CN117809841B - 一种基于大模型技术的皮肤专病患者管理方法及系统 - Google Patents

一种基于大模型技术的皮肤专病患者管理方法及系统 Download PDF

Info

Publication number
CN117809841B
CN117809841B CN202410199958.1A CN202410199958A CN117809841B CN 117809841 B CN117809841 B CN 117809841B CN 202410199958 A CN202410199958 A CN 202410199958A CN 117809841 B CN117809841 B CN 117809841B
Authority
CN
China
Prior art keywords
diagnosis
target
time
model
analysis data
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.)
Active
Application number
CN202410199958.1A
Other languages
English (en)
Other versions
CN117809841A (zh
Inventor
蒋献
刘绪
张璐
陈思良
杜丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
West China Hospital of Sichuan University
Original Assignee
West China Hospital of Sichuan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by West China Hospital of Sichuan University filed Critical West China Hospital of Sichuan University
Priority to CN202410199958.1A priority Critical patent/CN117809841B/zh
Publication of CN117809841A publication Critical patent/CN117809841A/zh
Application granted granted Critical
Publication of CN117809841B publication Critical patent/CN117809841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30088—Skin; Dermal

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及医疗管理技术领域，揭露了一种基于大模型技术的皮肤专病患者管理方法及系统，包括：获取初始病理图像，基于初始病理图像及病理图像分割模型获取目标病理图像，利用病理识别模型集及目标病理图像获取第一诊断结果集，获取第二诊断结果集，利用第一诊断结果集及第二诊断结果集获取目标诊断名称，利用数据收集单元获取历史分析数据集，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集，基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列。本发明主要目的在于解决对患者诊断结果不准确及患者管理困难的问题。

Description

一种基于大模型技术的皮肤专病患者管理方法及系统
技术领域
本发明涉及一种基于大模型技术的皮肤专病患者管理方法及系统，属于医疗管理技术领域。
背景技术
皮肤病是发生在皮肤和皮肤附属器官疾病的总称，随着医疗技术的发展，对皮肤专病患者的精准管理需求日益增强，与之相对应的是，传统的患者管理方法依赖于人工诊断和手动记录，无法实现大规模的数据处理和深度分析，难以满足日益增长的精准医疗需求。
目前，对于皮肤病的诊断，主要依赖于医生的经验、专业知识水平、患者的描述及症状表现。
虽然上述方法能够实现对皮肤专病的诊断，但是在对患者进行诊断时，未考虑患病时期及用药疗程，在对患者进行病症分析时，未考虑结合现有数据辅助对患者的诊断，造成对患者诊断结果不准确及患者管理困难的问题。
发明内容
本发明提供一种基于大模型技术的皮肤专病患者管理方法及系统，其主要目的在于解决对患者诊断结果不准确及患者管理困难的问题。
为实现上述目的，本发明提供的一种基于大模型技术的皮肤专病患者管理方法，包括：
接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元；
获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型；
获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称；
利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集；
基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列；
利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
可选地，所述利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，包括：
从所述病理识别模型集中依次提取病理识别模型，并对所提出的病理识别模型执行如下操作：
利用所提出的病理识别模型及目标病理图像获取第一诊断结果；
汇总所述第一诊断结果，得到第一诊断结果集，其中，第一诊断结果集包括多个第一诊断结果，且第一诊断结果包括：模型诊断名称及模型诊断名称所对应的模型诊断准确率。
可选地，所述利用第一诊断结果集及第二诊断结果集获取目标诊断名称，包括：
利用模型诊断名称及第一诊断结果集获取一个或多个分类诊断结果集，从所述一个或多个分类诊断结果集中依次提取分类诊断结果集，并对所提取的分类诊断结果集，执行如下操作：
基于所提取的分类诊断结果集及预构建的结果评估关系式计算分类诊断概率，其中，结果评估关系式，如下所示：
其中，表示第/>个分类诊断结果集所对应的分类诊断概率，/>表示第/>个分类诊断结果集中第/>个模型诊断准确率，/>表示第/>个分类诊断结果集中共有/>个模型诊断准确率；
比较分类诊断概率及预设的概率参考阈值；
若分类诊断概率大于或等于所述概率参考阈值，则保留分类诊断概率所对应的分类诊断结果集；
否则，剔除分类诊断概率所对应的分类诊断结果集；
汇总所保留的分类诊断结果集，得到目标诊断结果集；
基于目标诊断结果集及第二诊断结果集获取目标诊断名称。
可选地，所述基于目标诊断结果集及第二诊断结果集获取目标诊断名称，包括：
利用第二诊断结果集划分目标诊断结果集，得到预测名称结果集及异常名称结果集，其中，预测名称结果集包括第二诊断结果集所对应的医生诊断名称，异常名称结果集不包括第二诊断结果集所对应的医生诊断名称；
从所述预测名称结果集中依次提取医生诊断名称，并对所提取的医生诊断名称执行如下操作：
利用医生诊断名称所对应的医生诊断准确率及预构建的综合评定关系式计算综合评定值，汇总所述综合评定值，得到综合评定值集，基于综合评定值集获取目标医生诊断值，其中，目标医生诊断值为综合评定值集中数值最大的综合评定值；
从所述异常名称结果集中依次提取模型诊断名称，并对所提取的模型诊断名称执行如下操作：
利用模型诊断名称所对应的分类诊断概率及所述综合评定关系式计算模型评定值；
汇总模型评定值，得到模型评定值集，基于模型评定值集获取目标模型诊断值，其中，目标模型诊断值为模型评定值集中数值最大的模型评定值；
比较目标医生诊断值与目标模型诊断值；
若目标医生诊断值大于目标模型诊断值，则目标诊断名称为目标医生诊断值所对应的医生诊断名称；
若目标医生诊断值小于或等于目标模型诊断值，则提示诊断结果错误。
可选地，所述综合评定关系式，如下所示：
其中，表示对于疾病/>的综合评定值，/>均为预设的系数，/>表示第/>个分类诊断结果集所对应的分类诊断概率，/>表示疾病/>的医生诊断准确率。
可选地，所述基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集，包括：
获取患者的身份识别码，利用身份识别码划分历史分析数据集，得到多个初始分析数据集，其中，初始分析数据集中包括：一个或多个问诊时间、一个或多个就诊时间、一个或多个病理图像及一个或多个患病名称；
剔除多个初始分析数据集中患病名称不唯一的初始分析数据集，得到多个第一分析数据集；
剔除多个第一分析数据集中患病名称不为目标诊断名称的第一分析数据集，得到目标分析数据集；
基于目标分析数据集获取一个或多个病理图像，得到目标分析图像集。
可选地，所述基于目标分析图像集获取病理图像序列，包括：
从目标分析图像集中依次提取病理图像，并对所提取的病理图像执行如下操作：
利用预构建的分析方法及所提取的病理图像获取评分数值，其中，所述分析方法为层次分析法；
汇总所述评分数值，得到评分数值集，按照从大到小的顺序排列评分数值集中的评分数值，得到评分序列，基于所述评分序列获取病理图像序列。
可选地，所述利用目标分析数据集获取目标治疗时间，包括：
从所述目标分析数据集中依次提取第一分析数据集，并对所提取的第一分析数据集执行如下操作：
基于第一分析数据集所对应的一个或多个就诊时间，按照时间的先后顺序排列所述一个或多个就诊时间，得到就诊时间序列；
利用所述就诊时间序列及预构建的诊断时间关系式获取初始诊断时间，其中，诊断时间关系式如下所示：
其中，表示第/>个第一分析数据集所对应的初始诊断时间，/>表示第/>个第一分析数据集所对应就诊时间序列中的第一个就诊时间，/>表示第/>个第一分析数据集所对应就诊时间序列中的最后一个就诊时间；
汇总所述初始诊断时间，得到初始诊断时间集，确认所述初始诊断时间集中的初始诊断时间为正态分布后，筛选初始诊断时间集，得到目标诊断时间集，基于目标诊断时间集获取目标治疗时间。
可选地，所述筛选初始诊断时间集，得到目标诊断时间集，包括：
利用预构建的筛选关系筛选所述初始诊断时间集，得到目标诊断时间集，其中，目标诊断时间集中剔除了初始诊断时间集中不符合筛选关系的初始诊断时间，其中，筛选关系如下所示：
其中，表示筛选关系，/>表示初始诊断时间集中初始诊断时间的均值，/>表示初始诊断时间集中初始诊断时间的标准差，/>均为预设的系数。
可选地，所述基于目标诊断时间集获取目标治疗时间，包括：
基于目标诊断时间集及预构建的目标时间关系式计算目标治疗时间，其中，目标时间关系式如下所示：
其中，表示目标治疗时间，/>为预设的系数，且该系数与患者所患皮肤病有关，/>表示目标诊断时间集中共有/>个初始诊断时间，/>表示目标诊断时间集中第/>个初始诊断时间。
为了解决上述问题，本发明还提供一种基于大模型技术的皮肤专病患者管理系统，所述系统包括：
指令接收模块，用于接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元；
模型病理识别模块，用于获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型；
实际病理获取模块，用于获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称；
治疗进程预测模块，用于利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集；
基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列；
利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现上述所述的基于大模型技术的皮肤专病患者管理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于大模型技术的皮肤专病患者管理方法。
相比于背景技术所述问题，本发明先获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，可见本发明考虑了患者患病区域被患者毛发等遮挡的情况，因此，采用了病理图像分割模型以获取目标病理图像，对应地，通过对目标病理图像的分析能够提高对患者患病的准确性。获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称，本发明进一步利用病理识别模型集及第二诊断结果集获取目标诊断名称，即考虑了利用病理识别模型集所给出的第一诊断结果集又考虑了医生结合实际对患者进行诊断的第二诊断结果集，以两者的有机结合，得到对患者所患病的预测，相应的，提高了对患者所患疾病在诊断时的准确性，此外，本发明利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集，基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列，可见本发明考虑了结合患者患病的实际情况，并以此实际情况给出了病理图像序列，以告诫患者疾病的危害性，又结合了患者的实际治疗进程，以实际治疗进程对诊断医生的用药及治疗进行了指导，同时，给出了目标治疗时间以便患者更愿意配合医生的治疗，与之对应的是，实现对患者的管理，促进医患关系，进而，提高患者对医生的信赖度。因此本发明提出的基于大模型技术的皮肤专病患者管理方法、系统、电子设备及计算机可读存储介质，其主要目的在于解决对患者诊断结果不准确及患者管理困难的问题。
附图说明
图1为本发明一实施例提供的基于大模型技术的皮肤专病患者管理方法的流程示意图；
图2为本发明一实施例提供的基于大模型技术的皮肤专病患者管理系统的功能模块图；
图3为本发明一实施例提供的实现所述基于大模型技术的皮肤专病患者管理方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于大模型技术的皮肤专病患者管理方法。所述基于大模型技术的皮肤专病患者管理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于大模型技术的皮肤专病患者管理方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
参照图1所示，为本发明一实施例提供的基于大模型技术的皮肤专病患者管理方法的流程示意图。在本实施例中，所述基于大模型技术的皮肤专病患者管理方法包括：
S1、接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元。
需解释的是，患者管理指令是由对患者执行诊断的医生所发出的指令。患者管理系统是用于对患者进行管理的app或小程序。通过患者管理系统可以查询到患者先前的就医历史，并根据就医历史促进医生对患者病情的诊断及对患者推荐用药。所述患者管理系统包括：数据收集单元、就医进程单元及检测反馈单元，单元的具体实施作用，请参考后续实施例。
示例性的，小王作为软件工程师，接受到多个医院共同的委托开发一款用于管理皮肤病患者的app，该app可以调用多个医院的数据资源，以用于对病人在皮肤病上的诊断及管理。
S2、获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型。
可理解的是，初始病理图像为对患者皮肤病感染区域进行拍摄的图像，且由于对皮肤病感染区域进行拍摄时可能因患者体毛导致拍摄的皮肤病感染区域不具体。因此，采用病理图像分割模型获取仅包括皮肤病感染区域的图像，在此即为目标病理图像，以提高对皮肤病诊断的准确性。可选的，病理图像分割模型为深度卷积神经网络。采用其他技术均能实现相同的作用效果，在此不再赘述。病理识别模型集中包括多个卷积网络模型，可选地，病理识别模型集中包括：AlexNet、VGG-13、ResNet-50及ARL_14等网络模型，病理识别模型集中卷积神经网络模型的区别在于其神经网络结构、损失函数等参数不同，因此，不同的病理识别模型对目标病理图像进行诊断后的结果不同，且病理识别模型集中的卷积网络模型均为现有技术，在此不再赘述。
进一步地，所述利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，包括：
从所述病理识别模型集中依次提取病理识别模型，并对所提出的病理识别模型执行如下操作：
利用所提出的病理识别模型及目标病理图像获取第一诊断结果；
汇总所述第一诊断结果，得到第一诊断结果集，其中，第一诊断结果集包括多个第一诊断结果，且第一诊断结果包括：模型诊断名称及模型诊断名称所对应的模型诊断准确率。
可理解的是，模型诊断名称是利用病理识别模型对目标病理图像进行分析后，由目标病理图像所得到，疾病的名称。模型诊断准确率为病理识别模型所诊断出疾病的正确率。
示例性的，小李的小腿外部为皮肤病感染区域，因此，对小李在小腿外部进行拍摄，得到初始病理图像，由于小李的体毛旺盛，导致初始病理图像被小李的腿毛所覆盖，因此，采用病理图像分割模型从含有腿毛的皮肤病感染区域分割并填补出仅含有皮肤病感染区域的目标病理图像，通过所述病理识别模型及目标病理图像获取第一诊断结果。
S3、获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称。
需解释的是，第二诊断结果为医生对患者的皮肤病感染区域进行诊断后，所得到的结果。医生诊断名称为就诊医生对患者所患皮肤病进行诊断后，所给出疾病的名称，医生诊断准确率为就诊医生对诊断出疾病预测的概率。例如：甲医生对乙病人进行了皮肤病的诊断，由于乙病人所患皮肤病的特征不明显，故甲医生给出乙病人所患皮肤病为甲种皮肤病的概率为百分之八十，所患皮肤病为乙种皮肤病的概率为百分之20。
进一步地，所述利用第一诊断结果集及第二诊断结果集获取目标诊断名称，包括：
利用模型诊断名称及第一诊断结果集获取一个或多个分类诊断结果集，从所述一个或多个分类诊断结果集中依次提取分类诊断结果集，并对所提取的分类诊断结果集，执行如下操作：
基于所提取的分类诊断结果集及预构建的结果评估关系式计算分类诊断概率，其中，结果评估关系式，如下所示：
其中，表示第/>个分类诊断结果集所对应的分类诊断概率，/>表示第/>个分类诊断结果集中第/>个模型诊断准确率，/>表示第/>个分类诊断结果集中共有/>个模型诊断准确率；
比较分类诊断概率及预设的概率参考阈值；
若分类诊断概率大于或等于所述概率参考阈值，则保留分类诊断概率所对应的分类诊断结果集；
否则，剔除分类诊断概率所对应的分类诊断结果集；
汇总所保留的分类诊断结果集，得到目标诊断结果集；
基于目标诊断结果集及第二诊断结果集获取目标诊断名称。
需解释的是，分类诊断结果集包括一个或多个第一诊断结果，且一个或多个第一诊断结果所对应的模型诊断名称均相同。通过比较与概率参考阈值的大小而剔除一些不准确的分类诊断结果集，以提高结果的精度及结果的准确性。例如：采用ARL_50对光化性角化病的预测概率为0.48，且模型诊断名称为黑色素瘤。
应明白的是，所述基于目标诊断结果集及第二诊断结果集获取目标诊断名称，包括：
利用第二诊断结果集划分目标诊断结果集，得到预测名称结果集及异常名称结果集，其中，预测名称结果集包括第二诊断结果集所对应的医生诊断名称，异常名称结果集不包括第二诊断结果集所对应的医生诊断名称；
从所述预测名称结果集中依次提取医生诊断名称，并对所提取的医生诊断名称执行如下操作：
利用医生诊断名称所对应的医生诊断准确率及预构建的综合评定关系式计算综合评定值，汇总所述综合评定值，得到综合评定值集，基于综合评定值集获取目标医生诊断值，其中，目标医生诊断值为综合评定值集中数值最大的综合评定值；
从所述异常名称结果集中依次提取模型诊断名称，并对所提取的模型诊断名称执行如下操作：
利用模型诊断名称所对应的分类诊断概率及所述综合评定关系式计算模型评定值；
汇总模型评定值，得到模型评定值集，基于模型评定值集获取目标模型诊断值，其中，目标模型诊断值为模型评定值集中数值最大的模型评定值；
比较目标医生诊断值与目标模型诊断值；
若目标医生诊断值大于目标模型诊断值，则目标诊断名称为目标医生诊断值所对应的医生诊断名称；
若目标医生诊断值小于或等于目标模型诊断值，则提示诊断结果错误。
需解释的是，预测名称结果集为医生诊断名称与模型诊断名称相同的集合，异常名称结果集为模型诊断名称与医生诊断名称不同的集合，划分预测名称结果集及异常名称结果集可以用于判断医生是否误诊患者的皮肤病。
进一步地，所述综合评定关系式，如下所示：
其中，表示对于疾病/>的综合评定值，/>均为预设的系数，/>表示第/>个分类诊断结果集所对应的分类诊断概率，/>表示疾病/>的医生诊断准确率。
示例性的，医生诊断名称患者所患皮肤病为甲种皮肤病的概率为百分之六十，患者十多患皮肤病为乙种皮肤病的概率为百分之四十，但由于模型诊断名称集中所诊断患者所患皮肤病为甲种或乙种皮肤病，且甲种皮肤病的分类诊断概率为百分之四十，乙种皮肤病的分类诊断概率为百分之九十，通过综合评定值所计算的甲种皮肤病的综合评定值为：百分之五十，通过综合评定值所计算的乙种皮肤病的综合评定值为：百分之六十五，因此，目标诊断名称为患者所患皮肤病为乙种皮肤病。
S4、利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集。
需解释的是，历史分析数据集为包括多家医院或诊所对皮肤病患者进行诊断后，所得到诊断数据的集合，该集合中包括：多个历史分析数据。
进一步地，所述基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集，包括：
获取患者的身份识别码，利用身份识别码划分历史分析数据集，得到多个初始分析数据集，其中，初始分析数据集中包括：一个或多个问诊时间、一个或多个就诊时间、一个或多个病理图像及一个或多个患病名称；
剔除多个初始分析数据集中患病名称不唯一的初始分析数据集，得到多个第一分析数据集；
剔除多个第一分析数据集中患病名称不为目标诊断名称的第一分析数据集，得到目标分析数据集；
基于目标分析数据集获取一个或多个病理图像，得到目标分析图像集。
可理解的是，患者在就诊时，可能会因为各种原因导致问诊时间与就诊时间不一致，问诊时间是指患者前往医院或诊所等进行挂号并询问医生的时间，就诊时间是指患者接受医生的意见购买相应的药物或通过其他方式进行治疗的时间。通过问诊时间及就诊时间的区分，可以实现对同一个患者在不同时期病理图像的分析，观测皮肤病的走向。身份识别码是用于区分患者的识别码，可选的，通过身份证号码实现对患者的区分。剔除多个初始分析数据集中患病名称不唯一的初始分析数据集，可以获取相对准确的第一分析数据集，排除了因患者所患病症不同，导致对后续分析不准确的问题。病理图像是指患者在进行问诊或就诊时，能够表征患者所患皮肤病的图像。
示例性的，小唐一开始患有甲种皮肤病，但是由于小唐没有第一时间对甲种皮肤病进行治疗，导致甲种皮肤病发生病变，病变成了乙种皮肤病。因此，在对小唐的一个或多个病理图像进行分析时，不能将小唐在患有乙种皮肤病时的病理图像作为对甲种皮肤病病理图像的分析。
S5、基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列。
进一步地，所述基于目标分析图像集获取病理图像序列，包括：
从目标分析图像集中依次提取病理图像，并对所提取的病理图像执行如下操作：
利用预构建的分析方法及所提取的病理图像获取评分数值，其中，所述分析方法为层次分析法；
汇总所述评分数值，得到评分数值集，按照从大到小的顺序排列评分数值集中的评分数值，得到评分序列，基于所述评分序列获取病理图像序列。
可理解的是，利用层次分析法对病理图像进行评估后，按照从小到大的顺序进行排序后，所得到的评分序列中每一个评分数值均对应一个病理图像，通过评分数值的大小用于表现对患者影响程度的大小。所述层次分析法为现有技术，在此不再赘述。
例如：小李所患皮肤病为甲种皮肤病，小宋所患皮肤病也为甲种皮肤病，由于小李刚患甲种皮肤病时就前往医院执行就诊，而小宋在患有甲种皮肤病一段时间后，才前往医院执行就诊，则小李的病理图像相对于小宋的病理图像，其评分数值较低。
需解释的是，所述利用目标分析数据集获取目标治疗时间，包括：
从所述目标分析数据集中依次提取第一分析数据集，并对所提取的第一分析数据集执行如下操作：
基于第一分析数据集所对应的一个或多个就诊时间，按照时间的先后顺序排列所述一个或多个就诊时间，得到就诊时间序列；
利用所述就诊时间序列及预构建的诊断时间关系式获取初始诊断时间，其中，诊断时间关系式如下所示：
其中，表示第/>个第一分析数据集所对应的初始诊断时间，/>表示第/>个第一分析数据集所对应就诊时间序列中的第一个就诊时间，/>表示第/>个第一分析数据集所对应就诊时间序列中的最后一个就诊时间；
汇总所述初始诊断时间，得到初始诊断时间集，确认所述初始诊断时间集中的初始诊断时间为正态分布后，筛选初始诊断时间集，得到目标诊断时间集，基于目标诊断时间集获取目标治疗时间。
进一步地，就诊时间序列为每一个患者在对目标诊断名称所对应皮肤病进行就诊时，时间的先后顺序，通过该就诊时间序列可以分析出每一个患者在就诊皮肤病时，所需的时间，在此为初始诊断时间。
应明白的是，所述筛选初始诊断时间集，得到目标诊断时间集，包括：
利用预构建的筛选关系筛选所述初始诊断时间集，得到目标诊断时间集，其中，目标诊断时间集中剔除了初始诊断时间集中不符合筛选关系的初始诊断时间，其中，筛选关系如下所示：
其中，表示筛选关系，/>表示初始诊断时间集中初始诊断时间的均值，/>表示初始诊断时间集中初始诊断时间的标准差，/>均为预设的系数。
进一步地，当初始诊断时间集中的初始诊断时间为正态分布后，对初始诊断时间集中的初始诊断时间执行筛选操作，得到较为准确的初始诊断时间。
应明白的是，所述基于目标诊断时间集获取目标治疗时间，包括：
基于目标诊断时间集及预构建的目标时间关系式计算目标治疗时间，其中，目标时间关系式如下所示：
其中，表示目标治疗时间，/>为预设的系数，且该系数与患者所患皮肤病有关，/>表示目标诊断时间集中共有/>个初始诊断时间，/>表示目标诊断时间集中第/>个初始诊断时间。
可理解的是，当患者在医院或诊所中拿完最后一个疗程的药物后，若皮肤病的症状不在出现，则患者可能不会再次前往医院就诊，但是患者在就诊后，仍然会服用药物，因此，目标时间关系式中包括与患者所患皮肤病有关的系数。
进一步地，所述基于进程获取指令获取治疗进程序列，包括：
获取患者的历史医疗数据集，其中，历史医疗数据集包括：一个或多个实际问诊时间、一个或多个实际就诊时间、皮肤病的实际患病名称及一个或多个实际用药疗程；
按照时间的先后顺序对所述一个或多个实际就诊时间执行排序，得到治疗进程序列。
需解释的是，实际问诊时间及实际就诊时间的获取方式与所述问诊时间及就诊时间的获取方式相同，并能实现相同的作用效果，在此不再赘述。实际患病名称为患者在医院或诊所所诊断出皮肤病的名称，实际用药疗程为患者所购买用于治疗该皮肤病药物的疗程。
S6、利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
需解释的是，通过向患者展示病理图像序列，可以让患者更加直观的了解所患皮肤病的坏处，进而督促患者谨遵医嘱按时按量的服用药物，并及时前往医院或诊所进行问诊或就诊，通过治疗进程序列可以辅助医生了解患者所处皮肤病的治疗进程，进而为患者开出更符合实际情况的药物，且减少医生因患者所处皮肤病进程不同，导致医生对患者皮肤病误判的情况。目标治疗时间可以用于让患者了解治疗的进程及其所需的时间，进而，促进医患关系，让患者更加理解医生。
示例性的，小沈在A地区治疗甲种皮肤病，但由于工作的变动，导致小沈前往B地区，并在B地区继续甲种皮肤病的治疗。通过管理系统使得在B地区的医生仍然能够明确小沈所患皮肤病为甲种皮肤病，并结合治疗进程序列为小沈开出符合现在情况的药物，结合目标治疗时间预测小沈所患皮肤病的治愈时间，通过向小沈展示病理图像序列让小沈明确了该种皮肤病的危害，进而，让小沈更加积极配合医生的治疗。
相比于背景技术所述问题，本发明先获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，可见本发明考虑了患者患病区域被患者毛发等遮挡的情况，因此，采用了病理图像分割模型以获取目标病理图像，对应地，通过对目标病理图像的分析能够提高对患者患病的准确性。获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称，本发明进一步利用病理识别模型集及第二诊断结果集获取目标诊断名称，即考虑了利用病理识别模型集所给出的第一诊断结果集又考虑了医生结合实际对患者进行诊断的第二诊断结果集，以两者的有机结合，得到对患者所患病的预测，相应的，提高了对患者所患疾病在诊断时的准确性，此外，本发明利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集，基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列，可见本发明考虑了结合患者患病的实际情况，并以此实际情况给出了病理图像序列，以告诫患者疾病的危害性，又结合了患者的实际治疗进程，以实际治疗进程对诊断医生的用药及治疗进行了指导，同时，给出了目标治疗时间以便患者更愿意配合医生的治疗，与之对应的是，实现对患者的管理，促进医患关系，进而，提高患者对医生的信赖度。因此本发明提出的基于大模型技术的皮肤专病患者管理方法、系统、电子设备及计算机可读存储介质，其主要目的在于解决对患者诊断结果不准确及患者管理困难的问题。
实施例2：
如图2所示，是本发明一实施例提供的基于大模型技术的皮肤专病患者管理系统的功能模块图。
本发明所述基于大模型技术的皮肤专病患者管理系统100可以安装于电子设备中。根据实现的功能，所述基于大模型技术的皮肤专病患者管理系统100可以包括指令接收模块101、模型病理识别模块102、实际病理获取模块103及治疗进程预测模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述指令接收模块101，用于接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元；
所述模型病理识别模块102，用于获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型；
所述实际病理获取模块103，用于获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称；
所述治疗进程预测模块104，用于利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集；
基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列；
利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
实施例3：
如图3所示，是本发明一实施例提供的实现基于大模型技术的皮肤专病患者管理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于大模型技术的皮肤专病患者管理程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（SmartMediaCard，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（FlashCard）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于大模型技术的皮肤专病患者管理程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessingunit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于大模型技术的皮肤专病患者管理程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheralcomponentinterconnect，简称PCI）总线或扩展工业标准结构（extendedindustrystandardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（OrganicLight-EmittingDiode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于大模型技术的皮肤专病患者管理程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元；
获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型；
获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称；
利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集；
基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列；
利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-OnlyMemory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元；
获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型；
获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称；
利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集；
基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列；
利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (11)

1.一种基于大模型技术的皮肤专病患者管理方法，其特征在于，所述方法包括：
接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元；
获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型；
获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称；
利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集；
基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列；
利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
2.如权利要求1所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，包括：
从所述病理识别模型集中依次提取病理识别模型，并对所提出的病理识别模型执行如下操作：
利用所提出的病理识别模型及目标病理图像获取第一诊断结果；
汇总所述第一诊断结果，得到第一诊断结果集，其中，第一诊断结果集包括多个第一诊断结果，且第一诊断结果包括：模型诊断名称及模型诊断名称所对应的模型诊断准确率。
3.如权利要求2所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述利用第一诊断结果集及第二诊断结果集获取目标诊断名称，包括：
利用模型诊断名称及第一诊断结果集获取一个或多个分类诊断结果集，从所述一个或多个分类诊断结果集中依次提取分类诊断结果集，并对所提取的分类诊断结果集，执行如下操作：
基于所提取的分类诊断结果集及预构建的结果评估关系式计算分类诊断概率，其中，结果评估关系式，如下所示：
其中，表示第/>个分类诊断结果集所对应的分类诊断概率，/>表示第/>个分类诊断结果集中第/>个模型诊断准确率，/>表示第/>个分类诊断结果集中共有/>个模型诊断准确率；
比较分类诊断概率及预设的概率参考阈值；
若分类诊断概率大于或等于所述概率参考阈值，则保留分类诊断概率所对应的分类诊断结果集；
否则，剔除分类诊断概率所对应的分类诊断结果集；
汇总所保留的分类诊断结果集，得到目标诊断结果集；
基于目标诊断结果集及第二诊断结果集获取目标诊断名称。
4.如权利要求3所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述基于目标诊断结果集及第二诊断结果集获取目标诊断名称，包括：
利用第二诊断结果集划分目标诊断结果集，得到预测名称结果集及异常名称结果集，其中，预测名称结果集包括第二诊断结果集所对应的医生诊断名称，异常名称结果集不包括第二诊断结果集所对应的医生诊断名称；
从所述预测名称结果集中依次提取医生诊断名称，并对所提取的医生诊断名称执行如下操作：
利用医生诊断名称所对应的医生诊断准确率及预构建的综合评定关系式计算综合评定值，汇总所述综合评定值，得到综合评定值集，基于综合评定值集获取目标医生诊断值，其中，目标医生诊断值为综合评定值集中数值最大的综合评定值；
从所述异常名称结果集中依次提取模型诊断名称，并对所提取的模型诊断名称执行如下操作：
利用模型诊断名称所对应的分类诊断概率及所述综合评定关系式计算模型评定值；
汇总模型评定值，得到模型评定值集，基于模型评定值集获取目标模型诊断值，其中，目标模型诊断值为模型评定值集中数值最大的模型评定值；
比较目标医生诊断值与目标模型诊断值；
若目标医生诊断值大于目标模型诊断值，则目标诊断名称为目标医生诊断值所对应的医生诊断名称；
若目标医生诊断值小于或等于目标模型诊断值，则提示诊断结果错误。
5.如权利要求4所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述综合评定关系式，如下所示：
其中，表示对于疾病/>的综合评定值，/>均为预设的系数，/>表示第/>个分类诊断结果集所对应的分类诊断概率，/>表示疾病/>的医生诊断准确率。
6.如权利要求1所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集，包括：
获取患者的身份识别码，利用身份识别码划分历史分析数据集，得到多个初始分析数据集，其中，初始分析数据集中包括：一个或多个问诊时间、一个或多个就诊时间、一个或多个病理图像及一个或多个患病名称；
剔除多个初始分析数据集中患病名称不唯一的初始分析数据集，得到多个第一分析数据集；
剔除多个第一分析数据集中患病名称不为目标诊断名称的第一分析数据集，得到目标分析数据集；
基于目标分析数据集获取一个或多个病理图像，得到目标分析图像集。
7.如权利要求6所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述基于目标分析图像集获取病理图像序列，包括：
从目标分析图像集中依次提取病理图像，并对所提取的病理图像执行如下操作：
利用预构建的分析方法及所提取的病理图像获取评分数值，其中，所述分析方法为层次分析法；
汇总所述评分数值，得到评分数值集，按照从大到小的顺序排列评分数值集中的评分数值，得到评分序列，基于所述评分序列获取病理图像序列。
8.如权利要求7所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述利用目标分析数据集获取目标治疗时间，包括：
从所述目标分析数据集中依次提取第一分析数据集，并对所提取的第一分析数据集执行如下操作：
基于第一分析数据集所对应的一个或多个就诊时间，按照时间的先后顺序排列所述一个或多个就诊时间，得到就诊时间序列；
利用所述就诊时间序列及预构建的诊断时间关系式获取初始诊断时间，其中，诊断时间关系式如下所示：
其中，表示第/>个第一分析数据集所对应的初始诊断时间，/>表示第/>个第一分析数据集所对应就诊时间序列中的第一个就诊时间，/>表示第/>个第一分析数据集所对应就诊时间序列中的最后一个就诊时间；
汇总所述初始诊断时间，得到初始诊断时间集，确认所述初始诊断时间集中的初始诊断时间为正态分布后，筛选初始诊断时间集，得到目标诊断时间集，基于目标诊断时间集获取目标治疗时间。
9.如权利要求8所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述筛选初始诊断时间集，得到目标诊断时间集，包括：
利用预构建的筛选关系筛选所述初始诊断时间集，得到目标诊断时间集，其中，目标诊断时间集中剔除了初始诊断时间集中不符合筛选关系的初始诊断时间，其中，筛选关系如下所示：
其中，表示筛选关系，/>表示初始诊断时间集中初始诊断时间的均值，/>表示初始诊断时间集中初始诊断时间的标准差，/>均为预设的系数。
10.如权利要求8所述的基于大模型技术的皮肤专病患者管理方法，其特征在于，所述基于目标诊断时间集获取目标治疗时间，包括：
基于目标诊断时间集及预构建的目标时间关系式计算目标治疗时间，其中，目标时间关系式如下所示：
其中，表示目标治疗时间，/>为预设的系数，且该系数与患者所患皮肤病有关，/>表示目标诊断时间集中共有/>个初始诊断时间，/>表示目标诊断时间集中第/>个初始诊断时间。
11.一种基于大模型技术的皮肤专病患者管理系统，其特征在于，所述系统包括：
指令接收模块，用于接收患者管理指令，基于患者管理指令确认出用于管理患者的管理系统，其中，管理系统包括：数据收集单元、就医进程单元及检测反馈单元；
模型病理识别模块，用于获取患者的初始病理图像，基于初始病理图像及预训练的病理图像分割模型获取目标病理图像，利用预训练的病理识别模型集及目标病理图像获取第一诊断结果集，其中，病理识别模型集中包括多个病理识别模型；
实际病理获取模块，用于获取医生的第二诊断结果集，其中，第二诊断结果集包括：一个或多个第二诊断结果，且第二诊断结果包括：医生诊断名称及医生诊断名称所对应的医生诊断准确率，利用第一诊断结果集及第二诊断结果集获取目标诊断名称；
治疗进程预测模块，用于利用数据收集单元获取历史分析数据集，其中，历史分析数据集包括多个历史分析数据，基于目标诊断名称及历史分析数据集获取目标分析数据集及目标分析图像集；
基于目标分析图像集获取病理图像序列，利用目标分析数据集获取目标治疗时间，接收来自就医进程单元的进程获取指令，基于进程获取指令获取治疗进程序列；
利用检测反馈单元将所述病理图像序列、治疗进程序列及目标治疗时间发送至患者管理指令的发起端，实现对皮肤专病患者的管理。
CN202410199958.1A 2024-02-23 2024-02-23 一种基于大模型技术的皮肤专病患者管理方法及系统 Active CN117809841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410199958.1A CN117809841B (zh) 2024-02-23 2024-02-23 一种基于大模型技术的皮肤专病患者管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410199958.1A CN117809841B (zh) 2024-02-23 2024-02-23 一种基于大模型技术的皮肤专病患者管理方法及系统

Publications (2)

Publication Number Publication Date
CN117809841A CN117809841A (zh) 2024-04-02
CN117809841B true CN117809841B (zh) 2024-04-30

Family

ID=90423508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410199958.1A Active CN117809841B (zh) 2024-02-23 2024-02-23 一种基于大模型技术的皮肤专病患者管理方法及系统

Country Status (1)

Country Link
CN (1) CN117809841B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN106372390A (zh) * 2016-08-25 2017-02-01 姹ゅ钩 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统
CN109670510A (zh) * 2018-12-21 2019-04-23 万达信息股份有限公司 一种基于深度学习的胃镜活检病理数据筛查系统和方法
CN110334649A (zh) * 2019-07-04 2019-10-15 五邑大学 一种人工视觉智能中医面诊五脏状态诊测方法及装置
CN110648318A (zh) * 2019-09-19 2020-01-03 泰康保险集团股份有限公司 用于皮肤病的辅助分析方法及装置、电子设备、存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7580556B2 (en) * 2004-01-26 2009-08-25 Drvision Technologies Llc Image region partitioning using pre-labeled regions
US12014500B2 (en) * 2019-04-14 2024-06-18 Holovisions LLC Healthy-Selfie(TM): methods for remote medical imaging using a conventional smart phone or augmented reality eyewear

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339591A (zh) * 2016-08-25 2017-01-18 汤平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN106372390A (zh) * 2016-08-25 2017-02-01 姹ゅ钩 一种基于深度卷积神经网络的预防肺癌自助健康云服务系统
CN109670510A (zh) * 2018-12-21 2019-04-23 万达信息股份有限公司 一种基于深度学习的胃镜活检病理数据筛查系统和方法
CN110334649A (zh) * 2019-07-04 2019-10-15 五邑大学 一种人工视觉智能中医面诊五脏状态诊测方法及装置
CN110648318A (zh) * 2019-09-19 2020-01-03 泰康保险集团股份有限公司 用于皮肤病的辅助分析方法及装置、电子设备、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Improving the Diagnosis of Skin Biopsies Using Tissue Segmentation";Shima Nofallah;《diagnostics》;20220714;第1-18页 *
"基于DE-Light框架的人工智能诊断系统在乳腺超声中的应用研究";邱霜;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20230115;第E060-86页 *

Also Published As

Publication number Publication date
CN117809841A (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN110136788B (zh) 一种基于自动检测的病历质检方法、装置、设备及存储介质
JP7035314B2 (ja) 患者の診断を支援するシステムおよび方法
JP6907831B2 (ja) コンテキストベースの患者類似性の方法及び装置
US9443002B1 (en) Dynamic data analysis and selection for determining outcomes associated with domain specific probabilistic data sets
US8548823B2 (en) Automatically determining ideal treatment plans for complex neuropsychiatric conditions
US7996242B2 (en) Automatically developing neuropsychiatric treatment plans based on neuroimage data
CN112614578B (zh) 医生智能推荐方法、装置、电子设备及存储介质
US8762165B2 (en) Optimizing test procedures for a subject under test
CN110827941A (zh) 电子病历信息校正方法及系统
CN113724848A (zh) 基于人工智能的医疗资源推荐方法、装置、服务器及介质
US20170199965A1 (en) Medical system and method for predicting future outcomes of patient care
CN111933274B (zh) 疾病分类诊断方法、装置、电子设备及存储介质
CN113674858A (zh) 在线医疗处方用药智能检查方法、装置、设备及存储介质
CN115206512B (zh) 基于物联网的医院信息管理方法及装置
US20130275050A1 (en) Methods and systems for integrated health systems
CN114781805A (zh) 基于大数据的护理人员护理技能评估方法、系统及装置
CN113744845A (zh) 基于人工智能的医学影像处理方法、装置、设备及介质
CN113902186A (zh) 一种基于电子病历的患者死亡风险预测方法、系统、终端及可读存储介质
CN112530602A (zh) 药品副作用分析方法、装置、电子设备及计算机存储介质
CN117809841B (zh) 一种基于大模型技术的皮肤专病患者管理方法及系统
CN116705301A (zh) 一种应用于家庭护理下的健康管理方法及系统
JP2021039683A (ja) 診療支援方法、診療支援システム、学習モデルの生成方法、および、診療支援プログラム
CN113436743B (zh) 基于表示学习的多结局疗效预测方法、装置及存储介质
US20230215523A1 (en) Artificial intelligence-based medical coding and diagnosis
KR20240100366A (ko) 환자 청구와 과거 데이터를 이용한 임상 시험 진행자의 성과 예측

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