CN117370525A - 一种基于微调大模型的智能导诊方法 - Google Patents
一种基于微调大模型的智能导诊方法 Download PDFInfo
- Publication number
- CN117370525A CN117370525A CN202311364676.4A CN202311364676A CN117370525A CN 117370525 A CN117370525 A CN 117370525A CN 202311364676 A CN202311364676 A CN 202311364676A CN 117370525 A CN117370525 A CN 117370525A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- diagnosis
- inquiry
- training
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 49
- 208000024891 symptom Diseases 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 201000010099 disease Diseases 0.000 claims abstract description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 15
- 230000002596 correlated effect Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 206010012735 Diarrhoea Diseases 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于微调大模型的智能导诊方法,包括以下步骤:S1:首选采用Scrapy和OpenRefine方法对专业医疗期刊、医疗专业书籍、临床路径规范、互联网问诊数据和电子病历数据进行数据获取与数据清洗。本发明通过利用大量的医疗数据做训练,能够提升导诊覆盖的疾病种类,可以大量减少专业医生建立知识图谱的工作量,且患者可以用自然语言、人机交流的方式实现导诊,且通过对微调大模型进行改进可以提高导诊的准确性,特别是同一种症状表现多种疾病的情况下能更准确的判断患者的就诊科室。
Description
技术领域
本发明涉及智能导诊技术领域,尤其涉及一种基于微调大模型的智能导诊方法。
背景技术
智能导诊是一种利用人工智能技术来辅助代替导诊护士或者医护人员来对患者进行就诊引导的技术,主要围绕的是患者输入或者选择症状表现后导诊介质可以最终给患者就诊建议,如建议去内科诊室就诊;
现有智能导诊技术主要是基于知识图谱检索或症状关键词匹配的方式来检索或匹配对应的科室,在使用过程中存在以下问题:1、基于知识图谱的检索多数情况下患者需要按照系统提示操作或者回答,若超出图谱的选项范围系统则会出现无法理解的情况,最终也无法给出对应的导诊建议;2、关键词匹配的方案存在医疗专业术语与日常用语差异较大的情况导致机器无法理解,如医疗术语腹泻日常用语可能用拉肚子来描述,当患者输入或者说拉肚子时导诊系统可能无法准确理解患者的症状有可能出现无法导诊的情况;3、基于知识图谱的智能导诊方法需要耗费大量人力物力去建立知识图谱,且知识图谱的建立非常依赖专业的医生,图谱的数量与覆盖疾病范围相对有限;综合上述情况,因此我们提出了一种基于微调大模型的智能导诊方法。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于微调大模型的智能导诊方法。
本发明提出的一种基于微调大模型的智能导诊方法,包括以下步骤:
S1:首选采用Scrapy和OpenRefine方法对专业医疗期刊、医疗专业书籍、临床路径规范、互联网问诊数据和电子病历数据进行数据获取与数据清洗;
S2:采用OpenRefine方法对S1中获取数据中病症的症状表现进行去重,先对同一症状表现不同的口语表达进行标注处理,且对标注的数据增加专业医学术语标签,通过识别不同的症状表现,但是相同标签的识别为重复项,做去重处理;
S3:采用Transformer作为预训练模型,Transformer作为自然语言处理模型,采用大量真实患者的导诊语料结合S2中所述的病症标注数据进行训练,理解口语的同时保持了模型输出的专业性;
S4:根据导诊场景的业务特点采用7B模型作为模型的参数量,并设计模型的具体结构,确保模型的准确率的同时降低模型训练的硬件资源要求;
S5:将S3中预训练后的模型数据划分为多个子集,并结合S4中所述的模型结构和参数量,进行多卡并行训练;
S6:使用独立的测试集评估S5中训练后的模型的性能,通过模型整体的准确率评估函数TP(X)和精确率函数AP(X)两个维度对模型进行评估,选取20%样本数据作为评估样本,通过两个函数计算模型的整体的问诊表现以及针对各个疾病问诊的精确性进行评估;
S7:邀请专业医生与专家对问诊模型进行回答数据标注,数据标准对模型的每个回答正确性分为3个标准,分别是正相关、不相关、负相关;针对整个问诊过程给予两个标注,完整、不完整;比分权重每个症状回答正相关为3分,不相关1分,负相关-1分;问诊过程完整性3分,不完整0分;选取完整性评分为3的问诊数据,再选取问诊准确性不包含负相关标注数据,根据S6中所述的评估结果采用批量微调Batch Fine-tuning微调方法对微调数据进行再次训练,改进问诊模型的性能;
S8:患者输入或者使用自然语言与S7中改进问诊模型后的智能导诊交流时,问诊模型对患者交流的信息进行识别,并给患者提出就诊建议。
优选地,所述S1中,医疗期刊、医疗专业书籍和临床路径规范清洗后的数据作为模型训练的种子任务,互联问诊数据与电子病历数据做为模型微调数据。
优选地,所述S6中,精确率函数AP(X)为:AP=[TC1/(TC1+FC1)]+[TC2/(TC2+FC2)]+…+[TCn/(TCn+FCn)]/N,其中TC表示每次问诊过程模型回答的正确的症状数量,FC表示每次问诊过程模型回答的疾病不相关的症状数量,N表示问诊的总次数。
优选地,所述S6中,准确率评估函数TP(X)为:TP=TC/(TC+FC),其中TP代表导诊的准确率,TC代表模型导诊正确次数,FC代表模型导诊错误的次数,TC的统计方式为将已知疾病的若干个症状输入到模型中,最终模型输出的导诊建议是否为疾病所属的科室,如果是则TC=TC+1,不是则TC=TC;相反FC的统计方式为将已知疾病的若干个症状输入到模型中,最终模型输出的导诊建议是否为疾病所属的科室是则FC=FC,不是则FC=FC+1。
优选地,所述S7中,Batch Fine-tuning微调方法的函数公式为:f(x;\theta)=g(h(x;\phi),w),其中,f是最终的预测函数,x是输入数据,\theta是模型的参数,g是任务特定的函数,h是预训练模型的输出函数,\phi是预训练模型的参数,w是任务特定函数的参数。
与现有的技术相比,本发明的有益效果是:
本发明通过利用大量的医疗数据做训练,能够提升导诊覆盖的疾病种类,可以大量减少专业医生建立知识图谱的工作量,且患者可以用自然语言、人机交流的方式实现导诊,且通过对微调大模型进行改进可以提高导诊的准确性,特别是同一种症状表现多种疾病的情况下能更准确的判断患者的就诊科室。
具体实施方式
下面结合具体实施例对本发明作进一步解说。
实施例
本实施例中提出了一种基于微调大模型的智能导诊方法,包括以下步骤:
S1:首选采用Scrapy和OpenRefine方法对专业医疗期刊、医疗
专业书籍、临床路径规范、互联网问诊数据和电子病历数据进行数据获取与数据清洗,其中医疗期刊、医疗专业书籍和临床路径规范清洗后的数据作为模型训练的种子任务,互联问诊数据与电子病历数据做为模型微调数据;
S2:采用OpenRefine方法对S1中获取数据中病症的症状表现进行去重,先对同一症状表现不同的口语表达进行标注处理,且对标注的数据增加专业医学术语标签,通过识别不同的症状表现,但是相同标签的识别为重复项,做去重处理;
S3:采用Transformer作为预训练模型,Transformer作为自然语言处理模型,其能够提升对口语化表达的理解泛化能力,采用大量真实患者的导诊语料结合S2中的病症标注数据进行训练,理解口语的同时保持了模型输出的专业性;
S4:根据导诊场景的业务特点采用7B模型作为模型的参数量,并设计模型的具体结构,确保模型的准确率的同时降低模型训练的硬件资源要求;
S5:将S3中预训练后的模型数据划分为多个子集,并结合S4中的模型结构和参数量,进行多卡并行训练,其中通过多卡并行训练降低单卡的训练数据量提高训练的效率与训练过程的稳定性;
S6:使用独立的测试集评估S5中训练后的模型的性能,通过模型整体的准确率评估函数TP(X)和精确率函数AP(X)两个维度对模型进行评估,选取20%样本数据作为评估样本,通过两个函数计算模型的整体的问诊表现以及针对各个疾病问诊的精确性进行评估,其中精确率函数AP(X)为:AP=[TC1/(TC1+FC1)]+[TC2/(TC2+FC2)]+…+[TCn/(TCn+FCn)]/N,其中TC表示每次问诊过程模型回答的正确的症状数量,FC表示每次问诊过程模型回答的疾病不相关的症状数量,N表示问诊的总次数;准确率评估函数TP(X)为:TP=TC/(TC+FC),其中TP代表导诊的准确率,TC代表模型导诊正确次数,FC代表模型导诊错误的次数,TC的统计方式为将已知疾病的若干个症状输入到模型中,最终模型输出的导诊建议是否为疾病所属的科室,如果是则TC=TC+1,不是则TC=TC;相反FC的统计方式为将已知疾病的若干个症状输入到模型中,最终模型输出的导诊建议是否为疾病所属的科室是则FC=FC,不是则FC=FC+1;
S7:邀请专业医生与专家对问诊模型进行回答数据标注,数据标准对模型的每个回答正确性分为3个标准,分别是正相关、不相关、负相关;针对整个问诊过程给予两个标注,完整、不完整;比分权重每个症状回答正相关为3分,不相关1分,负相关-1分;问诊过程完整性3分,不完整0分;选取完整性评分为3的问诊数据,再选取问诊准确性不包含负相关标注数据,根据S6中的评估结果采用批量微调Batch Fine-tuning微调方法对微调数据进行再次训练,改进问诊模型的性能,其中Batch Fine-tuning微调方法的函数公式为:f(x;\theta)=g(h(x;\phi),w),其中,f是最终的预测函数,x是输入数据,\theta是模型的参数,g是任务特定的函数,h是预训练模型的输出函数,\phi是预训练模型的参数,w是任务特定函数的参数,其中通过Batch Fine-tuning方法可以对模型进行快速微调以及保留练过程的可解释性,且通过对模型的微调训练实现模型可以理解患者的口语化症状描述,并准确为患者提供就诊建议,同时还能够提升模型的稳定性;
S8:患者输入或者使用自然语言与S7中改进问诊模型后的智能导诊交流时,问诊模型对患者交流的信息进行识别,并给患者提出就诊建议。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于微调大模型的智能导诊方法,其特征在于,包括以下步骤:
S1:首选采用Scrapy和OpenRefine方法对专业医疗期刊、医疗专业书籍、临床路径规范、互联网问诊数据和电子病历数据进行数据获取与数据清洗;
S2:采用OpenRefine方法对S1中获取数据中病症的症状表现进行去重,先对同一症状表现不同的口语表达进行标注处理,且对标注的数据增加专业医学术语标签,通过识别不同的症状表现,但是相同标签的识别为重复项,做去重处理;
S3:采用Transformer作为预训练模型,Transformer作为自然语言处理模型,采用大量真实患者的导诊语料结合S2中所述的病症标注数据进行训练;
S4:根据导诊场景的业务特点采用7B模型作为模型的参数量,并设计模型的具体结构,确保模型的准确率的同时降低模型训练的硬件资源要求;
S5:将S3中预训练后的模型数据划分为多个子集,并结合S4中所述的模型结构和参数量,进行多卡并行训练;
S6:使用独立的测试集评估S5中训练后的模型的性能,通过模型整体的准确率评估函数TP(X)和精确率函数AP(X)两个维度对模型进行评估,选取20%样本数据作为评估样本,通过两个函数计算模型的整体的问诊表现以及针对各个疾病问诊的精确性进行评估;
S7:邀请专业医生与专家对问诊模型进行回答数据标注,数据标准对模型的每个回答正确性分为3个标准,分别是正相关、不相关、负相关;针对整个问诊过程给予两个标注,完整、不完整;比分权重每个症状回答正相关为3分,不相关1分,负相关-1分;问诊过程完整性3分,不完整0分;选取完整性评分为3的问诊数据,再选取问诊准确性不包含负相关标注数据,根据S6中所述的评估结果采用批量微调Batch Fine-tuning微调方法对微调数据进行再次训练,改进问诊模型的性能;
S8:患者输入或者使用自然语言与S7中改进问诊模型后的智能导诊交流时,问诊模型对患者交流的信息进行识别,并给患者提出就诊建议。
2.根据权利要求1所述的一种基于微调大模型的智能导诊方法,其特征在于,所述S1中,医疗期刊、医疗专业书籍和临床路径规范清洗后的数据作为模型训练的种子任务,互联问诊数据与电子病历数据做为模型微调数据。
3.根据权利要求1所述的一种基于微调大模型的智能导诊方法,其特征在于,所述S6中,精确率函数AP(X)为:AP=[TC1/(TC1+FC1)]+[TC2/(TC2+FC2)]+…+[TCn/(TCn+FCn)]/N,其中TC表示每次问诊过程模型回答的正确的症状数量,FC表示每次问诊过程模型回答的疾病不相关的症状数量,N表示问诊的总次数。
4.根据权利要求1所述的一种基于微调大模型的智能导诊方法,其特征在于,所述S6中,准确率评估函数TP(X)为:TP=TC/(TC+FC),其中TP代表导诊的准确率,TC代表模型导诊正确次数,FC代表模型导诊错误的次数,TC的统计方式为将已知疾病的若干个症状输入到模型中,最终模型输出的导诊建议是否为疾病所属的科室,如果是则TC=TC+1,不是则TC=TC;相反FC的统计方式为将已知疾病的若干个症状输入到模型中,最终模型输出的导诊建议是否为疾病所属的科室是则FC=FC,不是则FC=FC+1。
5.根据权利要求1所述的一种基于微调大模型的智能导诊方法,其特征在于,所述S7中,Batch Fine-tuning微调方法的函数公式为:f(x;\theta)=g(h(x;\phi),w),其中,f是最终的预测函数,x是输入数据,\theta是模型的参数,g是任务特定的函数,h是预训练模型的输出函数,\phi是预训练模型的参数,w是任务特定函数的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311364676.4A CN117370525A (zh) | 2023-10-20 | 2023-10-20 | 一种基于微调大模型的智能导诊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311364676.4A CN117370525A (zh) | 2023-10-20 | 2023-10-20 | 一种基于微调大模型的智能导诊方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117370525A true CN117370525A (zh) | 2024-01-09 |
Family
ID=89392414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311364676.4A Pending CN117370525A (zh) | 2023-10-20 | 2023-10-20 | 一种基于微调大模型的智能导诊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370525A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709441A (zh) * | 2024-02-06 | 2024-03-15 | 云南联合视觉科技有限公司 | 通过逐步迁移领域训练专业医疗大模型的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686445A (zh) * | 2018-12-29 | 2019-04-26 | 成都睿码科技有限责任公司 | 一种基于自动标签和多模型融合的智能导诊算法 |
CN111768869A (zh) * | 2020-09-03 | 2020-10-13 | 成都索贝数码科技股份有限公司 | 面向智能问答系统的医学指南图谱化构建搜索系统及方法 |
WO2020211275A1 (zh) * | 2019-04-18 | 2020-10-22 | 五邑大学 | 基于预训练模型与微调技术的医疗文本关系抽取方法 |
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 |
WO2022116441A1 (zh) * | 2020-12-03 | 2022-06-09 | 平安科技(深圳)有限公司 | 基于卷积神经网络的bert模型的微调方法及装置 |
US20220398462A1 (en) * | 2021-06-14 | 2022-12-15 | Microsoft Technology Licensing, Llc. | Automated fine-tuning and deployment of pre-trained deep learning models |
CN115759073A (zh) * | 2022-11-21 | 2023-03-07 | 四川大学华西医院 | 一种医疗检查预训练模型构建方法及识别方法 |
CN116151273A (zh) * | 2023-04-24 | 2023-05-23 | 湖南超能机器人技术有限公司 | 基于Transformer和知识图谱的智能交互方法 |
WO2023165012A1 (zh) * | 2022-03-02 | 2023-09-07 | 平安科技(深圳)有限公司 | 问诊方法和装置、电子设备及存储介质 |
-
2023
- 2023-10-20 CN CN202311364676.4A patent/CN117370525A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686445A (zh) * | 2018-12-29 | 2019-04-26 | 成都睿码科技有限责任公司 | 一种基于自动标签和多模型融合的智能导诊算法 |
WO2020211275A1 (zh) * | 2019-04-18 | 2020-10-22 | 五邑大学 | 基于预训练模型与微调技术的医疗文本关系抽取方法 |
CN111768869A (zh) * | 2020-09-03 | 2020-10-13 | 成都索贝数码科技股份有限公司 | 面向智能问答系统的医学指南图谱化构建搜索系统及方法 |
WO2022116441A1 (zh) * | 2020-12-03 | 2022-06-09 | 平安科技(深圳)有限公司 | 基于卷积神经网络的bert模型的微调方法及装置 |
US20220398462A1 (en) * | 2021-06-14 | 2022-12-15 | Microsoft Technology Licensing, Llc. | Automated fine-tuning and deployment of pre-trained deep learning models |
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 |
WO2023165012A1 (zh) * | 2022-03-02 | 2023-09-07 | 平安科技(深圳)有限公司 | 问诊方法和装置、电子设备及存储介质 |
CN115759073A (zh) * | 2022-11-21 | 2023-03-07 | 四川大学华西医院 | 一种医疗检查预训练模型构建方法及识别方法 |
CN116151273A (zh) * | 2023-04-24 | 2023-05-23 | 湖南超能机器人技术有限公司 | 基于Transformer和知识图谱的智能交互方法 |
Non-Patent Citations (2)
Title |
---|
汤人杰;江涛;杨巧节;: "基于自然语言学习的智能云导诊技术", 电信科学, no. 04, 23 April 2019 (2019-04-23) * |
苏海波;刘译璟;: "基于预训练模型和联合调参的改进训练算法", 中国信息化, no. 02, 20 February 2020 (2020-02-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709441A (zh) * | 2024-02-06 | 2024-03-15 | 云南联合视觉科技有限公司 | 通过逐步迁移领域训练专业医疗大模型的方法 |
CN117709441B (zh) * | 2024-02-06 | 2024-05-03 | 云南联合视觉科技有限公司 | 通过逐步迁移领域训练专业医疗大模型的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111884B (zh) | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 | |
CN110838368A (zh) | 一种基于中医临床知识图谱的机器人主动问诊方法 | |
CN109949929A (zh) | 一种基于深度学习大规模病历的辅助诊断系统 | |
US20220092441A1 (en) | Training method and apparatus, dialogue processing method and system, and medium | |
CN117370525A (zh) | 一种基于微调大模型的智能导诊方法 | |
CN113871020B (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及系统 | |
CN113934824B (zh) | 一种基于多轮智能问答的相似病历匹配系统及方法 | |
CN116741411A (zh) | 一种基于医疗大数据分析的智慧健康科普推荐方法、系统 | |
Schoech et al. | Expert systems: Artificial intelligence for professional decisions | |
CN117316466A (zh) | 一种基于知识图谱与自然语言处理技术的临床决策方法、系统及设备 | |
CN117352159A (zh) | 一种基于电子病历的疑难疾病循证方法、系统及存储介质 | |
Yadav et al. | Predicting depression from routine survey data using machine learning | |
Nega et al. | Data mining based hybrid intelligent system for medical application | |
CN116432070A (zh) | 一种基于深度学习神经网络的ecg信号分类系统和方法 | |
CN112259260B (zh) | 基于智能穿戴设备的智能医疗问答方法、系统及装置 | |
Newby et al. | Confirmatory factor analysis of four general neuropsychological models with a modified Halstead-Reitan Battery | |
Omara et al. | A field-based recommender system for crop disease detection using machine learning | |
CN117370506A (zh) | 一种支持多模态和多轮对话的农业智能问答方法和系统 | |
CN116628219A (zh) | 一种基于知识图谱的问答方法 | |
US20220093272A1 (en) | Integrated system and method for personalized stratification and prediction of neurodegenerative disease | |
Yang et al. | Process mining the trauma resuscitation patient cohorts | |
CN116756361A (zh) | 一种基于对应特征融合的医学视觉问答方法 | |
CN114155962A (zh) | 一种数据清洗方法和利用知识图谱构建疾病诊断方法 | |
Xu et al. | A hybrid system applied to epidemic screening | |
CN114328864A (zh) | 基于人工智能和知识图谱的眼科问答系统 |
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 |