基于人工智能的智慧医疗信息决策方法及云计算系统

技术领域

本公开涉及智慧医疗技术领域，具体而言，涉及一种基于人工智能的智慧医疗信息决策方法及云计算系统。

背景技术

5G医疗健康是5G技术在医疗健康行业的一个重要应用领域。随着5G 正式商用的到来以及与大数据、互联网+、人工智能、区块链等前沿技术的充分整合和运用，5G 医疗健康越来越呈现出强大的影响力和生命力，对推动医疗健康产业发展，起到重要的支撑作用。

相关技术中，在基于大数据挖掘过程中，可以获得医疗软件终端的用户针对各个目标医疗行为所对应的医疗资源分配信息的操作信息，例如线上订阅信息，这些线上订阅信息可以反映用户对于各个目标医疗行为所对应的医疗资源分配信息的操作意图，因此有必要对这些操作意图进行有效挖掘和决策，以便于后续信息推送服务的优化，提高智慧医疗信息对广大用户的知识覆盖面。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于人工智能的智慧医疗信息决策方法及云计算系统。

第一方面，本公开提供一种基于人工智能的智慧医疗信息决策方法，应用于云计算系统，所述云计算系统与多个医疗软件终端通信连接，所述方法包括：

获取所述医疗软件终端的用户针对各个目标医疗行为所对应的医疗资源分配信息的线上订阅信息，并获得所述线上订阅信息的订阅跟踪轨迹；

将所述订阅跟踪轨迹输入预先训练的机器学习网络中的深度提取单元，得到所述订阅跟踪轨迹对应订阅目标属性对应的目标订阅兴趣分量；

将所述目标订阅兴趣分量输入所述机器学习网络的决策单元，获得所述订阅跟踪轨迹的目标决策微服务意图信息；

基于所述订阅跟踪轨迹的目标决策微服务意图信息，为所述医疗软件终端的用户生成对应的微服务推荐信息；

所述决策单元和所述深度提取单元之中的至少一个网络单元，是基于机器学习网络对参考订阅跟踪轨迹的决策订阅目标属性和真实订阅目标属性之间的网络评估指标值、以及基于所述机器学习网络对所述参考订阅跟踪轨迹的决策微服务意图信息和真实微服务意图信息之间的网络评估指标值进行网络权重更新获得的。

第二方面，本公开实施例还提供一种基于人工智能的智慧医疗信息决策系统，所述基于人工智能的智慧医疗信息决策系统包括云计算系统以及与所述云计算系统通信连接的多个医疗软件终端；

所述云计算系统，用于：

获取所述医疗软件终端的用户针对各个目标医疗行为所对应的医疗资源分配信息的线上订阅信息，并获得所述线上订阅信息的订阅跟踪轨迹；

将所述订阅跟踪轨迹输入预先训练的机器学习网络中的深度提取单元，得到所述订阅跟踪轨迹对应订阅目标属性对应的目标订阅兴趣分量；

将所述目标订阅兴趣分量输入所述机器学习网络的决策单元，获得所述订阅跟踪轨迹的目标决策微服务意图信息；

基于所述订阅跟踪轨迹的目标决策微服务意图信息，为所述医疗软件终端的用户生成对应的微服务推荐信息；

所述决策单元和所述深度提取单元之中的至少一个网络单元，是基于机器学习网络对参考订阅跟踪轨迹的决策订阅目标属性和真实订阅目标属性之间的网络评估指标值、以及基于所述机器学习网络对所述参考订阅跟踪轨迹的决策微服务意图信息和真实微服务意图信息之间的网络评估指标值进行网络权重更新获得的。

根据上述任意一个方面，本公开提供的实施方式中，用以提高微服务意图分类精度，通过获得线上订阅信息的订阅跟踪轨迹，将订阅跟踪轨迹输入预先训练的机器学习网络中的深度提取单元，得到订阅跟踪轨迹对应订阅目标属性对应的目标订阅兴趣分量，将目标订阅兴趣分量输入机器学习网络的决策单元，获得订阅跟踪轨迹的目标决策微服务意图信息，基于订阅跟踪轨迹的目标决策微服务意图信息，为医疗软件终端的用户生成对应的微服务推荐信息。如此，在进行微服务意图决策时，引入订阅跟踪轨迹对应订阅目标属性对微服务意图的影响，提高了准确率。

附图说明

图1为本公开实施例提供的基于人工智能的智慧医疗信息决策系统的应用场景示意图；

图2为本公开实施例提供的基于人工智能的智慧医疗信息决策方法的流程示意图；

图3为本公开实施例提供的基于人工智能的智慧医疗信息决策装置的功能模块示意图；

图4为本公开实施例提供的用于实现上述的基于人工智能的智慧医疗信息决策方法的云计算系统的结构示意框图。

具体实施方式

下面结合说明书附图，对本公开实施例的方案进行详细说明。以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本公开具体实施例。

图1是本公开一种实施例提供的基于人工智能的智慧医疗信息决策系统10的场景示意图。基于人工智能的智慧医疗信息决策系统10可以包括云计算系统100以及与云计算系统100通信连接的医疗软件终端200。图1所示的基于人工智能的智慧医疗信息决策系统10仅为一种可行的示例，在其它可行的实施例中，该基于人工智能的智慧医疗信息决策系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。

本实施例中，基于人工智能的智慧医疗信息决策系统10中的云计算系统100和医疗软件终端200可以通过配合执行以下方法实施例所描述的基于人工智能的智慧医疗信息决策方法，具体云计算系统100和医疗软件终端200的执行步骤部分可以参照以下方法实施例的详细描述。

为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于人工智能的智慧医疗信息决策方法的流程示意图，本实施例提供的基于人工智能的智慧医疗信息决策方法可以由图1中所示的云计算系统100执行，下面对该基于人工智能的智慧医疗信息决策方法进行详细介绍。

一种实施例中，以上方法还可以包括以下步骤。

步骤S110，从参考收集数据中获取线上订阅信息的参考数据，该参考数据包括样本订阅跟踪轨迹、参考数据的真实微服务意图信息和真实订阅目标属性。

其中，线上订阅信息指所有线上产生订阅行为的具体订阅信息，例如可以包括，但不限于包括转发订阅行为的具体订阅信息，评论订阅行为的具体订阅信息等。

步骤S120，将参考订阅跟踪轨迹输入深度提取单元得到参考订阅跟踪轨迹的订阅兴趣分量，并将订阅兴趣分量输入决策单元获得参考订阅跟踪轨迹的决策微服务意图信息。

其中，参考订阅跟踪轨迹可为订阅行为路由数据和订阅行为快照信息之一的任意组合，因此，针对不同的参考订阅跟踪轨迹其提取方式也会有所不同。

(1)当参考订阅跟踪轨迹为线上订阅信息的订阅行为路由数据，深度提取单元包括第一深度提取节点和第二深度提取节点。

首先，基于第一深度提取节点对订阅行为路由数据进行路由节点数据分量提取，得到对应的路由节点数据分量提取序列，并对路由节点数据分量提取序列进行兴趣点编码，确定每一个路由节点数据对应的兴趣点编码信息，得到兴趣点编码信息分布。

具体地，可对路由节点数据分量进行清洗，对订阅行为路由数据进行路由节点数据分量提取，然后输入到兴趣点编码模型等以得到最终兴趣点编码信息分布。

其次，基于第二深度提取节点对兴趣点编码信息分布进行订阅兴趣分量提取，得到路由节点数据分量提取序列。

本公开实施例的决策单元是由全连接层和Softmax层连接组成，其中，全连接层在整个深度提取神经网络中起到分类器的作用，如果说深度提取层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学习的深度特征向量映射到样本标记空间的作用；Softmax层的作用是将全连接层输出的订阅兴趣分量归属于不同微服务意图的置信度映射到(0，1)的区间内。

(2)当参考订阅跟踪轨迹为线上订阅信息的订阅行为快照信息，深度提取单元包括残差学习网络单元和第三深度提取节点。

首先，利用残差学习网络单元对订阅行为快照信息中的各个订阅行为快照进行特征提取，确定每一个订阅行为快照对应的订阅行为快照特征，得到订阅行为快照特征分布。

其次，基于第三深度提取节点对订阅行为快照特征分布进行订阅关注点分析，得到订阅兴趣分量。

(3)当参考订阅跟踪轨迹既包括线上订阅信息的订阅行为路由数据，又包括线上订阅信息的订阅行为快照信息时，将订阅行为路由数据输入到第一深度提取节点中，转换得到对应的兴趣点编码信息矩阵，并将兴趣点编码信息分布输入到第二深度提取节点中进行订阅兴趣分量提取，得到订阅兴趣分量；同时将订阅行为快照信息输入到残差学习子模块中，获得对应的订阅行为快照特征分布，并将订阅行为快照特征分布输入到第三深度提取节点中进行订阅关注点分析，得到订阅兴趣分量；将订阅行为路由数据的订阅兴趣分量和订阅行为快照信息的订阅兴趣分量进行融合，生成新的订阅兴趣分量。

步骤S130，将订阅兴趣分量输入机器学习网络，确定参考订阅跟踪轨迹的决策订阅目标属性。

在步骤S110中提及了参考订阅跟踪轨迹可为订阅行为路由数据和订阅行为快照信息之一的任意组合，因此，针对不同的参考订阅跟踪轨迹会使用不同的机器学习网络进行预测。

(1)当参考订阅跟踪轨迹为线上订阅信息的订阅行为路由数据时，本公开实施例中的分类模型包括存在不同预测倾向策略的第一机器学习网络和第二机器学习网络。将兴趣点编码信息分布输入第一机器学习网络获得第一决策订阅目标属性，并将订阅兴趣分量输入第二机器学习网络获得第二决策订阅目标属性。

第一机器学习网络是用来识别订阅行为路由数据中可能影响微服务意图的静态订阅目标属性，第二机器学习网络是用来识别订阅行为路由数据中可能影响微服务意图的动态订阅目标属性第一机器学习网络和第二机器学习网络的网络架构是一样的，均由全连接层和Softmax层连接组成，其中，全连接层在整个深度提取神经网络中起分类的作用，如果说深度提取层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学习的深度特征向量映射到样本标记空间的作用；Softmax层的作用是将全连接层输出的线上订阅信息归属于各个订阅目标属性的置信度映射到(0，1)的区间内。

(2)当参考订阅跟踪轨迹为线上订阅信息的订阅行为快照信息时，本公开实施例中的分类模型包括存在不同预测倾向策略的第三机器学习网络和第四机器学习网络。将订阅行为快照特征分布输入第一机器学习网络获得第三决策订阅目标属性，并将订阅兴趣分量输入第四机器学习网络获得第四决策订阅目标属性。

同样地，第一机器学习网络是用来识别订阅行为路由数据中可能影响微服务意图的静态订阅行为快照信息，第二机器学习网络是用来识别订阅行为路由数据中可能影响微服务意图的至少一组动态订阅行为快照信息。第三机器学习网络和第四机器学习网络的网络架构也是由全连接层和Softmax层连接组成，其中，全连接层在整个深度提取神经网络中起到分类器的作用，如果说深度提取层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学习的深度特征向量映射到样本标记空间的作用；Softmax层的作用是将全连接层输出的线上订阅信息归属于各个订阅目标属性的置信度映射到(0，1)的区间内。

(3)当参考订阅跟踪轨迹既包括线上订阅信息的订阅行为路由数据，又包括线上订阅信息的订阅行为快照信息时，使用存在不同预测倾向策略的第一机器学习网络和第二机器学习网络对订阅行为路由数据进行分类，以及使用第三机器学习网络和第四机器学习网络对订阅行为快照信息进行分类。

步骤S140，基于决策微服务意图信息与真实微服务意图信息之间的第一网络评估指标值，以及决策订阅目标属性与真实订阅目标属性之间的第二网络评估指标值，确定总网络评估指标值。

(1)当参考订阅跟踪轨迹为线上订阅信息的订阅行为路由数据时。

使用机器学习网络的网络评估指标值函数，确定决策微服务意图信息与微服务意图实际结果之间的第一网络评估指标值。使用第一机器学习网络的网络评估指标值函数确定第一决策订阅目标属性与真实订阅目标属性之间的网络评估指标值，以及，使用第二机器学习网络的网络评估指标值函数确定第二预测分类结果与真实订阅目标属性之间的网络评估指标值，将上述两个机器学习网络的网络评估指标值总和确定为决策订阅目标属性与真实订阅目标属性之间的第二网络评估指标值。

(2)当参考订阅跟踪轨迹为线上订阅信息的订阅行为快照信息时。

使用机器学习网络的网络评估指标值函数，确定决策微服务意图信息与微服务意图实际结果之间的第一网络评估指标值。使用第三机器学习网络的网络评估指标值函数确定第三决策订阅目标属性与真实订阅目标属性之间的网络评估指标值，以及使用第四机器学习网络的网络评估指标值函数确定第四预测分类结果与真实订阅目标属性之间的网络评估指标值，将上述两个机器学习网络的网络评估指标值总和确定为决策订阅目标属性与真实订阅目标属性之间的第二网络评估指标值。

(3)当参考订阅跟踪轨迹既包括线上订阅信息的订阅行为路由数据，又包括线上订阅信息的订阅行为快照信息时，将两个机器学习网络的网络评估指标值总和确定为决策微服务意图信息与微服务意图实际结果之间的第一网络评估指标值，将上述四个机器学习网络的网络评估指标值总和确定为预测分类结果与真实订阅目标属性之间的第二网络评估指标值。

步骤S150，基于总网络评估指标值对深度提取单元和决策单元中至少一个模型的权重信息进行优化，直至总网络评估指标值满足收敛条件，得到已训练的机器学习网络，并基于已训练的机器学习网络对线上订阅信息的订阅跟踪轨迹进行预测。

具体地，利用总网络评估指标值，确定深度提取单元中权重分布的第一优化维度，并按照第一优化维度的方向对深度提取单元的权重信息进行优化。或者

利用总网络评估指标值，确定决策单元的第二优化维度，并按照第二优化维度的方向对决策单元的权重信息进行优化。或者

利用总网络评估指标值，确定深度提取单元中权重分布的第一优化维度和机器学习网络的第二优化维度，按照第一优化维度的方向对深度提取单元的权重信息进行优化，并按照第二优化维度的方向决策单元的权重信息进行优化，直至总网络评估指标值收敛至预设的期望值时，判定机器学习网络训练完毕。

其中，深度提取单元中只需要对采用Bi_LSTM网络架构的第二特征提取网络和第四深度提取节点的权重信息进行优化，而决策单元是需要对全连接层和Softmax层的权重信息都进行优化的。

为了便于理解，还提供了两个具体实施例描述训练机器学习网络的方法。

具体实施例一，以订阅行为路由数据的订阅主题、订阅行为路由数据类别为参考数据，对机器学习网络进行训练，下面介绍一种基于人工智能的智慧医疗信息决策方法，包括以下步骤。

步骤S201，从参考收集数据中获取订阅行为路由数据的参考数据，该参考数据包括订阅行为路由数据的订阅主题、订阅行为路由数据的真实微服务意图信息和订阅行为路由数据的真实订阅目标属性。

步骤S202，对订阅行为路由数据的订阅主题进行路由节点数据分量提取，得到对应的路由节点数据分量提取序列，并对路由节点数据分量提取序列进行兴趣点编码，确定每一个路由节点数据对应的兴趣点编码信息，得到兴趣点编码信息分布。

步骤S203，将兴趣点编码信息分布输入Bi_LSTM获得订阅行为路由数据的订阅主题的订阅兴趣分量。

步骤S204，将订阅兴趣分量输入决策单元获得订阅行为路由数据的决策微服务意图信息。

步骤S205，将兴趣点编码信息分布输入第一机器学习网络获得第一决策订阅目标属性，将订阅兴趣分量输入第二机器学习网络获得第二决策订阅目标属性。

步骤S206，基于决策微服务意图信息与真实微服务意图信息之间的第一网络评估指标值，以及决策订阅目标属性与真实订阅目标属性之间的第二网络评估指标值，确定总网络评估指标值，其中第二网络评估指标值包括第一决策订阅目标属性与真实订阅目标属性之间的网络评估指标值，和第二决策订阅目标属性与实际分类结果之间的网络评估指标值。

步骤S207，基于总网络评估指标值对Bi_LSTM和决策单元中至少一个模型的权重信息进行优化，直至总网络评估指标值满足收敛条件，得到已训练的机器学习网络，基于已训练的机器学习网络对线上订阅信息的订阅跟踪轨迹进行预测。

具体实施例二，以订阅行为路由数据的订阅行为快照信息、订阅行为路由数据类别为参考数据，对机器学习网络进行训练，下面介绍一种基于人工智能的智慧医疗信息决策方法，包括以下步骤。

步骤S301，从参考收集数据中获取订阅行为路由数据的参考数据，该参考数据包括订阅行为路由数据的订阅行为快照序列、订阅行为路由数据的真实微服务意图信息和订阅行为路由数据的真实订阅目标属性。

步骤S302，利用残差学习网络单元对订阅行为快照信息中的各个订阅行为快照进行特征提取，确定每一个订阅行为快照对应的订阅行为快照特征，得到订阅行为快照特征分布。

步骤S303，将订阅行为快照特征分布输入Bi_LSTM获得订阅行为快照信息的订阅兴趣分量。

步骤S304，将订阅兴趣分量输入决策单元获得订阅行为路由数据的决策微服务意图信息。

步骤S305，将订阅行为快照特征分布输入第三机器学习网络获得第三决策订阅目标属性，将订阅兴趣分量输入第四机器学习网络获得第四决策订阅目标属性。

步骤S306，基于决策微服务意图信息与真实微服务意图信息之间的第一网络评估指标值，以及决策订阅目标属性与真实订阅目标属性之间的第二网络评估指标值，确定总网络评估指标值，其中第二网络评估指标值包括第三决策订阅目标属性与真实订阅目标属性之间的网络评估指标值，和第四决策订阅目标属性与实际分类结果之间的网络评估指标值。

步骤S307，基于总网络评估指标值对Bi_LSTM和决策单元中至少一个模型的权重信息进行优化，直至总网络评估指标值满足收敛条件，得到已训练的机器学习网络，基于已训练的机器学习网络对线上订阅信息的订阅跟踪轨迹进行预测。

经过上述步骤S110-步骤S150完成了机器学习网络的训练，再使用已训练的机器学习网络对微服务意图进行决策。为本公开实施例提供的微服务意图决策的流程示意图。

步骤S301，获取医疗软件终端的用户针对各个目标医疗行为所对应的医疗资源分配信息的线上订阅信息，并获得线上订阅信息的订阅跟踪轨迹。

步骤S302，将订阅跟踪轨迹输入预先训练的机器学习网络中的深度提取单元，得到订阅跟踪轨迹对应订阅目标属性对应的目标订阅兴趣分量。

步骤S303，将目标订阅兴趣分量输入机器学习网络的决策单元，获得订阅跟踪轨迹的目标决策微服务意图信息。

步骤S304，基于订阅跟踪轨迹的目标决策微服务意图信息，为医疗软件终端的用户生成对应的微服务推荐信息。

其中，决策单元和深度提取单元之中的至少一个网络单元，是基于机器学习网络对参考订阅跟踪轨迹的决策订阅目标属性和真实订阅目标属性之间的网络评估指标值、以及基于机器学习网络对参考订阅跟踪轨迹的决策微服务意图信息和真实微服务意图信息之间的网络评估指标值进行网络权重更新获得的。

一种实施例中，步骤S304可以通过以下示例性的步骤实现。

步骤S401，获取目标决策微服务意图信息在第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列，第一微服务开发阶段包含至少两个微服务优化流程，各个微服务优化流程对应的待推送对象序列包含目标决策微服务意图信息对应的兴趣推送服务在对应的微服务优化流程中生成的目标信息推送节点的待推送对象数据。

步骤S402，确定第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列之间的推送关联信息分布。

步骤S403，根据第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列之间的推送关联信息分布，确定目标决策微服务意图信息在第一微服务开发阶段内的推送热点标签分布。

步骤S404，根据推送热点标签分布确定目标决策微服务意图信息在第一微服务开发阶段内的微服务推荐信息。

可以理解的是，在实际实施时，目标决策微服务意图信息可以是前述获得的目标决策微服务意图信息，也可以是任意现有技术中生成的目标决策微服务意图信息，也就是说，以上步骤S401-步骤S404可以独立于前述实施例的步骤执行，具体不作特殊限定。

基于以上步骤S401-步骤S404，通过获取目标决策微服务意图信息在第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列，确定第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列之间的推送关联信息分布，根据第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列之间的推送关联信息分布，确定目标决策微服务意图信息在第一微服务开发阶段内的推送热点标签分布，根据推送热点标签分布确定目标决策微服务意图信息在第一微服务开发阶段内的微服务推荐信息，可以考虑到目标决策微服务意图信息与微服务开发阶段内各个微服务优化流程之间的关联，进而提高微服务推送的精度。

其中，获取目标决策微服务意图信息在第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列的步骤，包括：获取目标决策微服务意图信息对应的兴趣推送服务在第一微服务优化流程开始后设定微服务优化范围内生成的目标信息推送节点的待推送对象数据，并根据目标决策微服务意图信息对应的兴趣推送服务在第一微服务优化流程开始后设定微服务优化范围内生成的目标信息推送节点的待推送对象数据，确定第一微服务优化流程对应的待推送对象序列，第一微服务优化流程为第一微服务开发阶段内的任一微服务优化流程。

在目标决策微服务意图信息对应的兴趣推送服务在第二微服务优化流程开始后设定微服务优化范围内未生成目标信息推送节点的情况下，根据目标决策微服务意图信息对应的兴趣推送服务接收的目标信息推送节点的待推送对象数据，确定针对第二微服务优化流程对应的待推送对象序列，第二微服务优化流程为第一微服务开发阶段内第一微服务优化流程以外的任一微服务优化流程。

譬如，本实施例中还可以在目标决策微服务意图信息对应的兴趣推送服务在第三微服务优化流程开始后的设定微服务优化范围内未生成目标信息推送节点，且第三微服务优化流程之前连续的第一设定数量的微服务优化流程对应的待推送对象序列均为根据兴趣推送服务接收的目标信息推送节点的待推送对象数据确定的情况下，向兴趣推送服务发送目标信息推送节点生成指令，以使兴趣推送服务响应目标信息推送节点生成指令生成目标信息推送节点，第三微服务优化流程为第一微服务开发阶段内第一微服务优化流程和第二微服务优化流程以外的任一微服务优化流程。

在此基础上，获取兴趣推送服务响应目标信息推送节点生成指令生成的目标信息推送节点的待推送对象数据，并根据兴趣推送服务响应目标信息推送节点生成指令生成的目标信息推送节点的待推送对象数据，确定第三微服务优化流程对应的待推送对象序列。

譬如，确定第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列之间的推送关联信息分布的步骤，包括：从第一微服务开发阶段内的各个微服务优化流程对应的待推送对象序列中，确定一个动态待推送对象数据序列。分别确定第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列中动态待推送对象数据序列以外的各个待推送对象序列，与动态待推送对象数据序列之间的推送关联信息分布。或分别确定第一微服务开发阶段内每相邻两个微服务优化流程对应的待推送对象序列之间的推送关联信息分布。

其中，第一微服务开发阶段内各个微服务优化流程对应的待推送对象序列包含可标记待推送对象序列和非标记待推送对象序列，推送热点标签分布包含根据第一微服务开发阶段内指定的各个微服务优化流程的可标记待推送对象序列对应的推送关联信息分布确定的第一推送热点标签分布，以及根据第一微服务开发阶段内指定的各个微服务优化流程的非标记待推送对象序列对应的推送关联信息分布确定的第二推送热点标签分布。

譬如，根据推送热点标签分布确定目标行车监控区域在第一微服务开发阶段内的微服务推荐信息的步骤，包括：根据第一推送热点标签分布和第二推送热点标签分布，确定目标行车监控区域在第一微服务开发阶段内的微服务推荐信息。

一种实施例中，该基于人工智能的智慧医疗信息决策方法还可以包括以下步骤。

步骤A110，获取与智慧医疗资源分配服务相关的智慧医疗行为大数据，获取智慧医疗行为大数据中的目标医疗行为对应的医疗资源特征，根据医疗资源特征获取目标医疗行为的至少两个医疗资源相关行为数据。

一种实施例中，在智慧医疗资源分配的过程中，智慧医疗资源分配服务是指实时运行的与相应的智慧医疗服务业务匹配的资源分配应用，智慧医疗资源可以是指用于实际使用或者虚拟使用的医疗资源，以实际使用的医疗资源为例，可以是指医疗挂号服务点资源、医药服务点资源、中医药诊疗资源、远程医疗专家协助资源等，但不限于此。以虚拟使用的医疗资源为例，可以说指医疗问答资源、医疗请求服务资源等，但不限于此。相对应地，智慧医疗服务业务可以对应于这些不同的医疗资源所相关的业务进行灵活配置，具体不作特殊限定。

一种实施例中，每个目标医疗行为均可以对应有一个医疗资源特征，在获取到智慧医疗行为大数据后，可将该智慧医疗行为大数据中的任一医疗行为作为目标医疗行为，并将该目标医疗行为与医疗资源特征数据库（包括多个医疗资源特征）进行匹配，从而可从该医疗资源特征数据库中匹配得到该目标医疗行为对应的医疗资源特征。应当理解，为减少对医疗资源特征的解析代价，一种实施例中的医疗资源特征数据库中所存储的每个医疗行为对应的医疗资源特征，可只存在一种资源配置属性，也就是说，针对每个医疗行为只在一种资源配置属性下进行采样得到每个医疗行为对应的医疗资源特征，从而可以减少医疗资源特征的数量，使医疗资源特征更轻量化。

一种实施例中，可以理解的是，医疗资源特征数据库中所存储的每个医疗行为对应的医疗资源特征，可存在多种资源配置属性，也就是说，针对每个医疗行为可采用机器学习的方式，在多种资源配置属性下进行自动采样得到每个医疗行为对应的不同资源配置属性的采样医疗资源特征，并对这些采样医疗资源特征进行特征训练，由此可得到每个医疗行为对应的不同资源配置属性的医疗资源特征，由此可适配多资源配置属性的智慧医疗行为大数据。其中，若每个医疗行为（每个目标医疗行为）对应有多种资源配置属性的医疗资源特征，那么在将医疗资源特征数据库与目标医疗行为进行匹配后，会得到不同资源配置属性下的多个医疗资源特征，则还需要从这多个医疗资源特征中确定出最终的医疗资源特征，可将目标医疗行为的资源配置属性与这些医疗资源特征的资源配置属性进行适配，最后确定出适配目标医疗行为的资源配置属性的医疗资源特征。具体方法可为，可获取医疗资源特征数据库；其中，医疗资源特征数据库中包括M种类别属性的配置医疗资源特征序列；每个配置医疗资源特征序列中包括目标数量个不同资源配置属性的配置医疗资源特征；M为正整数；目标数量为正整数；可将目标医疗行为与医疗资源特征数据库进行匹配，确定M种配置医疗资源特征序列分别与目标医疗行为之间的匹配置信度；在M个匹配置信度中，获取大于或等于预设置信度的匹配置信度，作为候选匹配置信度；随后，可获取候选匹配置信度中的最大候选匹配置信度，根据最大候选匹配置信度确定目标医疗行为对应的医疗资源特征。

其中，对于根据最大候选匹配置信度确定目标医疗行为对应的医疗资源特征的具体方法可为，可获取智慧医疗行为大数据的资源配置属性；在医疗资源特征数据库中，可获取最大候选匹配置信度对应的目标配置医疗资源特征序列；随后，可获取目标配置医疗资源特征序列中每个目标配置医疗资源特征的资源属性，将每个目标配置医疗资源特征的资源属性与资源配置属性进行匹配，将匹配成功的资源属性确定为目标资源属性；可将目标资源属性对应的目标配置医疗资源特征确定为目标医疗行为对应的医疗资源特征。

进一步地，可根据该目标医疗行为的医疗资源特征在该智慧医疗行为大数据中获取该目标医疗行为的医疗资源相关行为数据，具体方法可为：可获取智慧医疗行为大数据的多个候选医疗资源相关行为数据，可获取多个候选医疗资源相关行为数据分别对应的行为比较特征；可获取医疗资源特征的至少两个参考医疗资源相关行为数据，并获取至少两个参考医疗资源相关行为数据分别对应的参考比较特征；根据多个候选医疗资源相关行为数据分别对应的行为比较特征，与至少两个参考医疗资源相关行为数据分别对应的参考比较特征，可确定目标医疗行为的至少两个医疗资源相关行为数据。其中，医疗资源相关行为数据或参考医疗资源相关行为数据可以指用户发起的行为，该用户发起的行为可以指兴趣行为、关键触发行为，该用户发起的行为可以指数据信息（例如，智慧医疗行为大数据、医疗资源特征）中突出且具有实际统计价值的行为。对于提取智慧医疗行为大数据中的医疗资源相关行为数据、医疗资源特征中的参考医疗资源相关行为数据的方法，可采用现有技术中任意可实施的方法，此处不作限定。

以下将以多个候选医疗资源相关行为数据包括医疗资源相关行为数据ACi；多个候选医疗资源相关行为数据分别对应的行为比较特征包括该医疗资源相关行为数据ACi对应的行为比较特征Ra为例，来对根据多个候选医疗资源相关行为数据分别对应的行为比较特征，与至少两个参考医疗资源相关行为数据分别对应的参考比较特征，确定目标医疗行为的至少两个医疗资源相关行为数据的具体方法进行说明；其中，i为正整数；a为正整数；对于根据多个候选医疗资源相关行为数据分别对应的行为比较特征，与至少两个参考医疗资源相关行为数据分别对应的参考比较特征，确定目标医疗行为的至少两个医疗资源相关行为数据的具体方法可为：可确定至少两个参考医疗资源相关行为数据分别对应的参考比较特征，与行为比较特征Ra之间的特征重合度；其中，每个特征重合度用于表征每个参考医疗资源相关行为数据与医疗资源相关行为数据ACi之间的相似度；可在至少两个特征重合度中获取最小特征重合度，将最小特征重合度作为医疗资源相关行为数据ACi对应的目标特征重合度；将目标特征重合度与预设重合度进行匹配，若目标特征重合度大于或等于预设重合度，则可将医疗资源相关行为数据ACi确定为目标医疗行为的医疗资源相关行为数据。也就是说，可确定医疗资源特征中的每个参考医疗资源相关行为数据分别与该智慧医疗行为大数据中的每个医疗资源相关行为数据中的特征重合度，并将最小的特征重合度作为智慧医疗行为大数据中的每个医疗资源相关行为数据的目标特征重合度；随后，可将智慧医疗行为大数据中的每个医疗资源相关行为数据的目标特征重合度与预设重合度进行匹配，根据匹配结果可确定出目标医疗行为的医疗资源相关行为数据。

例如，智慧医疗行为大数据的医疗资源相关行为数据包括医疗资源相关行为数据A与医疗资源相关行为数据B，医疗资源特征的参考医疗资源相关行为数据包括医疗资源相关行为数据A1与医疗资源相关行为数据B2，则可确定医疗资源相关行为数据A与医疗资源相关行为数据A1之间的特征重合度C1、医疗资源相关行为数据A与医疗资源相关行为数据B2之间的特征重合度C2，随后，可将特征重合度C1与特征重合度C2进行比较，将特征重合度C1与特征重合度C2中的最小特征重合度作为医疗资源相关行为数据A的目标特征重合度，若该目标特征重合度大于或等于预设重合度，则可将该医疗资源相关行为数据A作为目标医疗行为的医疗资源相关行为数据；同理，可确定医疗资源相关行为数据B与医疗资源相关行为数据A1之间的特征重合度C3、医疗资源相关行为数据B与医疗资源相关行为数据B2之间的特征重合度C4，随后，可将特征重合度C3与特征重合度C4进行比较，将特征重合度C3与特征重合度C4中的最小特征重合度作为医疗资源相关行为数据B的目标特征重合度，若该目标特征重合度大于或等于预设重合度，则可将该医疗资源相关行为数据B作为目标医疗行为的医疗资源相关行为数据。其中，该预设重合度可是任意规定的数值。

步骤A120，根据医疗资源特征的资源范围确定至少两个医疗资源相关行为数据分别在智慧医疗行为大数据中的医疗资源节点，得到一个或多个医疗资源节点。

一种实施例中，以至少两个医疗资源相关行为数据包括第一医疗资源相关行为数据与第二医疗资源相关行为数据、一个或多个医疗资源节点包括第一医疗资源相关行为数据对应的第一医疗资源节点，以及第二医疗资源相关行为数据对应的第二医疗资源节点为例，对确定目标医疗行为的医疗资源相关行为数据在智慧医疗行为大数据中的医疗资源节点进行说明。对于确定目标医疗行为的医疗资源相关行为数据在智慧医疗行为大数据中的医疗资源节点，得到一个或多个医疗资源节点的具体方法可为，可获取第一医疗资源相关行为数据对应的第一目标特征重合度，以及第二医疗资源相关行为数据对应的第二目标特征重合度；可在第一目标特征重合度与第二目标特征重合度中，确定最小目标特征重合度；随后，可获取资源范围定位系数，按照资源范围定位系数可将医疗资源特征的资源范围进行处理，得到目标资源范围；根据最小目标特征重合度以及目标资源范围，可确定第一医疗资源相关行为数据对应的第一医疗资源节点与第二医疗资源相关行为数据对应的第二医疗资源节点。

其中，对于根据最小目标特征重合度以及目标资源范围，确定第一医疗资源相关行为数据对应的第一医疗资源节点与第二医疗资源相关行为数据对应的第二医疗资源节点的具体方法可为，可在第一医疗资源相关行为数据与第二医疗资源相关行为数据中，获取最小目标特征重合度对应的医疗资源相关行为数据，作为目标医疗资源相关行为数据；可获取目标医疗资源相关行为数据在智慧医疗行为大数据中的第一行为触发对象，并将第一行为触发对象作为目标资源范围的第一核心行为触发对象，根据第一核心行为触发对象与目标资源范围，可确定目标医疗资源相关行为数据对应的关键医疗资源节点；根据目标医疗资源相关行为数据对应的关键医疗资源节点确定第一医疗资源节点与第二医疗资源节点。

以目标医疗资源相关行为数据为第一医疗资源相关行为数据、目标医疗资源相关行为数据对应的关键医疗资源节点为第一医疗资源相关行为数据对应的第一医疗资源节点为例，对于根据目标医疗资源相关行为数据对应的关键医疗资源节点确定第一医疗资源节点与第二医疗资源节点的具体方法可为，可获取第二医疗资源相关行为数据在智慧医疗行为大数据中的第二行为触发对象；若第二行为触发对象处于第一医疗资源节点内，则将该关键医疗资源节点确定为第二医疗资源相关行为数据对应的第二医疗资源节点；其中，该第一医疗资源节点与第二医疗资源节点均属于关键医疗资源节点，也就是说，该第一医疗资源节点与第二医疗资源节点为同一知识图谱部分；而若第二行为触发对象未处于第一医疗资源节点内，则可将第二行为触发对象作为目标资源范围的第二核心行为触发对象，根据第二核心行为触发对象与目标资源范围，确定第二医疗资源相关行为数据对应的第二医疗资源节点。

应当理解，可在目标医疗行为的医疗资源相关行为数据中，获取每个医疗资源相关行为数据的目标特征重合度；随后，可优先确定最小的目标特征重合度，并将该最小的目标特征重合度对应的医疗资源相关行为数据（行为触发对象）作为目标资源范围的中心点，从而可确定出该医疗资源相关行为数据在该智慧医疗行为大数据中的医疗资源节点。进一步地，可获取次小的目标特征重合度，可确定该次小的目标特征重合度对应的医疗资源相关行为数据是否处于上述最小的目标特征重合度对应的医疗资源相关行为数据的医疗资源节点中，若处于其中，则可将该最小的目标特征重合度对应的医疗资源相关行为数据的医疗资源节点作为该次小的目标特征重合度的医疗资源节点；同理，可依次确定剩余医疗资源相关行为数据是否处于任一已创建的医疗资源节点中，若处于任一医疗资源节点中，则可将所处的医疗资源节点作为其对应的医疗资源节点，无需单独进行创建，而若未处于任一医疗资源节点中，则可以将其行为触发对象作为目标资源范围的中心点，创建其对应的医疗资源节点。

步骤A130，根据一个或多个医疗资源节点中包含的医疗资源相关行为数据，在一个或多个医疗资源节点中选择目标数量个医疗资源节点，作为目标数量个有效医疗资源节点，将目标数量个有效医疗资源节点所共同构成的医疗资源知识图谱确定为目标医疗行为在智慧医疗行为大数据中的目标医疗资源知识图谱；目标数量为小于或等于所述一个或多个医疗资源节点的总数量的正整数。

一种实施例中，对于确定目标数量个有效医疗资源节点的具体方法可为：可获取一个或多个医疗资源节点中每个医疗资源节点所包含的医疗资源相关行为数据，可确定每个医疗资源节点中所包含的医疗资源相关行为数据的行为数量；可将包含的医疗资源相关行为数据的行为数量最大的医疗资源节点作为初始有效医疗资源节点；随后，可在剩余医疗资源节点中可获取共享医疗资源节点，将初始有效医疗资源节点与共享医疗资源节点确定为有效医疗资源节点；其中，剩余医疗资源节点是指一个或多个医疗资源节点中，除初始有效医疗资源节点以外的医疗资源节点。

一种实施例中，可以理解的是，在选择初始有效医疗资源节点时，若在多个医疗资源节点中，存在两个医疗资源节点的所包含的医疗资源相关行为数据的行为数量相同，且该行为数量为最大，则可将该两个医疗资源节点均作为初始有效医疗资源节点，也可在该两个医疗资源节点中任选一个作为初始有效医疗资源节点。例如，若医疗资源节点a1与医疗资源节点a2所包含的医疗资源相关行为数据的行为数量相同，且该行为数量为最大，则可将该医疗资源节点a1与医疗资源节点a2均作为初始有效医疗资源节点，或在医疗资源节点a1与医疗资源节点a2中任选一个作为初始有效医疗资源节点。

以剩余医疗资源节点包括剩余医疗资源节点Sc（c为正整数）为例，对于在剩余医疗资源节点中获取共享医疗资源节点的具体方法可为：可获取剩余医疗资源节点Sc的第一资源覆盖区间，以及初始有效医疗资源节点的第二资源覆盖区间；可将第一资源覆盖区间与第二资源覆盖区间进行匹配，若第一资源覆盖区间与第二资源覆盖区间之间存在共享资源覆盖区间，则将剩余医疗资源节点Sc确定为共享医疗资源节点。

一种实施例中，可以理解的是，对于在剩余医疗资源节点中获取共享医疗资源节点的具体方法还可为：可根据两个医疗资源节点的节点属性，确定这两个医疗资源节点是否共享，而若两个医疗资源节点是共享的，则其中一个医疗资源节点的角点会处于另一医疗资源节点中。也就是说，若初始有效医疗资源节点与剩余医疗资源节点Sc是共享的，则初始有效医疗资源节点的角点会处于剩余医疗资源节点Sc内或剩余医疗资源节点Sc的角点会处于初始有效医疗资源节点内。

一种实施例中，可将上述有效医疗资源节点所组成的医疗资源知识图谱，作为目标医疗行为在智慧医疗行为大数据中的目标医疗资源知识图谱。例如，有效医疗资源节点包括医疗资源节点2、医疗资源节点3以及医疗资源节点4，医疗资源节点2、医疗资源节点3以及医疗资源节点4共同组成知识图谱P，则可将该知识图谱P作为目标医疗行为在智慧医疗行为大数据中的目标医疗资源知识图谱。

步骤A140，获取针对所述智慧医疗资源分配服务对应所述目标医疗行为的医疗资源分配请求，若所述医疗资源分配请求所包含的待分配医疗资源处于所述目标医疗资源知识图谱，则根据所述目标医疗资源知识图谱对所述待分配医疗资源进行分配。

在本公开实施例中，在识别与智慧医疗资源分配服务相关的智慧医疗行为大数据中的目标医疗行为（例如，某疾病急诊行为）的目标医疗资源知识图谱时，可通过目标医疗行为对应的医疗资源特征来确定目标医疗行为的至少两个医疗资源相关行为数据，并通过医疗资源特征的资源范围来确定目标医疗行为的医疗资源相关行为数据在智慧医疗行为大数据中的医疗资源节点；随后，可根据这些医疗资源节点中所分别包含的医疗资源相关行为数据的行为数量，在这些医疗资源节点中选择初始有效医疗资源节点，而根据是否与该初始有效医疗资源节点共享，在其他医疗资源节点中选择出共享医疗资源节点，从而可由初始有效医疗资源节点与共享医疗资源节点确定出有效医疗资源节点，该有效医疗资源节点所共同构成的医疗资源知识图谱可构建为目标医疗行为的目标医疗资源知识图谱。应当理解，若包含的医疗资源相关行为数据的数量越多，则其医疗资源节点也与该目标医疗行为越匹配，包含的医疗资源相关行为数据的数量最大的医疗资源节点，则可确定为是与目标医疗行为最为匹配的医疗资源知识图谱；而与该初始有效医疗资源节点不共享的医疗资源知识图谱，可确定其是存在误差的且数量较少的医疗资源相关行为数据所在的医疗资源知识图谱，这些知识图谱部分可被过滤掉，那么根据医疗资源相关行为数据的数量所选择的有效医疗资源节点，也就是将干扰知识图谱部分过滤掉的、与目标医疗行为匹配的准确的医疗资源知识图谱，则由有效医疗资源节点所组成的目标医疗资源知识图谱也是与目标医疗行为相匹配的准确的医疗资源知识图谱。也就是说，本公开可通过目标医疗行为的医疗资源相关行为数据的行为数量以及医疗资源特征的资源范围，来确定出目标医疗行为在智慧医疗行为大数据中的目标医疗资源知识图谱，可以提高目标医疗行为的医疗资源分配可靠性，减少分配误差。

应当理解，本公开在生成目标医疗行为的目标医疗资源知识图谱时，考虑到用户发起的行为最多的医疗资源知识图谱为最佳的匹配知识图谱部分的特点，所以采用了为每个医疗资源相关行为数据创建医疗资源节点，且采用根据每个医疗资源节点中包含的医疗资源相关行为数据的数量来确定有效医疗资源节点的方式，来创建每个医疗资源相关行为数据的目标医疗资源知识图谱，可提高对目标医疗行为的目标医疗资源知识图谱的生成准确性，由此，当获得智慧医疗资源分配服务对应目标医疗行为的医疗资源分配请求时，可以实现对目标医疗行为的准确医疗资源分配，从而可很好地响应该目标医疗行为对应的待分配医疗资源分配，提高目标医疗行为的医疗资源分配可靠性，减少分配误差。

一种实施例中，对于步骤A140，可以通过以下示例性的步骤实现。

步骤A141，获取针对所述智慧医疗资源分配服务对应所述目标医疗行为的医疗资源分配请求；

步骤A142，解析所述医疗资源分配请求所包含的待分配医疗资源，其中，所述待分配医疗资源为一个或者多个；

步骤A143，判断所述目标医疗资源知识图谱中的任意一个医疗资源节点是否具有匹配所述待分配医疗资源的特征信息，当所述目标医疗资源知识图谱中的任意一个医疗资源节点具有匹配所述待分配医疗资源的特征信息时，确定所述医疗资源分配请求所包含的待分配医疗资源处于所述目标医疗资源知识图谱，并获取对应的匹配医疗资源节点；

步骤A144，获取所述目标医疗资源知识图谱中所述匹配医疗资源节点的n个知识实体信息序列，一个知识实体信息序列包括一种知识实体下的医疗资源分布信息和医疗资源特征信息，n为正整数；

步骤A145，基于所述目标医疗资源知识图谱对应于所述待分配医疗资源的医疗资源行为分区在所述知识实体信息序列中的关联实体和资源分布类别，获取所述医疗资源行为分区的行为流向信息；

步骤A146，将所述医疗资源行为分区的行为流向信息与所述待分配医疗资源的预设资源分配模板中的预设行为流向信息进行融合，生成融合的目标行为流向信息；

步骤A147，从所述融合的目标行为流向信息的实时行为流向链，采样获取行为流向流程特征；

步骤A148，获取所述行为流向流程特征在所述知识实体信息序列中映射的目标关联实体和目标资源分布类别；

步骤A149，基于所述行为流向流程特征在所述知识实体信息序列中映射的目标关联实体和目标资源分布类别，对所述待分配医疗资源进行分配；

例如，一个知识实体信息序列包括一种知识实体下的医疗资源分布信息和医疗资源特征信息，n为正整数。

例如，关联实体和资源分布类别用于表征目标医疗资源知识图谱对应知识图谱具体信息，行为流向信息用于表征医疗资源行为分区中的每个医疗资源行为的行为顺序关系和行为影响关系。

其中，行为流向流程特征用于从不同角度描述目标行为流向信息的变化情况。

例如，目标关联实体和目标资源分布类别用于实现对行为流向流程特征的阶段性预测。

可以理解，通过医疗资源行为分区在不同知识实体信息序列中的关联实体和资源分布类别获取到的医疗资源行为分区的行为流向信息具有医疗资源行为的前瞻性趋势数据，这样能够为资源分配提供充足且精准的分析依据。通过将行为流向信息与预设行为流向信息进行融合得到目标行为流向信息，能够将预设行为流向信息对应的过往行为流向信息考虑在内，从而实现对之前发生的医疗资源行为的连续性分析。通过采样获取目标行为流向信息的实时行为流向链的行为流向流程特征，并基于行为流向流程特征在知识实体信息序列中映射的目标关联实体和目标资源分布类别能够实现对目标行为流向信息的阶段性行为分析，从而能够随着时间的推移逐渐增加分配精确度。

在一些示例中，为了确保融合时不会出现数据丢失，将所述医疗资源行为分区的行为流向信息与预设资源分配模板中的预设行为流向信息进行融合，生成融合的目标行为流向信息，包括：根据所述医疗资源行为分区的行为流向信息，确定第一融合行为节点信息，所述第一融合行为节点信息用于指示所述融合的目标行为流向信息与所述目标医疗资源知识图谱的知识实体信息序列之间的行为节点相关数据；基于所述第一融合行为节点信息，对所述预设资源分配模板中的预设行为流向信息进行融合，生成所述融合的目标行为流向信息。如此设计，能够基于第一融合行为节点信息实现不同轨迹数据的完整拼接，确保融合时不会出现数据丢失。

图3为本公开实施例提供的基于人工智能的智慧医疗信息决策装置300的功能模块示意图，下面分别对该基于人工智能的智慧医疗信息决策装置300的各个功能模块的功能进行详细阐述。

获取模块310，用于获取医疗软件终端的用户针对各个目标医疗行为所对应的医疗资源分配信息的线上订阅信息，并获得线上订阅信息的订阅跟踪轨迹。

第一输入模块320，用于将订阅跟踪轨迹输入预先训练的机器学习网络中的深度提取单元，得到订阅跟踪轨迹对应订阅目标属性对应的目标订阅兴趣分量。

第二输入模块330，用于将目标订阅兴趣分量输入机器学习网络的决策单元，获得订阅跟踪轨迹的目标决策微服务意图信息。

生成模块340，用于基于订阅跟踪轨迹的目标决策微服务意图信息，为医疗软件终端的用户生成对应的微服务推荐信息。

决策单元和深度提取单元之中的至少一个网络单元，是基于机器学习网络对参考订阅跟踪轨迹的决策订阅目标属性和真实订阅目标属性之间的网络评估指标值、以及基于机器学习网络对参考订阅跟踪轨迹的决策微服务意图信息和真实微服务意图信息之间的网络评估指标值进行网络权重更新获得的。

图4示出了本公开实施例提供的用于实现上述的基于人工智能的智慧医疗信息决策方法的云计算系统100的硬件结构示意图，如图4所示，云计算系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令，使得处理器110可以执行如上方法实施例的基于人工智能的智慧医疗信息决策方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作，从而可以与前述的医疗软件终端200进行数据收发。

处理器110的具体实现过程可参见上述云计算系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于人工智能的智慧医疗信息决策方法。

最后，应当理解的是，本说明书中实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书范围。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匹配。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。