WO2021114736A1 - 医疗问诊辅助方法、装置、电子设备及介质 - Google Patents

医疗问诊辅助方法、装置、电子设备及介质 Download PDF

Info

Publication number
WO2021114736A1
WO2021114736A1 PCT/CN2020/111914 CN2020111914W WO2021114736A1 WO 2021114736 A1 WO2021114736 A1 WO 2021114736A1 CN 2020111914 W CN2020111914 W CN 2020111914W WO 2021114736 A1 WO2021114736 A1 WO 2021114736A1
Authority
WO
WIPO (PCT)
Prior art keywords
disease
entity
text
target
image
Prior art date
Application number
PCT/CN2020/111914
Other languages
English (en)
French (fr)
Inventor
李雷来
王健宗
瞿晓阳
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2021114736A1 publication Critical patent/WO2021114736A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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

Definitions

  • This application relates to the field of artificial intelligence technology, and in particular to a medical inquiry assistance method, device, electronic equipment and medium.
  • the first aspect of the present application provides an auxiliary method for medical inquiry, and the auxiliary method for medical inquiry includes:
  • the disease entity with the highest probability is determined as the main disease of the user to be diagnosed, and the candidate disease of the user to be diagnosed is determined from the target set according to the probability.
  • a second aspect of the present application provides an electronic device including a processor and a memory, and the processor is configured to execute computer-readable instructions stored in the memory to implement the following steps:
  • the disease entity with the highest probability is determined as the main disease of the user to be diagnosed, and the candidate disease of the user to be diagnosed is determined from the target set according to the probability.
  • a third aspect of the present application provides a computer-readable storage medium having at least one computer-readable instruction stored thereon, and the at least one computer-readable instruction is executed by a processor to implement the following steps:
  • the disease entity with the highest probability is determined as the main disease of the user to be diagnosed, and the candidate disease of the user to be diagnosed is determined from the target set according to the probability.
  • a fourth aspect of the present application provides a medical inquiry auxiliary device, and the medical inquiry auxiliary device includes:
  • the determining unit is configured to determine the user to be diagnosed according to the medical inquiry assistance request when the medical inquiry assistance request is received;
  • the acquiring unit is used to acquire the medical condition text information and medical condition image information of the user to be diagnosed;
  • the recognition unit is used to recognize the entity in the text information of the condition to obtain the target text entity
  • the determining unit is further configured to determine the first disease entity associated with the target text entity from the pre-built text knowledge graph, and determine the first disease entity associated with the disease image information from the pre-built image knowledge graph Second disease entity;
  • a fusion unit for fusing the first disease entity and the second disease entity to obtain a target set
  • the determining unit is further configured to determine the probability of each disease entity in the target set
  • the determining unit is further configured to determine the disease entity with the highest probability as the main disease of the user to be diagnosed, and determine the candidate disease of the user to be diagnosed from the target set according to the probability.
  • Fig. 1 is a flowchart of a preferred embodiment of the medical inquiry assistance method of the present application.
  • Fig. 2 is a functional block diagram of a preferred embodiment of the medical inquiry auxiliary device of the present application.
  • FIG. 3 is a schematic structural diagram of an electronic device according to a preferred embodiment of the present application for implementing the medical inquiry assistance method.
  • FIG. 1 it is a flowchart of a preferred embodiment of the medical inquiry assistance method of the present application. According to different needs, the order of the steps in the flowchart can be changed, and some steps can be omitted.
  • the medical inquiry assistance method is applied to one or more electronic devices.
  • the electronic device is a device that can automatically perform numerical calculation and/or information processing according to pre-set or stored instructions. Its hardware includes but It is not limited to microprocessors, application specific integrated circuits (ASICs), programmable gate arrays (Field-Programmable Gate Arrays, FPGAs), digital processors (Digital Signal Processors, DSPs), embedded devices, etc.
  • ASICs application specific integrated circuits
  • FPGAs Field-Programmable Gate Arrays
  • DSPs Digital Signal Processors
  • the electronic device may be any electronic product that can perform human-computer interaction with the user, such as a personal computer, a tablet computer, a smart phone, a personal digital assistant (PDA), a game console, an interactive network television ( Internet Protocol Television, IPTV), smart wearable devices, etc.
  • a personal computer a tablet computer
  • a smart phone a personal digital assistant (PDA)
  • PDA personal digital assistant
  • IPTV interactive network television
  • smart wearable devices etc.
  • the electronic device may also include a network device and/or user equipment.
  • the network device includes, but is not limited to, a single network server, a server group composed of multiple network servers, or a cloud composed of a large number of hosts or network servers based on cloud computing.
  • the network where the electronic device is located includes, but is not limited to, the Internet, a wide area network, a metropolitan area network, a local area network, a virtual private network (Virtual Private Network, VPN), etc.
  • the medical inquiry assistance method is applied in the field of artificial intelligence.
  • the medical inquiry assistance request may be triggered by a medical staff, or it may be triggered at a preset time, which is not limited in this application.
  • the information carried in the medical inquiry assistance request includes, but is not limited to: an identification code, a preset label, and the like.
  • the electronic device determining the user to be diagnosed according to the medical inquiry assistance request includes:
  • the identification code is used to determine the user to be diagnosed.
  • the identification code is unique, the user to be diagnosed can be accurately determined by the identification code.
  • the medical consultation assistance request can be analyzed by directly obtaining idle threads from the thread connection pool. The creation time of the thread is increased, and therefore, the parsing speed of the medical inquiry assistance request is improved, thereby improving the efficiency of determining the user to be diagnosed.
  • S11 Acquire medical condition text information and medical condition image information of the user to be diagnosed.
  • the medical condition text information includes symptom information communicated between the user to be diagnosed and medical staff, and physical sign information of the user to be diagnosed.
  • the medical condition image information includes, but is not limited to: an electrocardiogram, a color ultrasound image, etc. of the user to be diagnosed.
  • the electronic device acquiring the medical condition text information and medical condition image information of the user to be diagnosed includes one or a combination of the following methods:
  • the medical condition text information and medical condition image information of the user to be diagnosed can be accurately obtained.
  • the target text entity includes a symptom entity and a physical sign entity.
  • the electronic device recognizing the entity in the medical condition text information, and obtaining the target text entity includes:
  • each target vector by a preset weight matrix, and add a preset bias value to obtain a score vector for each word segmentation, and each element in the score vector represents the score of each tag corresponding to the word segmentation;
  • the label corresponding to the element with the highest score is determined as the target label of each word segmentation, and multiple target labels in the textual information about the disease condition are obtained;
  • the target tag may be B-PER, E-PER, B-ORG, I-ORG, E-ORG, B-EVE, I-EVE, E-EVE, O, etc.
  • the tag with the highest score as the target tag, it is possible to accurately determine multiple target tags in the medical condition text information, and then through the preset symptom database and the entities in the preset physical sign database and the multiple target tags.
  • the relationship between the target tags can accurately determine the target text entity.
  • S13 Determine a first disease entity associated with the target text entity from a pre-built text knowledge graph, and determine a second disease entity associated with the disease image information from the pre-built image knowledge graph.
  • the text knowledge graph includes the degree of association between the text entity and the disease entity.
  • the image knowledge map includes the degree of relevance between the examination image and the examination disease.
  • the medical inquiry assistance method before determining the second disease entity associated with the condition image information from the pre-built image knowledge graph, the medical inquiry assistance method further includes:
  • each aligned image Based on the pixels in each aligned image, convert each aligned image into an image vector, and convert each checked disease into a text vector;
  • the image knowledge graph is generated based on the image vector, the examination disease, and the degree of association.
  • the determining the second disease entity associated with the disease image information from a pre-built image knowledge graph includes:
  • a disease vector with a similarity greater than a preset threshold is selected as the target disease vector, and the disease corresponding to the target disease vector is determined as the second disease entity.
  • the elements in the target set include the first disease entity and the second disease entity.
  • S15 Determine the probability of each disease entity in the target set.
  • the electronic device determining the probability of each disease entity in the target set includes:
  • the target value represents the probability that the associated text entity and the associated image simultaneously exist in each disease
  • the target value of each disease is divided by the total value to obtain the probability of each disease entity.
  • S16 Determine the disease entity with the highest probability as the main disease of the user to be diagnosed, and determine the candidate disease of the user to be diagnosed from the target set according to the probability.
  • the above-mentioned main disease and the above-mentioned candidate disease can also be stored in a node of a blockchain.
  • the electronic device determining the candidate disease of the user to be diagnosed from the target set according to the probability includes:
  • the main disease is deleted from the target disease entity to obtain the candidate disease.
  • the candidate disease can be quickly determined.
  • the medical consultation assistance method After the disease with the highest probability is determined as the main disease of the user to be diagnosed, and the candidate disease is determined from the target set according to the probability, the medical consultation assistance method Also includes:
  • the accuracy of the diagnosis report can be ensured, and the accuracy of the consultation assistance can be improved.
  • the application analyzes the medical condition text information and medical condition image information of the user to be diagnosed, since the analysis of the condition image information is added, it is no longer limited to the analysis of the text information, and can improve the assistance of the consultation Accuracy, and then the target set including the first disease entity and the second disease entity can be fully obtained through the text knowledge graph and the image knowledge graph, which improves the comprehensiveness.
  • the target set including the first disease entity and the second disease entity can be fully obtained through the text knowledge graph and the image knowledge graph, which improves the comprehensiveness.
  • the probability of each disease entity in the target set the disease entity with the highest probability is determined as the main disease, and candidate diseases are selected from the target set at the same time, so that the medical staff can confirm the confirmed disease again. It can be seen that this application It can provide medical staff with consultation assistance, thereby improving the efficiency of medical staff's consultation.
  • the medical inquiry assistance device 11 includes a determination unit 110, an acquisition unit 111, an identification unit 112, a fusion unit 113, a processing unit 114, a conversion unit 115, a calculation unit 116, a generation unit 117, a transmission unit 118, an extraction unit 119, and encryption Unit 120.
  • the module/unit referred to in this application refers to a series of computer program segments that can be executed by the processor 13 and can complete fixed functions, and are stored in the memory 12. In this embodiment, the functions of each module/unit will be described in detail in subsequent embodiments.
  • the determining unit 110 determines the user to be diagnosed according to the medical inquiry assistance request.
  • the medical inquiry assistance request may be triggered by a medical staff, or may be triggered at a preset time, which is not limited in this application.
  • the information carried in the medical inquiry assistance request includes, but is not limited to: an identification code, a preset label, and the like.
  • the determining unit 110 determining the user to be diagnosed according to the medical inquiry assistance request includes:
  • the identification code is used to determine the user to be diagnosed.
  • the identification code is unique, the user to be diagnosed can be accurately determined by the identification code.
  • the medical consultation assistance request can be analyzed by directly obtaining idle threads from the thread connection pool. The creation time of the thread is increased, and therefore, the parsing speed of the medical inquiry assistance request is improved, thereby improving the efficiency of determining the user to be diagnosed.
  • the acquiring unit 111 acquires the medical condition text information and medical condition image information of the user to be diagnosed.
  • the medical condition text information includes symptom information communicated between the user to be diagnosed and medical staff, and physical sign information of the user to be diagnosed.
  • the medical condition image information includes, but is not limited to: an electrocardiogram, a color ultrasound image, etc. of the user to be diagnosed.
  • the acquiring unit 111 acquiring the medical condition text information and medical condition image information of the user to be diagnosed includes one or a combination of the following methods:
  • the medical condition text information and medical condition image information of the user to be diagnosed can be accurately obtained.
  • the recognition unit 112 recognizes the entity in the text information of the condition to obtain the target text entity.
  • the target text entity includes a symptom entity and a physical sign entity.
  • the recognition unit 112 recognizes the entity in the text information of the condition, and obtains the target text entity includes:
  • each target vector by a preset weight matrix, and add a preset bias value to obtain a score vector for each word segmentation, and each element in the score vector represents the score of each tag corresponding to the word segmentation;
  • the label corresponding to the element with the highest score is determined as the target label of each word segmentation, and multiple target labels in the textual information about the disease condition are obtained;
  • the target tag may be B-PER, E-PER, B-ORG, I-ORG, E-ORG, B-EVE, I-EVE, E-EVE, O, etc.
  • the tag with the highest score as the target tag, it is possible to accurately determine multiple target tags in the medical condition text information, and then through the preset symptom database and the entities in the preset physical sign database and the multiple target tags.
  • the relationship between the target tags can accurately determine the target text entity.
  • the determining unit 110 determines the first disease entity associated with the target text entity from the pre-built text knowledge graph, and determines the second disease associated with the disease image information from the pre-built image knowledge graph entity.
  • the text knowledge graph includes the degree of association between the text entity and the disease entity.
  • the image knowledge map includes the degree of relevance between the examination image and the examination disease.
  • the acquiring unit 111 before determining the second disease entity associated with the disease image information from the pre-built image knowledge graph, acquires multiple inspection images using web crawler technology, and acquires Multiple inspection diseases corresponding to the multiple inspection images;
  • the processing unit 114 performs alignment processing on the multiple inspection images to obtain multiple alignment images
  • the conversion unit 115 converts each aligned image into an image vector based on the pixels in each aligned image, and converts each checked disease into a text vector;
  • the calculation unit 116 calculates the similarity between the image vector and the text vector as the degree of association between the examination image and the examination disease;
  • the generating unit 117 generates the image knowledge graph based on the image vector, the examined disease, and the degree of association.
  • the determining unit 110 determining the second disease entity associated with the disease image information from a pre-built image knowledge graph includes:
  • a disease vector with a similarity greater than a preset threshold is selected as the target disease vector, and the disease corresponding to the target disease vector is determined as the second disease entity.
  • the fusion unit 113 fuses the first disease entity and the second disease entity to obtain a target set.
  • the elements in the target set include the first disease entity and the second disease entity.
  • the determining unit 110 determines the probability of each disease entity in the target set.
  • the determining unit 110 determining the probability of each disease entity in the target set includes:
  • the target value represents the probability that the associated text entity and the associated image simultaneously exist in each disease
  • the target value of each disease is divided by the total value to obtain the probability of each disease entity.
  • the determining unit 110 determines the disease entity with the highest probability as the main disease of the user to be diagnosed, and determines the candidate disease of the user to be diagnosed from the target set according to the probability.
  • the above-mentioned main disease and the above-mentioned candidate disease can also be stored in a node of a blockchain.
  • the determining unit 110 determining the candidate disease of the user to be diagnosed from the target set according to the probability includes:
  • the main disease is deleted from the target disease entity to obtain the candidate disease.
  • the candidate disease can be quickly determined.
  • the acquiring unit 111 acquires the Describing user information of the user to be diagnosed, and generating information to be confirmed based on the user information, the main disease, and the candidate disease;
  • the sending unit 118 sends the information to be confirmed to the terminal device of the designated contact;
  • the extraction unit 119 extracts the confirmed disease from the confirmation information
  • the generating unit 117 generates a diagnosis report according to the user information and the confirmed disease
  • the encryption unit 120 uses a symmetric encryption algorithm to encrypt the diagnosis report to obtain a ciphertext
  • the sending unit 118 stores the mapping relationship between the user information and the ciphertext, and sends the ciphertext to the client of the user to be diagnosed.
  • the accuracy of the diagnosis report can be ensured, and the accuracy of the consultation assistance can be improved.
  • FIG. 3 it is a schematic structural diagram of an electronic device in a preferred embodiment of the present application for implementing the medical inquiry assistance method.
  • the electronic device 1 includes, but is not limited to, a memory 12, a processor 13, and a computer program stored in the memory 12 and running on the processor 13, such as Auxiliary procedures for medical consultation.
  • the schematic diagram is only an example of the electronic device 1 and does not constitute a limitation on the electronic device 1. It may include more or less components than those shown in the figure, or a combination of certain components, or different components. Components, for example, the electronic device 1 may also include an input/output device, a network access device, a bus, and the like.
  • the processor 13 may be a central processing unit (Central Processing Unit, CPU), other general-purpose processors, digital signal processors (Digital Signal Processor, DSP), application specific integrated circuits (ASIC), Field-Programmable Gate Array (FPGA) or other programmable logic devices, discrete gates or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor can be a microprocessor or the processor can also be any conventional processor, etc.
  • the processor 13 is the computing core and control center of the electronic device 1 and connects the entire electronic device with various interfaces and lines. Each part of 1, and executes the operating system of the electronic device 1, and various installed applications, program codes, etc.
  • the processor 13 executes the operating system of the electronic device 1 and various installed applications.
  • the processor 13 executes the application program to implement the steps in the above-mentioned embodiments of the medical consultation assistance method, for example, the steps shown in FIG. 1.
  • the computer program may be divided into one or more modules/units, and the one or more modules/units are stored in the memory 12 and executed by the processor 13 to complete the present invention.
  • the one or more modules/units may be a series of computer-readable instruction segments capable of completing specific functions, and the instruction segments are used to describe the execution process of the computer program in the electronic device 1.
  • the computer program may be divided into a determination unit 110, an acquisition unit 111, an identification unit 112, a fusion unit 113, a processing unit 114, a conversion unit 115, a calculation unit 116, a generation unit 117, a transmission unit 118, an extraction unit 119, and Encryption unit 120.
  • the memory 12 may be used to store the computer program and/or module.
  • the processor 13 runs or executes the computer program and/or module stored in the memory 12 and calls data stored in the memory 12, Various functions of the electronic device 1 are realized.
  • the memory 12 may mainly include a program storage area and a data storage area, where the program storage area may store an operating system, an application program required by at least one function (such as a sound playback function, an image playback function, etc.), etc.; the storage data area may Stores data, etc. created based on the use of electronic devices.
  • the memory 12 may include non-volatile and volatile memory, such as a hard disk, a memory, a plug-in hard disk, a smart memory card (Smart Media Card, SMC), a Secure Digital (SD) card, and a flash memory card ( Flash Card), at least one magnetic disk storage device, flash memory device, or other storage device.
  • non-volatile and volatile memory such as a hard disk, a memory, a plug-in hard disk, a smart memory card (Smart Media Card, SMC), a Secure Digital (SD) card, and a flash memory card ( Flash Card), at least one magnetic disk storage device, flash memory device, or other storage device.
  • the memory 12 may be an external memory and/or an internal memory of the electronic device 1. Further, the memory 12 may be a memory in a physical form, such as a memory stick, a TF card (Trans-flash Card), and so on.
  • TF card Trans-flash Card
  • the integrated module/unit of the electronic device 1 may be stored in a computer-readable storage medium, which may be non-easy.
  • a volatile storage medium can also be a volatile storage medium.
  • the computer program includes computer-readable instruction code
  • the computer-readable instruction code may be in the form of source code, object code, executable file, or some intermediate form.
  • the computer-readable medium may include: any entity or device capable of carrying the computer program code, recording medium, U disk, mobile hard disk, magnetic disk, optical disk, computer memory, read-only memory (ROM, Read-Only Memory) , Random access memory.
  • the blockchain referred to in this application is a new application mode of computer technology such as distributed data storage, point-to-point transmission, consensus mechanism, and encryption algorithm.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with cryptographic methods. Each data block contains a batch of network transaction information for verification. The validity of the information (anti-counterfeiting) and the generation of the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.
  • the memory 12 in the electronic device 1 stores multiple instructions to implement a medical inquiry assistance method, and the processor 13 can execute the multiple instructions to achieve:
  • the disease entity with the highest probability is determined as the main disease of the user to be diagnosed, and the candidate disease of the user to be diagnosed is determined from the target set according to the probability.
  • modules described as separate components may or may not be physically separated, and the components displayed as modules may or may not be physical units, and may be located in one place or distributed on multiple network units. Some or all of the modules can be selected according to actual needs to achieve the objectives of the solutions of the embodiments.
  • the functional modules in the various embodiments of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated unit may be implemented in the form of hardware, or may be implemented in the form of hardware plus software functional modules.

Landscapes

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

Abstract

涉及人工智能，提供一种医疗问诊辅助方法、装置、电子设备及介质。其方法能够确定待诊断用户，获取待诊断用户的病情文本信息及病情图像信息，识别病情文本信息中的实体，得到目标文本实体(S12)，从预先构建的文本知识图谱中确定与目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与病情图像信息相关联的第二疾病实体(S13)，融合第一疾病实体及第二疾病实体，得到目标集合(S14)，确定目标集合中每个疾病实体的概率(S15)，将概率最大的疾病实体确定为待诊断用户的主疾病，并根据概率从目标集合中确定待诊断用户的候选疾病(S16)。能够提高问诊辅助的准确度。此外，还涉及区块链技术，所述主疾病及所述候选疾病可存储于区块链中。

Description

医疗问诊辅助方法、装置、电子设备及介质
本申请要求于2020年07月07日提交中国专利局，申请号为202010645468.1，发明名称为“医疗问诊辅助方法、装置、电子设备及介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及人工智能技术领域，尤其涉及一种医疗问诊辅助方法、装置、电子设备及介质。
背景技术
由于现有的疾病诊断方法主要依据医生根据个人经验来完成诊断，同时经验丰富的资深医生较少，为此，目前无法满足数目庞大的就诊需求。随着人工智能的高速发展以及医院信息化的发展，智能辅助问诊方式也随之产生，然而，发明人意识到这种方式只针对文本信息进行分析，忽略了医疗场景中图像信息的分析(例如，心电图)，从而导致问诊辅助的准确度较低。
发明内容
鉴于以上内容，有必要提出一种医疗问诊辅助方法、装置、电子设备及介质，不仅能够提高问诊辅助的准确度，还能够提高医护人员的问诊效率。
本申请的第一方面提供一种医疗问诊辅助方法，所述医疗问诊辅助方法包括：
当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
获取所述待诊断用户的病情文本信息及病情图像信息；
识别所述病情文本信息中的实体，得到目标文本实体；
从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
确定所述目标集合中每个疾病实体的概率；
将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
本申请的第二方面提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机可读指令以实现以下步骤：
当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
获取所述待诊断用户的病情文本信息及病情图像信息；
识别所述病情文本信息中的实体，得到目标文本实体；
从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
确定所述目标集合中每个疾病实体的概率；
将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
本申请的第三方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储 有至少一个计算机可读指令，所述至少一个计算机可读指令被处理器执行以实现以下步骤：
当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
获取所述待诊断用户的病情文本信息及病情图像信息；
识别所述病情文本信息中的实体，得到目标文本实体；
从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
确定所述目标集合中每个疾病实体的概率；
将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
本申请的第四方面提供一种医疗问诊辅助装置，所述医疗问诊辅助装置包括：
确定单元，用于当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
获取单元，用于获取所述待诊断用户的病情文本信息及病情图像信息；
识别单元，用于识别所述病情文本信息中的实体，得到目标文本实体；
所述确定单元，还用于从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
融合单元，用于融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
所述确定单元，还用于确定所述目标集合中每个疾病实体的概率；
所述确定单元，还用于将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
由以上技术方案可以看出，本申请分析待诊断用户的病情文本信息及病情图像信息时，由于加入了病情图像信息的分析，因此不再局限于对文本信息的分析，能够提高问诊辅助的准确度，进而通过文本知识图谱及图像知识图谱能够全面获取到包含第一疾病实体及第二疾病实体的目标集合，提高了全面性。此外，通过分析目标集合中每个疾病实体的概率，并将概率最大的疾病实体确定为主疾病，同时从所述目标集合中选取出候选疾病，以便医护人员再次确认确诊疾病，可见，本申请能够为医护人员提供问诊辅助，进而能够提高医护人员的问诊效率。本申请应用于智慧城市和智慧医疗中，从而推动智慧城市的建设。
附图说明
图1是本申请医疗问诊辅助方法的较佳实施例的流程图。
图2是本申请医疗问诊辅助装置的较佳实施例的功能模块图。
图3是本申请实现医疗问诊辅助方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。
如图1所示，是本申请医疗问诊辅助方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述医疗问诊辅助方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－ Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
在本申请的至少一个实施例中，所述医疗问诊辅助方法应用于人工智能领域中。
S10，当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户。
在本申请的至少一个实施例中，所述医疗问诊辅助请求可以由医护人员触发，也可以在预设时间定时触发，本申请对此不作限制。
进一步地，所述医疗问诊辅助请求携带的信息包括，但不限于：身份识别码、预设标签等。
在本申请的至少一个实施例中，所述电子设备根据所述医疗问诊辅助请求确定待诊断用户包括：
从线程连接池中获取任意闲置线程；
利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体，得到所述医疗问诊辅助请求携带的数据信息；
获取预设标签，并从所述数据信息中获取与所述预设标签对应的信息，作为身份识别码；
利用所述身份识别码确定所述待诊断用户。
由于所述身份识别码具有唯一性，因此，通过所述身份识别码能够准确确定所述待诊断用户，另外，通过从线程连接池中直接获取闲置线程解析所述医疗问诊辅助请求，由于节省了线程的创建时间，因此，提高了所述医疗问诊辅助请求的解析速度，进而提高所述待诊断用户的确定效率。
S11，获取所述待诊断用户的病情文本信息及病情图像信息。
在本申请的至少一个实施例中，所述病情文本信息包括所述待诊断用户与医护人员沟通的症状信息，以及所述待诊断用户的体征信息。进一步地，所述病情图像信息包括，但不限于：所述待诊断用户的心电图、彩超图像等。
在本申请的至少一个实施例中，所述电子设备获取所述待诊断用户的病情文本信息及病情图像信息包括以下一种或者多种方式的组合：
(1)从第一预设网站中下载与所述身份识别码对应的文件，作为所述病情文本信息，并从第二预设网站中下载与所述身份识别码对应的文件，作为所述病情图像信息；
(2)利用光学字符识别算法识别所述待诊断用户的病历本，得到所述病情文本信息，并控制医疗仪器采集所述待诊断用户的病情图像信息。
通过上述实施方式，能够准确获取到所述待诊断用户的病情文本信息及病情图像信息。
S12，识别所述病情文本信息中的实体，得到目标文本实体。
在本申请的至少一个实施例中，所述目标文本实体包括症状实体以及体征实体。
在本申请的至少一个实施例中，所述电子设备识别所述病情文本信息中的实体，得到目标文本实体包括：
对所述病情文本信息进行分词处理，得到多个分词；
将每个分词转换为词向量，并依照每个分词在所述病情文本信息中的顺序组合所述词向 量，得到与所述病情文本信息对应的向量序列；
利用双向长短期记忆网络对所述向量序列进行特征抽取，得到正向长短期记忆网络中每个分词对应的第一特征向量，及反向长短期记忆网络中每个分词对应的第二特征向量；
拼接所述第一特征向量及所述第二特征向量，得到每个分词对应的目标向量；
将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个分词的分数向量，所述分数向量中的每个元素表征每个分词对应标签的分数；
对于每个分数向量，将分数最高的元素对应的标签确定为每个分词的目标标签，得到所述病情文本信息中的多个目标标签；
从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体，并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体；
组合所述第一文本实体及所述第二文本实体，得到所述目标文本实体。
其中，所述目标标签可以为B-PER、E-PER、B-ORG、I-ORG、E-ORG、B-EVE、I-EVE、E-EVE、O等。
通过将分数最高的标签确定为目标标签，能够准确确定出所述病情文本信息中的多个目标标签，进而通过所述预设症状库及所述预设体征库中的实体与所述多个目标标签的关系，能够准确确定所述目标文本实体。
S13，从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体。
在本申请的至少一个实施例中，所述文本知识图谱中包括文本实体与疾病实体的关联度。
进一步地，所述图像知识图谱包括检查图像与检查疾病的关联度。
在本申请的至少一个实施例中，在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前，所述医疗问诊辅助方法还包括：
利用网络爬虫技术获取多个检查图像，并获取与所述多个检查图像对应的多个检查疾病；
对所述多个检查图像进行对齐处理，得到多个对齐图像；
基于每个对齐图像中的像素，将每个对齐图像转换为图像向量，并将每个检查疾病转换为文本向量；
计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度；
基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
通过对检查图像进行对齐处理，能够避免检查图像因出现倾斜等问题导致生成的图像向量不准确，进而提高图像向量转换的准确度。
在本申请的至少一个实施例中，所述从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体包括：
将所述病情图像信息转换为病情图像向量；
从所述图像知识图谱中获取所有疾病中每个疾病对应的疾病向量；
计算所述病情图像向量与每个疾病向量的相似度；
选取相似度大于预设阈值的疾病向量，作为目标疾病向量，并将所述目标疾病向量对应的疾病确定为所述第二疾病实体。
S14，融合所述第一疾病实体及所述第二疾病实体，得到目标集合。
在本申请的至少一个实施例中，所述目标集合中的元素包括所述第一疾病实体及所述第二疾病实体。
S15，确定所述目标集合中每个疾病实体的概率。
在本申请的至少一个实施例中，所述电子设备确定所述目标集合中每个疾病实体的概率包括：
从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体，并获取每个疾病实体与所述关联文本实体的第一关联度；
从所述图像知识图谱中获取与每个疾病实体对应的关联图像，并获取每个疾病实体与所述关联图像的第二关联度；
将所述第一关联度乘以所述第二关联度，得到每个疾病的目标数值，所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率；
计算所述目标集合中所有疾病实体的目标数值的总和，得到总值；
将每个疾病的目标数值除以所述总值，得到每个疾病实体的概率。
S16，将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
需要强调的是，为进一步保证上述主疾病及上述候选疾病的私密和安全性，上述主疾病及上述候选疾病还可以存储于一区块链的节点中。
在本申请的至少一个实施例中，所述电子设备根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病包括：
将所述目标集合中所有疾病实体按照概率从大至小的顺序进行排序，得到目标队列；
从所述目标队列中提取前N个疾病实体，作为目标疾病实体，其中，所述N的取值为配置值；
将所述主疾病从所述目标疾病实体中删除，得到所述候选疾病。
通过上述实施方式，能够快速确定出所述候选疾病。
在本申请的至少一个实施例中，在将概率最大的疾病确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定候选疾病之后，所述医疗问诊辅助方法还包括：
获取所述待诊断用户的用户信息，并根据所述用户信息、所述主疾病及所述候选疾病生成待确认信息；
将所述待确认信息发送至指定联系人的终端设备；
当在预设时间内接收到所述终端设备发出的确认信息时，从所述确认信息中提取确诊疾病；
根据所述用户信息及所述确诊疾病生成诊断报告；
采用对称加密算法对所述诊断报告进行加密处理，得到密文；
存储所述用户信息与所述密文的映射关系，并将所述密文发送至所述待诊断用户的客户端。
通过分析所述确认信息，能够确保所述诊断报告的准确性，提高问诊辅助的准确度。
由以上技术方案可以看出，本申请分析待诊断用户的病情文本信息及病情图像信息时，由于加入了病情图像信息的分析，因此不再局限于对文本信息的分析，能够提高问诊辅助的准确度，进而通过文本知识图谱及图像知识图谱能够全面获取到包含第一疾病实体及第二疾病实体的目标集合，提高了全面性。此外，通过分析目标集合中每个疾病实体的概率，并将概率最大的疾病实体确定为主疾病，同时从所述目标集合中选取出候选疾病，以便医护人员再次确认确诊疾病，可见，本申请能够为医护人员提供问诊辅助，进而能够提高医护人员的问诊效率。
如图2所示，是本申请医疗问诊辅助装置的较佳实施例的功能模块图。所述医疗问诊辅助装置11包括确定单元110、获取单元111、识别单元112、融合单元113、处理单元114、转换单元115、计算单元116、生成单元117、发送单元118、提取单元119及加密单元120。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到医疗问诊辅助请求时，确定单元110根据所述医疗问诊辅助请求确定待诊断用户。
在本申请的至少一个实施例中，所述医疗问诊辅助请求可以由医护人员触发，也可以在预设时间定时触发，本申请对此不作限制。
进一步地，所述医疗问诊辅助请求携带的信息包括，但不限于：身份识别码、预设标签等。
在本申请的至少一个实施例中，所述确定单元110根据所述医疗问诊辅助请求确定待诊断用户包括：
从线程连接池中获取任意闲置线程；
利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体，得到所述医疗问诊辅助请求携带的数据信息；
获取预设标签，并从所述数据信息中获取与所述预设标签对应的信息，作为身份识别码；
利用所述身份识别码确定所述待诊断用户。
由于所述身份识别码具有唯一性，因此，通过所述身份识别码能够准确确定所述待诊断用户，另外，通过从线程连接池中直接获取闲置线程解析所述医疗问诊辅助请求，由于节省了线程的创建时间，因此，提高了所述医疗问诊辅助请求的解析速度，进而提高所述待诊断用户的确定效率。
获取单元111获取所述待诊断用户的病情文本信息及病情图像信息。
在本申请的至少一个实施例中，所述病情文本信息包括所述待诊断用户与医护人员沟通的症状信息，以及所述待诊断用户的体征信息。进一步地，所述病情图像信息包括，但不限于：所述待诊断用户的心电图、彩超图像等。
在本申请的至少一个实施例中，所述获取单元111获取所述待诊断用户的病情文本信息及病情图像信息包括以下一种或者多种方式的组合：
(1)从第一预设网站中下载与所述身份识别码对应的文件，作为所述病情文本信息，并从第二预设网站中下载与所述身份识别码对应的文件，作为所述病情图像信息；
(2)利用光学字符识别算法识别所述待诊断用户的病历本，得到所述病情文本信息，并控制医疗仪器采集所述待诊断用户的病情图像信息。
通过上述实施方式，能够准确获取到所述待诊断用户的病情文本信息及病情图像信息。
识别单元112识别所述病情文本信息中的实体，得到目标文本实体。
在本申请的至少一个实施例中，所述目标文本实体包括症状实体以及体征实体。
在本申请的至少一个实施例中，所述识别单元112识别所述病情文本信息中的实体，得到目标文本实体包括：
对所述病情文本信息进行分词处理，得到多个分词；
将每个分词转换为词向量，并依照每个分词在所述病情文本信息中的顺序组合所述词向量，得到与所述病情文本信息对应的向量序列；
利用双向长短期记忆网络对所述向量序列进行特征抽取，得到正向长短期记忆网络中每个分词对应的第一特征向量，及反向长短期记忆网络中每个分词对应的第二特征向量；
拼接所述第一特征向量及所述第二特征向量，得到每个分词对应的目标向量；
将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个分词的分数向量，所述分数向量中的每个元素表征每个分词对应标签的分数；
对于每个分数向量，将分数最高的元素对应的标签确定为每个分词的目标标签，得到所述病情文本信息中的多个目标标签；
从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体，并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本 实体；
组合所述第一文本实体及所述第二文本实体，得到所述目标文本实体。
其中，所述目标标签可以为B-PER、E-PER、B-ORG、I-ORG、E-ORG、B-EVE、I-EVE、E-EVE、O等。
通过将分数最高的标签确定为目标标签，能够准确确定出所述病情文本信息中的多个目标标签，进而通过所述预设症状库及所述预设体征库中的实体与所述多个目标标签的关系，能够准确确定所述目标文本实体。
所述确定单元110从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体。
在本申请的至少一个实施例中，所述文本知识图谱中包括文本实体与疾病实体的关联度。
进一步地，所述图像知识图谱包括检查图像与检查疾病的关联度。
在本申请的至少一个实施例中，在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前，获取单元111利用网络爬虫技术获取多个检查图像，并获取与所述多个检查图像对应的多个检查疾病；
处理单元114对所述多个检查图像进行对齐处理，得到多个对齐图像；
转换单元115基于每个对齐图像中的像素，将每个对齐图像转换为图像向量，并将每个检查疾病转换为文本向量；
计算单元116计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度；
生成单元117基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
通过对检查图像进行对齐处理，能够避免检查图像因出现倾斜等问题导致生成的图像向量不准确，进而提高图像向量转换的准确度。
在本申请的至少一个实施例中，所述确定单元110从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体包括：
将所述病情图像信息转换为病情图像向量；
从所述图像知识图谱中获取所有疾病中每个疾病对应的疾病向量；
计算所述病情图像向量与每个疾病向量的相似度；
选取相似度大于预设阈值的疾病向量，作为目标疾病向量，并将所述目标疾病向量对应的疾病确定为所述第二疾病实体。
融合单元113融合所述第一疾病实体及所述第二疾病实体，得到目标集合。
在本申请的至少一个实施例中，所述目标集合中的元素包括所述第一疾病实体及所述第二疾病实体。
所述确定单元110确定所述目标集合中每个疾病实体的概率。
在本申请的至少一个实施例中，所述确定单元110确定所述目标集合中每个疾病实体的概率包括：
从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体，并获取每个疾病实体与所述关联文本实体的第一关联度；
从所述图像知识图谱中获取与每个疾病实体对应的关联图像，并获取每个疾病实体与所述关联图像的第二关联度；
将所述第一关联度乘以所述第二关联度，得到每个疾病的目标数值，所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率；
计算所述目标集合中所有疾病实体的目标数值的总和，得到总值；
将每个疾病的目标数值除以所述总值，得到每个疾病实体的概率。
所述确定单元110将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述 概率从所述目标集合中确定所述待诊断用户的候选疾病。
需要强调的是，为进一步保证上述主疾病及上述候选疾病的私密和安全性，上述主疾病及上述候选疾病还可以存储于一区块链的节点中。
在本申请的至少一个实施例中，所述确定单元110根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病包括：
将所述目标集合中所有疾病实体按照概率从大至小的顺序进行排序，得到目标队列；
从所述目标队列中提取前N个疾病实体，作为目标疾病实体，其中，所述N的取值为配置值；
将所述主疾病从所述目标疾病实体中删除，得到所述候选疾病。
通过上述实施方式，能够快速确定出所述候选疾病。
在本申请的至少一个实施例中，在将概率最大的疾病确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定候选疾病之后，所述获取单元111获取所述待诊断用户的用户信息，并根据所述用户信息、所述主疾病及所述候选疾病生成待确认信息；
发送单元118将所述待确认信息发送至指定联系人的终端设备；
当在预设时间内接收到所述终端设备发出的确认信息时，提取单元119从所述确认信息中提取确诊疾病；
所述生成单元117根据所述用户信息及所述确诊疾病生成诊断报告；
加密单元120采用对称加密算法对所述诊断报告进行加密处理，得到密文；
所述发送单元118存储所述用户信息与所述密文的映射关系，并将所述密文发送至所述待诊断用户的客户端。
通过分析所述确认信息，能够确保所述诊断报告的准确性，提高问诊辅助的准确度。
由以上技术方案可以看出，本申请分析待诊断用户的病情文本信息及病情图像信息时，由于加入了病情图像信息的分析，因此不再局限于对文本信息的分析，能够提高问诊辅助的准确度，进而通过文本知识图谱及图像知识图谱能够全面获取到包含第一疾病实体及第二疾病实体的目标集合，提高了全面性。此外，通过分析目标集合中每个疾病实体的概率，并将概率最大的疾病实体确定为主疾病，同时从所述目标集合中选取出候选疾病，以便医护人员再次确认确诊疾病，可见，本申请能够为医护人员提供问诊辅助，进而能够提高医护人员的问诊效率。
如图3所示，是本申请实现医疗问诊辅助方法的较佳实施例的电子设备的结构示意图。
在本申请的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如医疗问诊辅助程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个医疗问诊辅助方法实施例中的步骤，例如图1所示的步 骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成确定单元110、获取单元111、识别单元112、融合单元113、处理单元114、转换单元115、计算单元116、生成单元117、发送单元118、提取单元119及加密单元120。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性和易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
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取存储介质中，所述计算机可读存储介质可以是非易失性的存储介质，也可以是易失性的存储介质。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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-Only Memory)、随机存取存储器。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种医疗问诊辅助方法，所述处理器13可执行所述多个指令从而实现：
当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
获取所述待诊断用户的病情文本信息及病情图像信息；
识别所述病情文本信息中的实体，得到目标文本实体；
从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
确定所述目标集合中每个疾病实体的概率；
将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的 描述，在此不赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
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，既可以位于一个地方，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，在本申请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。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (20)

  1. 一种医疗问诊辅助方法，其中，所述医疗问诊辅助方法包括：
    当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
    获取所述待诊断用户的病情文本信息及病情图像信息；
    识别所述病情文本信息中的实体，得到目标文本实体；
    从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
    融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
    确定所述目标集合中每个疾病实体的概率；
    将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
  2. 根据权利要求1所述的医疗问诊辅助方法，其中，所述根据所述医疗问诊辅助请求确定待诊断用户包括：
    从线程连接池中获取任意闲置线程；
    利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体，得到所述医疗问诊辅助请求携带的数据信息；
    获取预设标签，并从所述数据信息中获取与所述预设标签对应的信息，作为身份识别码；
    利用所述身份识别码确定所述待诊断用户。
  3. 根据权利要求2所述的医疗问诊辅助方法，其中，所述获取所述待诊断用户的病情文本信息及病情图像信息包括以下一种或者多种方式的组合：
    从第一预设网站中下载与所述身份识别码对应的文件，作为所述病情文本信息，并从第二预设网站中下载与所述身份识别码对应的文件，作为所述病情图像信息；及/或
    利用光学字符识别算法识别所述待诊断用户的病历本，得到所述病情文本信息，并控制医疗仪器采集所述待诊断用户的病情图像信息。
  4. 根据权利要求1所述的医疗问诊辅助方法，其中，所述识别所述病情文本信息中的实体，得到目标文本实体包括：
    对所述病情文本信息进行分词处理，得到多个分词；
    将每个分词转换为词向量，并依照每个分词在所述病情文本信息中的顺序组合所述词向量，得到与所述病情文本信息对应的向量序列；
    利用双向长短期记忆网络对所述向量序列进行特征抽取，得到正向长短期记忆网络中每个分词对应的第一特征向量，及反向长短期记忆网络中每个分词对应的第二特征向量；
    拼接所述第一特征向量及所述第二特征向量，得到每个分词对应的目标向量；
    将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个分词的分数向量，所述分数向量中的每个元素表征每个分词对应标签的分数；
    对于每个分数向量，将分数最高的元素对应的标签确定为每个分词的目标标签，得到所述病情文本信息中的多个目标标签；
    从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体，并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体；
    组合所述第一文本实体及所述第二文本实体，得到所述目标文本实体。
  5. 根据权利要求1所述的医疗问诊辅助方法，其中，在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前，所述医疗问诊辅助方法还包括：
    利用网络爬虫技术获取多个检查图像，并获取与所述多个检查图像对应的多个检查疾病；
    对所述多个检查图像进行对齐处理，得到多个对齐图像；
    基于每个对齐图像中的像素，将每个对齐图像转换为图像向量，并将每个检查疾病转换为文本向量；
    计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度；
    基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
  6. 根据权利要求1所述的医疗问诊辅助方法，其中，所述确定所述目标集合中每个疾病实体的概率包括：
    从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体，并获取每个疾病实体与所述关联文本实体的第一关联度；
    从所述图像知识图谱中获取与每个疾病实体对应的关联图像，并获取每个疾病实体与所述关联图像的第二关联度；
    将所述第一关联度乘以所述第二关联度，得到每个疾病的目标数值，所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率；
    计算所述目标集合中所有疾病实体的目标数值的总和，得到总值；
    将每个疾病的目标数值除以所述总值，得到每个疾病实体的概率。
  7. 根据权利要求1所述的医疗问诊辅助方法，其中，在将概率最大的疾病确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定候选疾病之后，所述医疗问诊辅助方法还包括：
    获取所述待诊断用户的用户信息，并根据所述用户信息、所述主疾病及所述候选疾病生成待确认信息；
    将所述待确认信息发送至指定联系人的终端设备；
    当在预设时间内接收到所述终端设备发出的确认信息时，从所述确认信息中提取确诊疾病；
    根据所述用户信息及所述确诊疾病生成诊断报告；
    采用对称加密算法对所述诊断报告进行加密处理，得到密文；
    存储所述用户信息与所述密文的映射关系，并将所述密文发送至所述待诊断用户的客户端。
  8. 一种医疗问诊辅助装置，其中，所述医疗问诊辅助装置包括：
    确定单元，用于当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
    获取单元，用于获取所述待诊断用户的病情文本信息及病情图像信息；
    识别单元，用于识别所述病情文本信息中的实体，得到目标文本实体；
    所述确定单元，还用于从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
    融合单元，用于融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
    所述确定单元，还用于确定所述目标集合中每个疾病实体的概率；
    所述确定单元，还用于将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
  9. 一种电子设备，其中，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的至少一个计算机可读指令以实现以下步骤：
    当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
    获取所述待诊断用户的病情文本信息及病情图像信息；
    识别所述病情文本信息中的实体，得到目标文本实体；
    从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
    融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
    确定所述目标集合中每个疾病实体的概率；
    将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
  10. 根据权利要求9所述的电子设备，其中，在所述根据所述医疗问诊辅助请求确定待诊断用户时，所述处理器执行所述至少一个计算机可读指令以实现以下步骤：
    从线程连接池中获取任意闲置线程；
    利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体，得到所述医疗问诊辅助请求携带的数据信息；
    获取预设标签，并从所述数据信息中获取与所述预设标签对应的信息，作为身份识别码；
    利用所述身份识别码确定所述待诊断用户。
  11. 根据权利要求10所述的电子设备，其中，在所述获取所述待诊断用户的病情文本信息及病情图像信息时，所述处理器执行所述至少一个计算机可读指令以实现以下步骤：
    从第一预设网站中下载与所述身份识别码对应的文件，作为所述病情文本信息，并从第二预设网站中下载与所述身份识别码对应的文件，作为所述病情图像信息；及/或
    利用光学字符识别算法识别所述待诊断用户的病历本，得到所述病情文本信息，并控制医疗仪器采集所述待诊断用户的病情图像信息。
  12. 根据权利要求9所述的电子设备，其中，在所述识别所述病情文本信息中的实体，得到目标文本实体时，所述处理器执行所述至少一个计算机可读指令以实现以下步骤：
    对所述病情文本信息进行分词处理，得到多个分词；
    将每个分词转换为词向量，并依照每个分词在所述病情文本信息中的顺序组合所述词向量，得到与所述病情文本信息对应的向量序列；
    利用双向长短期记忆网络对所述向量序列进行特征抽取，得到正向长短期记忆网络中每个分词对应的第一特征向量，及反向长短期记忆网络中每个分词对应的第二特征向量；
    拼接所述第一特征向量及所述第二特征向量，得到每个分词对应的目标向量；
    将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个分词的分数向量，所述分数向量中的每个元素表征每个分词对应标签的分数；
    对于每个分数向量，将分数最高的元素对应的标签确定为每个分词的目标标签，得到所述病情文本信息中的多个目标标签；
    从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体，并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体；
    组合所述第一文本实体及所述第二文本实体，得到所述目标文本实体。
  13. 根据权利要求9所述的电子设备，其中，在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前，所述处理器执行所述至少一个计算机可读指令还用以实现以下步骤：
    利用网络爬虫技术获取多个检查图像，并获取与所述多个检查图像对应的多个检查疾病；
    对所述多个检查图像进行对齐处理，得到多个对齐图像；
    基于每个对齐图像中的像素，将每个对齐图像转换为图像向量，并将每个检查疾病转换为文本向量；
    计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度；
    基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
  14. 根据权利要求9所述的电子设备，其中，在所述确定所述目标集合中每个疾病实体的概率时，所述处理器执行所述至少一个计算机可读指令以实现以下步骤：
    从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体，并获取每个疾病实体与所述关联文本实体的第一关联度；
    从所述图像知识图谱中获取与每个疾病实体对应的关联图像，并获取每个疾病实体与所述关联图像的第二关联度；
    将所述第一关联度乘以所述第二关联度，得到每个疾病的目标数值，所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率；
    计算所述目标集合中所有疾病实体的目标数值的总和，得到总值；
    将每个疾病的目标数值除以所述总值，得到每个疾病实体的概率。
  15. 一种计算机可读存储介质，其中，所述计算机可读存储介质存储有至少一个计算机可读指令，所述至少一个计算机可读指令被处理器执行时实现以下步骤：
    当接收到医疗问诊辅助请求时，根据所述医疗问诊辅助请求确定待诊断用户；
    获取所述待诊断用户的病情文本信息及病情图像信息；
    识别所述病情文本信息中的实体，得到目标文本实体；
    从预先构建的文本知识图谱中确定与所述目标文本实体相关联的第一疾病实体，并从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体；
    融合所述第一疾病实体及所述第二疾病实体，得到目标集合；
    确定所述目标集合中每个疾病实体的概率；
    将概率最大的疾病实体确定为所述待诊断用户的主疾病，并根据所述概率从所述目标集合中确定所述待诊断用户的候选疾病。
  16. 根据权利要求15所述的存储介质，其中，在所述根据所述医疗问诊辅助请求确定待诊断用户时，所述至少一个计算机可读指令被处理器执行以实现以下步骤：
    从线程连接池中获取任意闲置线程；
    利用所述任意闲置线程解析所述医疗问诊辅助请求的方法体，得到所述医疗问诊辅助请求携带的数据信息；
    获取预设标签，并从所述数据信息中获取与所述预设标签对应的信息，作为身份识别码；
    利用所述身份识别码确定所述待诊断用户。
  17. 根据权利要求16所述的存储介质，其中，在所述获取所述待诊断用户的病情文本信息及病情图像信息时，所述至少一个计算机可读指令被处理器执行以实现以下步骤：
    从第一预设网站中下载与所述身份识别码对应的文件，作为所述病情文本信息，并从第二预设网站中下载与所述身份识别码对应的文件，作为所述病情图像信息；及/或
    利用光学字符识别算法识别所述待诊断用户的病历本，得到所述病情文本信息，并控制医疗仪器采集所述待诊断用户的病情图像信息。
  18. 根据权利要求15所述的存储介质，其中，在所述识别所述病情文本信息中的实体，得到目标文本实体时，所述至少一个计算机可读指令被处理器执行以实现以下步骤：
    对所述病情文本信息进行分词处理，得到多个分词；
    将每个分词转换为词向量，并依照每个分词在所述病情文本信息中的顺序组合所述词向量，得到与所述病情文本信息对应的向量序列；
    利用双向长短期记忆网络对所述向量序列进行特征抽取，得到正向长短期记忆网络中每个分词对应的第一特征向量，及反向长短期记忆网络中每个分词对应的第二特征向量；
    拼接所述第一特征向量及所述第二特征向量，得到每个分词对应的目标向量；
    将每个目标向量乘以预设权重矩阵，并加上预设偏置值，得到每个分词的分数向量，所述分数向量中的每个元素表征每个分词对应标签的分数；
    对于每个分数向量，将分数最高的元素对应的标签确定为每个分词的目标标签，得到所述病情文本信息中的多个目标标签；
    从所述多个目标标签中获取与预设症状库中的症状实体对应的目标标签作为第一文本实体，并从所述多个目标标签中获取与预设体征库中的体征实体对应的目标标签作为第二文本实体；
    组合所述第一文本实体及所述第二文本实体，得到所述目标文本实体。
  19. 根据权利要求15所述的存储介质，其中，在从预先构建的图像知识图谱中确定与所述病情图像信息相关联的第二疾病实体之前，所述至少一个计算机可读指令被处理器执行时还用以实现以下步骤：
    利用网络爬虫技术获取多个检查图像，并获取与所述多个检查图像对应的多个检查疾病；
    对所述多个检查图像进行对齐处理，得到多个对齐图像；
    基于每个对齐图像中的像素，将每个对齐图像转换为图像向量，并将每个检查疾病转换为文本向量；
    计算所述图像向量与所述文本向量的相似度作为所述检查图像与所述检查疾病的关联度；
    基于所述图像向量、所述检查疾病及所述关联度生成所述图像知识图谱。
  20. 根据权利要求15所述的存储介质，其中，在所述确定所述目标集合中每个疾病实体的概率时，所述至少一个计算机可读指令被处理器执行以实现以下步骤：
    从所述文本知识图谱中获取与每个疾病实体相关联的关联文本实体，并获取每个疾病实体与所述关联文本实体的第一关联度；
    从所述图像知识图谱中获取与每个疾病实体对应的关联图像，并获取每个疾病实体与所述关联图像的第二关联度；
    将所述第一关联度乘以所述第二关联度，得到每个疾病的目标数值，所述目标数值表征每个疾病中同时存在所述关联文本实体及所述关联图像的概率；
    计算所述目标集合中所有疾病实体的目标数值的总和，得到总值；
    将每个疾病的目标数值除以所述总值，得到每个疾病实体的概率。
PCT/CN2020/111914 2020-07-07 2020-08-27 医疗问诊辅助方法、装置、电子设备及介质 WO2021114736A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010645468.1 2020-07-07
CN202010645468.1A CN111816301B (zh) 2020-07-07 2020-07-07 医疗问诊辅助方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
WO2021114736A1 true WO2021114736A1 (zh) 2021-06-17

Family

ID=72842486

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/111914 WO2021114736A1 (zh) 2020-07-07 2020-08-27 医疗问诊辅助方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN111816301B (zh)
WO (1) WO2021114736A1 (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590777A (zh) * 2021-06-30 2021-11-02 北京百度网讯科技有限公司 文本信息处理方法、装置、电子设备和存储介质
CN113590775A (zh) * 2021-06-22 2021-11-02 北京百度网讯科技有限公司 诊疗数据的处理方法、装置、电子设备及存储介质
CN113657114A (zh) * 2021-08-31 2021-11-16 平安医疗健康管理股份有限公司 疾病名称对码列表的生成方法、装置、设备及存储介质
CN113707301A (zh) * 2021-08-30 2021-11-26 康键信息技术（深圳）有限公司 基于人工智能的远程问诊方法、装置、设备及介质
CN113722504A (zh) * 2021-08-27 2021-11-30 上海钛米机器人股份有限公司 预问诊信息生成方法及装置
CN114360732A (zh) * 2022-01-12 2022-04-15 平安科技（深圳）有限公司 医疗数据分析方法、装置、电子设备及存储介质
CN114388123A (zh) * 2021-12-28 2022-04-22 河南讯飞人工智能科技有限公司 智能辅诊方法、装置、设备及存储介质
CN114596958A (zh) * 2022-03-15 2022-06-07 平安科技（深圳）有限公司 基于级联分类的病理数据分类方法、装置、设备及介质
CN114610902A (zh) * 2022-03-25 2022-06-10 南京市畜牧兽医站(南京市动物疫病预防控制中心) 一种基于知识图谱的家禽疾病诊断系统
CN114783559A (zh) * 2022-06-23 2022-07-22 浙江太美医疗科技股份有限公司 医学影像报告信息抽取方法、装置、电子设备和存储介质
CN115331804A (zh) * 2022-07-04 2022-11-11 深圳市镜象科技有限公司 多模态心理疾病诊断方法、计算机设备及存储介质
CN116386063A (zh) * 2023-06-06 2023-07-04 武汉大学人民医院（湖北省人民医院） 纸质病历的内容识别方法及装置
CN116798597A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 一种诊断信息推断方法、装置、电子设备和存储介质
CN117766137A (zh) * 2024-02-22 2024-03-26 广东省人民医院 一种基于强化学习的医疗诊断结果确定方法和装置
CN118014076A (zh) * 2024-04-09 2024-05-10 中国人民解放军总医院 医学知识抽取方法、装置、电子设备及可读存储介质

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112435745B (zh) * 2020-12-18 2024-04-05 深圳赛安特技术服务有限公司 就诊策略推荐方法、装置、电子设备及存储介质
CN113157640B (zh) * 2020-12-31 2023-05-23 上海明品医学数据科技有限公司 一种家庭医生辅助问诊装置、终端及问诊系统
CN112329471B (zh) * 2021-01-06 2021-04-20 科大讯飞(苏州)科技有限公司 基于配图的命名实体识别方法、装置以及设备
CN112768064B (zh) * 2021-01-26 2024-08-06 北京搜狗科技发展有限公司 疾病预测装置及设备、症状信息处理方法、装置及设备
CN112786194A (zh) * 2021-01-28 2021-05-11 北京一脉阳光医学信息技术有限公司 基于人工智能的医学影像导诊导检系统、方法及设备
CN113111162A (zh) * 2021-04-21 2021-07-13 康键信息技术（深圳）有限公司 科室推荐方法、装置、电子设备及存储介质
CN113327691B (zh) * 2021-06-01 2022-08-12 平安科技（深圳）有限公司 基于语言模型的问询方法、装置、计算机设备及存储介质
CN113469049B (zh) * 2021-06-30 2024-05-10 平安科技（深圳）有限公司 一种疾病信息识别方法、系统、装置及存储介质
CN113486195A (zh) * 2021-08-17 2021-10-08 深圳华声医疗技术股份有限公司 超声图像处理方法、装置、超声设备及存储介质
CN113724858A (zh) * 2021-08-31 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的疾病检查项目推荐设备、方法及装置
CN113782189A (zh) * 2021-09-16 2021-12-10 平安国际智慧城市科技股份有限公司 基于地域性疾病图谱的智能辅助诊疗方法及装置
CN113849577A (zh) * 2021-09-27 2021-12-28 联想(北京)有限公司 数据增强方法及装置
CN113972005A (zh) * 2021-11-19 2022-01-25 北京明略软件系统有限公司 人工智能辅助诊疗方法、系统、存储介质及电子设备
CN114141358A (zh) * 2021-11-29 2022-03-04 平安医疗健康管理股份有限公司 基于知识图谱的疾病诊断装置、计算机设备及存储介质
CN114218955A (zh) * 2021-12-28 2022-03-22 上海柯林布瑞信息技术有限公司 基于医疗知识图谱的辅助参考信息的确定方法及系统
CN114550946A (zh) * 2022-02-28 2022-05-27 京东方科技集团股份有限公司 医疗数据处理方法、装置及存储介质
CN115019980B (zh) * 2022-08-08 2022-10-28 阿里健康科技(杭州)有限公司 一种问诊数据处理方法和装置、用户终端和服务器
CN115514913B (zh) * 2022-09-16 2024-02-13 深圳市拓普智造科技有限公司 视频数据处理方法和装置、电子设备及存储介质
CN115827877B (zh) * 2023-02-07 2023-04-28 湖南正宇软件技术开发有限公司 一种提案辅助并案的方法、装置、计算机设备和存储介质
CN117116472B (zh) * 2023-10-25 2024-10-11 首都医科大学附属北京友谊医院 医学诊断装置、电子设备及存储介质
CN117238527B (zh) * 2023-11-14 2024-02-13 四川天府智链健康科技有限公司 基于大数据的医疗信息管理方法及系统
CN118016274B (zh) * 2024-02-09 2024-08-06 北京大学 疾病知识检索与诊疗决策辅助系统
CN117951330B (zh) * 2024-03-27 2024-06-14 吉林大学 一种基于人工智能的医疗数据检索方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180322954A1 (en) * 2017-05-08 2018-11-08 Hefei University Of Technology Method and device for constructing medical knowledge graph and assistant diagnosis method
CN109243600A (zh) * 2018-08-06 2019-01-18 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN109616165A (zh) * 2018-11-07 2019-04-12 平安科技（深圳）有限公司 医疗信息展示方法及装置
CN110223751A (zh) * 2019-05-16 2019-09-10 平安科技（深圳）有限公司 基于医疗知识图谱的处方评价方法、系统及计算机设备
CN111008269A (zh) * 2019-11-13 2020-04-14 泰康保险集团股份有限公司 数据处理方法及装置、存储介质及电子终端

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372439A (zh) * 2016-09-21 2017-02-01 北京大学 基于病例库的疾病症状及其权重知识的获取和处理方法
CN108986908B (zh) * 2018-05-31 2023-04-18 平安医疗科技有限公司 问诊数据处理方法、装置、计算机设备和存储介质
CN109685102B (zh) * 2018-11-13 2024-07-09 平安科技（深圳）有限公司 胸部病灶图像分类方法、装置、计算机设备及存储介质
CN109887596A (zh) * 2019-02-18 2019-06-14 广州天鹏计算机科技有限公司 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备
CN110504028A (zh) * 2019-08-22 2019-11-26 上海软中信息系统咨询有限公司 一种疾病问诊方法、装置、系统、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180322954A1 (en) * 2017-05-08 2018-11-08 Hefei University Of Technology Method and device for constructing medical knowledge graph and assistant diagnosis method
CN109243600A (zh) * 2018-08-06 2019-01-18 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN109616165A (zh) * 2018-11-07 2019-04-12 平安科技（深圳）有限公司 医疗信息展示方法及装置
CN110223751A (zh) * 2019-05-16 2019-09-10 平安科技（深圳）有限公司 基于医疗知识图谱的处方评价方法、系统及计算机设备
CN111008269A (zh) * 2019-11-13 2020-04-14 泰康保险集团股份有限公司 数据处理方法及装置、存储介质及电子终端

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113590775B (zh) * 2021-06-22 2023-07-21 北京百度网讯科技有限公司 诊疗数据的处理方法、装置、电子设备及存储介质
CN113590775A (zh) * 2021-06-22 2021-11-02 北京百度网讯科技有限公司 诊疗数据的处理方法、装置、电子设备及存储介质
CN113590777A (zh) * 2021-06-30 2021-11-02 北京百度网讯科技有限公司 文本信息处理方法、装置、电子设备和存储介质
CN113722504A (zh) * 2021-08-27 2021-11-30 上海钛米机器人股份有限公司 预问诊信息生成方法及装置
CN113707301A (zh) * 2021-08-30 2021-11-26 康键信息技术（深圳）有限公司 基于人工智能的远程问诊方法、装置、设备及介质
CN113657114A (zh) * 2021-08-31 2021-11-16 平安医疗健康管理股份有限公司 疾病名称对码列表的生成方法、装置、设备及存储介质
CN114388123A (zh) * 2021-12-28 2022-04-22 河南讯飞人工智能科技有限公司 智能辅诊方法、装置、设备及存储介质
CN114360732A (zh) * 2022-01-12 2022-04-15 平安科技（深圳）有限公司 医疗数据分析方法、装置、电子设备及存储介质
CN114360732B (zh) * 2022-01-12 2024-04-09 平安科技（深圳）有限公司 医疗数据分析方法、装置、电子设备及存储介质
CN116798597B (zh) * 2022-03-14 2024-04-19 数坤(北京)网络科技股份有限公司 一种诊断信息推断方法、装置、电子设备和存储介质
CN116798597A (zh) * 2022-03-14 2023-09-22 数坤(北京)网络科技股份有限公司 一种诊断信息推断方法、装置、电子设备和存储介质
CN114596958B (zh) * 2022-03-15 2024-03-19 平安科技（深圳）有限公司 基于级联分类的病理数据分类方法、装置、设备及介质
CN114596958A (zh) * 2022-03-15 2022-06-07 平安科技（深圳）有限公司 基于级联分类的病理数据分类方法、装置、设备及介质
CN114610902A (zh) * 2022-03-25 2022-06-10 南京市畜牧兽医站(南京市动物疫病预防控制中心) 一种基于知识图谱的家禽疾病诊断系统
CN114783559A (zh) * 2022-06-23 2022-07-22 浙江太美医疗科技股份有限公司 医学影像报告信息抽取方法、装置、电子设备和存储介质
CN115331804A (zh) * 2022-07-04 2022-11-11 深圳市镜象科技有限公司 多模态心理疾病诊断方法、计算机设备及存储介质
CN116386063A (zh) * 2023-06-06 2023-07-04 武汉大学人民医院（湖北省人民医院） 纸质病历的内容识别方法及装置
CN116386063B (zh) * 2023-06-06 2023-08-11 武汉大学人民医院（湖北省人民医院） 纸质病历的内容识别方法及装置
CN117766137A (zh) * 2024-02-22 2024-03-26 广东省人民医院 一种基于强化学习的医疗诊断结果确定方法和装置
CN117766137B (zh) * 2024-02-22 2024-05-28 广东省人民医院 一种基于强化学习的医疗诊断结果确定方法和装置
CN118014076A (zh) * 2024-04-09 2024-05-10 中国人民解放军总医院 医学知识抽取方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN111816301B (zh) 2024-07-02
CN111816301A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
WO2021114736A1 (zh) 医疗问诊辅助方法、装置、电子设备及介质
WO2021120688A1 (zh) 医疗误诊检测方法、装置、电子设备及存储介质
CN111985241B (zh) 医学信息查询方法、装置、电子设备及介质
WO2022134466A1 (zh) 数据处理方法及相关设备
WO2021115133A1 (zh) 驾驶行为识别方法、装置、电子设备及存储介质
CN111651363B (zh) 测试数据获取方法、装置、电子设备及介质
WO2022156180A1 (zh) 相似文本确定方法及相关设备
WO2022041889A1 (zh) 资金路由方法、装置、电子设备及存储介质
CN111986763B (zh) 疾病数据分析方法、装置、电子设备及存储介质
CN111797351A (zh) 页面数据管理方法、装置、电子设备及介质
WO2023109631A1 (zh) 数据处理方法、装置、设备、存储介质及程序产品
CN113724830B (zh) 基于人工智能的用药风险检测方法及相关设备
CN113032528A (zh) 案件分析方法、装置、设备及存储介质
López-Cabrera et al. Current limitations to identify covid-19 using artificial intelligence with chest x-ray imaging (part ii). The shortcut learning problem
CN111986793A (zh) 基于人工智能的导诊处理方法、装置、计算机设备及介质
CN113470775B (zh) 信息采集方法、装置、设备及存储介质
CN112214588A (zh) 多意图识别方法、装置、电子设备及存储介质
CN112199494B (zh) 医疗信息搜索方法、装置、电子设备及存储介质
CN111933241B (zh) 医疗数据解析方法、装置、电子设备及存储介质
CN113705468B (zh) 基于人工智能的数字图像识别方法及相关设备
CN112052409B (zh) 地址解析方法、装置、设备及介质
WO2020186458A1 (zh) 问题生成方法和装置、问诊系统、计算机可读存储介质
CN117373594A (zh) 医疗信息确定方法、装置、设备及介质
CN114360732B (zh) 医疗数据分析方法、装置、电子设备及存储介质
US20200152303A1 (en) Methods for electronically processing insurance claims and devices thereof

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20897939

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 28/02/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20897939

Country of ref document: EP

Kind code of ref document: A1