CN117894439A - 一种基于人工智能的导诊方法、系统、电子设备及介质 - Google Patents

Abstract

一种基于人工智能的导诊方法、系统、电子设备及介质，涉及数据处理技术领域。该方法包括：获取用户述求信息和用户基础信息；将用户述求信息进行分类，得到多个不同信息类型的目标就诊信息，信息类型包括文本、语音、图片和文件；根据多个不同类型的目标就诊信息，匹配各对应信息类型的预设识别方案；根据各对应类型的预设识别方案，识别多个不同类型的目标就诊信息，得到疾病特征信息；将疾病特征信息和用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果；查询导诊科室预测结果对应的导诊科室终端，建立用户与导诊科室终端之间的通讯连接。达到了提高导诊准确性的效果。

Description

一种基于人工智能的导诊方法、系统、电子设备及介质

技术领域

本申请涉及互联网医疗技术领域，具体涉及一种基于人工智能的导诊方法、系统、电子设备及介质。

背景技术

随着科技的发展和人工智能的快速进步，其在医疗领域的应用也日益广泛。近年来，人工智能技术被广泛应用于医疗健康领域，包括疾病诊断、治疗方案的制定、患者管理等领域，并取得了显著的成效。其中，智能导诊系统作为一种新兴的医疗服务模式，利用人工智能技术对患者的病情进行初步诊断，并根据诊断结果提供相应的医疗建议和引导，显著提高了医疗服务的效率和质量。

目前，在传统的互联网医疗导诊模式中，通常是让用户在众多的科室中自我选择，或者基于用户提出的具体健康疑问进行导诊。

但是在实际应用中，传统的互联网医疗导诊模式适用范围狭窄，单一的文字识别方式对于无法准确概括自己病症信息的用户，导诊准确性往往较低，进而降低了用户体验感。因此，目前用于互联网医疗导诊方式亟待改进。

发明内容

本申请提供了一种基于人工智能的导诊方法、系统、电子设备及介质，具有基于用户基础信息和疾病特征信息进行综合分析，提高导诊准确性的效果。

第一方面，本申请提供了一种基于人工智能的导诊方法，包括：

获取用户述求信息和用户基础信息；

将所述用户述求信息进行分类，得到多个不同信息类型的目标就诊信息，所述信息类型包括文本、语音、图片和文件；

根据所述多个不同类型的目标就诊信息，匹配各对应信息类型的预设识别方案；

根据所述各对应类型的预设识别方案，识别所述多个不同类型的目标就诊信息，得到疾病特征信息；

将所述疾病特征信息和所述用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果；

查询所述导诊科室预测结果对应的导诊科室终端，建立所述用户与所述导诊科室终端之间的通讯连接。

通过采用上述技术方案，系统对用户多种形式就诊信息的智能识别，包括文本、语音、图片和文件，通过匹配不同类型信息的识别方案，可以提高信息提取的准确性。基于提取的疾病特征信息和用户基础信息，使用预设导诊科室预测模型，可以准确预测出用户的导诊科室。通过查询导诊科室对应的终端，可以为用户建立与该导诊科室的通讯连接，实现患者与确定导诊科室医生的快速对接，提高就医效率。能够对用户问诊得到的多种类型信息进行分诊确定疾病特征，并结合用户基础信息如当地天气等综合考虑，进行导诊科室，实现用户与对应导诊科室医生的快速对接，提高了用户导诊的准确性以及用户体验感。

可选的，根据预设在线问诊模型，通过自动问询的方式获取所述用户述求信息；查询数据库中附有用户标识的登记表单，所述登记表单由用户问诊前填写并录入数据库；读取所述登记表单中的用户基础信息，所述用户基础信息包括年龄、性别、患者角色、常发疾病、季节、就诊人地域天气状况、历史疾病、慢病史。

通过采用上述技术方案，系统根据预设在线问诊模型，自动问询获取用户述求信息。系统查询包含用户标识的登记表单数据库，该登记表单由用户在问诊前填写并录入，然后读取登记表单中的用户基础信息包括年龄、性别、患者角色、常发疾病、季节、就诊人地域天气状况、历史疾病、慢病史等，可以最大程度获取用户信息，为后续建模分析提供充分信息。能够针对不同用户的个性化特点，可以建立更准确的疾病特征和导诊科室预测模型，输出更加个性化的导诊结果。

可选的，检测所述各目标就诊信息对应的信息类型；若所述信息类型为语音和文本，则根据预设语音识别算法将所述语音信息转换为预设标准格式的文本信息，并将所述文本信息分为若干个关键词，提取所述若干个关键词中对应的疾病特征信息；若所述信息类型为图片，则根据预设图片分类算法识别所述图片信息，得到图片分类结果，并按照所述图片分类结果匹配对应的图片识别算法识别所述图片信息，得到对应的疾病特征信息；若所述信息类型为文件，则根据预设文件解读算法读取所述文件信息中的各数据指标，并根据预设异常指标识别标准，提取所述各数据指标中的异常指标信息作为对应的疾病特征信息。

通过采用上述技术方案，系统检测不同类型的目标就诊信息，包括语音、文本、图片和文件。对语音信息，通过语音识别算法转换为文本信息，进一步提取关键词，获取疾病特征信息。对图片信息，使用图片分类算法进行分类，然后匹配对应的图片识别算法进行识别，获取疾病特征。对文件信息，采用文件解读算法读取各数据指标，并基于异常指标识别标准提取特征作为疾病特征。通过对不同类型信息进行定制化的智能算法处理，可以提高从多源异构就诊信息中准确提取疾病特征信息的能力。

可选的，通过预设VisualGLM语言模型，按照预设图片划分标准将所述图片信息分为CV类型图片、OCR类型图片并附上对应的类型标签，所述CV类型图片包括皮肤部位图片和五官图片，所述OCR类型图片包括报告单类图片和药盒图片。

通过采用上述技术方案，系统采用预设的VisualGLM视觉语言模型，可以实现对不同类型图片信息的自动化区分和标注。系统可以按照预设标准，将图片划分为CV类型(包括皮肤部位、五官图片)和OCR类型(包括报告单、药盒图片)，并打上对应标签。利用视觉语言模型进行图片信息分类，比一般图片分类算法更智能、更精准，可以分辨图片中的细微特征。分类标注图片类型，为后续选取识别算法和信息提取奠定基础，可以提高后续处理效率。整体上提升了系统对图像信息的理解能力，为后续病情判别提供了有效支持。

可选的，读取所述图片信息对应的类型标签；若所述类型标签为CV类型图片，则将所述CV类型图片中的皮肤部位图片和五官图片作为模型输入特征输入预设LLM-CV模型，得到对应的疾病预测信息，所述预设LLM-CV模型由历史疾病信息和对应的历史皮肤部位图片、历史五官图片数据集训练得到；若所述类型标签为OCR类型图片，则根据预设OCR识别算法识别所述报告单类图片中的初始异常报告数据和所述药盒图片中的初始药物关键词信息，将所述初始异常报告数据和初始药物关键词信息输入预设语义矫正模型以修正并补全所述初始异常报告数据和初始药物关键词信息中的错误数据、错误关键词和遗漏数据、遗漏关键词，得到目标异常报告数据和目标药物关键词，所述预设语义矫正模型基于LLM模型通过采用药物专业词表、历史检查指标数据、口语化专业词汇组成的数据集训练得到；将所述疾病预测信息和目标异常报告数据、目标药物关键词作为所述疾病特征信息。

通过采用上述技术方案，系统读取图片的类型标签，根据标签采取不同的处理方案。对于CV类型图片，利用预置的LLM-CV模型进行疾病预测，该模型通过大量历史病例图片训练得到。对于OCR类型图片，首先用OCR算法提取文字信息。然后通过预设语义矫正模型进行错误纠正和补全，该模型基于LLM，使用药物词表等数据集训练。最后，将模型预测结果、OCR提取并纠正优化后的药物和报告信息，统一作为疾病特征信息。该方案充分利用了LLM等前沿模型的强大能力，实现了图片内容的深层次理解，大大提高了图像信息提取和分析的准确性。整体上使系统对用户提供的图像信息的理解能力显著提高，输出更准确、全面、有价值的疾病特征，为后续诊断提供有力支持。

可选的，将所述用户对应的年龄、性别、患者角色、常发疾病、季节、就诊人地域天气状况、历史疾病、慢病史输入所述预设导诊科室预测模型，得到多个第一导诊科室预测结果；将所述疾病特征信息输入所述预设导诊科室预测模型，得到第二导诊科室预测结果；判断所述多个第一导诊科室预测结果中是否存在与第二导诊科室预测结果相同的预测结果；若是，则将所述相同的预测结果作为所述导诊科室预测结果；若否，则继续获取用户述求信息。

通过采用上述技术方案，系统基于用户基础信息和疾病特征信息，使用同一导诊科室预测模型，可以得到两组导诊预测结果。通过判断两组预测结果是否存在相同的预测，可以实现导诊科室结果的双重验证。当两组导诊预测有相同结果时，确定该导诊科室为最终推荐导诊科室。当两组导诊预测皆不同时，则需要继续获取用户述求信息，以丰富判断材料，提高预测准确性。该技术方案融合了基于用户信息和病情信息两种诊断思路，实现了导诊科室预测的精准化。双重验证机制避免了单一信息源预测的一致性偏差，提高了导诊科室匹配效果。整体上实现了智能导诊模型的精准化和用户导诊经验的个性化优化，输出更加准确可靠的导诊科室建议。

可选的，查询所述导诊科室各医生的用户问诊数量，并将所述用户问诊数量最少的医生对应的优先级作为最大优先级，根据所述用户问诊数量按照从小到大的顺序依次排序；将所述最大优先级对应的医生作为所述用户的问诊医生，并建立所述问诊医生与用户的通讯连接。

通过采用上述技术方案，系统可以查询导诊科室各医生的具体问诊数量数据。根据问诊数量从少到多排序，问诊数量最少的医生将被赋予最高问诊优先级，然后以问诊数量排序为依据，自动匹配问诊数量最少、优先级最高的医生与用户进行问诊。这样可以实现医生问诊量的均衡分配，防止部分医生问诊压力过大，提供及时、高效的问诊服务，提升用户体验。

在本申请的第二方面提供了一种基于人工智能的导诊方法的系统。

信息获取模块，用于获取用户述求信息和用户基础信息；

信息分类模块，用于将所述用户述求信息进行分类，得到多个不同信息类型的目标就诊信息，所述信息类型包括文本、语音、图片和文件；

信息提取模块，用于根据所述多个不同类型的目标就诊信息，匹配各对应信息类型的预设识别方案；根据所述各对应类型的识别方案，识别所述多个不同类型的目标就诊信息，得到疾病特征信息；

数据通讯模块，用于将所述疾病特征信息和所述用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果；查询所述导诊科室预测结果对应的导诊科室终端，建立所述用户与所述导诊科室终端之间的通讯连接。

在本申请的第三方面提供了一种电子设备。

一种基于人工智能的导诊方法的系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序，该程序能够被处理器加载执行时实现一种基于人工智能的导诊方法。

在本申请的第四方面提供了一种计算机可读存储介质。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现一种基于人工智能的导诊方法。

综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1、本申请通过对用户多种形式就诊信息的智能识别，包括文本、语音、图片和文件，通过匹配不同类型信息的识别方案，然后基于提取的疾病特征信息和用户基础信息，使用预设导诊科室预测模型，可以准确预测出用户的导诊科室。通过查询导诊科室对应的终端，可以为用户建立与该导诊科室的通讯连接，实现患者与确定导诊科室医生的快速对接。能够对用户问诊得到的多种类型信息进行分诊确定疾病特征，并结合用户基础信息如当地天气等综合考虑，进行导诊科室，实现用户与对应导诊科室医生的快速对接，提高了用户导诊的准确性以及用户体验感。

2、本申请通过采用预设的VisualGLM视觉语言模型，可以实现对不同类型图片信息的自动化区分和标注，为后续选取识别算法和信息提取奠定基础。

3、本申请通过查询导诊科室各医生的具体问诊数量数据。根据问诊数量从少到多排序，问诊数量最少的医生将被赋予最高问诊优先级，然后以问诊数量排序为依据，自动匹配问诊数量最少、优先级最高的医生与用户进行问诊。这样可以实现医生问诊量的均衡分配，防止部分医生问诊压力过大，提供及时、高效的问诊服务，提升用户体验。

附图说明

图1是本申请实施例提供的一种基于人工智能的导诊方法的流程示意图；

图2是本申请实施例提供的一种基于人工智能的导诊方法的导诊示意图；

图3是本申请实施例公开的一种基于人工智能的导诊方法的系统结构示意图；

图4是本申请实施例的公开的一种电子设备的结构示意图。

附图标记说明：301、信息获取模块；302、信息分类模块；303、信息提取模块；304、数据通讯模块；400、电子设备；401、处理器；402、通信总线；403、用户接口；404、网络接口；405、存储器。

具体实施方式

为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

为了便于理解本申请实施例提供的方法及系统，在介绍本申请实施例之前，先对本申请实施例的背景进行介绍。

目前，传统的互联网医疗导诊模式，通常是让用户在众多的科室中自我选择，或者基于用户提出的具体健康疑问进行导诊。

本申请实施例公开了一种基于人工智能的导诊方法，通过获取用户述求信息并进行分类，根据不同分类信息进行疾病特征信息提取，然后结合用户基础信息进行导诊科室，主要用于解决由于用户自身医学知识有限，在对用户导诊时往往用户无法准确描述自己病症，提供参考信息较少，导致导诊准确性低且响应慢的问题。

经过上述背景内容相关介绍，本领域技术人员可以了解现有技术中存在的问题，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行详细的描述，描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。

参照图1和图2，一种基于人工智能的导诊方法，该方法包括S10至S40，具体包括以下步骤：

S10：获取用户述求信息和用户基础信息。

具体的，系统根据预设在线问诊模型以自动询问方式与用户进行交互，获取用户的主述信息，即用户述求信息。在该过程中，系统根据用户描述的病情从而提出预设置的相关问题，获取用户的病症描述，目的是理解用户的健康状况和需求。在获取到用户述求信息后，系统进一步查询数据库中附有用户标识的登记表单，该登记表单是用户在进行在线问诊之前填写并录入到数据库中。系统读取登记表单中的用户基础信息，该用户基础信息包括年龄、性别、患者角色、常发疾病、季节、就诊人所在地域的天气状况、历史疾病以及慢性病史等，根据该基础信息能够帮助系统更全面地理解用户的健康状况，以及可能影响其健康的各种因素。例如，用户的年龄和性别可能影响他们患某些疾病的风险；季节和天气状况可能影响某些疾病的发病率，如春天连续多日的晴天后空气中花粉含 量增加，进而花粉过敏的概率会大大增加；历史疾病和慢性病史则可以提供关于用户健康状况的重要线索。通过分析该用户基础信息，系统可以生成更准确的诊断结果和更合适的治疗方案。

S20：将用户述求信息进行分类，得到多个不同信息类型的目标就诊信息，信息类型包括文本、语音、图片和文件。

具体的，系统接收到用户提交的就诊请求信息之后，系统调用自然语言处理模块，解析用户请求信息的首句话。根据首句话中的关键词、语义信息等判断请求信息类型：如果检测到是纯文本信息，则分类到文本类型；如果检测到图片特征信息，则分类到图片类型；如果检测到语音特征信息，则分类到语音类型；如果检测到文档特征信息，则分类到文件类型。系统将分类的结果记录在请求信息数据结构之中，并按照不同类别存储至对应数据库字段中。通过仅分析首句话即可判断类别，提升了处理效率。实现了快速有效地对用户请求进行分类。

S30：根据多个不同类型的目标就诊信息，匹配各对应信息类型的预设识别方案；根据各对应类型的预设识别方案，识别多个不同类型的目标就诊信息，得到疾病特征信息。

具体的，系统对各目标就诊信息进行类型检测，如果信息类型被识别为语音和文本，系统将采用预设语音识别算法，将语音信息转换为预设标准格式文本信息。然后，系统将这些文本信息分解为多个关键词，并从这些关键词中提取与疾病特征相关的信息。如果信息类型被识别为图片，系统将依据预设图片分类算法来识别该图片信息，从而得到图片的分类结果。然后，系统将根据这个分类结果选择并应用相应的图片识别算法，以识别图片信息并获取相关的疾病特征信息。如果信息类型被识别为文件，系统将采用预设的文件解读算法来读取文件中的各项数据指标。然后，系统将依据预设的异常指标识别标准，从这些数据指标中提取出异常指标信息，作为相应的疾病特征信息。系统通过灵活地处理不同类型的就诊信息，可以有效地识别和提取出与疾病特征相关的关键信息，从而为后续的诊断和治疗提供有价值的参考。

在本申请一种优选实施例中，根据预设图片分类算法对图片信息分类的具体步骤包括：系统根据预设VisualGLM语言模型，以一种精细化和有条理的方式处理输入的图片信息，该预设VisualGLM语言模型为一个开源的，支持图像、中文和英文的多模态对话语言模型。根据预设的图片分类标准，系统将图片信息细分为计算机视觉CV类型图片和光学字符识别OCR类型图片，并为它们分别附上相应的类型标签，以便于后续处理和识别。在CV类型图片中，有两个主要的子类别，分别是皮肤部位图片和五官图片。皮肤部位图片包括手、脚、头部、上肢、下肢、前胸、后背、腹部、臀部等部位的图片，五官图片包括眼睛、口腔、鼻子、舌头、耳朵等部位的图片。这些图片通过计算机视觉技术进行分析和识别，以提取出与疾病特征有关的信息。在OCR类型图片中，有两个主要的子类别，分别是报告单类图片和药盒图片。报告单类图片包括体检单、检查单、影像报告等，而药盒图片则主要包括药品的包装盒图片。这些图片通过光学字符识别技术进行分析和识别，以提取出可能与疾病特征有关的信息。通过这种细分和标注的方式，系统能够更好地管理和理解各类图片信息，更精准地提取出与疾病特征相关的关键信息，为后续的诊断和治疗过程提供更为准确和有效的支持。

在本申请一种可选实施例中，系统在得到图片类型之后，进行对应图片类型的特征识别过程。系统接收到用户上传的就诊图片，并判断其图片类型标签为CV类。系统进一步分析图片中的皮肤部位和五官部位图像。将这些图像作为输入特征，输入到预设LLM-CV模型中，该预设LLM-CV模型是基于大规模皮肤病图像训练得到的模型。模型可以自动学习皮肤特征和疾病之间的相关性，最终模型可以对输入的CV图像进行疾病预测。输出预测的疾病结果，如皮炎、皮肤癌等。系统实现了基于深度学习的皮肤病自动化智能预测。为后续诊断提供了图像支持。系统接收到用户上传的图片信息为OCR类类型就诊图片。对报告单图片，利用OCR技术提取初始异常报告数据。对药盒图片，利用OCR技术识别初始药物关键词。将OCR结果输入到预设的语义矫正LLM模型。该模型基于药物词表、报告数据等进行预训练。可以检测并修正OCR结果中的错误和遗漏信息。最终输出校正后的目标异常报告数据和药物关键词。作为结构化的疾病特征信息，作为基础数据用于后续导诊。系统实现了OCR结果的自动校正，提高了识别准确率。

S40：将疾病特征信息和用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果；查询导诊科室预测结果对应的导诊科室终端，建立用户与导诊科室终端之间的通讯连接。

具体的，系统预先建立病种知识图谱，收录各种疾病与科室的对应关系。系统在得到疾病特征信息之后，即报告单体检单提取出的异常报告数据以及图片识别出的疾病特征信息和药盒类图片识别出的药物关键词数据。系统将该疾病特征信息和获取到的用户基础信息即年龄、性别、患者角色、常发疾病、季节、就诊人所在地域的天气状况、历史疾病以及慢性病史等，汇总为用户健康画像，输入预设的导诊科室预测模型。模型综合各维度信息，初步得到第一导诊科室预测结果。系统再输入用户提交的文字、图像、语音等疾病特征信息。基于该疾病特征信息特征信息，模型预测得到第二导诊科室预测结果。系统对比两轮预测结果的交集部分，作为最终的导诊科室预测结果。系统基于知识图谱，评估各候选科室的符合度，输出综合信度最高的导诊科室推荐结果。实现了多角度智能分析，提升导诊预测的准确性。得到导诊科室预测结果之后，系统查询医院的科室终端信息数据库，获取对应导诊科室预测结果的网络终端标识。如获取到呼吸内科专用视频诊断终端的IP地址等网络标识信息。系统将用户的就诊请求以及病例信息推送至该导诊科室终端。终端接收信息后，主动请求系统建立与用户的视频通话连接。系统负责协调用户端和科室终端之间的网络连接。当双方接受后，正式建立用户就诊的通讯连接。实现了智能导诊科室的预测与推荐，以及就诊连接的自动化。

在本申请再一种可选实施例中，为了提高导诊效率、平衡科室医生工作数量，还存在医生自动分配的过程，具体步骤包括：系统从数据库中查询某一导诊科室下各医生的历史用户问诊数量数据。系统对医生们的问诊数量进行从小到大的顺序依次排序。系统将排在首位的医生，即问诊数量最少的那位医生设为优先级最高。系统根据该优先级最高医生的信息，将其作为当前用户的问诊医生。系统通过建立通讯连接的方式，将用户和问诊医生进行连接在一起。同时系统也会记录这次问诊，更新各医生的问诊统计数据。

下述为本申请的系统实施例，可以用于执行本申请方法实施例。对于本申请平台实施例中未披露的细节，参照本申请方法实施例。

参照图3，为本申请实施例提供的一种基于人工智能的导诊方法的系统，该系统包括：信息获取模块301、信息分类模块302、信息提取模块303，数据通讯模块304，其中：

信息获取模块301，用于获取用户述求信息和用户基础信息；

信息分类模块302，用于将用户述求信息进行分类，得到多个不同信息类型的目标就诊信息，信息类型包括文本、语音、图片和文件；

信息提取模块303，用于根据多个不同类型的目标就诊信息，匹配各对应信息类型的预设识别方案；根据各对应类型的识别方案，识别多个不同类型的目标就诊信息，得到疾病特征信息；

数据通讯模块304，用于将疾病特征信息和用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果；查询导诊科室预测结果对应的导诊科室终端，建立用户与导诊科室终端之间的通讯连接。

需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请还公开一种电子设备。参照图4，图4是本申请实施例的公开的一种电子设备的结构示意图。该电子设备400可以包括：至少一个处理器401，至少一个网络接口404，用户接口403，存储器405，至少一个通信总线402。

其中，通信总线402用于实现这些组件之间的连接通信。

其中，用户接口403可以包括显示屏（Display）、摄像头（Camera），可选用户接口403还可以包括标准的有线接口、无线接口。

其中，网络接口404可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器405内的指令、程序、代码集或指令集，以及调用存储在存储器405内的数据，执行服务器的各种功能和处理数据。可选的，处理器401可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器401可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面图和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器401中，单独通过一块芯片进行实现。

其中，存储器405可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器405包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。参照图4，作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及一种基于人工智能的导诊方法的应用程序。

在图4所示的电子设备400中，用户接口403主要用于为用户提供输入的接口，获取用户输入的数据；而处理器401可以用于调用存储器405中存储一种营养学文献模型训练方法的应用程序，当由一个或多个处理器401执行时，使得电子设备400执行如上述实施例中一个或多个的方法。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，本申请并不受所描述的动作顺序的限制，因为依据本申请，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优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元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，也可以采用软件功能单元的形式实现。

集成的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取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。

本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限。

Claims (10)

1.一种基于人工智能的导诊方法，其特征在于，包括：

获取用户述求信息和用户基础信息；

将所述用户述求信息进行分类，得到多个不同信息类型的目标就诊信息，所述信息类型包括文本、语音、图片和文件；

根据所述多个不同类型的目标就诊信息，匹配各对应信息类型的预设识别方案；

根据所述各对应类型的预设识别方案，识别所述多个不同类型的目标就诊信息，得到疾病特征信息；

将所述疾病特征信息和所述用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果；

查询所述导诊科室预测结果对应的导诊科室终端，建立所述用户与所述导诊科室终端之间的通讯连接。

2.根据权利要求1所述的基于人工智能的导诊方法，其特征在于，所述获取用户述求信息和用户基础信息，包括：

根据预设在线问诊模型，通过自动问询的方式获取所述用户述求信息；

查询数据库中附有用户标识的登记表单，所述登记表单由用户问诊前填写并录入数据库；

读取所述登记表单中的用户基础信息，所述用户基础信息包括年龄、性别、患者角色、常发疾病、季节、就诊人地域天气状况、历史疾病、慢病史。

3.根据权利要求1所述的基于人工智能的导诊方法，其特征在于，所述根据所述各对应类型的预设识别方案，识别所述多个不同类型的目标就诊信息，得到疾病特征信息，包括：

检测所述各目标就诊信息对应的信息类型；

若所述信息类型为语音和文本，则根据预设语音识别算法将所述语音信息转换为预设标准格式的文本信息，并将所述文本信息分为若干个关键词，提取所述若干个关键词中对应的疾病特征信息；

若所述信息类型为图片，则根据预设图片分类算法识别所述图片信息，得到图片分类结果，并按照所述图片分类结果匹配对应的图片识别算法识别所述图片信息，得到对应的疾病特征信息；

若所述信息类型为文件，则根据预设文件解读算法读取所述文件信息中的各数据指标，并根据预设异常指标识别标准，提取所述各数据指标中的异常指标信息作为对应的疾病特征信息。

4.根据权利要求3所述的基于人工智能的导诊方法，其特征在于，所述根据预设图片分类算法识别所述图片信息，得到图片分类结果，包括：

通过预设VisualGLM语言模型，按照预设图片划分标准将所述图片信息分为CV类型图片、OCR类型图片并附上对应的类型标签，所述CV类型图片包括皮肤部位图片和五官图片，所述OCR类型图片包括报告单类图片和药盒图片。

5.根据权利要求4所述的基于人工智能的导诊方法，其特征在于，所述按照所述图片分类结果匹配对应的图片识别算法识别所述图片信息，得到对应的疾病特征信息，包括：

读取所述图片信息对应的类型标签；

若所述类型标签为CV类型图片，则将所述CV类型图片中的皮肤部位图片和五官图片作为模型输入特征输入预设LLM-CV模型，得到对应的疾病预测信息，所述预设LLM-CV模型由历史疾病信息和对应的历史皮肤部位图片、历史五官图片数据集训练得到；

若所述类型标签为OCR类型图片，则根据预设OCR识别算法识别所述报告单类图片中的初始异常报告数据和所述药盒图片中的初始药物关键词信息，将所述初始异常报告数据和初始药物关键词信息输入预设语义矫正模型以修正并补全所述初始异常报告数据和初始药物关键词信息中的错误数据、错误关键词和遗漏数据、遗漏关键词，得到目标异常报告数据和目标药物关键词，所述预设语义矫正模型基于LLM模型通过采用药物专业词表、历史检查指标数据、口语化专业词汇组成的数据集训练得到；

将所述疾病预测信息和目标异常报告数据、目标药物关键词作为所述疾病特征信息。

6.根据权利要求2所述的基于人工智能的导诊方法，其特征在于，所述将所述疾病特征信息和所述用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果，包括：

将所述用户对应的年龄、性别、患者角色、常发疾病、季节、就诊人地域天气状况、历史疾病、慢病史输入所述预设导诊科室预测模型，得到多个第一导诊科室预测结果；

将所述疾病特征信息输入所述预设导诊科室预测模型，得到第二导诊科室预测结果；

判断所述多个第一导诊科室预测结果中是否存在与第二导诊科室预测结果相同的预测结果；

若是，则将所述相同的预测结果作为所述导诊科室预测结果；

若否，则继续获取用户述求信息。

7.根据权利要求1所述的基于人工智能的导诊方法，其特征在于，所述查询所述导诊科室预测结果对应的导诊科室终端，建立所述用户与所述导诊科室终端之间的通讯连接，包括：

查询所述导诊科室各医生的用户问诊数量，并将所述用户问诊数量最少的医生对应的优先级作为最大优先级，根据所述用户问诊数量按照从小到大的顺序依次排序；

将所述最大优先级对应的医生作为所述用户的问诊医生，并建立所述问诊医生与用户的通讯连接。

8.一种基于人工智能的导诊方法的系统，其特征在于，所述系统包括：

信息获取模块（301），用于获取用户述求信息和用户基础信息；

信息分类模块（302），用于将所述用户述求信息进行分类，得到多个不同信息类型的目标就诊信息，所述信息类型包括文本、语音、图片和文件；

信息提取模块（303），用于根据所述多个不同类型的目标就诊信息，匹配各对应信息类型的预设识别方案；根据所述各对应类型的识别方案，识别所述多个不同类型的目标就诊信息，得到疾病特征信息；

数据通讯模块（304），用于将所述疾病特征信息和所述用户基础信息作为模型输入特征输入预设导诊科室预测模型，得到导诊科室预测结果；查询所述导诊科室预测结果对应的导诊科室终端，建立所述用户与所述导诊科室终端之间的通讯连接。

9.一种电子设备，其特征在于，包括处理器(401)、存储器(405)、用户接口(403)及网络接口(404)，所述存储器(405)用于存储指令，所述用户接口(403)和网络接口(404)用于给其他设备通信，所述处理器(401)用于执行所述存储器(405)中存储的指令，以使所述电子设备(400)执行如权利要求1-7任意一项所述的基于人工智能的导诊方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有指令，当所述指令被执行时，执行如权利要求1-7任意一项所述的基于人工智能的导诊方法步骤。