CN118352056A - 构建在线智能问诊系统的方法和装置 - Google Patents
构建在线智能问诊系统的方法和装置 Download PDFInfo
- Publication number
- CN118352056A CN118352056A CN202410610292.4A CN202410610292A CN118352056A CN 118352056 A CN118352056 A CN 118352056A CN 202410610292 A CN202410610292 A CN 202410610292A CN 118352056 A CN118352056 A CN 118352056A
- Authority
- CN
- China
- Prior art keywords
- language model
- diagnosis
- information
- disease
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 246
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 179
- 201000010099 disease Diseases 0.000 claims description 178
- 239000003814 drug Substances 0.000 claims description 97
- 229940079593 drug Drugs 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims 1
- 201000009240 nasopharyngitis Diseases 0.000 description 8
- 208000030984 MIRAGE syndrome Diseases 0.000 description 5
- TVLSRXXIMLFWEO-UHFFFAOYSA-N prochloraz Chemical compound C1=CN=CN1C(=O)N(CCC)CCOC1=C(Cl)C=C(Cl)C=C1Cl TVLSRXXIMLFWEO-UHFFFAOYSA-N 0.000 description 5
- 208000002193 Pain Diseases 0.000 description 4
- 206010037660 Pyrexia Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 208000036071 Rhinorrhea Diseases 0.000 description 3
- 206010039101 Rhinorrhoea Diseases 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000006820 Arthralgia Diseases 0.000 description 2
- 208000005171 Dysmenorrhea Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 2
- 208000000112 Myalgia Diseases 0.000 description 2
- 206010068319 Oropharyngeal pain Diseases 0.000 description 2
- 206010057190 Respiratory tract infections Diseases 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 208000004296 neuralgia Diseases 0.000 description 2
- 208000023409 throat pain Diseases 0.000 description 2
- 208000004371 toothache Diseases 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 201000007100 Pharyngitis Diseases 0.000 description 1
- 208000032023 Signs and Symptoms Diseases 0.000 description 1
- 206010062255 Soft tissue infection Diseases 0.000 description 1
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 1
- 206010040872 skin infection Diseases 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种构建在线智能问诊系统的方法和装置，方法包括：执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果；针对多个医疗问题均执行所述目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号；根据所述大语言模型的型号和所述检索器的型号构建在线智能问诊系统。本申请提高诊断结果准确性。
Description
技术领域
本申请涉及医疗技术领域，尤其涉及一种构建在线智能问诊系统的方法和装置。
背景技术
在当前社会背景下，随着用户面临的健康风险增加，在线问诊技术的提升和增强变得至关重要。目前从传统线下治疗逐渐倾向于线上治疗，可提高问诊的便捷性和舒适性，并采用远程影像诊断技术进行远程会诊，提高了医生的工作效率和诊断准确性。
现有技术中一般采用外部知识库对大模型的医疗知识进行补充和提供，但外部知识库内容无法对诊断结果有一个专业的衡量标准，导致优化方向模糊，诊断结果不够准确。
发明内容
本申请提供了一种构建在线智能问诊系统的方法和装置，以解决诊断结果不够准确的问题。
第一方面，本申请提供了一种构建在线智能问诊系统的方法，所述方法包括：
执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果；
针对多个医疗问题均执行所述目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号；
根据所述大语言模型的型号和所述检索器的型号构建在线智能问诊系统。
可选地，所述目标步骤包括：
获取用户输入的医疗问题；
采用第一大语言模型对所述医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息，其中，所述疾病诊断信息包括病症信息、初始诊断方案和初始药品信息；
根据所述病症信息，采用第二检索器对疾病诊断知识库和药品知识库进行知识召回，得到目标诊断方案和目标药品信息；
采用第二大语言模型比较所述初始诊断方案、所述目标诊断方案以及所述初始药品信息、所述目标药品信息，若比较结果一致则输出诊断结果至终端。
可选地，所述第一大语言模型包括疾病诊断语言模型和回答问题语言模型，根据检索增强生成技术，采用第一大语言模型对所述医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息包括：
采用所述疾病诊断语言模型对所述医疗问题进行分析，得到疾病诊断信息；
判断所述疾病诊断信息是否明确，其中，疾病诊断信息是否明确指示用户的病症类型是否明确；
若所述疾病诊断信息不明确，则针对将所述疾病诊断信息和所述医疗问题，采用第一检索器对问诊问题知识库进行知识召回；
采用所述回答问题语言模型对召回结果进行处理得到新生成的医疗问题；
采用所述所述疾病诊断语言模型对所述新生成的医疗问题进行分析，直至得到明确的疾病诊断信息。
可选地，判断所述疾病诊断信息是否明确包括：
采用所述疾病诊断语言模型对所述医疗问题进行分析，得到所述疾病诊断语言模型输出的每种病症类型对应的概率值；
若仅有一种病症类型的概率值超过设定概率阈值，则根据所述病症类型得到明确的疾病诊断信息；
若全部病症类型的概率值均未超过所述设定概率阈值，则确定未得到明确的疾病诊断信息。
可选地，所述第二大语言模型包括方案比较语言模型和药品比较语言模型，采用第二大语言模型比较所述初始诊断方案、所述目标诊断方案以及所述初始药品信息、所述目标药品信息，若比较结果一致则输出诊断结果包括：
采用所述方案比较语言模型比较所述所述初始诊断方案和所述目标诊断方案，得到方案比较结果；
采用所述药品比较语言模型比较所述初始药品信息和所述目标药品信息，得到药品比较结果；
若所述方案比较结果一致且所述药品比较结果一致，则输出诊断结果。
可选地，采用第二大语言模型比较所述初始诊断方案、所述目标诊断方案以及所述初始药品信息、所述目标药品信息之后，所述方法还包括：
若比较结果不一致，则输出所述疾病诊断信息至所述终端。
可选地，所述第一检索器的型号和第二检索器的型号为qdrant、BM25或Contriever，所述第一大语言模型的型号和所述第二大语言模型的型号为生成式预训练Transformer模型、Gemini、通义千问或文心一言。
第二方面，本申请提供了一种构建在线智能问诊系统的装置，所述装置包括：
分析模块，用于执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果；
确定模块，用于针对多个医疗问题均执行所述目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号；
构建模块，用于根据所述大语言模型的型号和所述检索器的型号构建在线智能问诊系统。
第三方面，本申请提供了一种电子设备，包括：至少一个通信接口；与所述至少一个通信接口相连接的至少一个总线；与所述至少一个总线相连接的至少一个处理器；与所述至少一个总线相连接的至少一个存储器。
第四方面，本申请还提供了一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行本申请上述任一项所述的构建在线智能问诊系统的方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：采用RAG技术对外部知识库的内容检索，根据检索结果提高大语言模型的问答准确率，再此基础上采用mirage技术标准增强RAG技术，对比不同大语言模型和检索器下诊断结果的准确性，从而选取合适的大语言模型和检索器，提高系统输出诊断结果的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本申请实施例提供的一种构建在线智能问诊系统的方法流程图；
图2为本申请实施例提供的得到疾病诊断信息的方法流程图；
图3为本申请实施例提供的一种构建在线智能问诊系统的流程示意图；
图4为本申请实施例提供的构建在线智能问诊原理示意图；
图5为本申请实施例提供的一种构建在线智能问诊系统的装置的结构示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。
本申请提供了一种构建在线智能问诊系统的方法，应用于服务器，如图1所示，方法包括如下步骤：
步骤101：执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果。
步骤102：针对多个医疗问题均执行目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号。
步骤103：根据大语言模型的型号和检索器的型号构建在线智能问诊系统。
用户输入医疗问题后，系统基于检索增强生成技术(RAG，Retrieval AugmentedGeneration)输出针对该医疗问题的诊断结果。如果系统采用不同大语言模型和不同检索器，所输出的诊断结果也会有不同，为了得到最准确的诊断结果，可以多次输入医疗问题至该系统，系统采用mirage技术标准选取不同的大语言模型和检索器，专业医师根据输出的诊断结果选取最贴合实际情况的诊断结果，然后系统根据最贴合实际情况的诊断结果确定系统所需要采用的各大语言模型和各检索器的型号，后续采用这些型号的大语言模型和检索器构建在线智能问诊系统。在线智能问诊系统在后续的使用过程中，用户输入医疗问题后，系统执行目标步骤输出诊断结果给用户查看。
本申请采用RAG技术对外部知识库的内容检索，根据检索结果提高大语言模型的问答准确率，再此基础上采用mirage技术标准增强RAG技术，对比不同大语言模型和检索器下诊断结果的准确性，从而选取合适的大语言模型和检索器，提高系统输出诊断结果的准确性。其中，mirage技术标准指的是：通过不同大模型和不同检索器的检索选择，根据问答的评估结果准确率寻找一个最优的方案。
其中，目标步骤包括：获取用户输入的医疗问题；采用第一大语言模型对医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息，其中，疾病诊断信息包括病症信息、初始诊断方案和初始药品信息；根据病症信息，采用第二检索器对疾病诊断知识库和药品知识库进行知识召回，得到目标诊断方案和目标药品信息；采用第二大语言模型比较初始诊断方案、目标诊断方案以及初始药品信息、目标药品信息，若比较结果一致则输出诊断结果至终端。
输入多个医疗问题时，可以每次输入不同的医疗问题，每次输入时系统采用的大语言模型和检索器不完全相同；也可以连续多次输入相同的医疗问题，但同一医疗问题采用不同的大语言模型和检索器；还可以参杂输入相同的医疗问题和不同的医疗问题，无论采用何种大语言模型和检索器，都需要遍历所有的大语言模型和检索器的型号。
另外，用户输入的医疗问题可以是问诊记录中的医疗问题，这样专业医师结合问诊记录中的诊断结果确定系统输出的诊断结果是否准确，采用问诊记录更加贴合实际问诊情况，提高诊断结果检测的准确性。
用户输入的医疗问题，包括但不限于：性别、年龄、病症表现、既往病史、过敏药品等。医疗问题可以是用户直接输入的，也可以是对话AI引导用户输入的内容。
第一检索器的型号和第二检索器的型号为qdrant、BM25或Contriever，第一大语言模型的型号和第二大语言模型的型号为GPT(Generative Pre-Trained Transformer，生成式预训练Transformer模型)、Gemini、通义千问或文心一言。
作为一种可选的实施方式，如图2所示，第一大语言模型包括疾病诊断语言模型和回答问题语言模型，根据检索增强生成技术，采用第一大语言模型对医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息包括：
步骤201：采用疾病诊断语言模型对医疗问题进行分析，得到疾病诊断信息。
步骤202：判断疾病诊断信息是否明确，其中，疾病诊断信息是否明确指示用户的病症类型是否明确。
步骤203：若疾病诊断信息不明确，则针对将诊断信息和医疗问题，采用第一检索器对问诊问题知识库进行知识召回；
步骤204：采用回答问题语言模型对召回结果进行处理得到新生成的医疗问题。
步骤205：采用疾病诊断语言模型对新生成的医疗问题进行分析，直至得到明确的疾病诊断信息。
用户将医疗问题输入疾病诊断语言模型，疾病诊断语言模型输出初步的疾病诊断信息，如果医疗问题清楚明确，那么疾病诊断信息包括病症信息、初始诊断方案和初始药品信息，此时病症信息明确，即疾病诊断信息明确，那么可以将该疾病诊断信息输入第二检索器，便于后续得到疾病诊断知识库输出的目标诊断方案和药品知识库输出的目标药品信息。
如果医疗问题不够明确，那么疾病诊断信息也无法确定准确的病症类型，此时疾病诊断信息不明确，只包含了用户病症相关信息，那么需要重新生成医疗问题，此时第一检索器根据疾病诊断信息和医疗问题对问诊问题知识库进行知识召回，然后再将知识召回结果输入回答问题语言模型，得到回答问题语言模型输出的新生成的医疗问题，将该新生成的医疗问题输入疾病诊断语言模型，如果还未得到明确的疾病诊断信息，那么再次使用问诊问题知识库和回答问题语言模型生成医疗问题，重复上述过程，直至疾病诊断语言模型输出明确的疾病诊断信息。
本申请在生成医疗问题的过程中，采用RAG技术对外部问诊问题知识库的内容检索，结合问诊问题知识库得到明确的医疗问题，再采用疾病诊断语言模型输出明确的疾病诊断信息，从而提高大语言模型的问答准确率。
作为一种可选的实施方式，判断疾病诊断信息是否明确包括：采用疾病诊断语言模型对医疗问题进行分析，得到疾病诊断语言模型输出的每种病症类型对应的概率值；若仅有一种病症类型的概率值超过设定概率阈值，则根据病症类型得到明确的疾病诊断信息；若全部病症类型的概率值均未超过设定概率阈值，则确定未得到明确的疾病诊断信息。
用户输入医疗问题至疾病诊断语言模型后，疾病诊断语言模型输出该医疗问题对应的每种病症类型对应的概率值，如果仅有一种病症类型的概率值超过设定概率阈值，则根据该病症类型得到明确的疾病诊断信息，疾病诊断信息包括病症信息、初始诊断方案和初始药品信息；若全部病症类型的概率值均未超过设定概率阈值，则确定未得到明确的疾病诊断信息。
示例性地，用户输入问题：男，30岁，最近感冒了，一直流鼻涕，咳嗽，嗓子也不舒服。GPT4大语言模型的诊断结果：[(普通感冒，0.95)，(急性上呼吸道感染，0.85)，(咽炎，0.75)]。只有普通感冒的概率大于设定概率阈值0.8，因此，可以确定用户的病症类型为感冒。展示最终诊断结果：疾病名称：普通感冒，诊断依据：患者主诉有感冒症状，包括流鼻涕、咳嗽和嗓子不舒服，根据这些症状和体征，诊断为普通感冒。推荐药品详情：{药品中文名：aa，药品主治和用途：适用于缓解轻到中度疼痛，如头痛、关节痛、牙痛、神经痛、肌肉痛、月经痛；缓解发热，推药依据：患者主诉有感冒症状，aa可以缓解轻到中度疼痛，如嗓子痛，同时也可以缓解发热}；{药品中文名：bb，药品主治和用途：适用于敏感菌所引起的感染，如呼吸道感染、皮肤和软组织感染，推药依据：患者主诉有感冒症状，bb可以用于治疗呼吸道感染，如咳嗽、流鼻涕}。{药品中文名：cc，药品主治和用途：适用于缓解轻至中度疼痛，如头痛、关节痛、牙痛、肌肉痛、神经痛、月经痛；缓解发热，推药依据：患者主诉有感冒症状，cc可以缓解轻至中度疼痛，如嗓子痛，同时也可以缓解发热}。
作为一种可选的实施方式，第二大语言模型包括方案比较语言模型和药品比较语言模型，采用第二大语言模型比较初始诊断方案、目标诊断方案以及初始药品信息、目标药品信息，若比较结果一致则输出诊断结果包括：采用方案比较语言模型比较初始诊断方案和目标诊断方案，得到方案比较结果；采用药品比较语言模型比较初始药品信息和目标药品信息，得到药品比较结果；若方案比较结果一致且药品比较结果一致，则输出诊断结果。
方案比较语言模型获取疾病诊断知识库输出的目标诊断方案，并获取疾病诊断语言模型输出的初始诊断方案，方案比较语言模型比较初始诊断方案和目标诊断方案，得到方案比较结果。药品比较语言模型获取药品知识库输出的目标药品信息，并获取疾病诊断语言模型输出的初始药品信息，药品比较语言模型比较初始药品信息和目标药品信息，得到药品比较结果。如果两个比较结果均一致则认为诊断结果准确，从而输出诊断结果至终端，以使用户看到自己的诊断结果。若比较结果不一致，表明诊断结果不够准确，则疾病诊断语言模型输出的疾病诊断信息发送至终端。
本申请将外部医疗知识库中的知识和疾病诊断语言模型的输出内容做对比，从而避免外部医疗知识库的知识过期输出不正确诊断结果给用户。
图3为本申请中构建在线智能问诊系统的流程示意图，包括如下步骤。
步骤3001：用户输入医疗问题。
步骤3002：疾病诊断语言模型对医疗问题进行分析，得到疾病诊断信息。
步骤3003：判断疾病诊断信息是否明确，若明确则执行步骤3005，若不明确则执行步骤3004。
步骤3004：针对诊断信息和医疗问题，采用第一检索器对问诊问题知识库进行知识召回，召回结果输入回答问题语言模型，得到新生成的医疗问题，返回步骤3002。
步骤3005：根据疾病诊断信息中的病症信息，采用第二检索器对疾病诊断知识库和药品知识库进行知识召回，得到目标诊断方案和目标药品信息。
步骤3006：疾病诊断信息中的初始诊断方案和疾病诊断知识库输出的目标诊断方案输入至方案比较语言模型，得到方案比较结果。
步骤3007：疾病诊断信息中的初始药品信息和药品知识库输出的目标药品信息输入至药品比较语言模型，得到药品比较结果。
步骤3008：判断两个比较结果是否一致。如果是，则执行步骤3009，如果否，则执行步骤3010。
步骤3009：如果两个比较结果均一致则认为诊断结果准确，从而输出诊断结果至终端。
步骤3010：若比较结果不一致，则步骤3003中疾病诊断语言模型输出的疾病诊断信息发送至终端。
本申请依据MiRage的知识库分类原则，拆分通用医疗知识库内容，分析系统功能下涉及到的知识库内容类型，具体包含：问诊问题知识库、疾病诊断知识库和药品知识库，并添加检索器完成系统对知识库的内容检索。然后结合大语言模型的通识能力，搭配通用医疗知识库的拆分，完成专业问诊，提高问诊诊断结果的准确性。
图4为本申请中构建在线智能问诊原理示意图，可以看出，检索器和大语言模型都包括多种型号，知识库包括问诊问题知识库、疾病诊断知识库和药品知识库，根据问题和流程节点设计具体的知识库，通过检索器检索出相关的知识库内容，将问题和检索的知识库提交给大语言模型(LLM)，通过LLM回复问题。
本申请提供了一种构建在线智能问诊系统的装置，如图5所示，装置包括：
分析模块501，用于执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果；
确定模块502，用于针对多个医疗问题均执行目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号；
构建模块503，用于根据大语言模型的型号和检索器的型号构建在线智能问诊系统。
可选地，分析模块501用于：
获取用户输入的医疗问题；
采用第一大语言模型对医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息，其中，疾病诊断信息包括病症信息、初始诊断方案和初始药品信息；
根据病症信息，采用第二检索器对疾病诊断知识库和药品知识库进行知识召回，得到目标诊断方案和目标药品信息；
采用第二大语言模型比较初始诊断方案、目标诊断方案以及初始药品信息、目标药品信息，若比较结果一致则输出诊断结果至终端。
可选地，第一大语言模型包括疾病诊断语言模型和回答问题语言模型，分析模块501用于：
采用疾病诊断语言模型对医疗问题进行分析，得到疾病诊断信息；
判断疾病诊断信息是否明确，其中，疾病诊断信息是否明确指示用户的病症类型是否明确；
若疾病诊断信息不明确，则针对将疾病诊断信息和医疗问题，采用第一检索器对问诊问题知识库进行知识召回；
采用回答问题语言模型对召回结果进行处理得到新生成的医疗问题；
采用疾病诊断语言模型对新生成的医疗问题进行分析，直至得到明确的疾病诊断信息。
可选地，该装置还用于：
若疾病诊断信息明确，则输出疾病诊断信息至第二检索器。
可选地，分析模块501用于：
采用疾病诊断语言模型对医疗问题进行分析，得到疾病诊断语言模型输出的每种病症类型对应的概率值；
若仅有一种病症类型的概率值超过设定概率阈值，则根据病症类型得到明确的疾病诊断信息；
若全部病症类型的概率值均未超过设定概率阈值，则确定未得到明确的疾病诊断信息。
可选地，第二大语言模型包括方案比较语言模型和药品比较语言模型，分析模块501用于：
采用方案比较语言模型比较初始诊断方案和目标诊断方案，得到方案比较结果；
采用药品比较语言模型比较初始药品信息和目标药品信息，得到药品比较结果；
若方案比较结果一致且药品比较结果一致，则输出诊断结果。
可选地，该装置还用于：
若比较结果不一致，则输出疾病诊断信息至终端。
可选地，第一检索器的型号和第二检索器的型号为qdrant、BM25或Contriever，第一大语言模型的型号和第二大语言模型的型号为生成式预训练Transformer模型、Gemini、通义千问或文心一言。
如图6所示，本申请实施例提供提供了一种电子设备，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。
存储器603，用于存放计算机程序。
在本申请一个实施例中，处理器601，用于执行存储器603上所存放的程序时，实现前述任意一个方法实施例提供的构建在线智能问诊系统的方法，包括：
执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果；
针对多个医疗问题均执行目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号；
根据大语言模型的型号和检索器的型号构建在线智能问诊系统。
可选地，目标步骤包括：
获取用户输入的医疗问题；
采用第一大语言模型对医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息，其中，疾病诊断信息包括病症信息、初始诊断方案和初始药品信息；
根据病症信息，采用第二检索器对疾病诊断知识库和药品知识库进行知识召回，得到目标诊断方案和目标药品信息；
采用第二大语言模型比较初始诊断方案、目标诊断方案以及初始药品信息、目标药品信息，若比较结果一致则输出诊断结果至终端。
可选地，第一大语言模型包括疾病诊断语言模型和回答问题语言模型，根据检索增强生成技术，采用第一大语言模型对医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息包括：
采用疾病诊断语言模型对医疗问题进行分析，得到疾病诊断信息；
判断疾病诊断信息是否明确，其中，疾病诊断信息是否明确指示用户的病症类型是否明确；
若疾病诊断信息不明确，则针对将疾病诊断信息和医疗问题，采用第一检索器对问诊问题知识库进行知识召回；
采用回答问题语言模型对召回结果进行处理得到新生成的医疗问题；
采用疾病诊断语言模型对新生成的医疗问题进行分析，直至得到明确的疾病诊断信息。
可选地，判断疾病诊断信息是否明确包括：
采用疾病诊断语言模型对医疗问题进行分析，得到疾病诊断语言模型输出的每种病症类型对应的概率值；
若仅有一种病症类型的概率值超过设定概率阈值，则根据病症类型得到明确的疾病诊断信息；
若全部病症类型的概率值均未超过设定概率阈值，则确定未得到明确的疾病诊断信息。
可选地，第二大语言模型包括方案比较语言模型和药品比较语言模型，采用第二大语言模型比较初始诊断方案、目标诊断方案以及初始药品信息、目标药品信息，若比较结果一致则输出诊断结果包括：
采用方案比较语言模型比较初始诊断方案和目标诊断方案，得到方案比较结果；
采用药品比较语言模型比较初始药品信息和目标药品信息，得到药品比较结果；
若方案比较结果一致且药品比较结果一致，则输出诊断结果。
可选地，采用第二大语言模型比较初始诊断方案、目标诊断方案以及初始药品信息、目标药品信息之后，方法还包括：
若比较结果不一致，则输出疾病诊断信息至终端。
可选地，第一检索器的型号和第二检索器的型号为qdrant、BM25或Contriever，第一大语言模型的型号和第二大语言模型的型号为生成式预训练Transformer模型、Gemini、通义千问或文心一言。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述任意一个方法实施例提供的构建在线智能问诊系统的方法的步骤。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种构建在线智能问诊系统的方法，其特征在于，所述方法包括：
执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果；
针对多个医疗问题均执行所述目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号；
根据所述大语言模型的型号和所述检索器的型号构建在线智能问诊系统。
2.根据权利要求1所述的方法，其特征在于，所述目标步骤包括：
获取用户输入的医疗问题；
采用第一大语言模型对所述医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息，其中，所述疾病诊断信息包括病症信息、初始诊断方案和初始药品信息；
根据所述病症信息，采用第二检索器对疾病诊断知识库和药品知识库进行知识召回，得到目标诊断方案和目标药品信息；
采用第二大语言模型比较所述初始诊断方案、所述目标诊断方案以及所述初始药品信息、所述目标药品信息，若比较结果一致则输出诊断结果至终端。
3.根据权利要求2所述的方法，其特征在于，所述第一大语言模型包括疾病诊断语言模型和回答问题语言模型，根据检索增强生成技术，采用第一大语言模型对所述医疗问题进行分析并采用第一检索器对问诊问题知识库进行知识召回，得到疾病诊断信息包括：
采用所述疾病诊断语言模型对所述医疗问题进行分析，得到疾病诊断信息；
判断所述疾病诊断信息是否明确，其中，疾病诊断信息是否明确指示用户的病症类型是否明确；
若所述疾病诊断信息不明确，则针对将所述疾病诊断信息和所述医疗问题，采用第一检索器对问诊问题知识库进行知识召回；
采用所述回答问题语言模型对召回结果进行处理得到新生成的医疗问题；
采用所述所述疾病诊断语言模型对所述新生成的医疗问题进行分析，直至得到明确的疾病诊断信息。
4.根据权利要求3所述的方法，其特征在于，判断所述疾病诊断信息是否明确包括：
采用所述疾病诊断语言模型对所述医疗问题进行分析，得到所述疾病诊断语言模型输出的每种病症类型对应的概率值；
若仅有一种病症类型的概率值超过设定概率阈值，则根据所述病症类型得到明确的疾病诊断信息；
若全部病症类型的概率值均未超过所述设定概率阈值，则确定未得到明确的疾病诊断信息。
5.根据权利要求2所述的方法，其特征在于，所述第二大语言模型包括方案比较语言模型和药品比较语言模型，采用第二大语言模型比较所述初始诊断方案、所述目标诊断方案以及所述初始药品信息、所述目标药品信息，若比较结果一致则输出诊断结果包括：
采用所述方案比较语言模型比较所述所述初始诊断方案和所述目标诊断方案，得到方案比较结果；
采用所述药品比较语言模型比较所述初始药品信息和所述目标药品信息，得到药品比较结果；
若所述方案比较结果一致且所述药品比较结果一致，则输出诊断结果。
6.根据权利要求2所述的方法，其特征在于，采用第二大语言模型比较所述初始诊断方案、所述目标诊断方案以及所述初始药品信息、所述目标药品信息之后，所述方法还包括：
若比较结果不一致，则输出所述疾病诊断信息至所述终端。
7.根据权利要求2所述的方法，其特征在于，所述第一检索器的型号和第二检索器的型号为qdrant、BM25或Contriever，所述第一大语言模型的型号和所述第二大语言模型的型号为生成式预训练Transformer模型、Gemini、通义千问或文心一言。
8.一种构建在线智能问诊系统的装置，其特征在于，所述装置包括：
分析模块，用于执行如下目标步骤：根据检索增强生成技术，采用大语言模型对用户输入的医疗问题进行分析并采用检索器对外部医疗知识库进行知识召回，得到诊断结果；
确定模块，用于针对多个医疗问题均执行所述目标步骤，根据用户选取的最贴合问诊记录的至少一个诊断结果，确定采用的大语言模型的型号和检索器的型号；
构建模块，用于根据所述大语言模型的型号和所述检索器的型号构建在线智能问诊系统。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法。
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410610292.4A CN118352056A (zh) | 2024-05-16 | 2024-05-16 | 构建在线智能问诊系统的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410610292.4A CN118352056A (zh) | 2024-05-16 | 2024-05-16 | 构建在线智能问诊系统的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118352056A true CN118352056A (zh) | 2024-07-16 |
Family
ID=91815703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410610292.4A Pending CN118352056A (zh) | 2024-05-16 | 2024-05-16 | 构建在线智能问诊系统的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118352056A (zh) |
-
2024
- 2024-05-16 CN CN202410610292.4A patent/CN118352056A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180322954A1 (en) | Method and device for constructing medical knowledge graph and assistant diagnosis method | |
| CN108491486B (zh) | 模拟病人问诊对话方法、装置、终端设备及存储介质 | |
| CN112802575B (zh) | 基于图形状态机的用药决策支持方法、装置、设备、介质 | |
| CN111984771A (zh) | 一种基于智能对话的自动问诊系统 | |
| WO2023178971A1 (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
| CN111091906A (zh) | 一种基于真实世界数据的辅助医疗诊断方法及系统 | |
| JP2022500713A (ja) | 機械支援対話システム、ならびに病状問診装置およびその方法 | |
| CN111063429A (zh) | 一种医疗咨询方法、装置、设备和计算机可读存储介质 | |
| CN117216209A (zh) | 一种基于大型语言模型的超声检查报告解读系统 | |
| CN116759074A (zh) | 多轮会话式医学影像分析模型的训练方法及应用 | |
| CN116189878A (zh) | 疾病早期预测方法及相关设备 | |
| Liao et al. | Medical data inquiry using a question answering model | |
| Ceusters et al. | Clinical data wrangling using ontological realism and referent tracking | |
| CN112349367B (zh) | 一种生成仿真病历的方法、装置、电子设备及存储介质 | |
| CN114664431A (zh) | 一种人工智能辅助问答方法、装置、设备及介质 | |
| CN116775960B (zh) | 一种多模态医疗数据问答方法及存储介质 | |
| CN110689934A (zh) | 一种预问诊系统及方法 | |
| CN113223648A (zh) | 一种诊前信息采集方法及装置 | |
| CN117198500A (zh) | 一种基于人工智能技术的问诊系统及设备 | |
| CN111863254A (zh) | 基于模拟病人的问诊查体评价方法、系统及设备 | |
| CN118352056A (zh) | 构建在线智能问诊系统的方法和装置 | |
| Biswas et al. | Can ChatGPT be Your Personal Medical Assistant? | |
| CN114328864A (zh) | 基于人工智能和知识图谱的眼科问答系统 | |
| CN112380231A (zh) | 一种具有抑郁障碍特征的训练用机器人系统和方法 | |
| CN112309580A (zh) | 疾病类型的确定方法、装置、电子设备及存储介质 |
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 |