一种基于深度学习的医院分诊和预测医学检查项目的方法

技术领域

本发明涉及医学领域，具体是指一种基于深度学习的医院分诊和预测医学检查项目的方法。

背景技术

现如今，由于医生与患者数量不匹配，导致挂号越来越难，甚至需要提前1周或1周以上进行提前预约，基于此，在线预约成为了医院提供的一项十分重要的服务，但是患者在线预约时，并不确定自己到底需要挂哪个科室，具体应该检测哪些项目，只能凭自身经验进行预约，一旦预约错误，存在重新预约的风险。

发明内容

基于以上问题，本发明提供了一种基于深度学习的医院分诊和预测医学检查项目的方法，针对在线预约的患者提供医学检查项目预测，可为患者提供检查注意事项，提高就诊效率。

为解决以上技术问题，本发明采用的技术方案如下：

一种基于深度学习的医院分诊和预测医学检查项目的方法，包括如下步骤：

步骤一、采集患者信息；

步骤二、对患者信息进行编码；

步骤三、将编码的向量进行分类，得到不同科室的分诊概率和不同医学检查项目的概率；

步骤四、对各个科室的分诊概率进行排序，返回排名最高的设定个数的推荐科室和对应的分诊概率。

进一步，所述患者信息包括患者症状描述、患者既往史、家族疾病史、患者性别和患者年龄。

进一步，还包括Bert模型和Word2Vec模型，所述Bert模型和Word2Vec模型分别对患者症状描述、患者既往史、家族疾病史的文本语义信息进行向量化编码；对患者性别进行one-hot编码，男性为0，女性为1；对患者年龄除以100进行归一化处理。

进一步，还包括多个第一双向LSTM模块、多个第二双向LSTM模块、第一全连接神经网络模块和第二全连接神经网络模块；将Word2Vec模型的输出结果输入第一双向LSTM模块，输出结果输入第一全连接神经网络模块和第二全连接神经网络模块；将Bert模型的输出结果输入第二双向LSTM模块，输出结果输入第一全连接神经网络模块和第二全连接神经网络模块。

进一步，所述第一双向LSTM模块包括两层双向LSTM层，双向合并方式采用求和。

进一步，所述第二双向LSTM模块包括一层双向LSTM层，双向合并方式采用求和。

进一步，所述第一全连接神经网络以0.2的比例对经合并后的向量进行Dropout，将结果输入全连接层，激活函数为tanh，隐藏层神经元数量为512，以0.2的比例对全连接层的输出进行Dropout，将结果输入全连接层，激活函数为softmax，隐藏层神经元数量为科室数量。

进一步，所述第二全连接神经网络以0.2的比例对经合并后的向量进行Dropout，将结果输入全连接层，激活函数为tanh，隐藏层神经元数量为512，以0.2的比例对全连接层的输出进行Dropout，将结果输入全连接层，激活函数为sigmoid，隐藏层神经元数量为医学检查项目数量。

与现有技术相比，本发明的有益效果是：本方法能够更充分的利用原始文本即采集的患者信息的语义信息，利用Bert模型和Word2Vec模型对原始文本进行向量化，能够更有效的保留患者的信息，从而提供更准确的预测结果。

附图说明

图1为本实施例1的流程图。

具体实施方式

下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。

本实施例中，包括Bert模型、Word2Vec模型、多个第一双向LSTM模块、多个第二双向LSTM模块、第一全连接神经网络模块和第二全连接神经网络模块，其中：

(1)Word2Vec模型分别对患者症状描述、患者既往史、家族疾病史的文本语义信息进行向量化编码，分别将患者症状描述变为向量W_dec,将患者既往史变为向量W_his_self，将家族疾病史变为向量W_his_family；

(2)Bert模型分别对患者症状描述、患者既往史、家族疾病史的文本语义信息进行向量化编码，分别将患者症状描述变为向量B_dec,将患者既往史变为向量B_his_self，将家族疾病史变为向量B_his_family；

(3)第一双向LSTM模块包括两层双向LSTM层，双向合并方式采用求和，第一双向LSTM模块为三个，其中一个输入向量W_dec，得到BiLSTM_W_dec；其中一个输入向量W_his_self，得到BiLSTM_W_his_self；其中一个输入向量W_his_family，得到BiLSTM_W_his_family；

(4)第二双向LSTM模块包括一层双向LSTM层，双向合并方式采用求和，第二双向LSTM模块为三个，其中一个输入向量B_dec，得到BiLSTM_B_dec；其中一个输入向量B_his_self，得到BiLSTM_B_his_self；其中一个输入向量B_his_family，得到BiLSTM_B_his_family；

(5)第一全连接神经网络以0.2的比例对经合并后的向量进行Dropout，将结果输入全连接层，激活函数为tanh，隐藏层神经元数量为512，以0.2的比例对全连接层的输出进行Dropout，将结果输入全连接层，激活函数为softmax，隐藏层神经元数量为科室数量；

(6)第二全连接神经网络以0.2的比例对经合并后的向量进行Dropout，将结果输入全连接层，激活函数为tanh，隐藏层神经元数量为512，以0.2的比例对全连接层的输出进行Dropout，将结果输入全连接层，激活函数为sigmoid，隐藏层神经元数量为医学检查项目。

基于以上，如图1所示，一种基于深度学习的医院分诊和预测医学检查项目的方法，包括如下步骤：

步骤一、采集患者信息；

其中，患者信息包括患者症状描述、患者既往史、家族疾病史、患者性别和患者年龄。

步骤二、对患者信息进行编码；

其中，使用Word2Vec模型分别将患者症状描述变为向量W_dec,将患者既往史变为向量W_his_self，将家族疾病史变为向量W_his_family；使用Bert模型分别将患者症状描述变为向量B_dec,将患者既往史变为向量B_his_self，将家族疾病史变为向量B_his_family；

另外，对患者性别进行one-hot编码，男性为0，女性为1；对患者年龄除以100进行归一化处理。

步骤三、将编码的向量进行分类，得到不同科室的分诊概率和不同医学检查项目的概率；

其中，分别输入向量W_dec、向量W_his_self、向量W_his_family至第一双向LSTM模块得到BiLSTM_W_dec、BiLSTM_W_his_self和BiLSTM_W_his_family；分别输入向量B_dec、向量B_his_self、向量B_his_family至第二双向LSTM模块得到BiLSTM_B_dec、BiLSTM_B_his_self和BiLSTM_B_his_family；最后，将合并后的向量、编码后的患者性别以及归一化的患者年龄输入第一全连接神经网络模块和第二全连接神经网络模块，得到不同科室的分诊概率和不同医学检查项目的概率。

步骤四、对各个科室的分诊概率进行排序，返回排名最高的设定个数的推荐科室和对应的分诊概率；

其中，对各个医学检查项目的概率以设定的阈值进行筛选，保留高于阈值的概率并返回最高的设定个数的检查项目和对应的概率。

本实施例中，以如下患者信息作为输入，运行整个系统：

患者性别：男。

患者年龄：50岁。

患者症状描述：左下胸部不适4天，加重4小时；该患者缘于4天前无明显原因出现左下胸部不适，无咳嗽、咳痰，无畏冷发热，未引起注意，未行任何治疗；4小时前因进食凉菜后再次出现左下胸部不适，无腹泻及恶心、呕吐，自服消化药物无缓解；发病以来，精神差，睡眠欠佳；大小便正常。

患者既往史：平素体健，否定肝炎、伤寒、菌痢、肺炎等传染疾病；否认手术外伤史及食物药物过敏史；预防接种史欠详；无吸烟、饮酒史。

家族疾病史：否认家族遗传病史及类似病史。

最终系统输出结果如下(科室数量设定为2，检测项目数量为3)：

就诊科室：

心内科(0.7)；消化内科(0.2)。

医学检查项目：

体格检查(0.7)；胸片(0.75)；血常规(0.73)。

如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程，并非用以限制本发明的专利保护范围，本发明的专利保护范围仍然以其权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。