一种基于人工智能的数据还原方法及系统

技术领域

本发明涉及数据还原技术领域，具体涉及一种基于人工智能的数据还原方法及系统。

背景技术

中医中药在中国古老的大地上已经运用了几千年的历史，经过几千年的临床实践，证实了中国的中医中药无论是在治病上、在防病上，还是在养生上，都是确凿有效可行的。在西医未传入中国之前，我们的祖祖辈辈都用中医中药来治疗疾病，挽救了无数人的生命，而现今的中医诊疗方法还存在着一定的弊端，示范性的如目前中医学习主要是通过跟师抄方，以手工记录整理的方式进行传承，存在传承方式繁琐、传承效率低的问题。此外，由于中医专家个人时间、精力有限，如何利用科学技术提高各中医专家诊断经验的传授速度和效果，进而赋能更多的青年医生，最终服务更多的患者，具有重要的意义。因此，对于中医高质量诊疗经验的利用还存在着一定的可提升空间。

现有的中医诊疗还是依靠传统坐诊的方式，诊疗过程慢，整体诊疗效率低，对于高质量诊疗经验难以被充分利用。

发明内容

本申请实施例提供了一种基于人工智能的数据还原方法及系统，用于针对解决现有技术中中医诊疗过程慢，效率低的技术问题。

鉴于上述问题，本申请实施例提供了一种基于人工智能的数据还原方法及系统。

第一方面，本申请实施例提供了一种基于人工智能的数据还原方法，所述方法包括：基于大数据获得专家历史诊疗记录，其中，所述专家历史诊疗记录包括多个具有专家标识的历史诊疗医案；对所述多个具有专家标识的历史诊疗医案进行提取，得到目标历史医案，其中，所述目标历史医案包括多次诊疗；其中，所述多次诊疗中的每次诊疗都包括问诊结果、诊疗处方，且所述问诊结果与所述诊疗处方具备对应关系；基于所述问诊结果、所述诊疗处方，构建历史诊疗数据库，并将所述历史诊疗数据库作为检索库；得到目标临床医案，并得到所述目标临床医案的目标问诊结果；将所述目标问诊结果在所述检索库中进行遍历，得到目标遍历结果；基于预设处方库对所述目标遍历结果进行分析，得到处方还原结果，并将所述处方还原结果作为所述目标临床医案的诊疗候选处方。

第二方面，本申请实施例提供了一种基于人工智能的数据还原系统，所述系统包括：专家诊疗记录获取模块，所述专家诊疗记录获取模块用于基于大数据获得专家历史诊疗记录，其中，所述专家历史诊疗记录包括多个具有专家标识的历史诊疗医案；目标历史医案获取模块，所述目标历史医案获取模块用于对所述多个具有专家标识的历史诊疗医案进行提取，得到目标历史医案，其中，所述目标历史医案包括多次诊疗；诊疗对应关系构建模块，所述诊疗对应关系构建模块用于所述多次诊疗中的每次诊疗都包括问诊结果、诊疗处方，且所述问诊结果与所述诊疗处方具备对应关系；诊疗数据库构建模块，所述诊疗数据库构建模块用于基于所述问诊结果、所述诊疗处方，构建历史诊疗数据库，并将所述历史诊疗数据库作为检索库；目标临床医案获取模块，所述目标临床医案获取模块用于得到目标临床医案，并得到所述目标临床医案的目标问诊结果；目标遍历结果获取模块，所述目标遍历结果获取模块用于将所述目标问诊结果在所述检索库中进行遍历，得到目标遍历结果；处方还原结果获取模块，所述处方还原结果获取模块用于基于预设处方库对所述目标遍历结果进行分析，得到处方还原结果，并将所述处方还原结果作为所述目标临床医案的诊疗候选处方。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例提供的一种基于人工智能的数据还原方法，涉及数据还原技术领域，基于大数据获得专家历史诊疗记录，包括多个具有专家标识的历史诊疗医案，提取得到目标历史医案，其中包括多次诊疗，多次诊疗中的每次诊疗都包括问诊结果、诊疗处方，且问诊结果与诊疗处方具备对应关系，基于问诊结果、诊疗处方，构建历史诊疗数据库并作为检索库，得到目标临床医案和目标问诊结果，将目标问诊结果在检索库中进行遍历，得到目标遍历结果，基于预设处方库对目标遍历结果进行分析，得到处方还原结果，并将处方还原结果作为目标临床医案的诊疗候选处方。解决了现有的中医诊疗还是依靠传统坐诊的方式，诊疗过程慢，使得整体诊疗效率低，对于高质量诊疗经验难以被充分利用的技术问题，实现了通过计算机技术对检索库进行快速遍历，得到诊疗候选处方，达到为医生诊疗提供参考，进而提高医生诊疗效率的效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种基于人工智能的数据还原方法流程示意图；

图2为本申请实施例提供了一种基于人工智能的数据还原方法中获得目标遍历结果流程示意图；

图3为本申请实施例提供了一种基于人工智能的数据还原方法中获得处方遍历结果流程示意图；

图4为本申请实施例提供了一种基于人工智能的数据还原系统结构示意图。

附图标记说明：专家诊疗记录获取模块10，目标历史医案获取模块20，诊疗对应关系构建模块30，诊疗数据库构建模块40，目标临床医案获取模块50，目标遍历结果获取模块60，处方还原结果获取模块70。

具体实施方式

本申请实施例通过提供一种基于人工智能的数据还原方法，用于针对解决现有的中医诊疗还是依靠传统坐诊的方式，诊疗过程慢，使得整体诊疗效率低，对于高质量诊疗经验难以被充分利用的技术问题。

实施例一

如图1所示，本申请实施例提供了一种基于人工智能的数据还原方法，该方法应用于一种基于人工智能的数据还原系统，该方法包括：

步骤S100：基于大数据获得专家历史诊疗记录，其中，所述专家历史诊疗记录包括多个具有专家标识的历史诊疗医案；

具体而言，本申请实施例提供的一种基于人工智能的数据还原方法应用于基于人工智能的数据还原系统。首先，医案为医生治疗疾病时辨证、立法、处方用药的连续记录，中医医案是中医理、法、方、药综合运用的具体反映形式，它不仅是医疗活动的真实记录，而且还反应了医家的临床经验及思维活动，由于医家学识、爱好、修养等各异，因此医案的数量、形式、体裁、风格亦不尽相同。通过计算机、互联网获取专家历史诊疗记录，专家历史诊疗记录为专业中医生开具的包含病人年龄、性别、问诊结果、诊疗处方、医嘱等信息的记录，其中，专家历史诊疗记录包括多个具有专家标识的历史诊疗医案。通过专家历史诊疗记录的获取，为后续建立检索库打下基础。

步骤S200：对所述多个具有专家标识的历史诊疗医案进行提取，得到目标历史医案，其中，所述目标历史医案包括多次诊疗；

具体而言，在获得的具有专家标识的历史诊疗医案中，经过多个专业中医生设定筛选标准，根据筛选标准从临床病例的典型性、问诊结果、诊疗处方三方面。根据历史诊疗医案，判断临床病例是否具有典型性，生成第一判断结果，作为第一分级特征；根据历史诊疗医案，判断问诊结果是否具有典型性，生成第二判断结果，作为第二分级特征；根据历史诊疗医案，判断诊疗处方是否有典型性，生成第三判断结果，作为第三分级特征；基于第一分级特征、第二分级特征、第三分级特征构建所述具有专家标识的历史诊疗医案的多层级医案决策树，根据历史诊疗医案获取第一历史医案，所述第一历史医案为历史诊疗医案中的任一医案，将第一医案输入多层级医案决策树，获得第一医案的判断结果，将第一分级特征、第二分级特征、第三分级特征都满足的历史医案作为目标历史医案。

进一步地，决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，这种分类器能够对新出现的对象给出正确的分类，由根节点、内部节点以及叶节点组成。所述第一分级特征、所述第二分级特征以及所述第三分级特征可作为所述多层级医案决策树的内部节点，可对各特征进行分类，以此方法对所述多层级医案决策树进行递归构建，直至无法对最后的特征叶节点进行再分，说明分类结束，以此构成了所述具有专家标识的历史诊疗医案的多层级医案决策树。

通过将多个专业中医生设定的筛选标准输入构建好的决策树，使得快速准确的筛选出各方面都较为经典的目标历史医案，达到了提高了目标历史医案筛选效率的技术效果。

步骤S300：其中，所述多次诊疗中的每次诊疗都包括问诊结果、诊疗处方，且所述问诊结果与所述诊疗处方具备对应关系；

具体而言，问诊主要问现病史，现病史是病史中的主要部分，围绕主诉，按症状出现的先后，详细记录从起病到就诊时疾病的发生、发展及其变化的经过和诊疗情况，其内容主要包括：起病时间、缓急、主要症状、伴随症状的特点、发病以来做过的诊疗、其他伤病，还包括问寒热、问汗、问饮食、问睡眠、问情志、问二便等，还包括妇女、小儿某些情况的询问。如问寒热，即询问病人有无寒、热的感觉，寒热感可为确定疾病的表里寒热虚实提供依据。在每次诊疗中，每一项问诊结果指征多个病症，而每个病症对应一个诊疗处方，因此问诊结果与诊疗处方具有一对多的对应关系。通过问诊结果与诊疗处方对应关系的获取，为后续构建检索库打下基础。

步骤S400：基于所述问诊结果、所述诊疗处方，构建历史诊疗数据库，并将所述历史诊疗数据库作为检索库；

具体而言，根据目标历史医案中，问诊结果与对应病症，对应病症与诊疗处方的对应关系，构建n叉树。n叉树是为了实现方便快捷的查找而存在的，将问诊结果作为树的根节点，对应病症作为子节点，每个子节点对应一个诊疗处方，根节点是其中没有父节点的那个节点，它在遍历树的时候充当起点，因为从它可以到达所有的其他节点，将构建的n叉树作为检索库。检索是指从已储存的信息库中索取、找出所需要的信息的过程，检索库是为检索需要而创建的数据库，检索库一般是根据检索关系而创建。进行检索时，当输入问诊结果，可获取多个诊疗处方，根据问诊严重程度和具体情况，选择适合的诊疗处方。通过检索库的构建，达到为医生提供治疗参考，进而提高诊疗效率的效果。

步骤S500：得到目标临床医案，并得到所述目标临床医案的目标问诊结果；

具体而言，目标临床医案即需要进行诊断的目标用户的医案，包含目标用户年龄、性别、问诊结果等信息，筛选出目标问诊结果，目标问诊结果为主诉病症的问诊结果，包含目标用户的主要症状、起病时间、病情缓急、伴随症状的特点等，通过目标问诊结果的获取，实现了根据目标用户的实际情况进行判断，达到提高诊疗效率的效果。

步骤S600：将所述目标问诊结果在所述检索库中进行遍历，得到目标遍历结果；

具体而言，所谓遍历(Traversal)，是指对n叉树中所有节点信息的访问，即依次对树中每个节点访问一次且仅访问一次，树结构有多种不同的遍历方式，从n叉树的根节点出发，节点的遍历分为三个主要步骤：对当前节点进行操作、遍历左边子节点、遍历右边子节点。由于从给定的某个节点出发，有多个可以前往的下一个节点，所以在顺序计算的情况下，只能推迟对某些节点的访问——即以某种方式保存起来以便稍后再访问，值得注意的是，在本实施例中遍历的前后顺序对遍历结果不造成影响，因此不考虑顺序，只考虑遍历结果。经过遍历，获取历史诊疗中多个与目标临床医案相似的诊疗组成的集合，以此作为目标遍历结果。

步骤S700：基于预设处方库对所述目标遍历结果进行分析，得到处方还原结果，并将所述处方还原结果作为所述目标临床医案的诊疗候选处方。

具体而言，预设处方库为基于大数据采集现有处方及其中药种类、比例，预先组建预设处方库。提取第一处方遍历结果中的第一处方，提取第二处方遍历结果中的第二处方，利用预设处方库依次得到第一处方的第一处方还原结果、第二处方的第二处方还原结果，其中，第一处方还原结果包括第一预设处方、第一加减药，第二处方还原结果包括第二预设处方、第二加减药，对第一预设处方、第一加减药与第二预设处方、第二加减药进行合并，得到处方还原结果。

进一步地，提取处方还原结果中的目标处方还原结果，获得判断指令，其中，判断指令用于判断目标处方还原结果在处方还原结果中是否存在重复，若是，获得第一添加指令，并根据第一添加指令将目标处方还原结果添加至第一诊疗候选处方，根据处方重复次数对第一诊疗候选处方进行排序，得到第一诊疗候选处方序列，若否，获得第二添加指令，并根据第二添加指令将目标处方还原结果添加至第二诊疗候选处方，将第一诊疗候选处方序列、第二诊疗候选处方进行合并，得到诊疗候选处方。

通过诊疗候选处方的获取，实现了为医生诊疗提供参考，达到提高医生治疗效率的效果。

进一步而言，如图2所示，本申请步骤S600还包括：

步骤S610：提取所述检索库中的第一问诊结果；

步骤S620：对所述第一问诊结果进行特征分析，组成第一历史问诊特征集；

步骤S630：对所述目标问诊结果进行特征分析，组成目标问诊特征集；

步骤S640：对所述第一历史问诊特征集与所述目标问诊特征集进行分析，并根据分析结果计算得到第一问诊相似指数；

步骤S650：其中，所述第一问诊相似指数用于表示所述第一问诊结果与所述目标问诊结果之间的相似程度；

步骤S660：获得预设相似阈值，并判断所述第一问诊相似指数是否满足所述预设相似阈值；

步骤S670：若是，获得添加指令，其中，所述添加指令用于将所述第一问诊结果添加至所述目标遍历结果。

具体而言，所述第一问诊结果为检索库中的任一问诊结果，统计第一问诊结果中的症状总数，如发热、呕吐，统计某些特征存在的情况，统计某些特征不存在的情况，计算每个特征的卡方值，以此作为第一历史问诊特征集，以同样的方法获取目标问诊特征集。根据症状总数设置预设标签方案，如是否发热、是否呕吐，根据所述预设标签方案对所述第一历史问诊特征集进行标签标记，得到所述第一问诊结果的第一标签向量，根据所述预设标签方案对所述目标问诊特征集进行标签标记，得到所述目标问诊结果的目标标签向量，对比所述第一标签向量与所述目标标签向量，并利用相似系数算法原理计算得到所述第一问诊相似指数。

设置预设相似阈值，预设相似阈值是划定目标问诊结果与第一问诊结果间相似指数能够达到的最高值和最低值，即相似指数的取值范围，相似指数超出预设相似阈值说明目标问诊结果与第一问诊结果相似度过低，不符合要求。若相似指数满足预设相似阈值，说明目标问诊结果与第一问诊结果相似度满足要求，获得添加指令，用于将第一问诊结果添加至所述目标遍历结果。实现了对历史诊疗中与目标临床医案相似的诊疗的筛选，达到了快速筛选问诊结果的效果，进而提高筛选效率。

进一步而言，本申请步骤S600还包括：

步骤S680：若否，获得跳过指令；

步骤S690：根据所述跳过指令对所述第一问诊结果进行跳过处理。

具体而言，若第一问诊相似指数不满足预设相似阈值，即第一问诊结果与目标问诊结果间相似程度过低，则生成跳过指令，用来对第一问诊结果进行跳过处理。通过对不满足相似阈值的问诊结果进行跳过处理，达到了快速去掉不符合要求的问诊结果的效果，进而提高筛选效率。

进一步而言，本申请步骤S640还包括：

步骤S641：获得预设标签方案；

步骤S642：根据所述预设标签方案对所述第一历史问诊特征集进行标签标记，得到所述第一问诊结果的第一标签向量；

步骤S643：根据所述预设标签方案对所述目标问诊特征集进行标签标记，得到所述目标问诊结果的目标标签向量；

步骤S644：对比所述第一标签向量与所述目标标签向量，并利用相似系数算法原理计算得到所述第一问诊相似指数，其中，所述第一问诊相似指数的计算公式如下：

其中，所述P(I

具体而言，根据中医常见的病症特征建立预设标签方案，如风寒、发热、咳嗽等，对于一项病症特征，有该特征的用y表示，没有该特征的用n表示，以此对第一历史问诊特征集进行标签标记，如第一历史问诊特征集为有风寒A，无发热B，则第一历史问诊特征集的标签向量为Ay、Bn，以此获取第一问诊结果的第一标签向量Ay、By。以同样的方法获取目标问诊结果的目标标签向量。将第一标签向量与目标标签向量叠加，得到Ayy、Bny，当对于同一病症特征，两者同为y或者同为n时，说明匹配一致，而当一个为y另一个为n时，说明匹配不一致，统计匹配一致和匹配不一致的数量，通过计算得到第一问诊相似指数，所述第一问诊相似指数的计算公式如下：

其中，所述P(I

由公式可得，第一问诊相似指数为第一标签向量与目标标签向量的匹配对一致的数量比第一标签向量与所述目标标签向量的匹配对的总数量的比值，即匹配对一致的数量在总数量中的占比。

进一步而言，如图3所示，本申请步骤S700之前还包括：

步骤S710：提取所述目标遍历结果中的多个问诊结果，并反向匹配所述多个问诊结果的多个诊疗处方；

步骤S720：依次提取所述多个诊疗处方中的第一诊疗处方、第二诊疗处方；

步骤S730：其中，所述第一诊疗处方包括第一中药组合、所述第二诊疗处方包括第二中药组合；

步骤S740：将所述第一中药组合在所述预设处方库中进行遍历，得到第一处方遍历结果；

步骤S750：将所述第二中药组合在所述预设处方库中进行遍历，得到第二处方遍历结果；

步骤S760：将所述第一处方遍历结果与所述第二处方遍历结果进行合并，得到处方遍历结果。

具体而言，目标遍历结果为历史诊疗中多个与目标临床医案相似的诊疗组成的集合，历史诊疗医案中，有多个医案的病患情况和目标病患情况一样，且历史上每个病患采用的诊疗办法不一样，即存在多个处方。第一诊疗处方为多个诊疗处方中任一诊疗处方，第二诊疗处方为多个诊疗处方中与第一诊疗处方不同的任一诊疗处方，每个诊疗处方中都包含一个中药组合，即根据病患的实际症状，针对每一症状均有相应的中药添加，所有针对症状添加的中药构成针对该诊疗结果的诊疗处方。预设处方库为基于大数据采集现有处方及其中药种类、比例，预先组建预设处方库，示例性地，通过大数据获取得到小柴胡汤的处方，组成为柴胡9、克黄芩9克、制半夏6克、炙甘草3克、生姜3片、大枣3枚、党参6克，主治少阳证之寒热往来，胸胁苦满、不欲饮食、心烦呕恶、口苦咽干、耳聋目弦、舌苔薄白、脉弦而数者。

对比第一中药组合中各中药的组成与预设处方库中各中药组成，即对预设处方库中所有中药组成进行访问，且以此对每个中药组成访问且只访问以此，根据将遍历过程得到的相似性进行排序，将相似性最高的作为第一处方遍历结果，以同样的方法获取第二处方遍历结果，合并第一处方遍历结果与第二处方遍历结果，即将处方遍历结果中相同的中药组合保留，合并第一处方遍历结果与第二处方遍历结果中不同的中药组成。

进一步而言，本申请步骤S700还包括：

步骤S770：提取所述第一处方遍历结果中的第一处方；

步骤S780：提取所述第二处方遍历结果中的第二处方；

步骤S790：利用所述预设处方库依次得到所述第一处方的第一处方还原结果、所述第二处方的第二处方还原结果；

步骤S7100：其中，所述第一处方还原结果包括第一预设处方、第一加减药，所述第二处方还原结果包括第二预设处方、第二加减药；

步骤S7200：对所述第一预设处方、所述第一加减药与所述第二预设处方、所述第二加减药进行合并，得到所述处方还原结果。

具体而言，示例性地，得到的第一处方遍历结果是用于治疗少阳证，获取第一处方遍历结果的第一处方；第二处方遍历结果也是用于治疗少阳证，获取第二处方遍历结果的第二处方。通过预设处方库得到针对少阳证的小柴胡汤的处方，组成为柴胡9、克黄芩9克、制半夏6克、炙甘草3克、生姜3片、大枣3枚、党参6克，主治少阳证之寒热往来，胸胁苦满、不欲饮食、心烦呕恶、口苦咽干、耳聋目弦、舌苔薄白、脉弦而数者。

由第一处方遍历结果可得，第一处方遍历结果针对的症状在少阳证基础上还存在咳嗽症状，因此第一处方遍历结果中的第一处方在小柴胡汤的基础上还增加了五味子，用于敛肺止咳，第一预设处方即与第一处方遍历结果相匹配的预设处方库中的处方，第一加减药即第一处方遍历结果相较于预设处方库中的处方，根据实际情况进行调整后增加、减少的中药；由第一处方遍历结果可得，第二处方遍历结果针对的症状在少阳证基础上不存在呕吐症状，因此第二处方遍历结果中的第二处方在小柴胡汤的基础上还去掉了半夏和生姜，半夏和生姜用于止呕，同样，第二预设处方即与第二处方遍历结果相匹配的预设处方库中的处方，第二加减药即第二处方遍历结果相较于预设处方库中的处方，根据实际情况进行调整后增加、减少的中药。对所述第一预设处方、所述第一加减药与所述第二预设处方、所述第二加减药进行合并，得到所述处方还原结果。

进一步而言，本申请步骤S700还包括：

步骤S7300：提取所述处方还原结果中的目标处方还原结果；

步骤S7400：获得判断指令，其中，所述判断指令用于判断所述目标处方还原结果在所述处方还原结果中是否存在重复；

步骤S7500：若是，获得第一添加指令，并根据所述第一添加指令将所述目标处方还原结果添加至第一诊疗候选处方；

步骤S7600：根据处方重复次数对所述第一诊疗候选处方进行排序，得到第一诊疗候选处方序列；

步骤S7700：若否，获得第二添加指令，并根据所述第二添加指令将所述目标处方还原结果添加至第二诊疗候选处方；

步骤S7800：将所述第一诊疗候选处方序列、所述第二诊疗候选处方进行合并，得到所述诊疗候选处方。

具体而言，所述判断指令用于判断所述目标处方还原结果在所述处方还原结果中是否存在重复，当存在重复，说明历史上多个病患都用了一样的处方，对应该处方被目标病患用的概率大，即说明该处方具有普遍适用性，以此作为判断结果将目标处方还原结果添加至第一诊疗候选处方，根据重复次数对第一诊疗候选处方进行排序，重复次数越多，说明该处方被使用的越多，普遍性越强，也越适合大部分人；当不存在重复，说明历史中仅一个病患用了该处方，因此该处方不是普通适用的，可能只用于针对某种特殊情况，将此作为替补候选，以此作为判断结果将目标处方还原结果添加至第二诊疗候选处方，将所述第一诊疗候选处方序列、所述第二诊疗候选处方进行合并，得到所述诊疗候选处方。

实施例二

基于与前述实施例中一种基于人工智能的数据还原方法相同的发明构思，如图4所示，本申请提供了一种基于人工智能的数据还原系统，系统包括：

专家诊疗记录获取模块10，所述专家诊疗记录获取模块10用于基于大数据获得专家历史诊疗记录，其中，所述专家历史诊疗记录包括多个具有专家标识的历史诊疗医案；

目标历史医案获取模块20，所述目标历史医案获取模块20用于对所述多个具有专家标识的历史诊疗医案进行提取，得到目标历史医案，其中，所述目标历史医案包括多次诊疗；

诊疗对应关系构建模块30，所述诊疗对应关系构建模块30用于所述多次诊疗中的每次诊疗都包括问诊结果、诊疗处方，且所述问诊结果与所述诊疗处方具备对应关系；

诊疗数据库构建模块40，所述诊疗数据库构建模块40用于基于所述问诊结果、所述诊疗处方，构建历史诊疗数据库，并将所述历史诊疗数据库作为检索库；

目标临床医案获取模块50，所述目标临床医案获取模块50用于得到目标临床医案，并得到所述目标临床医案的目标问诊结果；

目标遍历结果获取模块60，所述目标遍历结果获取模块60用于将所述目标问诊结果在所述检索库中进行遍历，得到目标遍历结果；

处方还原结果获取模块70，所述处方还原结果获取模块70用于基于预设处方库对所述目标遍历结果进行分析，得到处方还原结果，并将所述处方还原结果作为所述目标临床医案的诊疗候选处方。

进一步而言，系统还包括：

第一问诊结果提取模块，用于提取所述检索库中的第一问诊结果；

特征分析模块，用于对所述第一问诊结果进行特征分析，组成第一历史问诊特征集；

目标问诊特征集获取模块，用于对所述目标问诊结果进行特征分析，组成目标问诊特征集；

第一问诊相似指数获取模块，用于对所述第一历史问诊特征集与所述目标问诊特征集进行分析，并根据分析结果计算得到第一问诊相似指数；

其中，所述第一问诊相似指数用于表示所述第一问诊结果与所述目标问诊结果之间的相似程度；

预设相似阈值获取模块，用于获得预设相似阈值，并判断所述第一问诊相似指数是否满足所述预设相似阈值；

添加指令获取模块，用于若是，获得添加指令，其中，所述添加指令用于将所述第一问诊结果添加至所述目标遍历结果。

进一步而言，系统还包括：

跳过指令获取模块，用于若否，获得跳过指令；

跳过处理模块，用于根据所述跳过指令对所述第一问诊结果进行跳过处理。

进一步而言，系统还包括：

预设标签方案获取模块，用于获得预设标签方案；

标签标记模块，用于根据所述预设标签方案对所述第一历史问诊特征集进行标签标记，得到所述第一问诊结果的第一标签向量；

目标标签向量获取模块，用于根据所述预设标签方案对所述目标问诊特征集进行标签标记，得到所述目标问诊结果的目标标签向量；

第一问诊相似指数获取模块，用于对比所述第一标签向量与所述目标标签向量，并利用相似系数算法原理计算得到所述第一问诊相似指数，其中，所述第一问诊相似指数的计算公式如下：

其中，所述P(I

进一步而言，系统还包括：

多个问诊结果提取模块，用于提取所述目标遍历结果中的多个问诊结果，并反向匹配所述多个问诊结果的多个诊疗处方；

诊疗处方提取模块，用于依次提取所述多个诊疗处方中的第一诊疗处方、第二诊疗处方；

其中，所述第一诊疗处方包括第一中药组合、所述第二诊疗处方包括第二中药组合；

第一处方遍历结果获取模块，用于将所述第一中药组合在所述预设处方库中进行遍历，得到第一处方遍历结果；

第二处方遍历结果获取模块，用于将所述第二中药组合在所述预设处方库中进行遍历，得到第二处方遍历结果；

遍历结果合并模块，用于将所述第一处方遍历结果与所述第二处方遍历结果进行合并，得到处方遍历结果。

进一步而言，系统还包括：

第一处方提取模块，用于提取所述第一处方遍历结果中的第一处方；

第二处方提取模块，用于提取所述第二处方遍历结果中的第二处方；

处方还原结果获取模块，用于利用所述预设处方库依次得到所述第一处方的第一处方还原结果、所述第二处方的第二处方还原结果；

其中，所述第一处方还原结果包括第一预设处方、第一加减药，所述第二处方还原结果包括第二预设处方、第二加减药；

合并模块，用于对所述第一预设处方、所述第一加减药与所述第二预设处方、所述第二加减药进行合并，得到所述处方还原结果。

进一步而言，系统还包括：

目标处方还原结果提取，提取所述处方还原结果中的目标处方还原结果；

判断指令获取模块，用于获得判断指令，其中，所述判断指令用于判断所述目标处方还原结果在所述处方还原结果中是否存在重复；

第一添加指令获取模块，用于若是，获得第一添加指令，并根据所述第一添加指令将所述目标处方还原结果添加至第一诊疗候选处方；

排序模块，用于根据处方重复次数对所述第一诊疗候选处方进行排序，得到第一诊疗候选处方序列；

第二添加指令获取模块，用于若否，获得第二添加指令，并根据所述第二添加指令将所述目标处方还原结果添加至第二诊疗候选处方；

诊疗候选处方获取模块，用于将所述第一诊疗候选处方序列、所述第二诊疗候选处方进行合并，得到所述诊疗候选处方。

本说明书通过前述对一种基于人工智能的数据还原方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于人工智能的数据还原方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。