术效果:
1、通过聊天交互可以引导用户提供更多疾病和症状描述信息,以便于更加精准进行导医服务;
2、基于专家经验、疾病发病率、疾病知识库等提出一种疾病导医导诊最短交互路径的方法;
3、根据不同就诊诉求,疾病复杂程度采用不同的推荐策略,从而达到用户就诊需求的满足与社会医疗资源合理分配之间达到平衡,一定程度上达到分级导诊的效果。
需要说明的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。实际应用中,上述所有可能的实施方式可以采用结合的方式任意组合,形成本申请的可能的实施例,在此不再一一赘述。
基于上文各个实施例提供的基于生成式模型构建导医场景助手的方法,基于同一发明构思,本申请实施例还提供了一种基于生成式模型构建导医场景助手的系统。
图3是本申请实施例提供的基于生成式模型构建导医场景助手的系统的结构图。如图3所示,该基于生成式模型构建导医场景助手的系统具体可以包括开发模块310、搭建模块320以及构建模块330。
开发模块310,用于基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板;
搭建模块320,用于基于导医路径信息搭建导医推理控制逻辑;
构建模块330,用于结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手;
其中,所述开发模块310还用于:
基于导医路径信息设计用于将生成式模型定位为导诊医生角色的第一提示,设计用于向生成式模型询问用户问题是否和导诊相关的第二提示,设计用于向生成式模型询问用户问题中描述的是症状还是疾病的第三提示,设计用于向生成式模型询问用户问题中描述的是什么疾病以及对应的科室是什么的第四提示,设计用于向生成式模型询问用户问题中描述的是什么症状以及对应的疾病有哪些的第五提示,设计用于向生成式模型询问多个疾病对应的症状有哪些的第六提示,设计用于向生成式模型询问推荐的疾病或者单个疾病对应的科室是什么的第七提示;
结合第一提示、第二提示、第三提示、第四提示、第五提示、第六提示以及第七提示,开发与生成式模型进行交互式导医的提示工程模板;
所述搭建模块320还用于:
基于导医路径信息,当接收到用户问题时,将第一提示提供给生成式模型,并接收生成式模型根据第一提示生成的第一内容;接着,将第二提示提供给生成式模型,并接收生成式模型根据第二提示生成的第二内容;若第二内容是表示用户问题和导医无关,则生成用户问题和导医无关的提示信息,并展示给用户;若第二内容是表示用户问题和导医相关,则将第三提示提供给生成式模型,并接收生成式模型根据第三提示生成的第三内容;
若第三内容是表示用户问题中描述的是疾病,则将第四提示提供给生成式模型,并接收生成式模型根据第四提示生成的第四内容;判断第四内容中是否对应多个疾病,若第四内容中对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示给用户;若第四内容中对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示给用户;
若第三内容是表示用户问题中描述的是症状,则将第五提示提供给生成式模型,并接收生成式模型根据第五提示生成的第五内容;判断第五内容中是否对应多个疾病,若第五内容中对应多个疾病,则将第六提示提供给生成式模型,并接收生成式模型根据第六提示生成的第六内容,生成用于用户选择症状的界面,并根据用户选择的目标症状推荐疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户;若第五内容中对应单个疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户。
本申请实施例中提供了一种可能的实现方式,所述第六提示中的多个疾病是基于疾病发生概率从第五内容对应的多个疾病中筛选得到的。
本申请实施例中提供了一种可能的实现方式,所述提示工程模板还包括:基于导医路径信息设计的用于向生成式模型询问从选取的医院的医生公开简介信息中提取医生擅长的疾病信息和/或症状信息的第八提示;所述搭建模块320还用于:
当接收到用户选取的医院时,将第八提示提供给生成式模型,并接收生成式模型根据第八提示生成的第八内容;
根据第八内容中的医生擅长的疾病信息和/或症状信息,结合用户的疾病信息和/或症状信息,匹配目标医生,并将目标医生提供给用户。
本申请实施例中提供了一种可能的实现方式,所述构建模块330还用于:
基于生成式模型构建端到端的应用程序的技术框架,结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手的应用程序。
基于同一发明构思,本申请实施例还提供了一种电子设备,包括处理器和存储器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述任意一个实施例的基于生成式模型构建导医场景助手的方法或者使用导医场景助手进行智能导诊的方法。
在示例性的实施例中,提供了一种电子设备,如图4所示,图4所示的电子设备400包括:处理器401和存储器403。其中,处理器401和存储器403相连,如通过总线402相连。可选地,电子设备400还可以包括收发器404。需要说明的是,实际应用中收发器404不限于一个,该电子设备400的结构并不构成对本申请实施例的限定。
处理器401可以是GPU(Graphics Processing Unit,图像处理器),还可以是其它类型的处理器,本实施例对此不作限制。
总线402可包括一通路,在上述组件之间传送信息。总线402可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器403用于存储执行本申请方案的计算机程序代码,并由处理器401来控制执行。处理器401用于执行存储器403中存储的计算机程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
基于同一发明构思,本申请实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述任意一个实施例的基于生成式模型构建导医场景助手的方法或者使用导医场景助手进行智能导诊的方法。
所属领域的技术人员可以清楚地了解到,上述描述的系统、装置、模块的具体工作过程,可以参考前述方法实施例中的对应过程,为简洁起见,在此不另赘述。
本领域普通技术人员可以理解:本申请的技术方案本质上或者该技术方案的全部或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中,其包括若干程序指令,用以使得一电子设备(例如个人计算机,服务器,或者网络设备等)在运行所述程序指令时执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸如个人计算机,服务器,或者网络设备等的电子设备)来完成,所述程序指令可以存储于一计算机可读取存储介质中,当所述程序指令被电子设备的处理器执行时,所述电子设备执行本申请各实施例所述方法的全部或部分步骤。
以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:在本申请的精神和原则之内,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案脱离本申请的保护范围。
Claims (10)
1.一种基于生成式模型构建导医场景助手的方法,其特征在于,包括:
基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板;
基于导医路径信息搭建导医推理控制逻辑;
结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手;
其中,所述基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板,包括:
基于导医路径信息设计用于将生成式模型定位为导诊医生角色的第一提示,设计用于向生成式模型询问用户问题是否和导诊相关的第二提示,设计用于向生成式模型询问用户问题中描述的是症状还是疾病的第三提示,设计用于向生成式模型询问用户问题中描述的是什么疾病以及对应的科室是什么的第四提示,设计用于向生成式模型询问用户问题中描述的是什么症状以及对应的疾病有哪些的第五提示,设计用于向生成式模型询问多个疾病对应的症状有哪些的第六提示,设计用于向生成式模型询问推荐的疾病或者单个疾病对应的科室是什么的第七提示;
结合第一提示、第二提示、第三提示、第四提示、第五提示、第六提示以及第七提示,开发与生成式模型进行交互式导医的提示工程模板;
所述基于导医路径信息搭建导医推理控制逻辑,包括:
基于导医路径信息,当接收到用户问题时,将第一提示提供给生成式模型,并接收生成式模型根据第一提示生成的第一内容;接着,将第二提示提供给生成式模型,并接收生成式模型根据第二提示生成的第二内容;若第二内容是表示用户问题和导医无关,则生成用户问题和导医无关的提示信息,并展示给用户;若第二内容是表示用户问题和导医相关,则将第三提示提供给生成式模型,并接收生成式模型根据第三提示生成的第三内容;
若第三内容是表示用户问题中描述的是疾病,则将第四提示提供给生成式模型,并接收生成式模型根据第四提示生成的第四内容;判断第四内容中是否对应多个疾病,若第四内容中对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示给用户;若第四内容中对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示给用户;
若第三内容是表示用户问题中描述的是症状,则将第五提示提供给生成式模型,并接收生成式模型根据第五提示生成的第五内容;判断第五内容中是否对应多个疾病,若第五内容中对应多个疾病,则将第六提示提供给生成式模型,并接收生成式模型根据第六提示生成的第六内容,生成用于用户选择症状的界面,并根据用户选择的目标症状推荐疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户;若第五内容中对应单个疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户。
2.根据权利要求1所述的方法,其特征在于,所述第六提示中的多个疾病是基于疾病发生概率从第五内容对应的多个疾病中筛选得到的。
3.根据权利要求1所述的方法,其特征在于,所述提示工程模板还包括:基于导医路径信息设计的用于向生成式模型询问从选取的医院的医生公开简介信息中提取医生擅长的疾病信息和/或症状信息的第八提示;
所述基于导医路径信息搭建导医推理控制逻辑,还包括:
当接收到用户选取的医院时,将第八提示提供给生成式模型,并接收生成式模型根据第八提示生成的第八内容;
根据第八内容中的医生擅长的疾病信息和/或症状信息,结合用户的疾病信息和/或症状信息,匹配目标医生,并将目标医生提供给用户。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手,包括:
基于生成式模型构建端到端的应用程序的技术框架,结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手的应用程序。
5.一种使用导医场景助手进行智能导诊的方法,其特征在于,所述导医场景助手是根据权利要求1至4中任一项所述的基于生成式模型构建导医场景助手的方法构建的,所述使用导医场景助手进行智能导诊的方法包括:
响应于用户提交的用户问题,执行导医场景助手的导医推理控制逻辑,结合用户问题和提示工程模板,与生成式模型进行交互式导医,为用户提供智能导诊信息。
6.一种基于生成式模型构建导医场景助手的系统,其特征在于,包括:
开发模块,用于基于导医路径信息开发与生成式模型进行交互式导医的提示工程模板;
搭建模块,用于基于导医路径信息搭建导医推理控制逻辑;
构建模块,用于结合生成式模型、提示工程模板和导医推理控制逻辑,构建导医场景助手;
其中,所述开发模块还用于:
基于导医路径信息设计用于将生成式模型定位为导诊医生角色的第一提示,设计用于向生成式模型询问用户问题是否和导诊相关的第二提示,设计用于向生成式模型询问用户问题中描述的是症状还是疾病的第三提示,设计用于向生成式模型询问用户问题中描述的是什么疾病以及对应的科室是什么的第四提示,设计用于向生成式模型询问用户问题中描述的是什么症状以及对应的疾病有哪些的第五提示,设计用于向生成式模型询问多个疾病对应的症状有哪些的第六提示,设计用于向生成式模型询问推荐的疾病或者单个疾病对应的科室是什么的第七提示;
结合第一提示、第二提示、第三提示、第四提示、第五提示、第六提示以及第七提示,开发与生成式模型进行交互式导医的提示工程模板;
所述搭建模块还用于:
基于导医路径信息,当接收到用户问题时,将第一提示提供给生成式模型,并接收生成式模型根据第一提示生成的第一内容;接着,将第二提示提供给生成式模型,并接收生成式模型根据第二提示生成的第二内容;若第二内容是表示用户问题和导医无关,则生成用户问题和导医无关的提示信息,并展示给用户;若第二内容是表示用户问题和导医相关,则将第三提示提供给生成式模型,并接收生成式模型根据第三提示生成的第三内容;
若第三内容是表示用户问题中描述的是疾病,则将第四提示提供给生成式模型,并接收生成式模型根据第四提示生成的第四内容;判断第四内容中是否对应多个疾病,若第四内容中对应多个疾病,则生成用于用户选择科室的界面,并根据用户选择的目标科室推荐一个或多个医院,并展示给用户;若第四内容中对应单个疾病,则根据单个疾病对应的科室推荐一个或多个医院,并展示给用户;
若第三内容是表示用户问题中描述的是症状,则将第五提示提供给生成式模型,并接收生成式模型根据第五提示生成的第五内容;判断第五内容中是否对应多个疾病,若第五内容中对应多个疾病,则将第六提示提供给生成式模型,并接收生成式模型根据第六提示生成的第六内容,生成用于用户选择症状的界面,并根据用户选择的目标症状推荐疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户;若第五内容中对应单个疾病,将第七提示提供给生成式模型,接收生成式模型根据第七提示生成的第七内容,根据第七内容中的科室推荐一个或多个医院,并展示给用户。
7.根据权利要求6所述的系统,其特征在于,所述第六提示中的多个疾病是基于疾病发生概率从第五内容对应的多个疾病中筛选得到的。
8.根据权利要求6所述的系统,其特征在于,所述提示工程模板还包括:基于导医路径信息设计的用于向生成式模型询问从选取的医院的医生公开简介信息中提取医生擅长的疾病信息和/或症状信息的第八提示;
所述搭建模块还用于:
当接收到用户选取的医院时,将第八提示提供给生成式模型,并接收生成式模型根据第八提示生成的第八内容;
根据第八内容中的医生擅长的疾病信息和/或症状信息,结合用户的疾病信息和/或症状信息,匹配目标医生,并将目标医生提供给用户。
9.一种电子设备,其特征在于,包括处理器和存储器,其中,所述存储器中存储有计算机程序,所述处理器被配置为运行所述计算机程序以执行权利要求1至4中任一项所述的基于生成式模型构建导医场景助手的方法或者权利要求5所述的使用导医场景助手进行智能导诊的方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被配置为运行时执行权利要求1至4中任一项所述的基于生成式模型构建导医场景助手的方法或者权利要求5所述的使用导医场景助手进行智能导诊的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351953.8A CN117079809B (zh) | 2023-10-19 | 2023-10-19 | 基于生成式模型构建导医场景助手的方法和系统、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351953.8A CN117079809B (zh) | 2023-10-19 | 2023-10-19 | 基于生成式模型构建导医场景助手的方法和系统、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117079809A true CN117079809A (zh) | 2023-11-17 |
CN117079809B CN117079809B (zh) | 2023-12-15 |
Family
ID=88713923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311351953.8A Active CN117079809B (zh) | 2023-10-19 | 2023-10-19 | 基于生成式模型构建导医场景助手的方法和系统、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117079809B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118039138A (zh) * | 2024-04-12 | 2024-05-14 | 北京惠每云科技有限公司 | 基于大模型的可控路径预问诊方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100105989A1 (en) * | 2005-06-08 | 2010-04-29 | Akihiro Inokuchi | Medical guide system |
CN104537275A (zh) * | 2014-05-15 | 2015-04-22 | 成都睿感科技有限公司 | 一种基于患者身体病症的导医系统 |
CN113889249A (zh) * | 2021-10-26 | 2022-01-04 | 东北大学秦皇岛分校 | 基于gpt-2模型的智能分诊与医疗问答方法及其装置 |
CN115472255A (zh) * | 2022-08-31 | 2022-12-13 | 昆明理工大学 | 一种基于病史与标签辅助的胸部放射影像报告生成方法 |
CN116798584A (zh) * | 2023-06-29 | 2023-09-22 | 百度时代网络技术(北京)有限公司 | 就诊引导方法、装置及电子设备 |
US20230326568A1 (en) * | 2022-04-12 | 2023-10-12 | Evan Greebel | Artificial intelligence health diagnostic system and method |
-
2023
- 2023-10-19 CN CN202311351953.8A patent/CN117079809B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100105989A1 (en) * | 2005-06-08 | 2010-04-29 | Akihiro Inokuchi | Medical guide system |
CN104537275A (zh) * | 2014-05-15 | 2015-04-22 | 成都睿感科技有限公司 | 一种基于患者身体病症的导医系统 |
CN113889249A (zh) * | 2021-10-26 | 2022-01-04 | 东北大学秦皇岛分校 | 基于gpt-2模型的智能分诊与医疗问答方法及其装置 |
US20230326568A1 (en) * | 2022-04-12 | 2023-10-12 | Evan Greebel | Artificial intelligence health diagnostic system and method |
CN115472255A (zh) * | 2022-08-31 | 2022-12-13 | 昆明理工大学 | 一种基于病史与标签辅助的胸部放射影像报告生成方法 |
CN116798584A (zh) * | 2023-06-29 | 2023-09-22 | 百度时代网络技术(北京)有限公司 | 就诊引导方法、装置及电子设备 |
Non-Patent Citations (4)
Title |
---|
YONGBIN HE: ""Will ChatGPT/GPT‑4 be a Lighthouse to Guide Spinal Surgeons?"", 《BMES》 * |
吴英华 等: ""迈入人工智能新时代: ChatGPT 在智慧医疗应用场 景研究与思考"", 《数据通信》, no. 4 * |
柳庆莉: ""背景信息辅助SEQ2SEQ导医台自动问答系统"", 《知网硕士电子期刊》, no. 1 * |
王永鹏: ""基于深度学习的智能导诊系统的设计与实现"", 《知网硕士电子期刊》, no. 8 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118039138A (zh) * | 2024-04-12 | 2024-05-14 | 北京惠每云科技有限公司 | 基于大模型的可控路径预问诊方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117079809B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | A survey of large language models for healthcare: from data, technology, and applications to accountability and ethics | |
CN110909145B (zh) | 针对多任务模型的训练方法及装置 | |
CN117079809B (zh) | 基于生成式模型构建导医场景助手的方法和系统、设备 | |
WO2019116253A1 (en) | Supporting evidence retrieval for complex answers | |
US11080073B2 (en) | Computerized task guidance across devices and applications | |
Olafsson et al. | Towards a Computational Framework for Automating Substance Use Counseling with Virtual Agents. | |
US11545042B2 (en) | Personalized learning system | |
US20210398658A1 (en) | Cognitive artificial-intelligence based population management | |
Wen et al. | Adapting and evaluating a deep learning language model for clinical why-question answering | |
Khosravi et al. | Chatbots and ChatGPT: A bibliometric analysis and systematic review of publications in Web of Science and Scopus databases | |
Minutolo et al. | A conversational agent for querying Italian Patient Information Leaflets and improving health literacy | |
US20210398671A1 (en) | System and method for recommending items in conversational streams | |
Lee et al. | Gemini pro defeated by gpt-4v: Evidence from education | |
Kim et al. | Constructing novel datasets for intent detection and ner in a korean healthcare advice system: guidelines and empirical results | |
Bai et al. | Ofasys: A multi-modal multi-task learning system for building generalist models | |
Aattouri et al. | Modeling of an artificial intelligence based enterprise callbot with natural language processing and machine learning algorithms | |
Upadhyaya et al. | Smart Multi-linguistic Health Awareness System using RASA Model | |
Rappe | Now, never, or coming soon? Prediction and efficient language processing | |
US20210398670A1 (en) | System and method for templatizing conversations with an agent and user-originated follow-ups | |
Macedo et al. | Cognitive services for collaborative mHealth: the onparkinson case study | |
Mallios | Virtual doctor: an intelligent human-computer dialogue system for quick response to people in need | |
Obionwu et al. | A Domain Specific Students' Assistance System For The Provision Of Instructional Feedback | |
Dacic et al. | Evaluating the Effectiveness of Open Source Chatbots for Customer Support | |
Nimal et al. | Artificial Intelligence Based Chatbot for Healthcare Applications | |
US12032913B2 (en) | System and method for answering natural language questions posed by a user |
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 |