医疗影像报告评估方法、装置、电子设备及存储介质

技术领域

本发明涉及医疗数据处理技术领域，具体而言，涉及一种医疗影像报告评估方法、装置、电子设备及存储介质。

背景技术

为了监控医疗文本的质量，通常可以通过预先指定的规则对医疗文本质控。

但是，目前对医疗文本的质控的医疗文本对象形式单一，且只能按照罗列的所有规则描述进行质控，一旦遇到没有列举的项目，将无法对医疗文本进行质控，效率低下、准确率较低。

发明内容

本发明的目的在于，针对上述现有技术中的不足，提供一种医疗影像报告评估方法、装置、电子设备及存储介质，以便对医疗影像报告进行多角度、全面评估。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种医疗影像报告评估方法，包括：

获取医疗影像报告中的文本内容，所述文本内容包括：属性文本，以及影像诊断文本；所述属性文本用于表征所述医疗影像报告的属性；

根据所述属性文本以及所述影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到所述影像诊断文本的完整性评估结果，所述完整性评估结果包括：完整度评估值，所述完整度评估值用于表征所述影像诊断文本中所述医疗影像报告对应的多个医疗关注项的完整度；

根据所述影像诊断文本、所述医疗影像报告对应的病理诊断报告，对所述医疗影像报告进行一致性评估，得到所述医疗影像报告的诊断一致性评估结果；

根据所述影像诊断文本的完整性评估结果，和所述诊断一致性评估结果，得到所述医疗影像报告的评估结果。

可选的，所述根据所述属性文本以及所述影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到所述影像诊断文本的完整性评估结果，包括：

根据所述属性文本，确定所述多个医疗关注项；

根据所述多个医疗关注项、以及所述影像诊断文本，采用所述机器阅读理解模型进行评估，得到所述完整性评估结果。

可选的，所述完整性评估结果还包括：所述多个医疗关注项中目标医疗关注项对应文本的位置信息；所述方法还包括：

根据所述位置信息，采用预训练的体征异常评估模型，得到所述目标关注项对应体征的异常评估结论；

所述根据所述影像诊断文本的完整性评估结果，和所述诊断一致性评估结果，得到所述医疗影像报告的评估结果，包括：

根据所述影像诊断文本的完整性评估结果、所述诊断一致性评估结果和所述异常评估结论，得到所述医疗影像报告的评估结果。

可选的，所述根据所述影像诊断文本、所述医疗影像报告对应的病理诊断报告，对所述医疗影像报告进行一致性评估，得到所述医疗影像报告的诊断一致性评估结果，包括：

根据所述影像诊断文本和所述病理诊断报告，分别从预设的疾病知识库中确定所述影像诊断文本对应的多个第一候选疾病的标准术语，和所述病理诊断报告对应的多个第二候选疾病的标准术语；

根据所述影像诊断文本和所述多个第一候选疾病的标准术语，从所述多个第一候选疾病中确定所述影像诊断文本对应的第一目标疾病；

根据所述病理诊断文本和所述多个第二候选疾病的标准术语，从所述多个第二候选疾病中确定所述病理诊断文本对应的第二目标疾病；

根据所述第一目标疾病和所述第二目标疾病，对所述医疗影像报告进行一致性评估，得到所述医疗影像报告的诊断一致性评估结果。

可选的，所述方法还包括：

采用预训练的诊断结论识别模型，对所述影像诊断文本进行诊断结论的识别，得到所述影像诊断文本对应的诊断结论识别结果；

所述根据所述影像诊断文本的完整性评估结果，和所述诊断一致性评估结果，得到所述医疗影像报告的评估结果，包括：

根据所述影像诊断文本的完整性评估结果、所述诊断一致性评估结果和所述诊断结论识别结果，得到所述医疗影像报告的评估结果。

可选的，所述方法还包括：

根据所述影像诊断文本，确定所述医疗影像报告对应的异常部位；

根据所述异常部位和所述影像诊断文本中的诊断结论，得到所述医疗影像报告的检查部位匹配结果；

根据所述影像诊断文本的完整性评估结果，和所述诊断一致性评估结果，得到所述医疗影像报告的评估结果，包括：

根据所述影像诊断文本的完整性评估结果、所述诊断一致性评估结果和所述检查部位匹配结果，得到所述医疗影像报告的评估结果。

可选的，所述方法还包括：

对所述属性文本分别进行患者信息的完整性评估，对所述影像诊断文本进行和检查信息的完整性评估，得到患者信息完整性结论和检查信息完整性结论；

根据所述影像诊断文本的完整性评估结果、所述诊断一致性评估结果，所述患者信息完整性结论和所述检查信息完整性结论，得到所述医疗影像报告的评估结果。

第二方面，本申请实施例还提供了一种医疗影像报告评估装置，包括：

获取模块，用于获取医疗影像报告中的文本内容，所述文本内容包括：属性文本，以及影像诊断文本；所述属性文本用于表征所述医疗影像报告的属性；

完整性评估模块，用于根据所述属性文本以及所述影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到所述影像诊断文本的完整性评估结果，所述完整性评估结果包括：完整度评估值，所述完整度评估值用于表征所述影像诊断文本中所述医疗影像报告对应的多个医疗关注项的完整度；

一致性评估模块，用于根据所述影像诊断文本、所述医疗影像报告对应的病理诊断报告，对所述医疗影像报告进行一致性评估，得到所述医疗影像报告的诊断一致性评估结果；

评估结果生成模块，用于根据所述影像诊断文本的完整性评估结果，和所述诊断一致性评估结果，得到所述医疗影像报告的评估结果。

第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如第一方面任一所述的医疗影像报告评估方法的步骤。

第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的医疗影像报告评估方法的步骤。

本申请的有益效果是：本申请实施例提供一种医疗影像报告评估方法，获取医疗影像报告中的文本内容后，根据属性文本以及影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到影像诊断文本的完整性评估结果；再根据影像诊断文本、医疗影像报告对应的病理诊断报告，对医疗影像报告进行一致性评估，得到医疗影像报告的诊断一致性评估结果；最后，根据影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果。由此，本申请实现了对影像诊断文本的完整性、诊断一致性等评估，通过得到医疗影像报告的评估结果提示医疗影像报告的改进方向。此外，医疗影像报告的评估结果还可以指导相关工作人员提高影像诊断文本的撰写质量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请一实施例提供的一种医疗影像报告评估方法的流程图；

图2为本申请又一实施例提供的一种医疗影像报告评估方法的流程图；

图3为本申请另一实施例提供的一种医疗影像报告评估方法的流程图；

图4为本申请再一实施例提供的一种医疗影像报告评估方法的流程图；

图5为本申请再二实施例提供的一种医疗影像报告评估方法的流程图；

图6为本申请再三实施例提供的一种医疗影像报告评估方法的流程图；

图7为本申请再四实施例提供的一种医疗影像报告评估方法的流程图；

图8为本申请一实施例提供的一种医疗影像报告评估装置的示意图；

图9为本申请实施例提供的一种电子设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

在本申请中，除非另有明确的规定和限定，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包含至少一个特征。在本发明中的描述中，“多个”的含义是至少两个，例如两个、三个，除非另有明确具体的限定。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了监控医疗文本的质量，通常可以通过预先指定的规则对医疗文本质控。

目前，技术人员尝试利用各类算法实现对医学数据的处理，目前主要实现的是对病历文书的质控，例如在实践中通常基于自然语言处理(Natural Language Processing，NLP)技术进行信息抽取，实现对文本的提取工作；对提取后的文本与知识库进行匹配，最后根据预先建立的质控规则对病历文书质控。

一方面，这种方式只针对病历文书，其评价角度与评价方式与本申请对医疗影像报告的评价角度、评价方式存在明显区别。此外，通过预先建立质控规则来进行医疗文本质控是一种普遍手段，使用质控规则进行质控缺乏举一反三以及进行自主学习相关知识逻辑的能力，只能按照罗列的所有规则描述进行质控，一旦遇到没有列举的项目，将无法对医疗文本进行质控。如今医院医生基于罗列的规则进行医疗文本质控，效率低下且准确率较低。

另一方面，质控时针对医疗文本会使用自然语言处理技术来进行智能化质控，但现有产品在设计之初通常仅考虑当前医疗质控的范畴，其功能以及实现技术缺乏对其他医疗文本质控的迁移性。

再一方面，自然语言处理的精度受标注语料数据和质量的影响很大。通常需要大量标注的数据，提升质控模型的效果，但标注成本会随着数据量的增加而增高。

针对目前存在的问题，本申请实施例提供了多种可能的实现方式，以便对医疗影像报告进行多角度、全面评估。如下结合附图通过多个示例进行解释说明。图1为本申请一实施例提供的一种医疗影像报告评估方法的流程图，该方法可由运行有上述医疗影像报告评估方法的电子设备实现，该电子设备例如可以为终端设备，也可以为服务器。如图1所示，该方法包括：

步骤101：获取医疗影像报告中的文本内容，文本内容包括：属性文本，以及影像诊断文本；属性文本用于表征医疗影像报告的属性。

需要说明的是，医疗影像报告的文本内容指的是通过医疗影像相关的信息，其中可以包括属性文本，和影像诊断文本；其中，属性文本是表征医疗影像报告的属性的文本，例如医疗影像报告对应的医疗影像采集设备、医疗影像报告对应的采集部位等，本申请对此不做限定。影像诊断文本是通过医疗影像可以得到的诊断相关的信息，例如诊断结论、从影像中观察得到的体征信息等，本申请对此不做限定。根据医疗影像采集设备、设备类型、对应部位、影像诊断文本生成方式的不同等，影像诊断文本中包括的文本内容可能不同，本申请对此不做限定。

步骤102：根据属性文本以及影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到影像诊断文本的完整性评估结果，完整性评估结果包括：完整度评估值，完整度评估值用于表征影像诊断文本中医疗影像报告对应的多个医疗关注项的完整度。

需要说明的是，完整性评估指的是对影像诊断文本包括医疗关注项的完整程度进行评估。具体的，根据属性文本可以确定处当前医疗影像应当包括的全部医疗关注项，再根据影像诊断文本中包括的医疗关注项与全部医疗关注项，得到完整性评估值。

在一种可能的实现方式中，完整性评估值可以为百分比，即每个通过计算影像诊断文本中包括的医疗关注项与全部医疗关注项的百分比，得到完整性评估值；

在另一种可能的实现方式中，完整性评估值也可以为分值，例如为全部医疗关注项中医疗关注项确定分值，通过计算所有影像诊断文本中包括的医疗关注项的累计分值，得到完整性评估值。

在一种具体的实现方式中，可以根据属性文本，确定该医疗影像报告对应的多个医疗关注项，再采用预训练的机器阅读理解模型确定影像诊断文本中存在的与医疗关注项相关的字段以得到完整性评估值。

上述仅为实例说明，在实际实现中，还可以有其他的实现形式，本申请对此不做限定。

步骤103：根据影像诊断文本、医疗影像报告对应的病理诊断报告，对医疗影像报告进行一致性评估，得到医疗影像报告的诊断一致性评估结果。

需要说明的是，病理诊断报告指的是接诊人员(例如医生等)根据医疗影像确定的诊断结论；一致性指的是影像诊断文本确定的诊断结论与病理诊断报告中的诊断结论的一致性。

进行一致性评估后得到的医疗影像报告的诊断一致性评估结果例如可以为有无一致性的结论，或者有无一致性对应的一致性分值等，本申请对此不做限定。

步骤104：根据影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果。

最后，根据上述影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果，即可得到对医疗影像报告的评估结果。其中，医疗影像报告的评估结果可以以综合得分或者完整性、一致性分别评分的方式呈现，本申请对此不做限定。

综上，本申请实施例提供一种医疗影像报告评估方法，获取医疗影像报告中的文本内容后，根据属性文本以及影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到影像诊断文本的完整性评估结果；再根据影像诊断文本、医疗影像报告对应的病理诊断报告，对医疗影像报告进行一致性评估，得到医疗影像报告的诊断一致性评估结果；最后，根据影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果。由此，本申请实现了对影像诊断文本的完整性、诊断一致性等评估，通过得到医疗影像报告的评估结果提示医疗影像报告的改进方向。此外，医疗影像报告还可以指导相关工作人员提高影像诊断文本的撰写质量。

可选的，在上述图1的基础上，本申请还提供一种医疗影像报告评估方法的可能实现方式，图2为本申请又一实施例提供的一种医疗影像报告评估方法的流程图；如图2所示，根据属性文本以及影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到影像诊断文本的完整性评估结果，包括：

步骤201：根据属性文本，确定多个医疗关注项；

需要说明的是，本申请的医疗影像报告评估方法适用于至少一种医疗影像报告的评估，在具体使用中，由于针对的医疗影像报告的类型(例如CT、MRI、PET等)、医疗影像报告针对的疾病、部位等不同，所需要关注的医疗关注项可能存在区别，因此首先需要根据属性文本，确定当前评估的医疗影像报告对应的医疗关注项。其中，属性文本是包括医疗影像报告类型、医疗影像针对部位等信息的文本，根据属性文本，可以唯一性地确定至少一个医疗关注项。

其中，确定多个医疗关注项可以由机器阅读理解模型实现，也可以通过其他方式实现，本申请对此不做限定。

需要说明的是，机器阅读理解模型可以是基于预训练语言模型生成的模型，其可以根据属性文本，为当前评估的医疗影像报告确定多个医疗关注项。其中，预训练语言模型例如可以为预训练语言表征BERT(Bidirectional Encoder Representation fromTransformers)模型等，本申请对此不做限定。

步骤202：根据多个医疗关注项、以及影像诊断文本，采用机器阅读理解模型进行评估，得到完整性评估结果。

在一种可能的实现方式中，机器阅读理解模型可以以多个医疗关注项、以及影像诊断文本为输入，输出完整性评估结果。其中，每个医疗关注项还可以包括该关注项对应的词典信息，以使得机器阅读理解模型可以根据词典信息在影像诊断文本中确定每个医疗关注项对应的信息。

在一种具体的实现方式中，机器阅读理解模型可以通过如下方式，获取完整性评估结果：

首先，机器阅读理解模型可以实现对影像诊断文本中每个医疗关注项对应的信息的检索，即可以根据词典信息在影像诊断文本中确定每个医疗关注项对应的信息。

其次，机器阅读理解模型还可以实现对影像诊断文本中每个医疗关注项对应的信息的推理，即当确定过程中，存在一项或多项医疗关注项对应的信息不存在时，机器阅读理解模型可以根据影像诊断文本进行推理，推理得到一项或多项医疗关注项对应的信息，进一步确定影像诊断文本中是否存在该医疗关注项对应的信息。若仍然有一项或多项医疗关注项对应的信息不存在，则可对其进行标注或者使得该医疗关注项的结果为空。

最后，对全部医疗关注项对应的信息进行整合，即可得到完整性评估结果。

举例来说，采用机器阅读理解模型确定影像诊断文本“输入Al模型的数据：胰腺癌术后，腹腔内可见引流管留置影，胰头缺如，胰体尾形态、大小正常，密度正常，增强后未见异常强化灶；肝脏大小、各叶比例正常，肝内胆管未见扩张，肝脏左右叶见多枚大小不等低密度灶，最大约37*47mm，增强后动脉期呈边缘强化，门脉期及延迟期呈向心性充填，肝脏右前叶下段一枚圆形病灶无强化。胆囊未见明确显示，脾脏的形态：大小及密度均未见异常。肝总动脉周围可见软组织影包绕。胰腺癌术后，总动脉周围可见软组织影包绕。般痕？淋巴结转移？请注意复查肝脏多发血管瘤肝脏右叶小囊肿”中存在以下关注项对应的信息：

胆道评估：胆管未见扩张；

肝脏病变：肝脏左右叶见多枚大小不等低密度灶；

肝总动脉：肝总动脉周围可见软组织影包绕；

根据医疗关注项中不存在对应的信息的医疗关注项，根据每项的设定分值计算完整性评估结果的分值。

例如预先设定：未描述项：“胰管评估”(扣5分)，“肠系膜上静脉”(扣6分)，”门静脉”(扣7分)，“可疑淋巴结”(扣5分)，“静脉内瘤栓"(扣6分)，”静脉侧枝循环"(扣6分)，“腹膜或网膜结节”(扣5分)，“腹水"(扣5分)，“侵犯胰周：结构”(扣5分)。最终得到其最终得分为50分。

上述仅为示例说明，在实际实现中，还可以有其他的实现方式，本申请对此不做限定。

通过上述方法实现的对影像诊断文本完整性的评估，将词典信息融入模型当中，有效利用外部知识，提高模型准确率。同时也使得本申请能够应用于各种不同类型的医疗影像报告评估当中，具有可迁移性。基于机器阅读理解模型，将术语转换为问题，输入到模型中，相较于其他NLP方法，术语中带有一部分先验知识能够提高模型精度。此外，机器阅读理解模型中的每个医疗关注项还可以包括该关注项对应的词典信息，给模型提供大量的先验知识，有效减少标注数据量，减少标注成本，且能够为模型提高外部知识提高模型准确率。

可选的，在上述图1的基础上，本申请还提供一种医疗影像报告评估方法的可能实现方式，完整性评估结果还包括：多个医疗关注项中目标医疗关注项对应文本的位置信息；图3为本申请另一实施例提供的一种医疗影像报告评估方法的流程图；如图3所示，该方法还包括：

步骤301：根据位置信息，采用预训练的体征异常评估模型，得到目标关注项对应体征的异常评估结论。

完整性评估结果还包括：多个医疗关注项中目标医疗关注项对应文本的位置信息，也就是目标医疗关注项对应信息在影像诊断文本中的首位位置信息。

需要说明的是，体征异常评估模型的评估目的在于确定目标医疗关注项对应文本于目标医疗关注项而言属于阴性结果还是阳性结果。例如目标医疗关注项为肝脏病变，若该目标医疗关注项对应文本为“肝脏左右叶见多枚大小不等低密度灶”则表明肝脏存在病变，即此目标医疗关注项对应的文本为阳性结果；若该目标医疗关注项对应文本为“肝脏无异常”则表明肝脏不存在病变，即此目标医疗关注项对应的文本为阴性结果。

在一种可能的实现方式中，机器阅读理解模型在执行步骤202之前，还包括：对影像诊断文本进行编码处理，从而得到影像诊断文本对应的编码向量信息。在此基础上，预训练的体征异常评估模型可以通过提取目标医疗关注项对应文本的对应编码向量信息，获取目标关注项对应体征的异常评估结论。

具体地，预训练的体征异常评估模型例如可以通过获取目标医疗关注项对应文本的首、尾位置向量的均值，以及影像诊断文本的第0位向量，将首尾位置向量的均值以及第0位向量进行拼接，作为体征异常评估模型的输入，以从体征异常评估模型中获取目标关注项对应体征的异常评估结论。

例如，[CLS]胰腺癌术后，腹腔内可见引流管留置影，胰头缺如，胰体尾形态、大小正常，密度正常，增强后未见异常强化灶；肝脏大小、各叶比例正常，肝内胆管未见扩张，肝脏左右叶见多枚大小不等低密度灶……。

识别肝脏病变对应"肝脏左右叶见多枚大小不等低密度灶"文本体征异常治时，影像诊断文本通过模型获得编码信息，将"[CLS]"位置向量与"肝"和"灶"位置向量的均值进行拼接，最后模型通过分类来进行体征异常的评估。

根据影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果，包括：

步骤302：根据影像诊断文本的完整性评估结果、诊断一致性评估结果和异常评估结论，得到医疗影像报告的评估结果。

最后，根据上述影像诊断文本的完整性评估结果，诊断一致性评估结果和异常评估结论，得到医疗影像报告的评估结果，即可实现对医疗影像报告的评估结果。

可选的，在上述图1的基础上，本申请还提供一种医疗影像报告评估方法的可能实现方式，图4为本申请再一实施例提供的一种医疗影像报告评估方法的流程图；如图4所示，根据影像诊断文本、医疗影像报告对应的病理诊断报告，对医疗影像报告进行一致性评估，得到医疗影像报告的诊断一致性评估结果，包括：

步骤401：根据影像诊断文本和病理诊断报告，分别从预设的疾病知识库中确定影像诊断文本对应的多个第一候选疾病的标准术语，和病理诊断报告对应的多个第二候选疾病的标准术语；

需要说明的是，预设的疾病知识库是由病理诊断相关知识搭建的知识库，例如可以通过梳理每个影像观测部位相关疾病及其相关体系，从开源医疗数据中心获取疾病标准术语、疾病属性知识、疾病影像学知识、疾病病理学知识等相关文本信息，通过信息抽取过滤无关信息，然后构建每个影像观测部位对应的专病知识库。

根据影像诊断文本中提取到的至少一个诊断结论从预设的疾病知识库(或者通过属性文本确定影像观测部位，从该影像观测部位对应的疾病知识库)中确定影像诊断文本对应的多个第一候选疾病的标准术语；

根据病理诊断报告，根据提取到的至少一个诊断结论，分别从预设的疾病知识库(或者通过病理诊断报告中患者检查相关信息确定影像观测部位，从该影像观测部位对应的疾病知识库)中确定病理诊断报告对应的多个第二候选疾病的标准术语。

还需要说明的是，本申请对确定的第一候选疾病或者第二候选疾病的具体数量不做限定，此数值可以根据实际使用需要进行设定。

在一种具体的实现方式中，例如可以采用BM25算法，从预设的疾病知识库中分别为影像诊断文本和病理诊断报告筛选出预设数目个第一候选疾病，和预设数目个第二候选疾病。

步骤402：根据影像诊断文本和多个第一候选疾病的标准术语，从多个第一候选疾病中确定影像诊断文本对应的第一目标疾病。

根据影像诊断文本和每个第一候选疾病的标准术语的匹配程度，从多个第一候选疾病中确定匹配程度最高的候选疾病为影像诊断文本对应的第一目标疾病。

在一种可能的实现方式中，可以将影像诊断文本与每个第一候选疾病的标准术语组合成句(更具体地，可以将影像诊断文本中的影像所见文本，与每个第一候选疾病的标准术语(即第一候选疾病的疾病属性知识、疾病影像学知识等)组合成句，构建出提示学习文本(例如可以构建Prompt提示学习文本，由于Prompt模型能够利用预训练语言模型先验知识，从而可以在使用中减少标注数据量，降低标注成本)：X1与X2是[MASK]同疾病,X1表示影像诊断文本中的影像诊断结论，X2表示第一候选疾病。

利用BERT模型推理[MASK]是否表示"相"和"不"，以及预测分数，分数最大的候选疾病为影像诊断文本对应的第一目标疾病。

步骤403：根据病理诊断文本和多个第二候选疾病的标准术语，从多个第二候选疾病中确定病理诊断文本对应的第二目标疾病。

根据病理诊断文本和每个第二候选疾病的标准术语的匹配程度，从多个第二候选疾病中确定匹配程度最高的候选疾病为病理诊断文本对应的第二目标疾病。其具体匹配方式参见步骤402，本申请在此不再赘述。

步骤404：根据第一目标疾病和第二目标疾病，对医疗影像报告进行一致性评估，得到医疗影像报告的诊断一致性评估结果。

根据第一目标疾病和第二目标疾病，对医疗影像报告进行一致性评估：若第一目标疾病和第二目标疾病相同，则医疗影像报告的诊断一致性评估结果表示：具有一致性；若第一目标疾病和第二目标疾病不相同，则医疗影像报告的诊断一致性评估结果表示：不具有一致性。

例如，根据影像诊断文本从多个第一候选疾病中确定影像诊断文本“胰体尾部占位，考虑胰腺癌肝多发血管@瘤，肝脏多发囊肿”对应的第一目标疾病为胰腺导管腺癌；

根据病理诊断文本从多个第二候选疾病中确定病理诊断文本“结合免疫组化标记及HE切片，诊断(胰腺穿刺组织A)可见异型上皮巢，提示为恶性，腺鳞癌可能性大”对应的第二目标疾病为胰腺腺鳞癌；

则显然第一目标疾病与第二目标疾病不一致，则医疗影像报告的诊断一致性评估结果表示：不具有一致性。

综上，本申请对医疗影像报告诊断一致性的评估中，通过构建出提示学习文本将疾病标准化，充分利用预设的疾病知识库的信息，处理速度快，准确度高。

可选的，在上述图1的基础上，本申请还提供一种医疗影像报告评估方法的可能实现方式，图5为本申请再二实施例提供的一种医疗影像报告评估方法的流程图；如图5所示，该方法还包括：

步骤501：采用预训练的诊断结论识别模型，对影像诊断文本进行诊断结论的识别，得到影像诊断文本对应的诊断结论识别结果。

在一种可能的实现方式中，采用预训练的诊断结论识别模型，对影像诊断文本进行诊断结论的识别，判断影像诊断文本中是否存在诊断结论，若存在诊断结论则影像诊断文本对应的诊断结论识别结果表示诊断结论识别存在；若不存在诊断结论则影像诊断文本对应的诊断结论识别结果表示诊断结论识别不存在。

在一种具体的实现方式中，预训练的诊断结论识别模型可以通过如下方式实现：首先采用BERT+全连接层进行序列标注，在提取诊断结论时，文本经过BERT得到编码向量，然后通过全连接层映射得到标签集合，将集合向量经过Softmax处理，每一维度的输出值就表示单个token为某类别的概率。通过该方案进行诊断结论识别，若抽取结果为空，则诊断结论识别不存在。

上述仅为实例说明，在实际实现中，还可以有其他的诊断结论识别方式，本申请对此不做限定。

根据影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果，包括：

步骤502：根据影像诊断文本的完整性评估结果、诊断一致性评估结果和诊断结论识别结果，得到医疗影像报告的评估结果。

最后，根据上述影像诊断文本的完整性评估结果，诊断一致性评估结果和诊断结论识别结果，得到医疗影像报告的评估结果，即可实现对医疗影像报告的评估结果。

在一种可能的实现方式中，步骤502之前，该方法还包括：采用预训练的诊断结论识别模型，对病理诊断结论文本进行诊断结论识别，得到病理诊断文本对应的诊断结论识别结果。其中，采用预训练的诊断结论识别模型，对病理诊断结论文本进行诊断结论的识别，判断病理诊断结论文本中是否存在诊断结论，若存在诊断结论则病理诊断结论文本对应的诊断结论识别结果表示诊断结论识别存在；若不存在诊断结论则病理诊断结论文本对应的诊断结论识别结果表示诊断结论识别不存在。

诊断结论识别结果可以包括：病理诊断文本对应的诊断结论识别结果、影像诊断文本对应的诊断结论识别结果。

可选的，在上述图1基础上，本申请还提供一种医疗影像报告评估方法的可能实现方式，图6为本申请再三实施例提供的一种医疗影像报告评估方法的流程图；如图6所示，该方法还包括：

步骤601：根据影像诊断文本，确定医疗影像报告对应的异常部位。

在一种可能的实现方式中，可以通过归一化的方式，从医疗影像报告中确定医疗影像报告中的异常部位(或者可以根据上述异常评估结论确定)，本申请对此不做限定。

步骤602：根据异常部位和影像诊断文本中的诊断结论，得到医疗影像报告的检查部位匹配结果。

在一种可能的实现方式中，可以将异常部位与影像诊断文本中的诊断结论进行匹配，判断两者是否匹配，若匹配则医疗影像报告的检查部位匹配结果表示检查部位匹配正常，若不匹配则医疗影像报告的检查部位匹配结果表示检查部位匹配异常。

根据影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果，包括：

步骤603：根据影像诊断文本的完整性评估结果、诊断一致性评估结果和检查部位匹配结果，得到医疗影像报告的评估结果。

最后，根据上述影像诊断文本的完整性评估结果，诊断一致性评估结果和检查部位匹配结果，得到医疗影像报告的评估结果，即可实现对医疗影像报告的评估结果。

可选的，在上述图1基础上，本申请还提供一种医疗影像报告评估方法的可能实现方式，图7为本申请再四实施例提供的一种医疗影像报告评估方法的流程图；如图7所示，该方法还包括：

步骤701：对属性文本进行患者信息的完整性评估，对影像诊断文本进行检查信息的完整性评估，得到患者信息完整性结论和检查信息完整性结论。

在一种可能的实现方式中，可以通过对属性文本中的患者信息、对影像诊断文本中的检查信息分别进行遍历，从而确定患者信息是否完整，检查信息是否完整，进而得到患者信息完整性结论和检查信息完整性结论。

上述仅为实例说明，在实际实现中，还可以有其他的完整性评估方式，本申请对此不做限定。

步骤702：根据影像诊断文本的完整性评估结果、诊断一致性评估结果，患者信息完整性结论和检查信息完整性结论，得到医疗影像报告的评估结果。

最后，根据上述影像诊断文本的完整性评估结果，诊断一致性评估结果，患者信息完整性结论和检查信息完整性结论，得到医疗影像报告的评估结果，即可实现对医疗影像报告的评估结果。

在一种具体的实现方式中，以胰腺癌为例。本申请可以根据输入的医疗影像报告中的文本内容结合对应的病理诊断报告，进行医疗影像报告质量评估。主要评估内容包括影像诊断文本的完整性、影像诊断文本结论与病理诊断报告结论的一致性等。一份完整的影像诊断文本中，通常包括描述器官实质、实体肿瘤、动脉评价和静脉评价等。而影像诊断文本结论与病理诊断报告结论一致的报告需要影像诊断文本结论的标准术语与病理诊断报告的标准术语相一致。接诊人员或者相关工作人员可根据医疗影像报告的评估结果，提高影像报告的书写质量，也可减轻医院质控人员的工作强度，提高工作效率。

本申请通过使用多种角度全方面针对医疗影像报告中的文本内容进行形式和内涵质控。提高质控效率的同时兼顾准确性。不仅针对影像报告本身进行完整性质控，也结合了病理诊断报告的诊断结论进行诊断一致性的判断，以此评估影像报告诊断准确性。

下述对用以执行本申请所提供的医疗影像报告评估装置、电子设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。

本申请实施例提供一种医疗影像报告评估装置的可能实现示例，能够执行上述实施例提供的医疗影像报告评估方法。图8为本申请一实施例提供的一种医疗影像报告评估装置的示意图。如图8所示，上述医疗影像报告评估装置，包括：

获取模块81，用于获取医疗影像报告中的文本内容，文本内容包括：属性文本，以及影像诊断文本；属性文本用于表征医疗影像报告的属性；

完整性评估模块83，用于根据属性文本以及影像诊断文本，采用预训练的机器阅读理解模型进行完整性评估，得到影像诊断文本的完整性评估结果，完整性评估结果包括：完整度评估值，完整度评估值用于表征影像诊断文本中医疗影像报告对应的多个医疗关注项的完整度；

一致性评估模块85，用于根据影像诊断文本、医疗影像报告对应的病理诊断报告，对医疗影像报告进行一致性评估，得到医疗影像报告的诊断一致性评估结果；

评估结果生成模块87，用于根据影像诊断文本的完整性评估结果，和诊断一致性评估结果，得到医疗影像报告的评估结果。

可选的，完整性评估模块83，用于根据属性文本，确定多个医疗关注项；根据多个医疗关注项、以及影像诊断文本，采用机器阅读理解模型进行评估，得到完整性评估结果。

可选的，完整性评估结果还包括：多个医疗关注项中目标医疗关注项对应文本的位置信息；异常评估模块，用于根据位置信息，采用预训练的体征异常评估模型，得到目标关注项对应体征的异常评估结论；

评估结果生成模块87，用于根据影像诊断文本的完整性评估结果、诊断一致性评估结果和异常评估结论，得到医疗影像报告的评估结果。

可选的，一致性评估模块85，用于根据影像诊断文本和病理诊断报告，分别从预设的疾病知识库中确定影像诊断文本对应的多个第一候选疾病的标准术语，和病理诊断报告对应的多个第二候选疾病的标准术语；根据影像诊断文本和多个第一候选疾病的标准术语，从多个第一候选疾病中确定影像诊断文本对应的第一目标疾病；根据病理诊断文本和多个第二候选疾病的标准术语，从多个第二候选疾病中确定病理诊断文本对应的第一目标疾病；根据第一目标疾病和第二目标疾病，对医疗影像报告进行一致性评估，得到医疗影像报告的诊断一致性评估结果。

可选的，诊断结论识别模块，用于采用预训练的诊断结论识别模型，对影像诊断文本进行诊断结论的识别，得到影像诊断文本对应的诊断结论识别结果；

评估结果生成模块87，用于根据影像诊断文本的完整性评估结果、诊断一致性评估结果和诊断结论识别结果，得到医疗影像报告的评估结果。

可选的，检查部位匹配模块，用于根据影像诊断文本，确定医疗影像报告对应的异常部位；根据异常部位和影像诊断文本中的诊断结论，得到医疗影像报告的检查部位匹配结果；

评估结果生成模块87，用于根据影像诊断文本的完整性评估结果、诊断一致性评估结果和检查部位匹配结果，得到医疗影像报告的评估结果。

可选的，信息完整性评估模块，用于对属性文本分别进行患者信息的完整性评估，对影像诊断文本进行和检查信息的完整性评估，得到患者信息完整性结论和检查信息完整性结论；

评估结果生成模块87，用于根据影像诊断文本的完整性评估结果、诊断一致性评估结果，患者信息完整性结论和检查信息完整性结论，得到医疗影像报告的评估结果。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。

本申请实施例提供一种电子设备的可能实现示例，能够执行上述实施例提供的医疗影像报告评估方法。图9为本申请实施例提供的一种电子设备的示意图，该设备可以集成于终端设备或者终端设备的芯片，该终端可以是具备数据处理功能的计算设备。

该电子设备包括：处理器901、存储介质902和总线，存储介质存储有处理器可执行的程序指令，当控制设备运行时，处理器与存储介质之间通过总线通信，处理器执行程序指令，以执行时执行上述医疗影像报告评估方法的步骤。具体实现方式和技术效果类似，这里不再赘述。

本申请实施例提供一种计算机可读存储介质的可能实现示例，能够执行上述实施例提供的医疗影像报告评估方法，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述医疗影像报告评估方法的步骤。

存储在一个存储介质中的计算机程序，可以包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，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。另一点，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，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。