CN117409939A - 疾病诉求分诊方法、装置、电子设备和存储介质 - Google Patents
疾病诉求分诊方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117409939A CN117409939A CN202311494225.2A CN202311494225A CN117409939A CN 117409939 A CN117409939 A CN 117409939A CN 202311494225 A CN202311494225 A CN 202311494225A CN 117409939 A CN117409939 A CN 117409939A
- Authority
- CN
- China
- Prior art keywords
- triage
- disease
- model
- appeal
- triage model
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 50
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 102100038612 Calmodulin-regulated spectrin-associated protein 3 Human genes 0.000 description 1
- 101000741294 Homo sapiens Calmodulin-regulated spectrin-associated protein 3 Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开实施例提供了一种疾病诉求分诊方法、装置、电子设备和存储介质,应用于数据处理技术领域。所述方法包括通过根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;获取待分诊疾病诉求文本;将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。提高对疾病诉求分诊的效率。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及一种疾病诉求分诊方法、装置、电子设备和存储介质。
背景技术
疾病诉求分诊是指根据患者的症状、病史等信息,对其就医需求进行初步的分类和分流,将患者引导到适合的医疗资源上。在传统的诊疗模式下,患者通常需要先去大型综合医院进行初步的检查,再由医生判断是否需要转诊到专科医院,这样往返多次就医过程非常耗时,并且容易造成医疗资源的不必要浪费。而疾病诉求分诊能够根据患者的病情直接将其引导到合适的科室,避免了无效的医疗过程,提高了就诊效率;通过疾病诉求分诊,可以将不同类型的患者分流到不同的医疗机构或科室就诊,合理调配医疗资源,实现资源的最优配置;疾病诉求分诊在将患者引导到专科医院的同时,也能够确保患者得到更准确的诊断和治疗,提升医疗质量;通过疾病诉求分诊,可以避免患者在就医过程中反复奔波,减少排队等待时间,降低医疗费用。同时,患者在得到合适的医疗资源后,也能够更快地获得正确的诊断和治疗方案,减轻了身体和心理上的负担。因此,对疾病诉求进行分诊具有重要意义。
目前,在对疾病诉求进行分诊的模型中,普遍存在鲁棒性和泛化能力较差的问题,导致对疾病诉求分诊的效率比较低。因此,亟须一种具有较高分诊效率的疾病诉求分诊方法、装置、电子设备和存储介质。
发明内容
本公开提供了一种疾病诉求分诊方法、装置、电子设备和存储介质。
根据本公开的第一方面,提供了一种疾病诉求分诊方法。该方法包括:
根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;
根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;
获取待分诊疾病诉求文本;
将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。
进一步地,所述根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型,包括:
在对所述预设初始分诊模型进行迭代的过程中,采集噪声;
计算虚拟对抗的KL损失对于所述噪声的梯度;
根据所述噪声、梯度,对所述噪声进行更新,得到更新后噪声;
对所述更新后噪声进行计算,得到所述迭代的更新梯度;
根据所述更新梯度,对所述初始分诊模型的模型参数进行更新,得到所述第一分诊模型。
进一步地,采用wwm的mask策略对所述预设初始分诊模型进行预训练。
进一步地,所述根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型,包括:
在对所述第一分诊模型进行迭代的过程中,计算反向传播梯度;
根据所述反向传播梯度,计算得到噪声值;
根据所述噪声值,计算得到加入噪声后的反向传播梯度;
根据所述反向传播梯度、加入噪声后的反向传播梯度对所述第一分诊模型的模型参数进行更新,得到所述第二分诊模型。
根据本公开的第二方面,提供了一种疾病诉求分诊装置。该装置包括:
训练模块,用于根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;
微调模块,用于根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;
获取模块,用于获取待分诊疾病诉求文本;
分诊模块,用于将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现所述方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现所述方法。
本公开通过根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;获取待分诊疾病诉求文本;将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。提高对疾病诉求分诊的效率。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其他特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,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。附图用于更好地理解本方案,不构成对本公开的限定。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开实施例的疾病诉求分诊方法的流程图;
图2示出了根据本公开实施例的疾病诉求分诊装置的框图;
图3示出了能够实施本公开实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的疾病诉求分诊方法100的流程图,该方法100包括:
S101,根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型。
在一些实施例中,所述预设初始分诊模型的初始权重可以使用华为开源的nezha模型。
在一些实施例中,在对所述预设初始分诊模型进行预训练的过程中,将所述第一预设文本数据集中的样本按照{[CLS],char1,char2,...,charn,[SEP]}的形式进行输入,其中,[CLS]和[SEP]是特殊符号。
在一些实施例中,所述根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型,包括:
首先对于每轮迭代中的每个step,从N(0,σ2I)中采样噪声δ,
然后通过公式计算虚拟对抗的KL损失对于噪声δ的梯度gadv,
然后通过δ=δ+ηgadv更新噪声δ。
通过这一步可以得到我们需要的最大噪声δ,
然后通过公式求得模型这一个step的更新梯度gθ,
最后对模型进行θ=θ-γgθ参数更新,其中γ为学习率参数。
在一些实施例中,预训练的目标函数可以为
其中,θ表示模型参数,x表示输入,y表示真实标签,δ表示噪声,α表示虚拟对抗部分的超参数(例如,5),l表示交叉熵损失函数,KL表示KL散度损失函数。且,公式中的max部分是虚拟对抗的损失,在模型输入的embedding部分引入噪声δ,噪声δ服从N(0,σ2I)的高斯分布,其中σ表示高斯分布的方差;使用embedding部分引入噪声后的模型输出分布f(x+δ;θ)与f(x;θ)进行KL散度计算损失。
在一些实施例中,为了让输入的噪声达到最大化,因此KL散度的损失取最大。l(f(x;θ),y)为模型的输出与真实标签的交叉熵损失。
在一些实施例中,采用wwm的mask策略对所述预设初始分诊模型进行预训练。
根据本公开实施例,通过wwm的mask策略将整个词作为一个单位进行掩码,可以保留词语的上下文信息,让模型更好地理解词语的语义和上下文关系;wwm的mask策略将整个词作为一个单位进行掩码,可以更好地保留长文本中词语的完整语义,提高模型对长文本的处理能力;wwm的mask策略将整个词作为一个单位进行掩码,能够缓解标签偏置问题,提高预训练模型的多样性和准确性,进而提高对疾病诉求分诊的效率。
S102,根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型。
在一些实施例中,所述根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型,包括:
首先对于每轮迭代中的每个step,通过公式求得反向传播的梯度,
然后通过公式δ=ε·g/||g||2求得噪声δ的值,
再通过公式求得embedding部分加入噪声之后,反向传播的梯度。
最后分别通过梯度g和gδ分别更新模型参数参数θ。
S103,获取待分诊疾病诉求文本。
S104,将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。
根据本公开实施例,通过根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;获取待分诊疾病诉求文本;将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。提高对疾病诉求分诊的效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图2示出了根据本公开实施例的疾病诉求分诊装置200的方框图,该装置200包括:
训练模块201,用于根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;
微调模块202,用于根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;
获取模块203,用于获取待分诊疾病诉求文本;
分诊模块204,用于将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的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,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开实施例,本公开还提供了一种电子设备和一种可读存储介质。
图3示出了可以用来实施本公开实施例的电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机,例如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其它适合的计算机。电子设备还可以表示各种形式的移动装置,例如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或要求的本公开的实现。
电子设备300包括计算单元301,其可以根据存储在ROM302中的计算机程序或者从存储单元308加载到RAM303中的计算机程序,来执行各种适当的动作和处理。在RAM303中,还可存储电子设备300操作所需的各种程序和数据。计算单元301、ROM302以及RAM303通过总线304彼此相连。I/O接口305也连接至总线304。
电子设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许电子设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理,例如疾病诉求分诊方法。例如,在一些实施例中,疾病诉求分诊方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到电子设备300上。当计算机程序加载到RAM303并由计算单元301执行时,可以执行上文描述的疾病诉求分诊方法的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行疾病诉求分诊方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。可读存储介质可以是机器可读信号介质或机器可读储存介质。可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置;以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上述各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行,也可以顺序地执行,也可以不同次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (7)
1.一种疾病诉求分诊方法,其特征在于,包括:
根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;
根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;
获取待分诊疾病诉求文本;
将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。
2.根据权利要求1所述的疾病诉求分诊方法,其特征在于,所述根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型,包括:
在对所述预设初始分诊模型进行迭代的过程中,采集噪声;
计算虚拟对抗的KL损失对于所述噪声的梯度;
根据所述噪声、梯度,对所述噪声进行更新,得到更新后噪声;
对所述更新后噪声进行计算,得到所述迭代的更新梯度;
根据所述更新梯度,对所述初始分诊模型的模型参数进行更新,得到所述第一分诊模型。
3.根据权利要求1所述的疾病诉求分诊方法,其特征在于,采用wwm的mask策略对所述预设初始分诊模型进行预训练。
4.根据权利要求1所述的疾病诉求分诊方法,其特征在于,所述根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型,包括:
在对所述第一分诊模型进行迭代的过程中,计算反向传播梯度;
根据所述反向传播梯度,计算得到噪声值;
根据所述噪声值,计算得到加入噪声后的反向传播梯度;
根据所述反向传播梯度、加入噪声后的反向传播梯度对所述第一分诊模型的模型参数进行更新,得到所述第二分诊模型。
5.一种疾病诉求分诊装置,其特征在于,包括:
训练模块,用于根据第一预设文本数据集对预设初始分诊模型进行预训练,得到第一分诊模型;
微调模块,用于根据第二预设文本数据集对所述第一分诊模型进行微调,得到第二分诊模型;
获取模块,用于获取待分诊疾病诉求文本;
分诊模块,用于将所述待分诊疾病诉求文本发送至所述第二分诊模型,得到分诊结果。
6.一种电子设备,其特征在于,包括:
至少一个处理器;
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指令,所述指令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权利要求1-4中任一权利要求所述的方法。
7.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311494225.2A CN117409939A (zh) | 2023-11-09 | 2023-11-09 | 疾病诉求分诊方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311494225.2A CN117409939A (zh) | 2023-11-09 | 2023-11-09 | 疾病诉求分诊方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117409939A true CN117409939A (zh) | 2024-01-16 |
Family
ID=89490735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311494225.2A Pending CN117409939A (zh) | 2023-11-09 | 2023-11-09 | 疾病诉求分诊方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409939A (zh) |
-
2023
- 2023-11-09 CN CN202311494225.2A patent/CN117409939A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7102531B2 (ja) | コンピュータ断層撮影血管造影における解剖学的構造のセグメンテーションのための方法、コンピュータ・プログラム、コンピュータ可読記憶媒体、および装置 | |
CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
US20170061279A1 (en) | Updating an artificial neural network using flexible fixed point representation | |
WO2022032823A1 (zh) | 图像分割方法、装置、设备及存储介质 | |
JP2018109947A (ja) | ニューラルネットワークの処理速度を向上させるための装置及び方法、並びにその応用 | |
CN112561079A (zh) | 分布式的模型训练装置、方法及计算机程序产品 | |
WO2017165693A4 (en) | Use of clinical parameters for the prediction of sirs | |
WO2021051556A1 (zh) | 深度学习权值更新方法、系统、计算机设备及存储介质 | |
EP4287074A1 (en) | Mixture-of-experts model implementation method and system, electronic device, and storage medium | |
CN114020950A (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
US20230394320A1 (en) | Federated learning | |
CN113657411B (zh) | 神经网络模型的训练方法、图像特征提取方法及相关装置 | |
CN114462598A (zh) | 深度学习模型的训练方法、确定数据类别的方法和装置 | |
CN114239853A (zh) | 模型训练方法、装置、设备、存储介质以及程序产品 | |
CN115759209B (zh) | 神经网络模型的量化方法、装置、电子设备及介质 | |
CN110046670B (zh) | 特征向量降维方法和装置 | |
CN117409939A (zh) | 疾病诉求分诊方法、装置、电子设备和存储介质 | |
CN114783597B (zh) | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 | |
CN114758130B (zh) | 图像处理及模型训练方法、装置、设备和存储介质 | |
CN115688917A (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
WO2022052647A1 (zh) | 一种数据处理方法、神经网络的训练方法以及相关设备 | |
CN114238611A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN115294396A (zh) | 骨干网络的训练方法以及图像分类方法 | |
CN114707643A (zh) | 一种模型切分方法及其相关设备 | |
CN114419375A (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 |
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 |