CN117038109A - 一种预检报告收集方法和系统 - Google Patents

Abstract

本说明书实施例提供一种预检报告收集方法和系统，所述方法包括：获取用户的生理信息、病情信息；基于生理信息、病情信息，通过诊断模型生成结构化预检报告；其中，所述诊断模型为语言模型，所述结构化预检报告包括由医学术语构成的诊断报告。

Description

一种预检报告收集方法和系统

技术领域

本说明书涉及医疗诊断技术领域，特别涉及一种预检报告收集方法与系统。

背景技术

当前医疗诊断场景中，患者向医生寻求帮助时，并不清楚具体应该提供何种信息、用何种方式进行描述能够帮助医生进行诊断。此时需要医生基于患者的身体情况(如体检信息等)和病理症状进行问诊，再基于患者反馈的内容进行后续对话。这一交流过程耗费了大量医生时间，使得问诊效率极其有限。

现有的预检信息收集方法包括收集患者对预设问题的回答描述，根据患者的回答描述确定患者的病情诊断结果。该种方式无法灵活、针对性地收集患者的病情描述，可能导致病情描述不足而出现误诊的情况。另一方面，现有的预检信息收集收集方法仅为患者提供对应的就诊建议，并没有提高医生了解患者基本情况、大致病情这一过程的效率。

因此，需要提供一种预检报告收集方法和系统，有效提高预检效率和准确度、节约问诊时间。

发明内容

本说明书一个或多个实施例提供一种预检报告收集方法。所述方法包括：获取用户的生理信息、病情信息；基于所述生理信息、所述病情信息，通过诊断模型生成结构化预检报告；其中，所述诊断模型为语言模型，所述结构化预检报告包括由医学术语构成的诊断报告。

在一些实施例中，所述医学诊断模型的获取方式包括：基于问诊对话集对预训练好的初始模型进行微调训练，得到所述诊断模型。

在一些实施例中，所述诊断模型包括对话模块、信息处理模块和报告生成模块；所述对话模块用于与所述用户进行至少一轮对话，以获取对话信息；所述信息处理模块用于在所述至少一轮对话中的每一轮对话结束后，基于所述对话信息确定所述用户的诊断数据；所述报告生成模块用于基于所述至少一轮对话的所述对话信息和所述诊断数据，确定所述用户的所述结构化预检报告。

在一些实施例中，所述基于所述生理信息、所述病情信息，通过诊断模型生成结构化预检报告，包括：基于所述生理信息、所述病情信息，通过所述诊断模型进行至少一轮对话，所述至少一轮对话包括：基于所述对话模块对初始输入信息和所述历史对话内容进行处理，生成本轮对话的询问问题，并通过交互界面显示所述询问问题以向所述用户进行提问，并得到所述用户的回复信息；其中，所述初始输入信息至少包括所述生理信息、所述病情信息；基于所述信息处理模块对所述初始输入信息、所述历史对话内容和当前对话内容进行处理，确定所述用户的初步诊断结果及其对应的确诊概率；以及，判断所述确诊概率是否满足预设条件，响应于所述确诊概率满足所述预设条件，向所述对话模块发出停止问询信号，结束所述至少一轮对话；在所述至少一轮对话结束后，基于所述报告生成模块对所述初始输入信息、所述至少一轮对话中每一轮的问诊信息进行处理，生成所述结构化预检报告。

在一些实施例中，所述对话模块包括基于提示工程构建的至少一个第一预设规则，所述第一预设规则包括：生成所述用户的疾病列表，所述疾病列表包括所述用户可能患有的疾病类型及其疾病概率；基于所述疾病列表，确定用于判断所述用户是否患有目标疾病类型的信息缺口；基于所述信息缺口，生成所述询问问题。

在一些实施例中，所述信息处理模块包括基于提示工程构建的至少一个第二预设规则，所述第二预设规则包括：生成所述用户的疾病列表，所述疾病列表包括所述用户可能患有的疾病类型及其疾病概率；基于所述疾病列表，确定所述初步诊断结果及其对应的确诊概率。

在一些实施例中，所述第二预设规则还包括：判断所述疾病列表中的目标疾病类型对应的目标疾病概率是否满足预设条件；响应于所述目标疾病概率满足所述预设条件时，向所述对话模块发出所述停止问询指令。

本说明书一个或多个实施例提供一种预检报告收集装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述预检报告收集方法。

本说明书一个或多个实施例提供一种预检报告收集系统，所述系统包括：获取模块，用于获取用户的基础生理信息、病情信息；诊断模块，用于基于所述基础生理信息、所述病情信息，通过医学诊断模型生成结构化诊断报告；其中，所述医学诊断模型为语言模型，所述结构化预检报告包括由医学术语构成的诊断报告。

本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述预检报告收集方法。

本说明书一些实施例至少包括如下所述的有益效果：(1)通过医学诊断模型生成结构化预检报告，可以同时处理用户的多种信息(如，基础生理信息、病情信息等)及其之间的关系，生成准确的、符合用户实际病情的结构化预检报告，可以为临床医生提供清晰、简洁的信息总结，节约临床医生用于了解病人情况的时间，提高会诊效率；(2)通过使用语言模型，可以将其本身的参数权重中编码的大量基于自然语言语料存储的常识性信息用于预检结果确定，相比仅从医学语料训练得到的模型，基于语言模型的系统能够更好地理解患者提出的问题、更流畅地与患者交流、更合理地总结所有的输入信息并转化为结构化报告；(3)以患者基础生理信息和简单病情描述作为初始输入信息，利用模型可以自动化地输出对患者的第一个询问问题。根据患者的回答和初始输入信息，进行多轮对话，并在每一轮对话中输出最合适的询问问题并获取患者的回复信息，可以充分收集用于判断患者病症的详细信息，以便系统可以基于更准确、更详细的信息进行预检诊断，有效降低少了模型在信息不充足情况下给出错误结论的可能性。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的预检报告收集系统的模块示意图；

图2是根据本说明书一些实施例所示的预检报告收集方法的示例性流程图；

图3是根据本说明书一些实施例所示的通过医学诊断模型生成结构化预检报告的示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

传统问诊方式基于医生与患者的繁杂问答过程进行，其往往会占据临床医生的大量时间、极大限制问诊效率。为了提高问诊效率，基于人工智能技术中的机器学习模型进行预检对话问答及诊断报告生成，无疑可以节省大量人力物力。现有技术通过对患者的病情描述进行分析给出诊断结果的方式，固然能获得病情结论，但其无法主动向患者进行进一步信息采集与确认，容易因为描述信息不充足导致误诊。

针对无法主动进行信息采集确认、诊断结论精确度不高等问题，本说明书一些实施例提供了一种结构化预检报告的方法和系统，能够基于患者基础生理信息和简单病情描述，生成合适的询问问题，根据患者的回答再次生成询问问题，通过多轮对话提取到完整性较高的病情描述，提高预检效率、节约预检时间，提升患者和医生的沟通效率。

图1是根据本说明书一些实施例所示的预检报告收集系统的模块示意图。

如图1所示，预检报告收集系统100可以包括获取模块110和诊断模块120。

在一些实施例中，获取模块110可以用于获取用户的生理信息、病情信息。关于获取生理信息、病情信息的更多说明参见图2及其相关描述。

在一些实施例中，诊断模块120可以用于基于生理信息、病情信息，通过诊断模型生成结构化诊断报告。

在一些实施例中，诊断模块120还可以用于基于生理信息、病情信息，通过诊断模型进行至少一轮对话，至少一轮对话包括：基于对话模块对初始输入信息和历史对话内容进行处理，生成本轮对话的询问问题，并通过交互界面显示询问问题以向用户进行提问，得到用户的回复信息；基于信息处理模块对初始输入信息、历史对话内容和当前对话内容进行处理，确定用户的初步诊断结果及其对应的确诊概率；以及，判断确诊概率是否满足预设条件，响应于确诊概率满足预设条件，向对话模块发出停止问询信号，结束至少一轮对话；在至少一轮对话结束后，基于报告生成模块对初始输入信息、至少一轮对话中每一轮的问诊信息进行处理，生成结构化预检报告。

关于诊断模型、结构化诊断报告的更多内容可以参见图2、图3的相关描述。

需要注意的是，以上对于预检报告收集系统100及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。

图2是根据本说明书一些实施例所示的预检报告收集方法的示例性流程图。在一些实施例中，流程200可以由处理器执行。如图2所示，流程200包括以下步骤。

步骤210，获取用户的生理信息、病情信息。

用户可以指需要进行预检报告收集的对象。例如，用户可以指在医疗场景中的患者。预检报告可以指进行医疗检查获取的诊断报告。

生理信息可以指反映人体基础生理情况的相关信息。例如，生理信息可以包括用户的年龄、性别、体重、身高等。

病情信息可以指反映疾病情况的相关信息。例如，病情信息可以包括用户的病情症状、病情发生周期、病情变化等。

在一些实施例中，处理器可以通过多种方式获取用户的生理信息。例如，处理器可以通过对系统内部或外部的存储设备中保存的体检报告进行分析处理，获取用户的生理信息。又例如，可以通过用户输入的方式获取用户的生理信息。示例性的输入方式可以是填写数据收集表格的方式等。

在一些实施例中，处理器可以通过多种方式获取用户的病情信息。例如，可以通过用户输入的方式获取用户的病情信息。示例性的输入方式包括通过提示语提示用户输入自身症状的文本描述、语音描述、拍摄图像等方式中的一种或多种。

步骤220，基于生理信息、病情信息，通过诊断模型生成结构化预检报告。

结构化预检报告包括标准化的诊断内容和报告格式。标准化的诊断内容可以由专业的医学术语或医学描述语言构成。在一些实施例中，结构化预检报告可以包括由医学术语构成的诊断报告。诊断报告中包括疾病类型、疾病症状等诊断内容。

在传统的医学报告中，经常存在文本混乱、表现方式不一、易于产生歧义等问题，造成医生在理解和诊断上的不同理解和判断。结构化预检报告可以提供统一化的报告格式、规范化的诊断内容，帮助医生准确描述和诊断疾病，减少因文本表述不准确而产生的错误，最大限度地增加医疗质量和减少误诊率。

在一些实施例中，诊断模型可以为机器学习模型。例如，诊断模型可以是语言模型(Language Model，LM)。又例如，诊断模型可以是大语言模型(Large Language Model，LLM)。示例性的大语言模型可以包括但不限于BERT(Bidirectional EncoderRepresentation from Transformers)、GPT(Generative Pre-Trained Transformer)等。

在一些实施例中，诊断模型的输入可以包括生理信息、病情信息，输出可以包括结构化预检报告。

在一些实施例中，诊断模型包括多个模块。在一些实施例中，诊断模型可以包括对话模块、信息处理模块和报告生成模块。

在一些实施例中，对话模块用于与用户进行至少一轮对话，以获取对话信息。每轮对话包括一个对话内容。对话内容包括询问问题和回复信息。在一些实施例中，对话信息包括每一轮对话的对话内容。在一些实施例中，对话信息包括当前对话内容和历史对话内容。当前对话内容包括对话模块在该轮对话中给出的询问问题和用户针对该询问问题给出的回复信息。历史对话内容包括对话模块在该轮对话之前的部分或全部的历史轮次对话中的历史询问问题和历史回复信息。在一些实施例中，对话模块可以通过交互界面与用户进行至少一轮对话，以向用户展示询问问题，并获取用户对询问问题的回复信息。处理器可以通过对话模块与用户进行至少一轮对话。

在一些实施例中，在第一轮对话中，处理器可以利用对话模块对用户的生理信息、病情信息进行处理，生成第一轮对话的询问问题，并通过交互界面显示询问问题以向用户进行提问，得到用户的回复信息。在第二轮对话中，处理器可以利用对话模块对用户的生理信息、病情信息和第一轮对话的询问问题和对应的回复信息进行处理，生成第二轮对话的询问问题，并通过交互界面显示询问问题以向用户进行提问，得到用户的回复信息。采用上述方式进行至少一轮对话，直到对话模块接收到停止问询指令时，停止至少一轮对话。

在一些实施例中，信息处理模块用于在至少一轮对话中的每一轮对话结束后，基于对话信息确定用户的诊断数据。处理器可以通过信息处理模块确定用户的诊断数据。

诊断数据可以指与用户病情相关的诊断信息。在一些实施例中，诊断数据可以包括初步诊断结果及其对应的确诊概率。初步诊断结果可以指初步的用户病情的诊断结果。例如，初步诊断结果可以为“细菌性肺炎”。确诊概率可以指表示初步诊断结果判断正确的概率。确诊概率可以通过数字或文字等进行表示。

在一些实施例中，信息处理模块还可以用于判断用户的初步诊断结果对应的确诊概率是否满足预设条件。响应于满足预设条件，信息处理模块可以向对话模块发出停止问询指令。

在一些实施例中，报告生成模块用于基于至少一轮对话的对话信息和诊断数据，确定用户的结构化预检报告。在一些实施例中，对话信息可以包括用户的初始输入信息。相应的，报告生成模块用于基于初始输入信息、每一轮的历史对话内容和每一轮的历史诊断数据，确定用户的结构化预检报告。处理器可以通过报告生成模块确定用户的结构化预检报告。

关于各个模块的输入输出、至少一轮对话的更多内容可以参考图3及其相关描述。

诊断模型可以通过训练得到。在一些实施例中，处理器可以基于问诊对话集对预训练好的初始模型进行微调训练，得到诊断模型。

在一些实施例中，初始模型可以是初始语言模型。在一些实施例中，初始模型可以是初始大语言模型。

预训练好的初始模型可以指在预训练数据集的基础上进行预训练得到的语言模型。预训练数据集可以是通用文本语料库。预训练数据集可以由无数的文本源组成，包括书籍、文章和网站。这些数据经过精心设计，以确保全面反映人类知识、语言细微差别和文化观点。预训练数据集通常是大规模的数据集，包含丰富的特征和样本。

预训练好的初始模型适用于多种场景，实际应用时通过微调训练可以得到专用于特定任务的语言模型。

在一些实施例中，处理器可以通过网络直接获取现有的预训练好的初始模型。

在一些实施例中，问诊对话集可以包括医生进行问诊的多轮对话。例如，问诊对话集可以包括医生与患者之间进行至少一轮问诊对话的对话内容。

在一些实施例中，问诊对话集还可以包括医学知识文本。医学知识文本中可以包括各种疾病症状与疾病类型的对应关系等。

在一些实施例中，问诊对话集还可以包括由医生针对多轮问诊对话进行标注得到的实际诊断报告，即标签。实际诊断报告可以为结构化报告。

在一些实施例中，处理器可以通过多种方式获取问诊对话集。例如，处理器可以通过系统内部或外部的存储设备获取问诊对话集。又例如，处理器可以通过第三方平台、网络资源、专业图书等获取问诊对话集。

在一些实施例中，处理器可以基于问诊对话集，对预训练好的初始模型进行微调训练，得到诊断模型。

在一些实施例中，处理器可以将问诊对话集输入训练好的初始模型，通过标签和初始模型的输出构建损失函数，基于损失函数通过梯度下降或其他方法迭代更新初始模型的参数。当满足迭代结束条件时模型训练完成，得到诊断模型。其中，迭代结束条件可以是损失函数收敛、迭代的次数达到阈值等。

在一些实施例中，处理器可以基于多种方式构建损失函数。例如，处理器可以基于初始模型输出的结构化预检报告的诊断内容与标签所含的诊断内容之间的一致程度构建损失函数。例如，处理器可以基于初始模型输出的结构化预检报告的格式与标签对应的格式之间的一致程度构建损失函数。又例如，处理器还可以基于初始模型输出的结构化预检报告中的医学术语的专业程度与标签对应的医学术语的专业程度之间的一致程度构建损失函数。

在一些实施例中，处理器在对初始模型进行训练的过程中，还可以加入特定的任务要求。任务要求包括基于提示工程(Prompt Engineering)构建的至少一个预设规则。关于预设规则的更多说明参见图3。

本说明书的一些实施例中，基于问诊对话集对预训练好的初始模型进行训练，得到诊断模型，可以将泛化的训练好的初始模型训练为符合实际任务处理需求的诊断模型。

在一些实施例中，处理器可以基于诊断模型中各个模块进行至少一轮对话，生成结构化预检报告。关于该实施例的更多说明参见图3。

在一些实施例中，处理器可以在应用过程中基于提示工程(PromptEngineering)，对诊断模型的输出结果进行规范和指引，通过要求模型给出结构化的输出，指导医学诊断模型生成相应的输出。通过采用该方式规范和指引诊断模型的输出，可以将复杂任务拆解为简单步骤的方式，提高语言模型输出结果的质量。关于该实施例的更多说明参见图3。

本说明书的一些实施例中，通过诊断模型生成结构化预检报告，可以同时处理用户的多种信息(如，生理信息、病情信息等)及其之间的关系，生成准确的、符合用户实际病情的结构化预检报告，为临床医生提供清晰、简洁的信息总结，节约临床医生用于了解病人情况的时间，提高会诊效率。通过使用LM模型，可以将其本身的参数权重中编码的大量基于自然语言语料存储的常识性信息用于预检结果确定，相比仅从医学语料训练得到的模型，基于LM模型的系统能够更好地理解患者提出的问题、更流畅地与患者交流、更合理地总结所有的输入信息并转化为结构化报告。

图3是根据本说明书一些实施例所示的通过诊断模型生成结构化预检报告的示意图。

在一些实施例中，处理器可以基于生理信息310-1、病情信息310-2，通过诊断模型进行至少一轮对话，生成结构化预检报告370。在一些实施例中，处理器可以基于生理信息310-1、病情信息310-2，通过诊断模型中各个模块进行至少一轮对话，生成结构化预检报告370。

对话可以指用户与对话模块之间进行的问答过程。一轮对话为对话模块发出一次询问、用户进行一次回复的过程。对话可以基于交互界面实现。例如，对话模块可以将询问问题展示在交互界面上，用户可以通过交互界面获取询问问题并输入回复信息。

在一些实施例中，至少一轮对话包括：基于对话模块320-1对初始输入信息310和历史对话内容进行处理，生成本轮对话的询问问题，并通过交互界面显示询问问题以向用户进行提问，得到用户的回复信息；基于信息处理模块320-2对初始输入信息310、历史对话内容和当前对话内容进行处理，确定用户的初步诊断结果及其对应的确诊概率；以及，判断确诊概率是否满足预设条件，响应于确诊概率满足预设条件，向对话模块发出停止问询信号，结束至少一轮对话。

对话模块可以指与用户进行一轮或多轮对话以获取相关信息的模块。在一些实施例中，在至少一轮对话中，对话模块可以用于对初始输入信息和历史对话内容进行处理，生成本轮对话的询问问题，并通过交互界面显示询问问题以向用户进行提问，得到用户的回复信息。

在一些实施例中，对话模块的输入相关于对话轮次。进行第一轮对话时，对话模块的输入包括初始输入信息；进行后续轮次对话时，对话模块的输入包括初始输入信息和历史对话内容。

在一些实施例中，在至少一轮对话的非最后一轮对话中，对话模块的输出为本轮对话的询问问题。在最后一轮对话中，对话模块的输出为目标诊断结果和就诊建议。

在一些实施例中，参见图3，在第一轮对话中，处理器可以利用对话模块320-1对初始输入信息310进行处理，生成第一轮对话的询问问题，并得到第一轮的对话内容330-1(包括第一轮对话的询问问题和对应的回复信息)。在第二轮对话中，处理器可以利用对话模块320-1对初始输入信息310和第一轮的对话内容330-1进行处理，生成第二轮对话的询问问题，并得到第二轮的对话内容330-2(包括第二轮对话的询问问题和对应的回复信息)。在后续轮次(即第一轮之后)对话中，处理器可以利用对话模块320-1对初始输入信息310和历史对话内容进行处理，生成本轮对话的询问问题，并得到本轮对话的对话内容。在最后一轮对话中，处理器可以利用对话模块320-1对初始输入信息310、历史对话内容进行处理，确定目标诊断结果350-1和就诊建议350-2。其中，目标诊断结果可以指用户病情对应的诊断结果，即用户最有可能患有的疾病类型。就诊建议可以包括用通俗语言给出的用户需要进行检查的检查项目、检查内容等。

初始输入信息可以指初始输入对话模块的相关信息。例如，参见图3，初始输入信息可以包括用户的生理信息310-1和病情信息310-2等。

初始输入信息可以通过多种方式输入到诊断模型中。在一些实施例中，用户可以主动将初始输入信息通过交互界面输入到诊断模型中。在一些实施例中，处理器可以通过交互界面展示预设提示语以提醒用户将初始输入信息输入到诊断模型中。示例性的预设提示语可以是“请上传生理信息及病情信息”。

询问问题可以指针对用户的病情进行询问的相关问题。例如，询问问题可以为“出现咳嗽症状有多长时间了？”。每轮对话对应一个询问问题。询问问题可以通过交互界面显示给用户。

回复信息可以指用户基于询问问题回复的相关内容。例如，回复信息可以为“一个月前开始出现咳嗽症状”。每轮对话对应一个回复信息。用户可以通过与交互界面进行交互，将回复信息输入至诊断模型中。例如，用户可以通过文字输入、语音输入、图片输入等多种方式与交互界面进行交互，将回复信息输入至诊断模型中。

在一些实施例中，对话模块可以包括基于提示工程(Prompt Engineering)构建的至少一个第一预设规则。对话模块可以基于第一预设规则确定每轮对话的询问问题。

第一预设规则可以指预先设定的用于生成询问问题的规则。例如，第一预设规则可以为基于用户输入的生理信息为A、病情信息为B，按照标准询问问题格式C生成询问问题等。

在一些实施例中，处理器可以基于提示工程确定不同生理信息、病情信息对应的指令(即对话模块的任务目标)、上下文背景(模型的外部信息)、问题(让模型回答的具体问题)、输出格式要求(对模型输出结果的格式要求)等，将获取的指令、上下文背景问题、问题、输出格式要求确定为第一预设规则。

在一些实施例中，不同的初始输入信息对应不同的第一预设规则。不同的初始输入信息与不同的第一预设规则之间的对应关系可以基于先验知识或历史数据预先确定。在一些实施例中，获取到初始输入信息后，对话模块可以基于初始输入信息和不同的初始输入信息与不同的第一预设规则之间的对应关系，确定对应的第一预设规则，以及基于对应的第一预设规则生成询问问题。

在一些实施例中，不同的对话轮次可以对应不同的第一预设规则。通过第一预设规则，可以引导对话模块在不同的对话轮次，根据不同的第一预设规则，生成对应的询问问题。

在一些实施例中，第一预设规则包括：生成用户的疾病列表，疾病列表包括用户可能患有的疾病类型及其疾病概率；基于疾病列表，确定用于判断用户是否患有目标疾病类型的信息缺口；基于信息缺口，生成询问问题。

疾病概率可以使用数字、文字等表示。例如，疾病概率可以为0-100的百分比数值，其中0％表示不可能为该种疾病类型，100％表示确定为该种疾病类型，中间值代表患有该种疾病的具体概率数值。

目标疾病类型是指疾病列表中，最高疾病概率的疾病类型。

在一些实施例中，第一预设规则可以包括：基于疾病列表确定目标疾病类型，基于目标疾病类型对应的判断信息和用户的生理信息、病情信息确定信息缺口。其中，目标疾病类型对应的判断信息包括诊断为目标疾病类型所需的信息。在一些实施例中，可以将用户的生理信息、病情信息中，未包含的判断信息作为信息缺口。

在一些实施例中，第一预设规则可以包括：基于信息缺口的重要程度，生成询问问题。在一些实施例中，第一预设规则可以包括：生成能够获取重要程度最高的信息缺口的询问问题。信息缺口的重要程度可以基于未知信息对判断用户是否患有某种疾病类型的有用程度进行确定。信息缺口的重要程度正相关于未知信息对判断用户是否患有某种疾病类型的有用程度(以下简称为未知信息的有用程度)。

未知信息的有用程度可以通过数值等方式进行量化。未知信息的有用程度越高时，根据该未知信息可以越准确地判断出用户是否患有某种疾病类型。

在一些实施例中，有用程度可以通过以下方式进行量化计算得到：通过预设数据库获取确诊目标疾病类型所需要的判断信息；其中，判断信息包括生理信息和病情信息；预设数据库基于先验知识或历史数据确定；将判断信息与已有信息进行对比，确定未知信息列表；其中，已有信息包括用户输入的生理信息和病情信息，以及截止当前的所有对话中筛选出的对话信息；未知信息列表包括与确诊目标疾病类型的多条判断信息相比，已有信息中未包含的至少一条判断信息；将未知信息列表中的任意一条未知信息与已有信息结合后，计算用户患有的目标疾病类型的更新疾病概率；将目标疾病类型的更新疾病概率与目标疾病类型的原有疾病概率的差值，确定为该未知信息对应的有用程度。

在一些实施例中，有用程度可以由处理器通过查询预设表等方式获取。预设表中包含不同信息与不同有用程度的对应关系，预设表可以基于先验知识或历史数据确定。

在一些实施例中，第一预设规则还可以包括：基于信息缺口对应未知信息的有用程度，生成询问问题。在一些实施例中，第一预设规则可以包括：生成能够获取有用程度最高的未知信息的询问问题。

示例性的，在第一轮对话中，第一预设规则可以是：(1)基于初始输入信息提供患者可能患有的疾病类型及其疾病概率，并以[疾病类型，疾病概率]的格式生成疾病列表。(2)将疾病列表中各类型的疾病按照疾病概率由高到低进行排列，确定最高疾病概率对应的疾病类型，并确定能够判断用户是否患有该疾病类型的至少一个信息缺口，确定这些信息缺口的重要程度，并将这些信息缺口基于重要程度从高到低进行排列。(3)生成能够获取重要程度最高的信息缺口的询问问题，并用双引号标注该询问问题。例如，重要程度最高的信息缺口为“患者的起夜频率”时，生成的询问问题可以是“请问您晚上入睡后，平均夜间要上几次厕所呢？”

在后续轮次对话中，使用类似的第一预设规则生成后续对话的询问问题。示例性的，在后续轮次对话中，第一预设规则可以是：(1)基于初始输入信息和历史对话内容更新疾病列表中各疾病类型的疾病概率或新增病变类型及其疾病概率。(2)将疾病列表中各类型的疾病按照疾病概率由高到低进行排列，确定最高疾病概率对应的疾病类型，并确定能够判断用户是否患有该疾病类型的信息缺口，确定这些信息缺口的重要程度，并将这些信息缺口基于重要程度从高到低进行排列。(3)生成能够获取重要程度最高的信息缺口的询问问题，并用双引号标注该询问问题。

本说明书的一些实施例中，基于对话模块对初始输入信息和历史对话内容进行处理，生成询问问题，可以确定尽可能符合患者疾病情况、需要患者补充信息的相关问题，便于基于问答结果进行疾病诊断等后续步骤；通过提示工程(Prompt Engineering)可以提高对话模块的效果和性能，减少训练时间和成本，并提高模型的可解释性和可控性。

在一些实施例中，响应于接收到停止问询信号，对话模块可以进入最后一轮对话，并为用户提供诊断结果和就诊建议。

在一些实施例中，响应于接收到停止问询信号，对话模块可以基于最后一轮对话对应的第一预设规则确定用户的诊断结果和就诊建议。在一些实施例中，最后一轮对话对应的第一预设规则可以是：总结用户最有可能患有的疾病类型作为目标诊断结果，并用通俗的语言给出后续的就诊建议。例如，最后一轮对话对应的第一预设规则可以是：确定多轮问诊信息中出现频率最高的问诊信息，将该问诊信息对应的初步诊断结果作为目标诊断结果，并用通俗的语言给出后续的就诊建议。又例如，最后一轮对话对应的第一预设规则可以是：将最后一轮的问诊信息对应的初步诊断结果作为目标诊断结果，并用通俗的语言给出后续的就诊建议。

信息处理模块可以指确定诊断数据的模块。在一些实施例中，信息处理模块可以用于在至少一轮对话中每一轮对话结束后，基于对话信息确定用户的诊断数据。

在一些实施例中，信息处理模块的输入可以包括对话信息，输出可以为诊断数据。对话信息相关于对话轮次。在第一轮对话结束后，输入信息处理模块的对话信息可以包括初始输入信息和当前对话内容。在后续轮次对话结束后，输入信息处理模块的对话信息可以包括初始输入信息、历史对话内容和当前对话内容。关于诊断数据的更多说明参见图2。

在一些实施例中，参见图3，在第一轮对话中，信息处理模块320-2可以对初始输入信息310和当前对话内容(即第一轮的对话内容330-1)进行处理，确定第一轮的诊断数据340-1。在第二轮对话中，信息处理模块320-2可以对初始输入信息310、历史对话内容(即第一轮的对话内容330-1)和当前对话内容(即第二轮的对话内容330-2)进行处理，确定第二轮的诊断数据340-2。在后续轮次对话中，信息处理模块320-2可以对初始输入信息310、历史对话内容和当前对话内容进行处理，确定用户在每一轮中的诊断数据。其中，历史对话内容可以包括该轮对话之前的部分或全部的历史轮次对话中的历史询问问题和历史回复信息。每一轮中的诊断数据可以包括用户的初步诊断结果及其对应的确诊概率。

在一些实施例中，信息处理模块包括基于提示工程(Prompt Engineering)构建的至少一个第二预设规则。第二预设规则与第一预设规则类似，更多说明参考前文相关描述。在一些实施例中，第二预设规则包括：生成用户的疾病列表，疾病列表包括用户可能患有的疾病类型及其疾病概率；基于疾病列表，确定初步诊断结果及其对应的确诊概率。示例性的第二预设规则可以是：(1)在对话模块的每轮对话结束后，基于初始输入信息、历史对话内容和当前对话内容，提取疾病类型及其疾病概率，并构建疾病列表。疾病列表的具体提取方式参见前述获取询问问题的任务要求。(2)将疾病列表中各个疾病类型按照疾病概率由高到低进行排列，确定最高疾病概率对应的疾病类型为该轮对话的初步诊断结果、该最高疾病概率为该轮对话的确诊概率。

预设条件可以指预先设定的用于判断是否停止对话的条件。在一些实施例中，预设条件可以为确诊概率大于概率阈值。概率阈值可以是系统默认值、经验值、人为预先设定值等或其任意组合，可以根据实际需求设定，本说明书对此不做限制。

停止问询信号可以指控制对话模块停止对话的信号。

在一些实施例中，参见图3，在每轮对话后信息处理模块320-2可以确定用户的初步诊断结果及其对应的确诊概率，然后信息处理模块320-2可以进一步判断确诊概率是否满足预设条件，响应于确诊概率满足预设条件，向对话模块320-1发出停止问询信号，进入最后一轮对话，以结束至少一轮对话。响应于确诊概率不满足预设条件，进入下一轮对话。相应的，在一些实施例中，第二预设规则还可以包括：(1)提取疾病列表中最高的疾病概率为初步诊断结果的确诊概率，判断最高疾病概率是否满足预设条件。(2)当判断出最高疾病概率满足预设条件时，向对话模块发出停止问询信号。

在一些实施例中，参见图3，在至少一轮对话结束后，处理器可以基于报告生成模块320-3对初始输入信息310、至少一轮对话中每一轮的问诊信息360进行处理，生成结构化预检报告370。

报告生成模块可以指确定结构化预检报告的模块。在一些实施例中，报告生成模块可以用于基于至少一轮对话的对话信息和诊断数据，生成用户的结构化预检报告。

在一些实施例中，参见图3，报告生成模块320-3还可以对对话模块320-1在最后一轮对话中输出的目标诊断结果350-1和就诊建议350-2进行处理，生成结构化预检报告370。

在一些实施例中，报告生成模块也可以包括基于提示工程(Prompt Engineering)构建的至少一个预设规则。报告生成模块中包括的预设规则又称为第三预设规则。第三预设规则可以用于生成结构化预检报告。第三预设规则与第一预设规则类似，更多说明参考前文相关描述。例如，第三预设规则可以是：对初始输入信息、至少一轮对话中每一轮的问诊信息进行总结并用医学术语进行描述，生成结构化预检报告。又例如，第三预设规则可以是：利用医学术语对目标诊断结果进行描述，生成结构化预检报告。

本说明书一些实施例中，以患者的生理信息和简单病情描述作为初始输入信息，利用模型可以自动化地输出对患者的第一个询问问题。根据患者的回答和初始输入信息，进行多轮对话，并在每一轮对话中输出最合适的询问问题并获取患者的回复信息，可以充分收集用于判断患者病症的详细信息，以便系统可以基于更准确、更详细的信息进行预检诊断，有效降低少了模型在信息不充足情况下给出错误结论的可能性。

本说明书一个或多个实施例还提供了一种预检报告收集装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述实施例中任意一项所述的预检报告收集方法。

本说明书一个或多个实施例还提供了一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述实施例中任一项所述的预检报告收集方法。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种预检报告收集方法，其特征在于，所述方法包括：

获取用户的生理信息、病情信息；

基于所述生理信息、所述病情信息，通过诊断模型生成结构化预检报告；其中，所述诊断模型包括语言模型，所述结构化预检报告包括由医学术语构成的诊断报告。

2.如权利要求1所述的方法，其特征在于，所述诊断模型的获取方式包括：基于问诊对话集对预训练好的初始模型进行微调训练，得到所述诊断模型。

3.如权利要求1所述的方法，其特征在于，所述语言模型包括对话模块、信息处理模块和报告生成模块；

所述对话模块用于与所述用户进行至少一轮对话，以获取对话信息；

所述信息处理模块用于在所述至少一轮对话中的每一轮对话结束后，基于所述对话信息确定所述用户的诊断数据；

所述报告生成模块用于基于所述至少一轮对话的所述对话信息和所述诊断数据，确定所述用户的所述结构化预检报告。

4.如权利要求3所述的方法，其特征在于，所述基于所述生理信息、所述病情信息，通过诊断模型生成结构化预检报告，包括：

基于所述生理信息、所述病情信息，通过所述诊断模型进行至少一轮对话，所述至少一轮对话包括：

基于所述对话模块对初始输入信息和所述历史对话内容进行处理，生成本轮对话的询问问题，并通过交互界面显示所述询问问题以向所述用户进行提问，并得到所述用户的回复信息；其中，所述初始输入信息至少包括所述生理信息、所述病情信息；

基于所述信息处理模块对所述初始输入信息、所述历史对话内容和当前对话内容进行处理，确定所述用户的初步诊断结果及其对应的确诊概率；以及，判断所述确诊概率是否满足预设条件，响应于所述确诊概率满足所述预设条件，向所述对话模块发出停止问询指令，结束所述至少一轮对话；

在所述至少一轮对话结束后，基于所述报告生成模块对所述初始输入信息、所述至少一轮对话中每一轮的问诊信息进行处理，生成所述结构化预检报告。

5.如权利要求4所述的方法，其特征在于，所述对话模块包括基于提示工程构建的至少一个第一预设规则，所述第一预设规则包括：

生成所述用户的疾病列表，所述疾病列表包括所述用户可能患有的疾病类型及其疾病概率；

基于所述疾病列表，确定用于判断所述用户是否患有目标疾病类型的信息缺口；

基于所述信息缺口，生成所述询问问题。

6.权利要求4所述的方法，其特征在于，所述信息处理模块包括基于提示工程构建的至少一个第二预设规则，所述第二预设规则包括：

生成所述用户的疾病列表，所述疾病列表包括所述用户可能患有的疾病类型及其疾病概率；

基于所述疾病列表，确定所述初步诊断结果及其对应的确诊概率。

7.如权利要求6所述的方法，其特征在于，所述第二预设规则还包括：

判断所述疾病列表中的目标疾病类型对应的目标疾病概率是否满足预设条件；

响应于所述目标疾病概率满足所述预设条件时，向所述对话模块发出所述停止问询指令。

8.一种预检报告收集装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现权利要求1-7中任意一项所述的预检报告收集方法。

9.一种预检报告收集系统，其特征在于，所述系统包括：

获取模块，用于获取用户的生理信息、病情信息；

诊断模块，用于基于所述生理信息、所述病情信息，通过诊断模型生成结构化诊断报告；其中，所述诊断模型包括语言模型，所述结构化预检报告包括由医学术语构成的诊断报告。

10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1-7所述的预检报告收集方法。