CN112786194B - 基于人工智能的医学影像导诊导检系统、方法及设备 - Google Patents
基于人工智能的医学影像导诊导检系统、方法及设备 Download PDFInfo
- Publication number
- CN112786194B CN112786194B CN202110121696.3A CN202110121696A CN112786194B CN 112786194 B CN112786194 B CN 112786194B CN 202110121696 A CN202110121696 A CN 202110121696A CN 112786194 B CN112786194 B CN 112786194B
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- result set
- matching
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 68
- 201000010099 disease Diseases 0.000 claims abstract description 67
- 238000012216 screening Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 27
- 208000024891 symptom Diseases 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 208000017667 Chronic Disease Diseases 0.000 claims 2
- 239000000284 extract Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 description 10
- 238000007477 logistic regression Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 206010033078 Otitis media Diseases 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 208000019622 heart disease Diseases 0.000 description 5
- 210000003127 knee Anatomy 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 241000667922 Ougeinia dalbergioides Species 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003221 ear drop Substances 0.000 description 4
- RDYOACUIENLGER-UHFFFAOYSA-N phenol;propane-1,2,3-triol Chemical compound OCC(O)CO.OC1=CC=CC=C1 RDYOACUIENLGER-UHFFFAOYSA-N 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 206010008479 Chest Pain Diseases 0.000 description 3
- 206010028813 Nausea Diseases 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000008693 nausea Effects 0.000 description 3
- 206010020751 Hypersensitivity Diseases 0.000 description 2
- 208000026935 allergic disease Diseases 0.000 description 2
- 230000007815 allergy Effects 0.000 description 2
- 239000002260 anti-inflammatory agent Substances 0.000 description 2
- 229940124599 anti-inflammatory drug Drugs 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 210000000629 knee joint Anatomy 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开的基于人工智能的医学影像导诊导检系统，包括：数据资源模块用于创建、整合慢病知识图谱、影像图谱、影像专业诊断资料等医学影像数据资源；匹配模块用于构建匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回结果集；导诊模块用于将粗筛召回结果集提取患者业务相关联特征作为数据语料，送入精排模型，进行训练、筛选，得到科普性导诊、知识、风险预测等结果集；导检模块用于将粗筛召回结果集提取医生业务相关联特征作为数据语料，送入精排模型，进行训练、筛选，得到专业性诊疗方案、诊断提醒等导检服务结果集。可以实现针对医学影像类的检查项目、就诊方案与服务等AI辅助推荐与问答咨询，辅助患者自查与医生诊断。
Description
技术领域
本发明涉及智慧医疗技术领域，具体涉及一种基于人工智能的医学影像导诊导检系统、方法、设备及介质。
背景技术
在就诊过程中，许多患者经常遇到选择科室的困惑；医疗知识过于专业，疾病临床表现复杂，存在大量疾病具有相似症状的情况，从而造成患者在选择科室时的困惑甚至错误；目前，人工导诊，不仅耗时耗力，且大大影响医疗服务效率和患者就医体验。现有智能导诊、导检、病例结构化类别产品在技术功能点和服务应用方面覆盖已较全面，然而在服务对象的领域细分方面尚不完备，影像类应用有所空缺。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种基于人工智能的医学影像导诊导检系统、方法、设备及介质，具体涉及AI问答系统、知识图谱、风险预测、推荐系统几大人工智能技术领域的应用，采用人工智能技术针对医学影像类的专业、标准化检查项目、就诊方案与服务等进行辅助推荐，辅助患者自查与医生诊断。
第一方面，本发明实施例提供的一种基于人工智能的医学影像导诊导检系统，包括：问诊模块、病例生成模块、数据资源模块、匹配模块、导诊模块和导检模块，
所述问诊模块用于收集患者基本信息、主诉信息及AI问诊交流信息；
所述病例生成模块用于将患者信息生成结构化病例，将病例分别推送给患者端和医生端；
所述数据资源模块用于创建、整合慢病知识图谱、影像检查图谱、影像专业诊断资料医学影像数据资源；
所述匹配模块用于根据整合匹配算法、匹配规则、知识图谱检索规则构建匹配模型，从医学影像数据资源中提取特征，制作影像数据语料库，采用机器学习方法训练匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回结果集；
所述导诊模块用于将多路融合粗筛召回结果集提取与患者业务相关联特征，作为补充语料送入第一精排模型，进行训练、排序和筛选，得到导诊信息、疾病知识和风险预测结果集，向患者端发送推荐结果；
所述导检模块用于将多路融合粗筛召回结果集提取与医生业务相关联特征，作为补充数据语料送入第二精排模型，进行训练、排序和筛选，得到诊疗方案和诊断提醒服务结果集，向医生端发送推荐结果。
第二方面，本发明实施例提供的一种基于人工智能的医学影像导诊导检方法，包括以下步骤：
获取患者基本信息、主诉信息及AI问诊交流信息；
根据患者信息生成结构化病例，将病例分别推送给患者端和医生端；
创建、整合慢病知识图谱、影像检查图谱、影像专业诊断资料医学影像数据资源库；
根据整合匹配算法、匹配规则、知识图谱检索规则构建匹配模型，从医学影像数据资源库中提取特征，制作影像数据语料库，采用机器学习方法训练匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回结果集；
将多路融合粗筛召回结果集提取与患者业务相关联特征，作为补充语料送入第一精排模型，进行训练、排序和筛选，得到导诊信息、疾病知识和风险预测结果集，向患者端发送推荐结果；
将多路融合粗筛召回结果集提取与医生业务相关联特征，作为补充数据语料送入第二精排模型，进行训练、排序和筛选，得到诊疗方案和诊断提醒服务结果集，向医生端发送推荐结果。
第三方面，本发明实施例提供的一种智能设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述实施例描述的方法。
第四方面，本发明实施例提供的一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述实施例描述的方法。
本发明的有益效果：
本发明实施例提供的一种基于人工智能的医学影像导诊导检系统、方法、设备及介质，具体的，系统融合使用了包括机器学习、深度学习、实体识别、相似度匹配、意图识别、知识图谱、推荐系统、问答系统、风险预测等计算机人工智能自然语言处理技术解决方案，对涵盖专业、规模、系统化的专业影像报告真实语料数据与影像检查专业学术资料在内的行业数据进行处理、训练、机器学习，可以实现针对医学影像类的专业、标准化检查项目、就诊方案与服务等人工智能技术辅助推荐与问答咨询，辅助患者自查与医生诊断。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明第一实施例所提供的一种基于人工智能的医学影像导诊导检系统的结构框图；
图2示出了本发明第二实施例所提供的一种基于人工智能的医学影像导诊导检方法的流程图；
图3示出了本发明第三实施例所提供的一种智能设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示，示出了本发明第一实施例所提供的一种基于人工智能的医学影像导诊导检系统的结构框图，该系统包括：问诊模块、病例生成模块、数据资源模块、匹配模块、导诊模块和导检模块，其中，
所述问诊模块用于收集患者基本信息、主诉信息及AI问诊交流信息；
所述病例生成模块用于将患者信息生成结构化病例，将病例分别推送给患者端和医生端；
所述数据资源模块用于创建、整合慢病知识图谱、影像检查图谱、影像专业诊断资料等医学影像数据资源；
所述匹配模块用于根据整合匹配算法、匹配规则、知识图谱检索规则构建匹配模型，从医学影像数据资源库中提取特征，制作影像数据语料库，采用机器学习方法训练匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回(推荐)结果集；
所述导诊模块用于将多路融合粗筛召回结果集提取与患者业务相关联特征，作为补充语料送入第一精排模型，进行训练、排序、筛选，得到科普性导诊信息、疾病知识、风险预测等结果集，向患者端发送推荐结果；
所述导检模块用于将多路融合粗筛召回结果集提取与医生业务相关联特征，作为补充数据语料送入第二精排模型，进行训练、排序、筛选，得到专业性诊疗方案、诊断提醒等服务结果集，向医生端发送推荐结果。
在本实施例中，问诊模块包括患者自诉单元、推荐医生单元、大数据问答检索单元、AI客服问答系统单元、医患沟通单元、推荐专家答疑单元、患者信息记录单元和影像数据语料库单元；患者自诉单元用于收集和获取用户个人信息，包括姓名、年龄、性别、地区，症状描述，症状属性描述，包括发作部位、程度、频次等，病史、过敏史等一诉五史信息；推荐医生单元用于根据患者自诉信息推荐相关联医生，方便医患沟通；大数据问答检索单元用于检索互联网主流医疗问答资讯，向患者推荐专家答疑；AI客服问答系统单元用于患者与AI客服在线沟通，咨询问题，得到答案；患者信息记录单元用于记录患者自诉信息、患者与AI客服聊天信息、医患沟通信息、专家答疑信息，并将这些存储到数据库；影像数据语料库单元用于将记录患者自诉信息、患者与AI客服聊天信息、医患沟通信息、专家答疑信息从数据库取出，分析录入影像数据语料库，用于返回AI客服问答系统单元分析与组织对话，数据循环利用，同步用于后续匹配模块训练学习。
AI客服问答系统单元包括实体识别单元、意图识别单元和图谱检索单元。实体识别单元用于将患者输入的问题做严格检索匹配和相似度近似匹配实体识别，即同义置换，生成标准表述问题；意图识别单元用于将匹配或同义置换处理后的患者标准表述问题送入机器学习模型训练分类，做问题分类，如：含有“怎么治”、“吃什么药”这一类关键词的句子倾向于是咨询治疗法方法类问题，含有“多久”、“康复”类关键词的句子倾向于是咨询治疗周期类问题；图谱检索单元用于将患者问题按问题分类导向答案模板，如：治疗法方法类问题的答案模版为“疾病{}的治疗方法有{}”，询问治疗周期类问题的答案模版为“疾病{}的治愈周期为{}”，并对关键词检索慢病知识图谱、影像知识图谱等数据资源，填充模版，如针对关键词“中耳炎”，检索到治疗方法“使用滴耳剂苯酚甘油，口服消炎药”，检索到治愈周期为“10-14天”,向患者返回完整答案，“疾病中耳炎的治疗方法有：使用滴耳剂苯酚甘油，口服消炎药”，“疾病中耳炎的治愈周期为10-14天”。
病例生成模块包括信息获取单元和生成病例单元，信息获取模块用于读取患者主诉信息等数据，生成病例单元用于将患者信息生成结构化病例结果数据。
数据资源模块包括慢病知识图谱单元、影像检查图谱单元、影像报告单元、大数据专家问答单元和自扩展知识图谱单元，慢病知识图谱单元用于将关系型病名、介绍、病因、病症、治疗、预防、日常等慢病科谱知识数据，生成实体与关系对儿的图数据，导入慢病知识图谱图数据库；影像检查图谱单元用于将关系型病症、检查、适应症、诊疗方案、设备、扫描方式、检查身体摆位等影像专业资料数据，生成实体与关系对儿的图数据，导入影像检查知识图谱图数据库；影像报告单元用于采集获取原始影像报告数据知识库；大数据专家问答单元用于采集互联网医疗咨询专家答疑数据；自扩展知识图谱单元用于提取患者病例、报告、互联网专家答颖数据中的实体与关系对，实时自动创建扩展知识知识图谱。
匹配模块包括包括数据处理单元、图谱检索单元、神经网络模型单元、相似度特征提取单元、推荐模型单元、召回结果集单元。
其中，数据处理单元用于获取慢病知识图谱、影像检查知识图谱、影像报告知识库、大数据专家答疑、自扩展知识图谱中的数据，分析处理，提取特征，用数学向量化符号表示，制作影像数据语料库，用于机器学习训练意图与匹配。
图谱检索单元用于根据患者病例数据检索慢病管理知识图谱、影像检查知识图谱、自扩展知识图谱，找到关联匹配结果实体关系对儿，得到图谱检索召回结果集。
神经网络模型单元用于搭建神经网络模型，将影像数据语料送入模型，进行机器学习和训练，对患者病例信息作意图分析、预测，用于生成问答对、风险预测候选集，得到神经网络结果集，辅助图谱检索与匹配。
相似度特征提取单元用于将影像数据语料库中的数据制作模型训练所需的匹配句子对数据，提取相似性特征。相似性特征提取包括：句长相似性提取、最长公共子串提取、最长公共子序列提取、编辑距离特征提取、n-gram特征词提取、jieba(结巴)分词特征词提取、疑问词特征提取、规则权重关键词特征提取、词向量特征提取。句长相似性提取用于提取匹配句子双方句长特征，用句长相差度来衡量意图相似性；最长公共子串提取用于提取匹配句子双方所含最长相同字符串长度特征，用句中最长重复词衡量相似性；最长公共子序列提取用于提取匹配双方所含最长相同字符串长度累加值特征，用句中重复词长度衡量相似性；编辑距离特征提取用于提取匹配双方变换复杂度，用双方变换复杂程度衡量句长、句序及重复词维度的相似性特征；n-gram特征提取用于提取匹配双方两字组合、三字组合重复词特征，用句中相临字相同个数指标衡量相似性；jieba分词特征提取用于提取匹配双方jieba分词后的常规词相同个数，用句中常规词的重复性指标衡量相似性；疑问词特征提取用于提取、比对匹配双方相同的疑问词特征，用疑问词定位问题类型，把握句子主体的相似性，如：“什么是？”代表答案倾向于一个解释性的结果，如，病的介绍，“多久？”代表答案是一个时间，如，康复时间；规则权重关键词特征提取用于为匹配双方含有的权重关键词加权重，如：双方都含有“膝盖”，说明患者本轮问题是围绕“膝盖”的核心展开，即可把语料库中含有“膝盖”、“膝关节”、及其它膝关节相关的特征词加权重处理，提高相似度计算的分值参考；词向量特征提取用于将匹配双方句子做数学向量化符号处理，用于直接送入BiLSTM(双向循环长短时记忆)深度学习模型、Attention(注意力)机制模型(Bert)学习相似性规律。
推荐模型单元用于将相似度特征提取单元提取的特征送入匹配模型，学习相似性特征：包括协同过滤算法、矩阵分解、GBDT+LR(决策树模型+逻辑回归)模型、Wide&Deep深度学习模型、规则权重召回；协同过滤算法用于计算基于患者(UserCF)相似性结果集与基于病症(ItemCF)相似性的结果集；矩阵分解用于将UserCF或ItemCF中的共现矩阵分解，计算患者与病症信息隐含语义的关联相似性，如：患者矩阵，张三：[胸闷0.8恶心0.6心率不齐0.9]，症状矩阵，胆源性心脏病：[胸闷0.81恶心0.61心率不齐0.91]，则张三得胆源性心脏病的得分即为张三胸闷的频次*胆源心脏病有胸闷征的概率+张三恶心的频次*胆源心脏病有恶心征的概率+张三心率不齐频次*胆源心脏病有心率不齐征的概率＝0.8*0.81+0.6*0.61+0.9*0.91，将患者矩阵与症状矩阵两个隐含矩阵共现的部分计算浓缩为一个指标，代表这个患者与这个病症的相似性，弥补协同过滤仅利用了患者与病症的交互信息，未用到患者自身属性与病症自身属性的不足，以及解决了矩阵稀疏化的问题，增强了模型的泛化能力；GBDT+LR(决策树模型+逻辑回归)模型用于利用决策树机器学习模型对上下文信息自动进行特征筛选组合，生成新的离散特征向量，通过LR(逻辑回归)模型生成预测结果，弥补协同过滤仅利用患者与病症之间关联交互信息，忽视患者自身特征与病症信息特征的不足；Wide&Deep深度学习模型用于采用深度学习模型Wide部分快速关联规则粗筛相似性，增强了模型的“直接记忆能力”，Deep部分深入抽象训练模型，增强了模型的“抽象泛化能力”，达到效率与精确性结合的目的；规则权重召回用于将相似度提取特征中的权重特征词加权召回结果，得到规则权重结果集，如“膝盖”相关问题，将影像数据语料库中“膝盖”相关的词条信息加权重计算相似度排名。
召回结果集单元用于将图谱检索结果集、神经网络结果集、匹配模型结果集、规则权重结果集、推荐模型结果集等多路召回结果集拼接，归一化为0到1之间的去量纲、标量化指标概率值，得到多路融合粗筛召回结果集。
在本实施例中，导诊模块包括第一精排单元和第一推荐应用单元，第一精排单元包括第一提取补充业务特征单元和第一精排推荐排序模型单元；第一提取补充业务特征单元用于将多路召回结果集提取加强与患者端业务相关联特征，包括科室、检查项、疾病知识、生知指导、风险预测；第一精排推荐排序模型单元用于将补充提取业务特征生成新的数据语料送入模型，做精细化机器学习、训练、计算相似度、排序、筛选得到患者端推荐结果集。第一推荐应用单元用于将患者端推荐结果，包括科室、检查项、疾病知识、生知指导、风险预测与患者病例结合，推荐给患者端应用。
在本实施例中，医生端导检模块包括召回结果集第二精排单元和第二推荐应用单元，第二精排单元单元包括第二提取补充业务特征单元、第二精排推荐排序模型单元和重点词提醒单元；第二提取补充业务特征单元用于将多路召回结果集提取加强与医生端业务相关联特征，包括专业检查项目、项目介绍、适应症、设备、扫描方式、检查身体摆位、诊疗方案；第二精排推荐排序模型单元用于将补充提取业务特征生成新的数据语料送入模型，做精细化机器学习、训练、计算相似度、排序、筛选得到医生端推荐结果集；重点词提醒单元用于将患者病例中的病症、风险等重点词突出快捷提醒，标识出患者病例中的病症和风险重点词；第二推荐单元用于将医生端推荐结果，包括检查项目、项目介绍、适应症、设备、扫描方式、检查身体摆位、诊疗方案、重点词快捷提醒与患者病例结合，推荐给医生端应用。
本发明实施例提供一种基于人工智能的医学影像导诊导检系统，具体的，系统融合使用了包括机器学习、深度学习、相似度匹配、意图识别、知识图谱、推荐系统、问答系统、风险预测等计算机人工智能自然语言处理(NLP)整套技术解决方案，对涵盖专业、规模、系统化的专业影像报告真实语料数据与影像检查专业学术资料在内的行业数据进行处理、训练、机器学习，可以实现针对医学影像类的专业、标准化检查项目、就诊方案与服务等人工智能技术辅助推荐与问答咨询，辅助患者自查与医生诊断。
在上述第一实施例中，提供一种基于人工智能的医学影像导诊导检系统，与之对应的，本申请另一实施例提供一种基于人工智能的医学影像导诊导检方法，请参考图2，示出了本申请另一实施例提供的基于人工智能的医学影像导诊导检方法流程图。由于方法实施例基本相似于装置实施例，所以描述得比较简单，相关之处参见装置实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。
如图2所示，示出了本发明另一实施例提供的一种基于人工智能的医学影像导诊导检方法流程图，方法包括以下步骤：
S1:获取患者基本信息、主诉信息及AI问诊交流信息。
具体地，通过获取患者在聊天窗口中输入的病症、病史、个人信息等主诉信息及其它与AI客服的聊天信息分析入库。
具体包括：
收集用户个人信息，包括姓名、年龄、性别、地区，症状描述，症状属性描述，包括发作部位、程度、频次等，病史、过敏史等一诉五史信息；
根据患者自诉信息推荐相关联医生，用于医患沟通；
检索互联网主流医疗问答资讯，用于推荐专家答疑；
患者与AI客服在线沟通，咨询问题，得到答案。具体方法采用：实体识别、意图识别、图谱检索。实体识别步骤将患者输入的问题做严格检索匹配和相似度近似匹配实体识别，即同义置换，生成标准表述问题；所述意图识别步骤将匹配或同义置换处理后的患者标准表述问题送入机器学习模型训练分类，做问题分类，如：含有“怎么治”、“吃什么药”这一类关键词的句子倾向于是咨询治疗法方法类问题，含有“多久”、“康复”类关键词的句子倾向于是咨询治疗周期类问题；所述图谱检索步骤将患者问题按问题分类导向答案模板，如：治疗法方法类问题的答案模版为“疾病{}的治疗方法有{}”，询问治疗周期类问题的答案模版为“疾病{}的治愈周期为{}”，并对关键词检索慢病知识图谱、影像知识图谱等数据资源，填充模版，如针对关键词“中耳炎”，检索到治疗方法“使用滴耳剂苯酚甘油，口服消炎药”，检索到治愈周期为“10-14天”,向患者返回完整答案，“疾病中耳炎的治疗方法有：使用滴耳剂苯酚甘油，口服消炎药”，“疾病中耳炎的治愈周期为10-14天”。
记录患者自诉信息、患者与AI客服聊天信息、医患沟通信息、专家答疑信息，入库；
将所述记录患者自己诉信息、患者与AI客服聊天信息、医患沟通信息、专家答疑信息从数据库取出，分析录入影像数据语料库，用于返回AI客服问答系统单元分析与组织对话，数据循环利用，同步用于后续匹配模块训练学习。
S2:根据患者信息生成结构化病例，将病例分别推送给患者端和医生端。
具体地，获取患者主诉信息等数据；
将患者信息生成结构化病例结果数据；
获取生成病例结果数据并在患者端作信息展示；
获取生成病例结果数据并在医生端作病例列表及信息展示。
S3:创建、整合慢病知识图谱、影像检查图谱、影像专业诊断资料等医学影像数据资源库。
具体地，将关系型病名、介绍、病因、病症、治疗、预防、日常等慢病科谱知识数据，生成实体与关系对的图数据，存入慢病知识图谱图数据库；
将关系型病症、检查、适应症、诊疗方案、设备、扫描方式、检查身体摆位等影像专业资料数据，生成实体与关系对的图数据，存入影像检查知识图谱图数据库；
获取原始影像报告数据知识库；
获取互联网医疗咨询专家答疑数据；
提取患者病例、报告、互联网专家答疑数据中的实体与关系对，实时自动创建扩展知识知识图谱。
S4:根据整合匹配算法、匹配规则、知识图谱检索规则构建匹配模型，从医学影像数据资源库中提取特征，制作影像数据语料库，采用机器学习方法训练匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回(推荐)结果集。
具体地，获取慢病知识图谱、影像检查知识图谱、影像报告知识库、大数据专家答疑、自扩展知识图谱中的数据，分析处理，提取特征，用数学向量化符号表示，制作影像数据语料库，用于机器学习训练意图与匹配。根据患者病例数据检索慢病管理知识图谱、影像检查知识图谱、自扩展知识图谱，找到关联匹配结果实体关系对，得到图谱检索召回结果集。搭建神经网络模型，将影像数据语料送入模型，机器学习、训练，对患者病例信息作意图分析、预测，用于生成问答对、风险预测候选集，得到神经网络结果集，辅助图谱检索与匹配。将影像数据语料库中的数据制作模型训练所需的匹配句子对数据，提取相似性特征：提取匹配句子双方句长特征，用句长相差度来衡量意图相似性；提取匹配句子双方所含最长相同字符串长度特征，用句中最长重复词衡量相似性；提取匹配双方所含最长相同字符串长度累加值特征，用句中重复词长度衡量相似性；提取匹配双方变换复杂度，用双方变换复杂程度衡量句长、句序及重复词维度的相似性特征；提取匹配双方两字组合、三字组合重复词特征，用句中相临字相同个数指标衡量相似性；提取匹配双方jieba分词后的常规词相同个数，用句中常规词的重复性指标衡量相似性；提取、比对匹配双方相同的疑问词特征，用疑问词定位问题类型，把握句子主体的相似性；提取用于为匹配双方含有的权重关键词加权重，提高相似度计算的分值参考；将匹配双方句子做数学向量化符号处理，用于直接送入BiLSTM(双向循环长短时记忆)深度学习模型、Attention(注意力)机制模型(Bert)学习相似性规律；将相似度特征提取单元提取的特征送入匹配模型，学习相似性特征：计算基于患者(UserCF)相似性结果集与基于病症(ItemCF)相似性的结果集；将UserCF或ItemCF中的共现矩阵分解，计算患者与病症信息隐含语义的关联相似性；利用决策树机器学习模型对上下文信息自动进行特征筛选组合，生成新的离散特征向量，通过LR(逻辑回归)模型生成预测结果，弥补协同过滤仅利用患者与病症之间关联交互信息，忽视患者自身特征与病症信息特征的不足；采用深度学习模型Wide部分快速关联规则粗筛相似性，增强模型的“直接记忆能力”，Deep部分深入抽象训练模型，增强模型的“抽象泛化能力”，达到效率与精确性结合的目的；将相似度提取特征中的权重特征词加权召回结果；将图谱检索结果集、神经网络结果集、匹配模型结果集、规则权重结果集、推荐模型结果集等多路召回结果集拼接，归一化为0到1之间的去量纲、标量化指标概率值，得到多路融合粗筛召回结果集。
S5:将多路融合粗筛召回结果集提取与患者业务相关联特征，作为补充数据语料送入第一精排模型，进行训练、排序、筛选，得到科普性导诊信息、疾病知识、风险预测等结果集，向患者端发送推荐结果。
具体地，从多路召回结果集提取加强与患者端业务相关联特征作为第一提取补充业务特征，包括科室、检查项、疾病知识、生知指导、风险预测；
将第一补充提取业务特征生成新的数据语料送入第一精排模型，做精细化机器学习、训练、计算相似度、排序、筛选得到患者端科普性推荐结果集；
向患者端推荐结果，包括科室、检查项、疾病知识、生知指导、风险预测与患者病例结合，推荐给患者端应用。
S6:将多路融合粗筛召回结果集提取与医生业务相关联特征，作为补充数据语料送入第二精排模型，进行训练、排序、筛选，得到专业性诊疗方案、诊断提醒等服务结果集，向医生端发送推荐结果。
具体地，将多路召回结果集提取加强与医生端业务相关联特征作为第二提取补充业务特征，包括专业检查项目、项目介绍、适应症、设备、扫描方式、检查身体摆位、诊疗方案；
将第二补充提取业务特征生成新的数据语料送入第二精排模型，做精细化机器学习、训练、计算相似度、排序、筛选得到专业性医生端推荐结果集；
将患者病例中的病症、风险等重点词突出快捷提醒；
向医生端推荐结果，包括检查项目、项目介绍、适应症、设备、扫描方式、检查身体摆位、诊疗方案、重点词快捷提醒与患者病例结合，推荐给医生端应用。
以上，为本发明第二实施例提供的一种基于人工智能的医学影像导诊导检方法的实施例说明。
本发明提供的一种基于人工智能的医学影像导诊导检方法与上述基于人工智能的医学影像导诊导检系统出于相同的发明构思，具有相同的有益效果，此处不再赘述。
如图3所示，示出了本发明实施例还提供一种智能设备的结构框图，该设备包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第二实施例描述的方法。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。
输入设备可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器、输入设备、输出设备可执行本发明实施例提供的方法实施例所描述的实现方式，也可执行本发明实施例所描述的系统实施例的实现方式，在此不再赘述。
在本发明还提供一种计算机可读存储介质的实施例，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第二实施例描述的方法。
所述计算机可读存储介质可以是前述实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露终端和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (5)
1.一种基于人工智能的医学影像导诊导检系统，其特征在于，包括：问诊模块、病例生成模块、数据资源模块、匹配模块、导诊模块和导检模块，
所述问诊模块用于收集患者基本信息、主诉信息及AI问诊交流信息；
所述病例生成模块用于将患者信息生成结构化病例，将病例分别推送给患者端和医生端；
所述数据资源模块用于创建、整合慢病知识图谱、影像检查图谱、影像专业诊断资料医学影像数据资源库；
所述匹配模块用于根据整合匹配算法、匹配规则、知识图谱检索规则构建匹配模型，从医学影像数据资源中提取特征，制作影像数据语料库，采用机器学习方法训练匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回结果集；
所述导诊模块用于将多路融合粗筛召回结果集提取与患者业务相关联特征，作为补充语料送入第一精排模型，进行训练、排序、筛选，得到导诊信息、疾病知识和风险预测结果集，向患者端发送推荐结果；
所述导诊模块包括第一精排单元和第一推荐应用单元，
所述第一精排单元用于将多路召回结果集提取与患者相关联业务特征，将提取的与患者相关联业务特征生成新的数据语料送入第一精排模型进行训练、排序和筛选，得到导诊信息、疾病知识和风险预测结果集，得到患者端推荐结果集；
所述第一推荐应用单元用于根据患者端推荐结果集向患者端推荐应用；
第一精排单元包括第一提取补充业务特征单元和第一精排推荐排序模型单元；第一提取补充业务特征单元用于将多路召回结果集提取加强与患者端业务相关联特征，包括科室、检查项、疾病知识、生知指导、风险预测；第一精排推荐排序模型单元用于将补充提取业务特征生成新的数据语料送入模型，做精细化机器学习、训练、计算相似度、排序、筛选得到患者端推荐结果集，第一推荐应用单元用于将患者端推荐结果，包括科室、检查项、疾病知识、生知指导、风险预测与患者病例结合，推荐给患者端应用；
所述导检模块包括第二精排单元和第二推荐应用单元，
所述第二精排单元用于将多路召回结果集提取与医生相关联业务特征，将提取的与医生相关联业务特征生成新的数据语料送入第二精排模型进行训练、排序和筛选，得到诊疗方案和诊断提醒服务结果集，得到医生端推荐结果集，标识出患者病例中的病症和风险重点词；
所述第二推荐应用单元用于根据医生端推荐结果集向医生端推荐应用；
所述导检模块用于将多路融合粗筛召回结果集提取与医生业务相关联特征，作为补充数据语料送入第二精排模型，进行训练、排序、筛选，得到诊疗方案和诊断提醒服务结果集，向医生端发送推荐结果；
所述匹配模块包括数据处理单元和图谱检索单元，所述数据处理单元获取慢病知识图谱、影像检查知识图谱、影像报告知识库、大数据专家答疑、自扩展知识图谱中的数据，分析处理，提取特征，用数学向量化符号表示，制作影像数据语料库，用于机器学习训练意图与匹配；所述图谱检索单元用于根据患者病例数据检索慢病管理知识图谱、影像检查知识图谱和自扩展知识图谱，找到关联匹配结果实体关系数据，得到图谱检索召回结果集；
所述匹配模块还包括神经网络模型单元、相似度特征提取单元、推荐模型单元和召回结果集单元，所述神经网络模型单元用于构建神经网络模型，将医学影像数据送入神经网络模型进行训练，对患者病例信息做意图分析和预测，生成神经网络结果集；
所述相似度特征提取单元用于将影像数据语料库中的数据制作成神经网络模型训练所需的匹配句子对数据，提取相似性特征；
所述推荐模型单元用于将相似性特征送入匹配模型中学习相似性特征，得到与患者主诉信息相似性结果集，推荐结果集；
所述召回结果集单元用于将得到的多路召回结果集拼接，归一化为0到1之间的去量纲、标量化指标概率值，得到多路融合粗筛召回结果集。
2.如权利要求1所述的系统，其特征在于，所述问诊模块包括AI客服问答系统单元，所述AI客服问答系统单元包括实体识别单元、意图识别单元和图谱检索单元；
所述实体识别单元用于将患者输入的问题进行检索匹配和相似度近似匹配实体识别，生成标准表述问题；
所述意图识别单元用于将标准表述问题送入机器学习模型训练分类，进行问题分类；
所述图谱检索单元用于将患者问题按问题分类导向答案模板。
3.一种基于人工智能的医学影像导诊导检方法，其特征在于，包括以下步骤：
获取患者基本信息、主诉信息及AI问诊交流信息；
根据患者信息生成结构化病例，将病例分别推送给患者端和医生端；
创建、整合慢病知识图谱、影像检查图谱、影像专业诊断资料医学影像数据资源库；
根据整合匹配算法、匹配规则、知识图谱检索规则构建匹配模型，从医学影像数据资源库中提取特征，制作影像数据语料库，采用机器学习方法训练匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回结果集；
将多路融合粗筛召回结果集提取与患者业务相关联特征，作为补充语料送入第一精排模型，进行训练、排序和筛选，得到导诊信息、疾病知识和风险预测结果集，向患者端发送推荐结果；
从多路召回结果集提取加强与患者端业务相关联特征作为第一提取补充业务特征，包括科室、检查项、疾病知识、生知指导、风险预测；
将第一补充提取业务特征生成新的数据语料送入第一精排模型，做精细化机器学习、训练、计算相似度、排序、筛选得到患者端科普性推荐结果集；
向患者端推荐结果，包括科室、检查项、疾病知识、生知指导、风险预测与患者病例结合，推荐给患者端应用；
将多路融合粗筛召回结果集提取与医生业务相关联特征，作为补充数据语料送入第二精排模型，进行训练、排序和筛选，得到诊疗方案和诊断提醒服务结果集，向医生端发送推荐结果；
将慢病知识图谱、影像检查图谱、影像专业诊断资料整合成医学影像数据资源具体包括：
将关系型病名、介绍、病因、病症、治疗、预防和日常慢病科普知识数据，生成实体与关系对的图数据，存入慢病知识图谱数据库；
将关系型病症、检查、适应症、诊疗方案、设备、扫描方式和检查身体摆位影像专业资料数据，生成实体与关系对的图数据，存入影像检查知识图谱图数据库；
采集获取原始影像报告数据知识库；
采集互联网医疗咨询专家答疑数据；
提取患者病例、报告、互联网专家答疑数据中的实体与关系对，实时自动创建扩展知识图谱；
所述从医学影像数据资源中提取特征，制作影像数据语料库，采用机器学习方法训练匹配模型，将病例信息输入匹配模型进行匹配，得到多路融合粗筛召回结果集具体包括：
获取慢病知识图谱、影像检查知识图谱、影像报告知识库、大数据专家答疑、自扩展知识图谱中的数据，分析处理，提取特征，用数学向量化符号表示，制作影像数据语料库，用于机器学习训练意图与匹配；
根据患者病例数据检索慢病管理知识图谱、影像检查知识图谱、自扩展知识图谱，找到关联匹配结果实体关系对，得到图谱检索召回结果集；
搭建神经网络模型，将影像数据语料送入神经网络模型，机器学习、训练，对患者病例信息作意图分析、预测，用于生成问答对、风险预测候选集，辅助图谱检索与匹配，得到神经网络结果集；
将影像数据语料库中的数据制作成神经网络模型训练所需的匹配句子对数据，提取相似性特征；
将相似性特征送入匹配模型中学习相似性特征，得到与患者主诉信息相似性结果集，推荐结果集；
将得到的多路召回结果集拼接，归一化为0到1之间的去量纲、标量化指标概率值，得到多路融合粗筛召回结果集。
4.一种智能设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，其特征在于，所述处理器被配置用于调用所述程序指令，执行如权利要求3所述的方法。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求3所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110121696.3A CN112786194B (zh) | 2021-01-28 | 2021-01-28 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110121696.3A CN112786194B (zh) | 2021-01-28 | 2021-01-28 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112786194A CN112786194A (zh) | 2021-05-11 |
| CN112786194B true CN112786194B (zh) | 2024-11-01 |
Family
ID=75759565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110121696.3A Active CN112786194B (zh) | 2021-01-28 | 2021-01-28 | 基于人工智能的医学影像导诊导检系统、方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112786194B (zh) |
Families Citing this family (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113270168B (zh) * | 2021-05-19 | 2024-01-02 | 中科芯未来微电子科技成都有限公司 | 一种提高医学图像处理能力的方法及系统 |
| 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 |
| CN113343100B (zh) * | 2021-06-25 | 2024-01-30 | 中关村智慧城市产业技术创新战略联盟 | 一种基于知识图谱的智慧城市资源推荐方法和系统 |
| CN113407841B (zh) * | 2021-06-25 | 2023-04-28 | 陈亮 | 基于结构化报告的绩效分析自动推荐ai方案的方法和系统 |
| CN113656706A (zh) * | 2021-08-31 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 基于多模态深度学习模型的信息推送方法及装置 |
| CN113946651B (zh) * | 2021-09-27 | 2024-05-10 | 盛景智能科技(嘉兴)有限公司 | 维修知识推荐方法、装置、电子设备、介质及产品 |
| CN113963234B (zh) * | 2021-10-25 | 2024-02-23 | 北京百度网讯科技有限公司 | 数据标注处理方法、装置、电子设备和介质 |
| CN113851219A (zh) * | 2021-11-29 | 2021-12-28 | 山东交通学院 | 一种基于多模态知识图谱的智能导诊方法 |
| CN114496208A (zh) * | 2022-02-16 | 2022-05-13 | 平安国际智慧城市科技股份有限公司 | 在线会诊方法、装置、系统及计算机可读存储介质 |
| CN114550915A (zh) * | 2022-02-22 | 2022-05-27 | 深圳市医未医疗科技有限公司 | 一种在影像诊断中自动生成报告的方法及系统 |
| CN114628012B (zh) * | 2022-03-21 | 2023-09-05 | 中国人民解放军西部战区总医院 | 一种急诊科预检分检系统 |
| CN114925160B (zh) * | 2022-04-18 | 2024-06-21 | 北京急救中心 | 一种基于知识图谱技术的院前急救指导推荐系统和方法 |
| CN114817505A (zh) * | 2022-05-10 | 2022-07-29 | 国网江苏省电力有限公司南通供电分公司 | 一种基于历史工单匹配系统的供电工单快速回复方法 |
| CN114822826A (zh) * | 2022-05-16 | 2022-07-29 | 河南艾玛医疗科技有限公司 | 一种互联网的医疗诊断系统 |
| CN115036034B (zh) * | 2022-08-11 | 2022-11-08 | 之江实验室 | 一种基于患者表征图的相似患者识别方法及系统 |
| CN115062165B (zh) * | 2022-08-18 | 2022-12-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于读片知识图谱的医学影像诊断方法及装置 |
| CN115905960B (zh) * | 2023-03-08 | 2023-05-12 | 安徽通灵仿生科技有限公司 | 一种基于心室辅助装置的不良事件检测方法及装置 |
| CN115995287B (zh) * | 2023-03-23 | 2023-06-13 | 山东远程分子互联网医院有限公司 | 一种云影像资料收发系统及方法 |
| CN116631558B (zh) * | 2023-05-29 | 2024-03-22 | 武汉大学人民医院（湖北省人民医院） | 一种基于互联网的医学检测项目的构建方法 |
| CN116825312B (zh) * | 2023-07-24 | 2024-07-02 | 广州腾方医信科技有限公司 | 一种基于信创环境的分诊系统及方法 |
| CN117153378B (zh) * | 2023-10-31 | 2024-03-01 | 北京博晖创新生物技术集团股份有限公司 | 一种导诊方法、装置、电子设备及存储介质 |
| CN117688226B (zh) * | 2024-02-02 | 2024-05-03 | 徐州医科大学 | 基于相似儿童患者匹配的智能诊前自助开单方法及系统 |
| CN117711635B (zh) * | 2024-02-05 | 2024-05-03 | 神州医疗科技股份有限公司 | 一种医学影像检查结果分析方法及装置 |
| CN118522469B (zh) * | 2024-07-22 | 2024-11-05 | 宁波紫湾科技有限公司 | 一种大数据分析医疗决策方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111886A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种基于XGBoost疾病预测的智能问诊系统及方法 |
| CN110929016A (zh) * | 2019-12-10 | 2020-03-27 | 北京爱医生智慧医疗科技有限公司 | 一种基于知识图谱的智能问答方法及装置 |
| CN111449665A (zh) * | 2020-03-02 | 2020-07-28 | 上海昊博影像科技有限公司 | 一种智能影像诊断系统 |
| CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技（深圳）有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
| CN111897967A (zh) * | 2020-07-06 | 2020-11-06 | 北京大学 | 一种基于知识图谱和社交媒体的医疗问诊推荐方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106557653B (zh) * | 2016-11-15 | 2017-09-22 | 合肥工业大学 | 一种移动医疗智能导医系统及其方法 |
| CN111613311A (zh) * | 2020-06-09 | 2020-09-01 | 广东珠江智联信息科技股份有限公司 | 一种智能ai导诊实现技术 |
-
2021
- 2021-01-28 CN CN202110121696.3A patent/CN112786194B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111886A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种基于XGBoost疾病预测的智能问诊系统及方法 |
| CN110929016A (zh) * | 2019-12-10 | 2020-03-27 | 北京爱医生智慧医疗科技有限公司 | 一种基于知识图谱的智能问答方法及装置 |
| CN111449665A (zh) * | 2020-03-02 | 2020-07-28 | 上海昊博影像科技有限公司 | 一种智能影像诊断系统 |
| CN111897967A (zh) * | 2020-07-06 | 2020-11-06 | 北京大学 | 一种基于知识图谱和社交媒体的医疗问诊推荐方法 |
| CN111816301A (zh) * | 2020-07-07 | 2020-10-23 | 平安科技（深圳）有限公司 | 医疗问诊辅助方法、装置、电子设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112786194A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112786194B (zh) | 基于人工智能的医学影像导诊导检系统、方法及设备 | |
| US11610678B2 (en) | Medical diagnostic aid and method | |
| Meystre et al. | Natural language processing to extract medical problems from electronic clinical documents: performance evaluation | |
| US11244755B1 (en) | Automatic generation of medical imaging reports based on fine grained finding labels | |
| US11670420B2 (en) | Drawing conclusions from free form texts with deep reinforcement learning | |
| CN117744654A (zh) | 基于机器学习的自然语言情境中数值数据的语义分类方法以及系统 | |
| CN110337645A (zh) | 可适配的处理组件 | |
| CN112241457A (zh) | 一种融合扩展特征的事理知识图谱事件检测方法 | |
| CN112541066B (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
| US11763081B2 (en) | Extracting fine grain labels from medical imaging reports | |
| CN113764112A (zh) | 一种在线医疗问答方法 | |
| CN115394393A (zh) | 智能诊疗数据处理方法、装置、电子设备及存储介质 | |
| CN111597789A (zh) | 一种电子病历文本的评估方法及设备 | |
| Ravikumar et al. | Machine learning model for clinical named entity recognition | |
| Chondrogiannis et al. | An Intelligent Ontology Alignment Tool Dealing with Complicated Mismatches. | |
| Soleimani et al. | Practical evaluation of ChatGPT performance for radiology report generation | |
| CN112699669B (zh) | 流行病学调查报告的自然语言处理方法、装置及存储介质 | |
| CN114238639A (zh) | 一种医学术语标准化框架的构建方法、装置、电子设备 | |
| CN117609635A (zh) | 一种基于协同过滤的数据推送方法和装置 | |
| CN117454217A (zh) | 一种基于深度集成学习的抑郁情绪识别方法、装置及系统 | |
| CN116469526A (zh) | 中医诊断模型训练方法、装置、设备及存储介质 | |
| CN116994689A (zh) | 医疗数据的特征化处理方法、装置、设备、介质及产品 | |
| Zubke et al. | Using openEHR archetypes for automated extraction of numerical information from clinical narratives | |
| Feng et al. | Extracting meaningful correlations among heterogeneous datasets for medical question answering with domain knowledge | |
| CN110289065A (zh) | 一种辅助生成医学电子报告的控制方法以及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |