CN117334330A - 应用于冠心病的辅助诊断信息生成方法、装置和电子设备 - Google Patents
应用于冠心病的辅助诊断信息生成方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117334330A CN117334330A CN202311338167.4A CN202311338167A CN117334330A CN 117334330 A CN117334330 A CN 117334330A CN 202311338167 A CN202311338167 A CN 202311338167A CN 117334330 A CN117334330 A CN 117334330A
- Authority
- CN
- China
- Prior art keywords
- information
- description information
- tongue
- vector
- complaint
- 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
- 208000029078 coronary artery disease Diseases 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 214
- 238000003745 diagnosis Methods 0.000 claims abstract description 132
- 201000010099 disease Diseases 0.000 claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 58
- 230000007170 pathology Effects 0.000 claims abstract description 45
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 57
- 238000000605 extraction Methods 0.000 claims description 37
- 206010043946 Tongue conditions Diseases 0.000 claims description 18
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 210000001142 back Anatomy 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007639 printing Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 239000003814 drug Substances 0.000 abstract description 15
- 208000024891 symptom Diseases 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 206010008479 Chest Pain Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 206010022437 insomnia Diseases 0.000 description 4
- 206010029410 night sweats Diseases 0.000 description 4
- 230000036565 night sweats Effects 0.000 description 4
- 208000000059 Dyspnea Diseases 0.000 description 3
- 206010013975 Dyspnoeas Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000013220 shortness of breath Diseases 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 206010013781 dry mouth Diseases 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000005181 root of the tongue Anatomy 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 235000019606 astringent taste Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000000707 wrist Anatomy 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开的实施例公开了应用于冠心病的辅助诊断信息生成方法、装置和电子设备。该方法的一具体实施方式包括:获取基础病例描述信息;确定目标就诊对象对应的增量病例描述信息;对主诉描述信息进行病状特征提取;分别对主诉病状特征信息、疾病史描述信息、脉象描述信息、舌象描述信息和唇部状态描述信息进行特征向量映射;根据主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量,生成针对目标就诊对象的病例描述特征图;根据病例描述特征图和预先训练的诊断信息生成模型,生成冠心病辅助诊断信息。该实施方式可以辅助中医诊断医生的冠心病诊断,减少了误诊错诊情况的发生。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及应用于冠心病的辅助诊断信息生成方法、装置和电子设备。
背景技术
冠心病是一种常见的、严重危害中老年人健康的心血管疾病,因此得到广泛地关注和研究。中医诊断作为中国传统的医学诊断方式,相较于西医诊断,具有独特的诊疗方法。在采用中医诊断方式进行冠心病诊断时,通常采用的方式为:通过中医诊断医生,对患者进行惯性病成因诊断。
然而,当采用上述方式时,经常会存在如下技术问题:
第一,冠心病成因较为复杂,采用人工诊断的方式,往往依赖于中医诊断医生经验,当诊断经验匮乏时,可能造成误诊错诊;
第二,脉象作为中医诊断的重要参照源之一,受限于其信号强度约束,采用常规的信号分析方式,往往难以有效地对脉象信号进行信号特征提取,从而难以得到准确地脉象描述信息,可能影响后续的冠心病诊断;
第三,舌象作为中医诊断的重要参照源之一,受限于舌头的生理结构约束,采集得到的舌头图像往往欠佳,导致无法有效地提取舌象描述信息,可能影响后续的冠心病诊断。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了应用于冠心病的辅助诊断信息生成方法、装置和电子设备,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种应用于冠心病的辅助诊断信息生成方法,该方法包括:获取目标就诊对象对应的基础病例描述信息,其中,上述基础病例描述信息包括:主诉描述信息和疾病史描述信息;确定上述目标就诊对象对应的增量病例描述信息,其中,上述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息;对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合;分别对上述主诉病状特征信息集合中的主诉病状特征信息、上述疾病史描述信息、上述脉象描述信息、上述舌象描述信息和上述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量;根据上述主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,生成针对上述目标就诊对象的病例描述特征图;根据上述病例描述特征图和预先训练的诊断信息生成模型,生成上述目标就诊对象对应的冠心病辅助诊断信息。
第二方面,本公开的一些实施例提供了一种应用于冠心病的辅助诊断信息生成装置,装置包括:获取单元,被配置成获取目标就诊对象对应的基础病例描述信息,其中,上述基础病例描述信息包括:主诉描述信息和疾病史描述信息;确定单元,被配置成确定上述目标就诊对象对应的增量病例描述信息,其中,上述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息;病状特征提取单元,被配置成对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合;特征向量映射单元,被配置成分别对上述主诉病状特征信息集合中的主诉病状特征信息、上述疾病史描述信息、上述脉象描述信息、上述舌象描述信息和上述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量;第一生成单元,被配置成根据上述主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,生成针对上述目标就诊对象的病例描述特征图;第二生成单元,被配置成根据上述病例描述特征图和预先训练的诊断信息生成模型,生成上述目标就诊对象对应的冠心病辅助诊断信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的应用于冠心病的辅助诊断信息生成方法,实现了针对冠心病的辅助诊断,减少了误诊错诊情况发生。具体来说,造成误诊错诊的原因在于:冠心病成因较为复杂,采用人工诊断的方式,往往依赖于中医诊断医生经验,当诊断经验匮乏时,可能造成误诊错诊。基于此,本公开的一些实施例的应用于冠心病的辅助诊断信息生成方法,首先,获取目标就诊对象对应的基础病例描述信息,其中,上述基础病例描述信息包括:主诉描述信息和疾病史描述信息。以此得到针对目标就诊对象的主诉情况和疾病史情况。其次,确定上述目标就诊对象对应的增量病例描述信息,其中,上述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息。以此得到脉象参照源、舌象参照源和唇部参照源的状态。接着,对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合。由于主诉特征可能存在无效描述,因此,通过病状特征提取以剔除无效描述。进一步,分别对上述主诉病状特征信息集合中的主诉病状特征信息、上述疾病史描述信息、上述脉象描述信息、上述舌象描述信息和上述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量。以将不同的描述信息映射至相同的向量空间。此外,根据上述主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,生成针对上述目标就诊对象的病例描述特征图。最后,根据上述病例描述特征图和预先训练的诊断信息生成模型,生成上述目标就诊对象对应的冠心病辅助诊断信息。通过此种方式可以快速生成冠心病辅助诊断信息,以辅助中医诊断医生的冠心病诊断,减少了误诊错诊情况的发生。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的应用于冠心病的辅助诊断信息生成方法的一些实施例的流程图;
图2是根据本公开的应用于冠心病的辅助诊断信息生成装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
参考图1,示出了根据本公开的应用于冠心病的辅助诊断信息生成方法的一些实施例的流程100。该应用于冠心病的辅助诊断信息生成方法,包括以下步骤:
步骤101,获取目标就诊对象对应的基础病例描述信息。
在一些实施例中,应用于冠心病的辅助诊断信息生成方法的执行主体(例如,计算设备)可以通过有线连接,或无线连接的方式获取目标就诊对象对应的基础病例描述信息。其中,上述目标就诊对象可以是待进行疾病诊断的患者对象。上述基础病例描述信息包括:主诉描述信息和疾病史描述信息。其中,上述主诉描述信息是上述目标就诊对象对自身病状的描述信息。疾病史描述信息可以是上述目标就诊对象对自身疾病史和家族疾病史的描述信息。
作为示例,主诉描述信息可以是“XX日开始胸部阵痛,并伴随胸部发闷,以持续20余天,同时伴随夜晚失眠盗汗和口干气短”。
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。
需要说明的是,上述计算设备可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。计算设备的数目根据实现需要可以具有任意数目。
步骤102,确定目标就诊对象对应的增量病例描述信息。
在一些实施例中,上述执行主体可以确定目标就诊对象对应的增量病例描述信息。其中,上述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息。其中,上述脉象描述信息用于描述目标就诊对象的脉象状态。上述舌象描述信息用于描述上述目标就诊对象的舌象状态。上述唇部状态描述信息用于描述上述目标就诊对象的唇部状态。实践中,上述执行主体可以通过机器学习模型,对目标就诊对象的舌头图像、脉象信号和唇部图像进行识别,以生成上述增量病例描述信息。
在一些实施例的一些可选的实现方式中,上述执行主体确定目标就诊对象对应的增量病例描述信息可以包括以下步骤:
响应于脉象信号采集装置固定在上述目标就诊对象对应的脉象信号采集区域,执行以下第一处理步骤:
第一子步骤,驱动上述脉象信号采集装置包括的光源装置,以按照预设发光顺序和预设发光间隔发出不同颜色的颜色光。
其中,上述脉象信号采集装置可以是用于进行脉象信号采集的装置。实践中,脉象信号采集装置与上述执行主体通信连接。光源装置可以是用于发出有色光的发光装置。预设发光顺序可以是预先设定的不同有色光的发光顺序。预设发光间隔可以表征光源装置发出有色光时的时长。脉象信号采集区域可以是用于采集脉象信号的区域。实践中,脉象信号采集区域可以是腕部内侧。
作为示例,预设发光间隔可以是10秒。上述光源装置可以发出的有色光可以为红色和绿色。其中,预设发光顺序可以是“红色,绿色”,即光源装置先发出红色有色光10秒,然后再发出绿色有色光10秒。
第二子步骤,通过上述脉象信号采集装置包括的光敏传感器采集反射光。
其中,反射光可以是光源装置发出的有色光经皮肤反射至光面传感器的反射光。
第三子步骤,通过上述脉象信号采集装置包括的数模转换器,对上述反射光进行信号数模转换,得到候选数字信号。
实践中,上述数模转换器可以用于对数字信号和模拟信号进行转换。具体的,上述数模转换器可以将反射光对应的模拟信号,不断转换为数字信号,得到上述候选数字信号。
第四子步骤,通过信号窗口,对上述候选数字信号进行信号分割,以生成分割后信号,得到分割后信号序列。
其中,上述信号窗口的窗口长度与上述预设发光间隔相同。分割后信号为光源装置发出的有色光对应的数字信号。分割后信号序列中的分割后信号的顺序与预设发光顺序一致。
第五子步骤,通过脉象信号采集装置包括的级联信号放大器,对上述分割后信号序列中的每个分割后信号进行信号放大,以生成放大后信号,得到放大后信号序列。
其中,级联信号放大器可以是由K个信号放大器连接得到。K个信号放大器中的电阻阻值依次序增加。即电阻阻值可以充当放大系数,对分割后信号进行信号放大,得到放大后信号。
第六子步骤,确定上述放大后信号序列中的每个放大后信号的信号质量,以生成信号质量评分。
实践中,上述执行主体可以确定上述放大后信号的信噪比,作为信号质量评分。
第七子步骤,从上述放大后信号序列中筛选出对应的信号质量评分满足筛选条件的放大后信号,作为目标信号。
其中,上述筛选条件可以是:信号质量评分与上述放大后信号序列中放大后信号对应的最大信号值相同。
第八子步骤,对上述目标信号进行信号降噪,以生成降噪后信号。
实践中,上述执行主体可以对上述目标信号进行高斯滤波,得到上述降噪后信号。
第九子步骤,将上述降噪后信号输入预先训练的脉象描述信息生成模型,以生成上述脉象描述信息。
其中,上述脉象描述信息生成模型包括:信号特征提取模型和分类层。实践中,信号特征提取模型可以是时序特征提取模型。例如,LSTM(Long Short-Term Memory,长短时记忆)模型。分类层用于分类不同的脉象类别。例如,脉象类别可以是“脉弦”,也可以是“脉涩”,还可以是“脉细弱无力”。
上述“在一些实施例的一些可选的实现方式中”中的内容,作为本公开的一个发明点,解决了背景技术提及的技术问题二,即“脉象作为中医诊断的重要参照源之一,受限于其信号强度约束,采用常规的信号分析方式,往往难以有效地对脉象信号进行信号特征提取,从而难以得到准确地脉象描述信息,可能影响后续的冠心病诊断”。基于此,本公开首先,驱动上述脉象信号采集装置包括的光源装置,以按照预设发光顺序和预设发光间隔发出不同颜色的颜色光,以及通过上述脉象信号采集装置包括的光敏传感器采集反射光。实践中,由于不同人种的皮肤颜色不同,采用单一的颜色光获取脉象信息可能出现不精准的情况。由此,本公开依次发出不同颜色光,以用于后续筛选出与目标就诊对象最匹配的颜色光(放大后信号)。其次,通过上述脉象信号采集装置包括的数模转换器,对上述反射光进行信号数模转换,得到候选数字信号。以实现数字信号和模拟信号之间的转换。接着,通过信号窗口,对上述候选数字信号进行信号分割,以生成分割后信号,得到分割后信号序列,其中,上述信号窗口的窗口长度与上述预设发光间隔相同。以此得到不同颜色光对应的分割后信号。进一步,通过脉象信号采集装置包括的级联信号放大器,对上述分割后信号序列中的每个分割后信号进行信号放大,以生成放大后信号,得到放大后信号序列。实践中,脉象信号的信号强度较为微弱,直接对信号读取,难以提取到信号包含的信息,因此,本公开通过级联信号放大器对分割后信号进行信号放大,以增强信号特征。此外,确定上述放大后信号序列中的每个放大后信号的信号质量,以生成信号质量评分,以及从上述放大后信号序列中筛选出对应的信号质量评分满足筛选条件的放大后信号,作为目标信号。由于皮肤颜色对颜色光的穿透力存在影响,因此,本公开通过信号质量评分,筛选出最优的放大后信号。进一步,对上述目标信号进行信号降噪,以生成降噪后信号。最后,将上述降噪后信号输入预先训练的脉象描述信息生成模型,以生成上述脉象描述信息。通过此种方式可以有效地对脉象信号进行信号特征提取,从而可以得到准确地脉象描述信息。
在一些实施例的一些可选的实现方式中,上述执行主体确定上述目标就诊对象对应的增量病例描述信息,还可以包括以下步骤:
第一步,获取上述目标就诊对象对应的舌面图像和舌背图像。
其中,舌面图像和舌背图像可以是通过摄像头采集的图像,并通过摄像头传输至上述执行主体。
第二步,分别对上述舌面图像和上述舌背图像进行图像灰度化处理,以生成舌面灰度图像和舌背灰度图像。
第三步,根据上述舌面灰度图像,确定舌面图像高光区域和舌面图像低光区域。
实践中,上述执行主体可以确定舌面灰度图像中最大灰度值对应的位置和最低灰度值对应的位置,作为上述舌面图像高光区域和舌面图像低光区域。
第四步,根据上述舌面图像高光区域和上述舌面图像低光区域,对上述舌面图像进行局部亮度调节,以生成亮度调节后舌面图像。
实践中,上述执行主体可以对舌面图像高光区域进行亮度抑制,对舌面图像低光区域进行亮度提亮,得到上述亮度调节后舌面图像。
第五步,根据上述舌背灰度图像,确定舌背图像高光区域和舌背图像低光区域。
实践中,上述执行主体可以确定舌背灰度图像中最大灰度值对应的位置和最低灰度值对应的位置,作为上述舌背图像高光区域和舌背图像低光区域。
第六步,根据上述舌背图像高光区域和上述舌背图像低光区域,对上述舌背图像进行局部亮度调节,以生成亮度调节后舌背图像。
实践中,上述执行主体可以对舌背图像高光区域进行亮度抑制,对舌背图像低光区域进行亮度提亮,得到上述亮度调节后舌背图像。
第七步,通过预先训练的舌象描述信息生成模型包括的双路图像特征提取模型,对上述亮度调节后舌面图像和上述亮度调节后舌背图像进行图像特征提取,以生成舌面基础特征和舌背基础特征。
其中,上述双路图像特征提取模型包括两个并行设置的卷积神经网络。两个并行设置的卷积神经网络参数共享。
第八步,根据上述舌面基础特征,通过上述舌象描述信息生成模型包括的分割模型对上述亮度调节后舌面图像进行舌面分割,得到舌面分割区域图像集合。
其中,分割模型可以是U-Net模型。舌面分割区域图像表征不同的舌面区域。例如,舌面分割区域图像集合可以包括:表征舌面边缘的舌面分割区域图像、表征舌面前端的舌面分割区域图像和表征舌面根部的舌面分割区域图像。
第九步,根据上述舌背基础特征,通过上述分割模型对亮度调节后舌背图像进行舌面分割,得到舌背分割区域图像集合。
其中,舌背分割区域图像可以表征不同的舌背区域。例如,舌背分割区域图像集合可以包括:表征舌背边缘的舌背分割区域图像、表征舌背前端的舌背分割区域图像和表征舌背根部的舌背分割区域图像。
第十步,对于上述舌面分割区域图像集合中的每个舌面分割区域图像,执行以下第二处理步骤:
第一子步骤,通过上述舌象描述信息生成模型包括的分类模型,确定上述舌面分割区域图像的区域类型,作为第一区域类型。
其中,分类模型可以根据舌面分割区域图像在亮度调节后舌面图像中的相对位置,确定第一区域类型。
第二子步骤,切换至上述舌象描述信息生成模型中、与上述第一区域类型匹配的区域特征提取模型,以对上述舌面分割区域图像进行特征提取,得到舌面分割区域图像特征。
其中,不同的区域类型对应的区域特征提取模型的模型结构一致。不同的区域类型对应的区域特征提取模型的模型参数不同。实践中,受限于样本数量的约束,采用通用的区域特征提取模型对不同区域类型的舌面分割区域图像或舌背分割区域图像进行特征提取,提取得到的舌面分割区域图像特征或舌背分割区域图像特征的特征表征度较差。因此,本申请针对不同的区域类型,设置不同的区域特征提取模型,以提高特征表征度。实践中,区域特征提取模型可以采用特征金字塔网络模型。
第三子步骤,根据上述舌面分割区域图像特征,生成针对上述舌面分割区域图像的区域描述信息。
实践中,上述执行主体可以将上述舌面分割区域图像特征输入用于分类舌面类型的分类层,得到针对上述舌面分割区域图像的区域描述信息。例如,针对上述舌面分割区域图像的区域描述信息可以是“舌质暗红或紫暗”。
第十一步,对于上述舌背分割区域图像集合中的每个舌背分割区域图像,执行以下第三处理步骤:
第一子步骤,通过上述分类模型,确定上述舌背分割区域图像的区域类型,作为第二区域类型。
第二子步骤,切换至上述舌象描述信息生成模型中、与上述第二区域类型匹配的区域特征提取模型,以对上述舌背分割区域图像进行特征提取,得到舌背分割区域图像特征。
第三子步骤,根据上述舌背分割区域图像特征,生成针对上述舌背分割区域图像的区域描述信息。
实践中,上述第十一步中的、用于生成舌背分割区域图像的区域描述信息的具体实现方式,可以参见上述第十步中的、用于生成舌面分割区域图像的区域描述信息的具体实现方式,在此不再赘述。
第十二步,将得到的区域描述信息集合,确定为上述舌象描述信息。
第十三步,获取上述目标就诊对象对应的唇部图像。
其中,上述唇部图像可以有摄像头采集,并传输至上述执行主体。
第十四步,对上述唇部图像进行唇色特征提取,以生成唇色特征。
实践中,上述执行主体可以通过卷积神经网络模型,对上述唇部图像进行唇色特征提取,以生成唇色特征。
第十五步,根据上述唇色特征,生成上述唇部状态描述信息。
实践中,上述执行主体可以将唇色特征输入,用于分类唇部状态的分类层,以生成上述唇部状态描述信息。例如,唇部状态描述信息可以是“口唇紫暗或暗红”。
上述“在一些实施例的一些可选的实现方式中”中的内容,作为本公开的一个发明点,解决了背景技术提及的技术问题三,即“舌象作为中医诊断的重要参照源之一,受限于舌头的生理结构约束,采集得到的舌头图像往往欠佳,导致无法有效地提取舌象描述信息,可能影响后续的冠心病诊断”。基于此,本公开首先,对舌背图像和舌面图像进行局部亮度调节,以突出图像特征。其次,通过双路图像特征提取模型,对上述亮度调节后舌面图像和上述亮度调节后舌背图像进行图像特征提取,以生成舌面基础特征和舌背基础特征。考虑到舌背和舌面为一个整体的正反面,特征之间可能存在影响,因此本公开采用包括两个并行设置的卷积神经网络、且参数共享的双路图像特征提取模型,并行对亮度调节后舌面图像和上述亮度调节后舌背图像进行图像特征提取。接着,根据上述舌面基础特征,通过上述舌象描述信息生成模型包括的分割模型对上述亮度调节后舌面图像进行舌面分割,得到舌面分割区域图像集合。实践中,不同舌面或舌背区域可能对应不同表现特征,因此通过舌面分割可以细粒度的切分舌面或舌背区域。最后,根据舌面分割区域图像或舌背分割区域图像对应的区域类型,选择相匹配的区域特征提取模型以进行特征提取,最后,根据上述舌背分割区域图像特征,生成针对上述舌背分割区域图像的区域描述信息。通过此种方式,实现了细粒度(更精细的区域划分)下的舌象特征采集和分析,使得可以有效地提取到舌象描述信息。
步骤103,对主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合。
在一些实施例中,上述执行主体可以对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合。实践中,上述执行主体可以通过BERT模型,对主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合。
在一些实施例的一些可选的实现方式中,上述执行主体对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合,可以包括以下步骤:
第一步,对上述主诉描述信息进行词分割,得到候选主诉描述词序列。
第二步,对上述候选主诉描述词序列中的候选主诉描述词进行词筛选,得到筛选后主诉描述词序列。
实践中,上述执行主体可以从候选主诉描述词序列中筛选出对应的词类别为目标词类别的候选主诉描述词,得到上述筛选后主诉描述词序列。其中,上述目标词类别可以是“症状描述词类别”和“时间描述词类别”。“症状描述词类别”表征候选主诉描述词用于描述疾病症状。“时间描述词类别”表征候选主诉描述词用于描述时间。例如,主诉描述信息可以是“A日开始出现随胸部发闷,以持续20余天,同时伴随夜晚失眠盗汗和口干气短,B日开始出现胸部发痛”。筛选后主诉描述词序列可以是[“A日”,“胸部发闷”,“持续20余天”,“夜晚失眠盗汗”,“口干气短”,“B日”,“胸部发痛”]。
第三步,对上述筛选后主诉描述词序列中的筛选后主诉描述词进行词分组,得到筛选后主诉描述词组序列。
实践中,上述执行主体可以时间描述词类别的候选主诉描述词为约束进行词聚类,得到筛选后主诉描述词组序列。例如,筛选后主诉描述词组序列可以是[[“A日”,“胸部发闷”,“持续20余天”,“夜晚失眠盗汗”,“口干气短”],[“B日”,“胸部发痛”]]。
第四步,生成上述筛选后主诉描述词组序列中的每个筛选后主诉描述词组对应的主诉病状特征信息,得到上述主诉病状特征信息集合。
实践中,上述执行主体可以将筛选后主诉描述词组中的筛选后主诉描述词进行词拼接,得到对应的主诉病状特征信息。
步骤104,分别对主诉病状特征信息集合中的主诉病状特征信息、疾病史描述信息、脉象描述信息、舌象描述信息和唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量。
在一些实施例中,上述执行主体可以分别对主诉病状特征信息集合中的主诉病状特征信息、疾病史描述信息、脉象描述信息、舌象描述信息和唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量。实践中,上述执行主体可以通过Word2Vec模型,分别对主诉病状特征信息集合中的主诉病状特征信息、疾病史描述信息、脉象描述信息、舌象描述信息和唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量。
步骤105,根据主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量,生成针对目标就诊对象的病例描述特征图。
在一些实施例中,上述执行主体可以根据主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量,通过各种方式生成针对目标就诊对象的病例描述特征图。
在一些实施例的一些可选的实现方式中,上述执行主体根据主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量,生成针对目标就诊对象的病例描述特征图,可以包括以下步骤:
第一步,根据上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,生成第一融合向量。
其中,上述执行主体可以对上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量进行向量拼接,以生成上述第一融合向量。
第二步,根据上述主诉病状特征信息向量集合,生成第二融合向量。
其中,上述执行主体可以对主诉病状特征信息向量集合中的主诉病状特征信息向量进行拼接,以生成第二融合向量。
第三步,根据上述诊断信息生成模型,分别确定上述第一融合向量和上述第二融合向量对应的候选冠心病诊断信息,作为第一候选冠心病诊断信息和第二候选冠心病诊断信息。
其中,上述诊断信息生成模型可以是基于Transformer结构的语言预测模型。第一候选冠心病诊断信息可以是在第一融合向量基础上确定的、上述目标就诊对象对应的冠心病诊断信息。第一候选冠心病诊断信息可以是在第二融合向量基础上确定的、上述目标就诊对象对应的冠心病诊断信息。
第四步,响应于确定上述第一候选冠心病诊断信息和上述第二候选冠心病诊断信息匹配,根据上述主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,构建特征矩阵,作为上述病例描述特征图。
第五步,响应于确定上述第一候选冠心病诊断信息和上述第二候选冠心病诊断信息不匹配,以上述第一融合向量为约束,对上述主诉病状特征信息向量集合中的主诉病状特征信息向量进行干扰向量剔除,以生成剔除后主诉病状特征信息向量,得到剔除后主诉病状特征信息向量集合。
实践中,上述执行主体可以确定第一融合向量和主诉病状特征信息向量的向量相似度,将向量相似度为0的主诉病状特征信息向量作为干扰向量剔除,将向量相似度不为0的主诉病状特征信息向量,确定为剔除后主诉病状特征信息向量,得到剔除后主诉病状特征信息向量集合。
第六步,根据上述剔除后主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,构建特征矩阵,作为上述病例描述特征图。
步骤106,根据病例描述特征图和预先训练的诊断信息生成模型,生成目标就诊对象对应的冠心病辅助诊断信息。
在一些实施例中,上述执行主体可以根据病例描述特征图和预先训练的诊断信息生成模型,生成目标就诊对象对应的冠心病辅助诊断信息。其中,上述诊断信息生成模型可以是基于Transformer结构的语言预测模型。冠心病辅助诊断信息可以是用于辅助诊断医生诊断的冠心病诊断信息。
可选地,冠心病辅助诊断信息包括:冠心病辅助诊断子信息序列。上述冠心病辅助诊断子信息序列中的冠心病辅助诊断子信息按照对应的置信度有序排列。冠心病辅助诊断子信息对应不同的冠心病诊断结果。
可选地,上述方法还包括:
第一步,将上述冠心病辅助诊断子信息序列发送至目标终端。
其中,上述目标终端是诊断医生用于信息核验的终端。
第二步,响应于接收到上述目标终端发送的目标冠心病辅助诊断信息,根据上述目标冠心病辅助诊断信息,生成电子诊断病历。
其中,上述目标冠心病辅助诊断信息是上述诊断医生从上述冠心病辅助诊断子信息序列中筛选的冠心病辅助诊断子信息。
第三步,对上述电子诊断病历进行病历打印。
实践中,上述执行主体可以连接打印机,对上述电子诊断病历进行病历打印。
可选地,上述方法还包括:
响应于确定病例信息库中存在上述目标就诊对象对应的历史诊断信息,将上述电子诊断病历与上述历史诊断信息进行信息关联。
实践中,首先,上述执行主体可以先查询病例信息库是否存在与上述目标就诊对象对应的历史诊断信息。然后,响应于确定病例信息库中存在上述目标就诊对象对应的历史诊断信息,将上述电子诊断病历与上述历史诊断信息进行信息关联。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的应用于冠心病的辅助诊断信息生成方法,实现了针对冠心病的辅助诊断,减少了误诊错诊情况发生。具体来说,造成误诊错诊的原因在于:冠心病成因较为复杂,采用人工诊断的方式,往往依赖于中医诊断医生经验,当诊断经验匮乏时,可能造成误诊错诊。基于此,本公开的一些实施例的应用于冠心病的辅助诊断信息生成方法,首先,获取目标就诊对象对应的基础病例描述信息,其中,上述基础病例描述信息包括:主诉描述信息和疾病史描述信息。以此得到针对目标就诊对象的主诉情况和疾病史情况。其次,确定上述目标就诊对象对应的增量病例描述信息,其中,上述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息。以此得到脉象参照源、舌象参照源和唇部参照源的状态。接着,对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合。由于主诉特征可能存在无效描述,因此,通过病状特征提取以剔除无效描述。进一步,分别对上述主诉病状特征信息集合中的主诉病状特征信息、上述疾病史描述信息、上述脉象描述信息、上述舌象描述信息和上述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量。以将不同的描述信息映射至相同的向量空间。此外,根据上述主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,生成针对上述目标就诊对象的病例描述特征图。最后,根据上述病例描述特征图和预先训练的诊断信息生成模型,生成上述目标就诊对象对应的冠心病辅助诊断信息。通过此种方式可以快速生成冠心病辅助诊断信息,以辅助中医诊断医生的冠心病诊断,减少了误诊错诊情况的发生。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种应用于冠心病的辅助诊断信息生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该应用于冠心病的辅助诊断信息生成装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的应用于冠心病的辅助诊断信息生成装置200包括:获取单元201、确定单元202、病状特征提取单元203、特征向量映射单元204、第一生成单元205和第二生成单元206。其中,获取单元201,被配置成获取目标就诊对象对应的基础病例描述信息,其中,上述基础病例描述信息包括:主诉描述信息和疾病史描述信息;确定单元202,被配置成确定上述目标就诊对象对应的增量病例描述信息,其中,上述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息;病状特征提取单元203,被配置成对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合;特征向量映射单元204,被配置成分别对上述主诉病状特征信息集合中的主诉病状特征信息、上述疾病史描述信息、上述脉象描述信息、上述舌象描述信息和上述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量;第一生成单元205,被配置成根据上述主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,生成针对上述目标就诊对象的病例描述特征图;第二生成单元206,被配置成根据上述病例描述特征图和预先训练的诊断信息生成模型,生成上述目标就诊对象对应的冠心病辅助诊断信息。
可以理解的是,该应用于冠心病的辅助诊断信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于应用于冠心病的辅助诊断信息生成装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备(例如,计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从只读存储器302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标就诊对象对应的基础病例描述信息,其中,上述基础病例描述信息包括:主诉描述信息和疾病史描述信息;确定上述目标就诊对象对应的增量病例描述信息,其中,上述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息;对上述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合;分别对上述主诉病状特征信息集合中的主诉病状特征信息、上述疾病史描述信息、上述脉象描述信息、上述舌象描述信息和上述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量;根据上述主诉病状特征信息向量集合、上述疾病史描述信息向量、上述脉象描述信息向量、上述舌象描述信息向量和上述唇部状态描述信息向量,生成针对上述目标就诊对象的病例描述特征图;根据上述病例描述特征图和预先训练的诊断信息生成模型,生成上述目标就诊对象对应的冠心病辅助诊断信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、确定单元、病状特征提取单元、特征向量映射单元、第一生成单元和第二生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,特征向量映射单元还可以被描述为“分别对上述主诉病状特征信息集合中的主诉病状特征信息、上述疾病史描述信息、上述脉象描述信息、上述舌象描述信息和上述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种应用于冠心病的辅助诊断信息生成方法,包括:
获取目标就诊对象对应的基础病例描述信息,其中,所述基础病例描述信息包括:主诉描述信息和疾病史描述信息;
确定所述目标就诊对象对应的增量病例描述信息,其中,所述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息;
对所述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合;
分别对所述主诉病状特征信息集合中的主诉病状特征信息、所述疾病史描述信息、所述脉象描述信息、所述舌象描述信息和所述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量;
根据所述主诉病状特征信息向量集合、所述疾病史描述信息向量、所述脉象描述信息向量、所述舌象描述信息向量和所述唇部状态描述信息向量,生成针对所述目标就诊对象的病例描述特征图;
根据所述病例描述特征图和预先训练的诊断信息生成模型,生成所述目标就诊对象对应的冠心病辅助诊断信息。
2.根据权利要求1所述的方法,其中,所述冠心病辅助诊断信息包括:冠心病辅助诊断子信息序列,所述冠心病辅助诊断子信息序列中的冠心病辅助诊断子信息按照对应的置信度有序排列;以及
所述方法还包括:
将所述冠心病辅助诊断子信息序列发送至目标终端,其中,所述目标终端是诊断医生用于信息核验的终端;
响应于接收到所述目标终端发送的目标冠心病辅助诊断信息,根据所述目标冠心病辅助诊断信息,生成电子诊断病历,其中,所述目标冠心病辅助诊断信息是所述诊断医生从所述冠心病辅助诊断子信息序列中筛选的冠心病辅助诊断子信息;
对所述电子诊断病历进行病历打印。
3.根据权利要求2所述的方法,其中,所述方法还包括:
响应于确定病例信息库中存在所述目标就诊对象对应的历史诊断信息,将所述电子诊断病历与所述历史诊断信息进行信息关联。
4.根据权利要求3所述的方法,其中,所述确定所述目标就诊对象对应的增量病例描述信息,包括:
响应于脉象信号采集装置固定在所述目标就诊对象对应的脉象信号采集区域,执行以下第一处理步骤:
驱动所述脉象信号采集装置包括的光源装置,以按照预设发光顺序和预设发光间隔发出不同颜色的颜色光;
通过所述脉象信号采集装置包括的光敏传感器采集反射光;
通过所述脉象信号采集装置包括的数模转换器,对所述反射光进行信号数模转换,得到候选数字信号;
通过信号窗口,对所述候选数字信号进行信号分割,以生成分割后信号,得到分割后信号序列,其中,所述信号窗口的窗口长度与所述预设发光间隔相同;
通过脉象信号采集装置包括的级联信号放大器,对所述分割后信号序列中的每个分割后信号进行信号放大,以生成放大后信号,得到放大后信号序列;
确定所述放大后信号序列中的每个放大后信号的信号质量,以生成信号质量评分;
从所述放大后信号序列中筛选出对应的信号质量评分满足筛选条件的放大后信号,作为目标信号;
对所述目标信号进行信号降噪,以生成降噪后信号;
将所述降噪后信号输入预先训练的脉象描述信息生成模型,以生成所述脉象描述信息。
5.根据权利要求4所述的方法,其中,所述确定所述目标就诊对象对应的增量病例描述信息,还包括:
获取所述目标就诊对象对应的舌面图像和舌背图像;
分别对所述舌面图像和所述舌背图像进行图像灰度化处理,以生成舌面灰度图像和舌背灰度图像;
根据所述舌面灰度图像,确定舌面图像高光区域和舌面图像低光区域;
根据所述舌面图像高光区域和所述舌面图像低光区域,对所述舌面图像进行局部亮度调节,以生成亮度调节后舌面图像;
根据所述舌背灰度图像,确定舌背图像高光区域和舌背图像低光区域;
根据所述舌背图像高光区域和所述舌背图像低光区域,对所述舌背图像进行局部亮度调节,以生成亮度调节后舌背图像;
通过预先训练的舌象描述信息生成模型包括的双路图像特征提取模型,对所述亮度调节后舌面图像和所述亮度调节后舌背图像进行图像特征提取,以生成舌面基础特征和舌背基础特征;
根据所述舌面基础特征,通过所述舌象描述信息生成模型包括的分割模型对所述亮度调节后舌面图像进行舌面分割,得到舌面分割区域图像集合;
根据所述舌背基础特征,通过所述分割模型对亮度调节后舌背图像进行舌面分割,得到舌背分割区域图像集合;
对于所述舌面分割区域图像集合中的每个舌面分割区域图像,执行以下第二处理步骤:
通过所述舌象描述信息生成模型包括的分类模型,确定所述舌面分割区域图像的区域类型,作为第一区域类型;
切换至所述舌象描述信息生成模型中、与所述第一区域类型匹配的区域特征提取模型,以对所述舌面分割区域图像进行特征提取,得到舌面分割区域图像特征;
根据所述舌面分割区域图像特征,生成针对所述舌面分割区域图像的区域描述信息;
对于所述舌背分割区域图像集合中的每个舌背分割区域图像,执行以下第三处理步骤:
通过所述分类模型,确定所述舌背分割区域图像的区域类型,作为第二区域类型;
切换至所述舌象描述信息生成模型中、与所述第二区域类型匹配的区域特征提取模型,以对所述舌背分割区域图像进行特征提取,得到舌背分割区域图像特征;
根据所述舌背分割区域图像特征,生成针对所述舌背分割区域图像的区域描述信息;
将得到的区域描述信息集合,确定为所述舌象描述信息;
获取所述目标就诊对象对应的唇部图像;
对所述唇部图像进行唇色特征提取,以生成唇色特征;
根据所述唇色特征,生成所述唇部状态描述信息。
6.根据权利要求5所述的方法,其中,所述对所述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合,包括:
对所述主诉描述信息进行词分割,得到候选主诉描述词序列;
对所述候选主诉描述词序列中的候选主诉描述词进行词筛选,得到筛选后主诉描述词序列;
对所述筛选后主诉描述词序列中的筛选后主诉描述词进行词分组,得到筛选后主诉描述词组序列;
生成所述筛选后主诉描述词组序列中的每个筛选后主诉描述词组对应的主诉病状特征信息,得到所述主诉病状特征信息集合。
7.根据权利要求6所述的方法,其中,所述根据所述主诉病状特征信息向量集合、所述疾病史描述信息向量、所述脉象描述信息向量、所述舌象描述信息向量和所述唇部状态描述信息向量,生成针对所述目标就诊对象的病例描述特征图,包括:
根据所述脉象描述信息向量、所述舌象描述信息向量和所述唇部状态描述信息向量,生成第一融合向量;
根据所述主诉病状特征信息向量集合,生成第二融合向量;
根据所述诊断信息生成模型,分别确定所述第一融合向量和所述第二融合向量对应的候选冠心病诊断信息,作为第一候选冠心病诊断信息和第二候选冠心病诊断信息;
响应于确定所述第一候选冠心病诊断信息和所述第二候选冠心病诊断信息匹配,根据所述主诉病状特征信息向量集合、所述疾病史描述信息向量、所述脉象描述信息向量、所述舌象描述信息向量和所述唇部状态描述信息向量,构建特征矩阵,作为所述病例描述特征图;
响应于确定所述第一候选冠心病诊断信息和所述第二候选冠心病诊断信息不匹配,以所述第一融合向量为约束,对所述主诉病状特征信息向量集合中的主诉病状特征信息向量进行干扰向量剔除,以生成剔除后主诉病状特征信息向量,得到剔除后主诉病状特征信息向量集合;
根据所述剔除后主诉病状特征信息向量集合、所述疾病史描述信息向量、所述脉象描述信息向量、所述舌象描述信息向量和所述唇部状态描述信息向量,构建特征矩阵,作为所述病例描述特征图。
8.一种应用于冠心病的辅助诊断信息生成装置,包括:
获取单元,被配置成获取目标就诊对象对应的基础病例描述信息,其中,所述基础病例描述信息包括:主诉描述信息和疾病史描述信息;
确定单元,被配置成确定所述目标就诊对象对应的增量病例描述信息,其中,所述增量病例描述信息包括:脉象描述信息、舌象描述信息和唇部状态描述信息;
病状特征提取单元,被配置成对所述主诉描述信息进行病状特征提取,以生成主诉病状特征信息集合;
特征向量映射单元,被配置成分别对所述主诉病状特征信息集合中的主诉病状特征信息、所述疾病史描述信息、所述脉象描述信息、所述舌象描述信息和所述唇部状态描述信息进行特征向量映射,以生成主诉病状特征信息向量集合、疾病史描述信息向量、脉象描述信息向量、舌象描述信息向量和唇部状态描述信息向量;
第一生成单元,被配置成根据所述主诉病状特征信息向量集合、所述疾病史描述信息向量、所述脉象描述信息向量、所述舌象描述信息向量和所述唇部状态描述信息向量,生成针对所述目标就诊对象的病例描述特征图;
第二生成单元,被配置成根据所述病例描述特征图和预先训练的诊断信息生成模型,生成所述目标就诊对象对应的冠心病辅助诊断信息。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338167.4A CN117334330A (zh) | 2023-10-16 | 2023-10-16 | 应用于冠心病的辅助诊断信息生成方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338167.4A CN117334330A (zh) | 2023-10-16 | 2023-10-16 | 应用于冠心病的辅助诊断信息生成方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117334330A true CN117334330A (zh) | 2024-01-02 |
Family
ID=89277024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311338167.4A Pending CN117334330A (zh) | 2023-10-16 | 2023-10-16 | 应用于冠心病的辅助诊断信息生成方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117334330A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911722A (zh) * | 2024-03-19 | 2024-04-19 | 陕西中医药大学 | 基于人工智能的糖尿病人舌象特征提取方法 |
-
2023
- 2023-10-16 CN CN202311338167.4A patent/CN117334330A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911722A (zh) * | 2024-03-19 | 2024-04-19 | 陕西中医药大学 | 基于人工智能的糖尿病人舌象特征提取方法 |
CN117911722B (zh) * | 2024-03-19 | 2024-06-04 | 陕西中医药大学 | 基于人工智能的糖尿病人舌象特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622797B (zh) | 一种基于声音的身体状况确定系统及方法 | |
Belkacem et al. | End-to-end AI-based point-of-care diagnosis system for classifying respiratory illnesses and early detection of COVID-19: A theoretical framework | |
CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
Cheng et al. | Prediction of arterial blood pressure waveforms from photoplethysmogram signals via fully convolutional neural networks | |
CN110584618B (zh) | 基于人工智能的传染病机器识别系统 | |
CN117334330A (zh) | 应用于冠心病的辅助诊断信息生成方法、装置和电子设备 | |
Fan et al. | Homecare-oriented intelligent long-term monitoring of blood pressure using electrocardiogram signals | |
US20220270344A1 (en) | Multimodal diagnosis system, method and apparatus | |
CN114052794B (zh) | 一种基于多模态信息的颈动脉超声报告生成系统 | |
Rana et al. | Cough detection system using TinyML | |
CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
CN110720946A (zh) | 一种基于深度学习的智能听诊系统 | |
CN113436726A (zh) | 一种基于多任务分类的肺部病理音自动化分析方法 | |
CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及系统 | |
CN113553909A (zh) | 用于皮肤检测的模型训练方法、皮肤检测方法 | |
Wang et al. | Cuff-less blood pressure estimation via small convolutional neural networks | |
CN117137488B (zh) | 基于脑电数据与面部表情影像的抑郁症病症辅助识别方法 | |
CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
CN111150369A (zh) | 医疗辅助设备、医疗辅助检测设备和方法 | |
CN110074759B (zh) | 语音数据辅助诊断方法、装置、计算机设备及存储介质 | |
US20230018077A1 (en) | Medical information processing system, medical information processing method, and storage medium | |
CN116958539A (zh) | 用于血管树分割的模型训练和图像处理方法、装置及设备 | |
CN108765413B (zh) | 用于图像分类的方法、装置及计算机可读介质 | |
Gómez-Quintana et al. | An EEG analysis framework through AI and sonification on low power IoT edge devices | |
Dharani et al. | Hybrid optimization enabled deep learning model for Parkinson's disease classification |
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 |