信息显示方法和终端设备

技术领域

本公开的实施例涉及计算机技术领域，具体涉及信息显示方法和终端设备。

背景技术

随着人工智能技术的发展，分类聚类、识别分析和预测等方法已经成为了人工智能应用的基础技术。同时，智慧医疗作为人工智能应用的主要组成部分，得到了越来越多的关注。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了信息显示方法和终端设备，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种信息显示方法，该方法包括：获取用户输入的目标文档和目标数据对集获取目标文档和目标数据对集；检测是否从目标终端设备接收到操作授权信号；响应于检测到操作授权信号，获取问题词集合，其中，问题词为表征疾病症状的词汇；将问题词集合输入预先确定的预测模型，以得到目标图；将目标图推送至具有显示功能的目标终端设备，以及控制目标终端设备显示目标图。

在一些实施例中，所述预先确定的预测模型包括第一数目个预先训练的神经网络，其中，所述预先训练的神经网络利用下式生成输出特征：

其中，W为所述预先训练的神经网络的权重参数，A为所述预先训练的神经网络的输入，A为所述问题图中的关系矩阵，

第二方面，本公开的一些实施例提供了一种信息显示装置，该装置包括：检测单元，被配置成检测是否从目标终端设备接收到操作授权信号，其中，操作授权信号是用户对目标控件执行目标操作产生的信号；接收单元，被配置成响应于检测到操作授权信号，获取问题词集合，其中，问题词为表征疾病症状的词汇；生成单元，被配置成将问题词集合输入预先确定的预测模型，以得到目标图；控制单元，被配置成将目标图推送至具有显示功能的目标终端设备，以及控制目标终端设备显示目标图。

第三方面，本公开的一些实施例提供了一种终端设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面中任一的方法。

本公开的上述各个实施例中具有如下有益效果：通过本公开的一些实施例的信息显示方法能够利用预先确定的预测模型根据获取的问题词集合生成包含疾病症状的目标图。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开的一些实施例可以应用于其中的示例性系统的架构图；

图2是根据本公开的信息显示方法的一些实施例的流程图；

图3是示例性的授权提示框；

图4是根据本公开的用于训练预测模型的训练步骤的一个实施例的流程图；

图5是根据本公开的信息显示装置的一些实施例的流程图；

图6是适于用来实现本公开的一些实施例的终端设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的信息显示方法的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如信息处理应用、信息生成应用、数据分析应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种终端设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供问题词集合输入等)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103输入的问题词集合进行存储的服务器等。服务器可以对接收到的问题词集合进行处理，并将处理结果(例如目标图)反馈给终端设备。

需要说明的是，本公开实施例所提供的信息显示方法可以由服务器105，也可以由终端设备执行。

需要指出的是，服务器105的本地也可以直接存储问题词集合，服务器105可以直接提取本地的问题词集合通过处理后得到目标信息集合，此时，示例性系统架构100可以不包括终端设备101、102、103和网络104。

还需要指出的是，终端设备101、102、103中也可以安装有信息显示应用，此时，处理方法也可以由终端设备101、102、103执行。此时，示例性系统架构100也可以不包括服务器105和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供信息显示服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的信息显示方法的一些实施例的流程200。该信息显示方法，包括以下步骤：

步骤201，检测是否从目标终端设备接收到操作授权信号。

在一些实施例中，信息生成方法的执行主体(例如图1所示的服务器)可以检测是否从目标终端设备接收到操作授权信号。其中，操作授权信号是用户对目标控件执行目标操作产生的信号。上述目标终端设备可以是登录有上述用户对应账号的终端设备。上述终端设备可以是“手机”，也可以是“电脑”。上述目标控件可以包含于授权提示框中。目标控件显示于授权提示框中，授权提示框在目标终端设备上显示。

步骤202，响应于检测到操作授权信号，获取问题词集合。

在一些实施例中，信息显示方法的执行主体(例如图1所示的服务器)可以响应于接收到操作授权信号，获取问题词集合。其中，问题词集合中的问题词为表征疾病症状的词汇。具体的，问题词可以是“咳痰”，问题词也可以是“咽痛”，问题词还可以是“胸闷”。问题词集合可以是“咳痰，胸闷，持续一周”。问题词集合包括第一数目个问题词。具体的，问题词集合可以是用户输入的。

上述操作授权信号可以是上述问题词对应的用户，对目标控件执行目标操作产生的信号。上述目标控件可以包含于授权提示框中。上述授权提示框可以在目标终端设备显示。上述目标终端设备可以是登录有上述用户对应账号的终端设备。上述终端设备可以是“手机”，也可以是“电脑”。上述目标操作可以是“点击操作”，也可以是“滑动操作”。上述目标控件可以是“确认按钮”。

作为示例，上述授权提示框可以如图3所示。上述授权提示框可以包括：提示信息显示部分301和控件302。其中，上述提示信息显示部分301可以用于显示提示信息。上述提示信息可以是“是否允许获取问题词”。上述控件302可以是“确认按钮”，也可以是“取消按钮”。

步骤203，将问题词集合输入预先确定的预测模型，以得到目标图。

在一些实施例中，上述执行主体将问题词集合输入预先确定的预测模型，以得到目标图。

可选的，将问题词集合转换为问题图。具体的，问题图为图结构数据。图结构数据中包括节点和边。其中，节点对应疾病症状，边表征节点之间的关系。具体的，可以将问题词集合中的表征疾病症状的词汇确定为问题图中的节点。问题图中的边为空。

可选的，将问题图输入预先确定的预测模型，以得到目标图。其中，目标图包含问题词集合对应的各个症状信息。目标图可以用于后续辅助医生问诊。可选的，预先确定的预测模型包括第一数目个预先训练的神经网络。预先训练的神经网络利用下式生成输出特征：

其中，W为预先训练的神经网络的权重参数，A为预先训练的神经网络的输入。A为问题图中的关系矩阵，

具体的，将预先确定的预测模型的第一数目预先训练的神经网络的输出特征确定为目标特征。将目标特征转化为图结构数据，以得到目标图。

步骤204，将目标图推送至具有显示功能的目标终端设备，以及控制目标终端设备显示目标图。

在一些实施例中，上述执行主体将目标图推送至具有显示功能的目标终端设备，以及控制目标终端设备显示目标图。其中，目标终端设备可以是与上述执行主体通信连接的设备，可以根据接收到的目标图进行显示相关操作。例如，当上述执行主体输出的目标图中的节点集合可以是含【“咳痰”，“咽痛”，“头痛”，“加重”，“持续2天”】。目标终端设备可以将目标图中的节点加重展示，以提示针对上述疾病症状进行进一步的诊断或治疗。通过预先确定的预测模型能够生成准确度高的目标图，从而提升显示相关操作的准确度。

图2给出的一个实施例具有如下有益效果：获取用户输入的目标文档和目标数据对集获取目标文档和目标数据对集；检测是否从目标终端设备接收到操作授权信号；响应于检测到操作授权信号，获取问题词集合，其中，问题词为表征疾病症状的词汇；将问题词集合输入预先确定的预测模型，以得到目标图；将目标图推送至具有显示功能的目标终端设备，以及控制目标终端设备显示目标图。该实施方式利用预先确定的预测模型根据获取的问题词集合生成包含疾病症状的目标图。

继续参考图4，示出了根据本公开的预先确定的预测模型的训练步骤的一个实施例的流程400。该训练步骤可以包括以下步骤：

步骤401，获取样本集。

在一些实施例中，该训练步骤的执行主体可以与信息显示方法的执行主体(例如图1所示的终端设备)相同或者不同。如果相同，则该训练步骤的执行主体可以在训练得到预测模型后将训练好的预测模型的模型结构信息和模型参数的参数值存储在本地。如果不同，则该训练步骤的执行主体可以在训练得到预测模型后将训练好的预测模型的模型结构信息和模型参数的参数值发送给信息显示方法的执行主体。

在一些实施例中，该训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取样本集。其中，样本集中的样本包括样本输入图和对应于样本输入图的样本输出图。可选的，生成样本输入图集合，其中，样本输入图集合为空集。获取历史病例文档集合，其中，历史病例文档集合包括第二数目个历史病例文档。基于历史病例文档集合，生成初始图集合。其中，初始图集合包括第二数目个初始图，初始图包括初始节点集合和初始边集合，初始节点为历史病例文档中的病症症状特征，初始边表示不同初始节点之间的关系，初始边的权重为不同初始节点间的累计连接次数。

可选的，对于初始图集合中的每个初始图，基于该初始图生成该初始图对应的图集合，以得到图集合的集合。对于初始图集合中的每个初始图，生成第一过程图。其中，第一过程图与该初始图相同。生成初始对应图集合，其中，初始对应图集合为空集。确定生成次数，其中，生成次数可以是任意正整数。响应于生成次数不为0，执行以下生成步骤：

将第一过程图确定为第二过程图。随机删除第二过程图中的第三数目个节点，以得到第三过程图。更新第三过程图中的边。将第三过程图放入所述初始对应图集合中。将生成次数的值减1。将初始对应图集合确定为该初始图对应的图集合。

将图集合的集合中的各个图放入样本输入图集合中。具体的，对于如下历史病历文档“患者2020-05无意发现右颈部一枣子大小的肿物，无疼痛、破溃，无发热、心悸、性格、食欲改变，无声音嘶哑，无吞咽困难，无呼吸困难，无饮水呛咳，无头颈部疼痛，无胸廓出口综合征，2020-05-25到医院就诊，进行甲状腺超声检查示：甲状腺双侧叶多发实性及混合性回声团，疑结节性甲状腺肿可能。现为求进一步诊疗来确诊，门诊以“结节性甲状腺肿”收住院治疗。自发病以来，病人精神状态良好，体力情况良好，食欲食量良好，睡眠情况良好，体重无明显变化，大便正常，小便正常。”，可以将其翻译为结构化段落“[{"甲状腺超声"：["所见"："回声团"：["位置"："甲状腺双侧叶"，"性质"："发实性，混合性"]]，"结论"："结节性甲状腺肿"]}，"精神"："良好"，"体力"："良好"，"食欲"："良好"，"食量"："良好"，"体重"："无变化"，"大便"："正常"，"小便"："正常"]”。可以利用该结构化段落生成初始图，其中，可以将结构化段落中的内容元素作为初始图中的初始节点，初始边可以为空。将初始图确定为G，利用上述生成步骤，可以生成G对应的子图集合{G1,G2,G3}，其中，G1中的节点可以包括【“食欲良好”，“大便正常”】，G2中的节点可以包括【“结节性甲状腺肿”，“小便正常”】，G3中的节点可以包括【“甲状腺双侧叶”，“结节性甲状腺肿”，“食欲良好”】。

上述步骤401中的可选内容，即：“通过采样方式构建样本集的技术内容”作为本公开的实施例的一个发明点，解决了“受限于问题词集合中的信息不完整，可利用的疾病症状相关的医学信息较少，在可参考的历史数据有限的情况下利用人工智能模型辅助问诊，会出现算法失偏的问题”。导致算法失偏的因素往往如下：可利用的结构化的医学病例有限，能够用于预测模型训练的样本数据很少，影响了预测模型的预测准确度。如果解决了上述因素，就能达到提高辅助诊断水平的效果。为了达到这一效果，本公开引入采样方式生成样本集。首先，对历史病例文档集合进行结构化处理，以得到初始图集合。然后，利用上述生成步骤，对初始图集合进行采样处理，生成初始图集合对应的图集合，以得到图集合的集合。最后，将处理得到的图集合的集合确定为样本输入图集合。通过采样生成方法，能够根据初始图集合生成图集合的集合，其中分别包括了医学疾病病症信息，以解决训练样本数据不足的问题，从而满足高质量预测模型的训练需求。

步骤402，确定初始预测模型的模型结构以及初始化初始预测模型的模型参数。

在一些实施例中，该训练步骤的执行主体可以首先确定初始预测模型的模型结构。可选的，初始预测模型可以包括第一数目个初始神经网络。

然后，该训练步骤的执行主体可以初始化初始预测模型的模型参数。实践中，可以将初始预测模型的各个模型参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。

步骤403，利用机器学习方法，将样本集中的样本包括的样本输入图作为初始预测模型的输入，将与输入的样本输入图对应的预先得到的样本的输出图作为初始预测模型的期望输出，训练得到预测模型。

在一些实施例中，该训练步骤的执行主体可以将用机器学习方法，将样本集中的样本包括的样本输入图作为初始预测模型的输入，将与输入的样本输入图对应的预先得到的样本的输出图作为初始预测模型的期望输出，训练得到预测模型。

具体，将选取的样本的样本输入图输入至初始预测模型，以得到选取的样本的输出图。将选取的样本的输出图与对应的样本输出图进行比较。根据比较结果确定初始预测模型是否达到预设的优化目标。具体的，优化目标可以是小于预先确定的阈值，优化目标也可以是达到预先确定的迭代次数。响应于确定初始预测模型达到优化目标，将初始预测模型作为预先训练的预测模型。

响应于确定初始预测模型未训练完成，调整初始预测模型中的相关参数，以及从样本集中重新选取样本，使用调整后的初始预测模型作为初始预测模型，再次执行训练步骤。

图4给出的一个实施例具有如下有益效果：通过采样方法生成样本输入图集合，能够提高预测模型的训练效果，提升预测模型的预测准确度，从而提高后续辅助医学诊断的水平，减少误诊情况。

进一步参考图5，作为对上述各图上述方法的实现，本公开提供了一种信息显示装置的一些实施例，这些装置实施例与图2上述的那些方法实施例相对应，该装置具体可以应用于各种终端设备中。

如图5所示，一些实施例的信息显示装置500，装置包括：检测单元501、接收单元502、生成单元503和控制单元504。其中，检测单元501，被配置成检测是否从目标终端设备接收到操作授权信号。其中，操作授权信号是用户对目标控件执行目标操作产生的信号。接收单元502，被配置成响应于检测到操作授权信号，获取问题词集合，其中，问题词为表征疾病症状的词汇。生成单元503，被配置成将问题词集合输入预先确定的预测模型，以得到目标图。控制单元504，被配置成将目标图推送至具有显示功能的目标终端设备，以及控制目标终端设备显示目标图。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统600包括中央处理单元(CPU，Central Processing Unit)601，其可以根据存储在只读存储器(ROM，Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM，Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O，Input/Output)接口605也连接至总线604。

以下部件连接至I/O接口605：包括硬盘等的存储部分606；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分607。通信部分607经由诸如因特网的网络执行通信处理。驱动器608也根据需要连接至I/O接口605。可拆卸介质609，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器608上，以便于从其上读出的计算机程序根据需要被安装入存储部分606。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分607从网络上被下载和安装，和/或从可拆卸介质609被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。