智能随访中检查结果严重程度评级方法、装置及系统
文献发布时间:2023-06-19 11:32:36
技术领域
本发明书一个或多个实施例涉及数字医疗技术领域,尤其涉及一种智能随访中检查结果严重程度评级方法、装置及系统。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念,但不一定是之前已经想到或者已经探究的概念。因此,除非在此指出,否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术,并且并不因为包括在本部分中就承认是现有技术。
近年来慢病患者基数日益增加,总体呈现出高发病率、高死亡率的现象,慢病已成为严重威胁人类健康的公共卫生问题,而随着技术的飞速发展,医学数据的持续扩增和硬件设备的不断提升,人工智能和医疗的结合越来越紧密,其中AI医学影像作为一种具有高诊断效率以及高准确率的辅助工具在医疗领域中有着广泛的应用,目前已经有一些现有技术手段能够达到直接根据医学影像获取诊断结果的效果,但是还不能够满足实际医疗的全部需求,在实际医疗过程中医护人员需要对病患进行随访,以更好地了解患者的病情康复情况
发明人在实现本发明的过程中发现,由于慢病患者人群越来越庞大,同时不同病种的患者可能需要有不同的随访要求,使得随访计划的制定难度加大,随访计划制定的效率较低,现有技术“基于人工智能的随访计划单生成方法、装置、终端及介质”,使用XGBOOST模型从诊疗记录报告中提取出多个慢病风险因素,并结合患者诊断等级,获得危险系数等级,该技术方案随访计划单的生成效率较高,且生成的随访计划单针对不同的患者有所不同,更有针对性,但其也存在不足:
XGBOOST模型不能处理非结构化的风险因素。这样就降低了其方案的使用范围,不能针对所有患者进行有效的跟踪随访,降低了随访范围。
有鉴于此,亟需一种新的数字医疗处理技术,用以解决上述存在的技术问题。
发明内容
本说明书一个或多个实施例描述了一种智能随访中检查结果严重程度评级方法方法、装置及系统,解决了现有技术中XGBOOST模型不能处理非结构化的风险因素,不能对所有患者进行有效跟踪,降低了随访范围的问题。
本说明书一个或多个实施例提供的技术方案如下:
第一方面,本发明提供了一种智能随访中检查结果严重程度评级方法,包括:结构化检查结果严重程度评级方法和非结构化检查结果严重程度评级方法,其中,
(1)结构化检查结果严重程度评级方法包括:
将检查结果的检查实体与检查知识图谱的检查概念进行概念映射;
匹配检查结果的检查指标和映射到的检查概念的严重程度属性对应的属性值范围,得到检查结果严重程度评级;
(2)非结构化检查结果严重程度评级方法包括:
对非结构化检查结果和检查结果评级知识库中的检查结果进行文本相似度计算,获得检查结果严重程度评级。
在一个可能的实现方式中,所述对非结构化检查结果和检查结果评级知识库中的检查结果进行文本相似度计算,获得检查结果严重程度评级,具体包括:
对非结构化检查结果和检查结果评级知识库中的检查结果进行向量化表征;
将获得的向量表征分别求余弦相似度距离,并取分数最高的检查结果评级知识库中的检查结果作为和非结构化检查结果最相近的检查结果表述;
取分数最高的检查结果评级知识库中的检查结果对应的严重程度评级作为非结构化检查结果的严重程度。
在一个可能的实现方式中,所述对非结构化检查结果进行向量化表征,具体为:
使用预训练BERT模型对非结构化检查结果进行预测;
从预测结果的输出层获取非结构化检查结果的每个字向量,并进行平均池化,获得非结构化检查结果的平均字向量;
从预测结果的输出层抽取符号[CLS]对应的向量,作为非结构化检查结果的句向量表征;
将平均字向量和句向量按维度进行拼接,平均池化后,接入全连接层,获得非结构化检查结果的最终向量表征。
在一个可能的实现方式中,所述对检查结果评级知识库中的检查结果进行向量化表征,具体为:
使用预训练BERT模型对检查结果评级知识库中的检查结果进行预测;
从预测结果的输出层获取检查结果评级知识库中的检查结果的每个字向量,并进行平均化池化,获得检查结果评级知识库中的检查结果的平均字向量;
从预测结果的输出层抽取符号[CLS]对应的向量,作为检查结果评级知识库中的检查结果的句向量表征;
将平均字向量和句向量按维度进行拼接,平均池化后,接入全连接层,获得检查结果评级知识库中的检查结果的最终向量表征。
第二方面,本发明实施例提供了一种智能随访中检查结果严重程度评级装置,包括:结构化检查结果严重程度评级模块和非结构化检查结果严重程度评级模块,其中,
结构化检查结果严重程度评级模块包括映射单元和匹配单元,其中,
所述映射单元,用于将检查结果的检查实体与检查知识图谱的检查概念进行概念映射;
所述匹配单元,用于匹配检查结果的检查指标和映射到的检查概念的严重程度属性对应的属性值范围,得到检查结果严重程度评级;
非结构化检查结果严重程度评级模块用于,对非结构化检查结果和检查结果评级知识库中的检查结果进行文本相似度计算,获得检查结果严重程度评级。
在一个可能的实现方式中,所述非结构化检查结果严重程度评级模块包括:
向量化表征单元,对非结构化检查结果和检查结果评级知识库中的检查结果进行向量化表征;
第一处理单元,将获得的向量表征分别求余弦相似度距离,并取分数最高的检查结果评级知识库中的检查结果作为和非结构化检查结果最相近的检查结果表述;
第二处理单元,取分数最高的检查结果评级知识库中的检查结果对应的严重程度评级作为非结构化检查结果的严重程度。
在一个可能的实现方式中,所述向量化表征单元具体用于,
使用预训练BERT模型对非结构化检查结果进行预测;
从预测结果的输出层获取非结构化检查结果的每个字向量,并进行平均池化,获得非结构化检查结果的平均字向量;
从预测结果的输出层抽取符号[CLS]对应的向量,作为非结构化检查结果的句向量表征;
将平均字向量和句向量按维度进行拼接,平均池化后,接入全连接层,获得非结构化检查结果的最终向量表征。
在另一个可能的实现方式中,所述向量化表征单元还用于:
使用预训练BERT模型对检查结果评级知识库中的检查结果进行预测;
从预测结果的输出层获取检查结果评级知识库中的检查结果的每个字向量,并进行平均化池化,获得检查结果评级知识库中的检查结果的平均字向量;
从预测结果的输出层抽取符号[CLS]对应的向量,作为检查结果评级知识库中的检查结果的句向量表征;
将平均字向量和句向量按维度进行拼接,平均池化后,接入全连接层,获得检查结果评级知识库中的检查结果的最终向量表征。
第三方面,本发明实施例提供了一种智能随访中检查结果严重程度评级系统,该系统包括至少一个处理器和存储器;
所述存储器,用于存储一个或多个程序指令;
所述处理器,用于运行一个或多个程序指令,用以执行如第一方面中一个或多个所述的方法。
第四方面,本发明提供了一种芯片,所述芯片与系统中的存储器耦合,使得所述芯片在运行时调用所述存储器中存储的程序指令,实现如第一方面中一个或多个所述的方法。
第五方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质包括一个或多个程序指令,所述一个或多个程序指令可被如第三方面所述的系统执行,以实现如第一方面中一个或多个所述的方法。
本发明结合自然语言处理技术的预训练模型能够表征非结构化的检查结果描述。此外,对于结构化的检查实体通过概念映射到检查知识图谱中的概念,能有效利用检查知识图谱中的高质量知识,获得更准确的结果。
附图说明
图1为本发明实施例提供的一种智能随访中检查结果严重程度评级方法流程示意图;
图2为结构化检查结果严重程度评级方法举例示意图;
图3为非结构化检查结果严重程度评级方法流程示意图;
图4为非结构化检查结果严重程度评级方法举例流程示意图;
图5为非结构化检查结果的向量化表征的流程示意图;
图6为检查结果评级知识库中的检查结果的向量化表征的流程示意图;
图7为本发明实施例提供的一种智能随访中检查结果严重程度评级装置结构示意图;
图8为结构化检查结果严重程度评级模块结构示意图;
图9为非结构化检查结果严重程度评级模块结构示意图;
图10为本发明实施例提供的一种智能随访中检查结果严重程度评级系统结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
首先简单介绍体检检查结果,智能随访的体检检查结果分为结构化的检查结果和非结构化的检查结果。结构化的检查结果包括检查实体和检查指标,如甲胎蛋白(25.20ng/ml);而非结构化的检查结果为一段检查的描述性文本,如胸部CT提示右肺下叶前基底段见新发磨玻璃密度结节。
根据上述描述,体检检查结果严重程度评级方法,可分为两部分结构化体检结果严重程度评级方法和非结构化检查结果严重程度评级法方法,具体的,图1示出了实施例提供的一种智能随访中检查结果严重程度评级方法流程示意图,如图1所示,所述方法包括以下步骤:
(1)结构化检查结果严重程度评级方法包括:
将检查结果的检查实体与检查知识图谱的检查概念进行概念映射;
匹配检查结果的检查指标和映射到的检查概念的严重程度属性对应的属性值范围,得到检查结果严重程度评级。
图2为结构化检查结果严重程度评级方法举例,如图2所示,检查结果的检查实体是甲胎蛋白,检查指标是25.20ng/ml。在评级过程中,需要把甲胎蛋白与检查知识图谱中的检查概念进行概念映射,检查结果中的甲胎蛋白概念映射后,对应检查知识图谱中的检查概念甲胎蛋白检验,两者是同义词。然后再将检查指标25.20ng/ml,与映射到的检查概念的严重程度属性对应的属性值范围进行匹配,而根据疾病的种类不同,属性值范围包括正常值、普通值及严重值范围等,由图2中的属性值范围可知,检查指标在≥15ng/ml,属于病情严重。
(2)非结构化检查结果严重程度评级方法包括:
对非结构化检查结果和检查结果评级知识库中的检查结果进行文本相似度计算,获得检查结果严重程度评级。
图3为非结构化检查结果严重程度评级方法流程示意图,图4非结构化检查结果严重程度评级方法举例流程示意图,综合图3和图4,非结构化检查结果严重程度评级方法具体包括以下步骤:
步骤10,对非结构化检查结果和检查结果评级知识库中的检查结果进行向量化表征。
图5为非结构化检查结果的向量化表征的流程示意图,如图4和图5所示,向量化表征的具体过程如下:
在描述过程中,非结构化检查结果用a表示,而检查结果评级知识库中的检查结果用b表示,而b∈B,其中,B表示知识库中的检查结果合计,下面以a为例,对非结构化检查结果的向量化表征流程进行详细说明,而b与a的方法一致,如图6中的步骤105-步骤108所示,在此不再赘述:
步骤101,使用预训练BERT模型对a进行预测。
步骤102,从预测结果的输出层获取a的每个字向量,并进行平均池化,获得a的平均字向量;
步骤103,从预测结果的输出层抽取符号[CLS]对应的向量,作为a的句向量表征;
步骤104,将a平均字向量和句向量按维度进行拼接,平均池化后,接入全连接层,获得a的最终向量表征。
步骤20,将a的向量表征和集合B中b的向量表征分别求余弦相似度距离,并取分数最高的b作为和a最相近的检查结果表述。
步骤30,取分数最高的b对应的严重程度评级作为a的严重程度。
图4中的检查结果为描述性文本:胸部CT提示右肺下叶前基底段见新发磨玻璃密度结节,经过一系列处理后,获得的b的向量表征的余弦最高值为b4,即b4可作为上述描述性文本最接近的检查结果表述,而b4对应的严重程度评价为严重,因此“胸部CT提示右肺下叶前基底段见新发磨玻璃密度结节”的病情严重。
本发明提供的方法,结合自然语言处理技术的预训练模型能够表征非结构化的检查结果描述。此外,对于结构化的检查实体通过概念映射到检查知识图谱中的概念,能有效利用检查知识图谱中的高质量知识,获得更准确的结果。
与上述实施例方法对应的,本发明还提供了一种智能随访中检查结果严重程度评级装置,图7为该装置结构示意图,如图7所示,该装置包括结构化检查结果严重程度评级模块71和非结构化检查结果严重程度评级模块72;其中,如图8所示,结构化检查结果严重程度评级模块71包括映射单元711和匹配单元712,
所述映射单元711,用于将检查结果的检查实体与检查知识图谱的检查概念进行概念映射;
所述匹配单元712,用于匹配检查结果的检查指标和映射到的检查概念的严重程度属性对应的属性值范围,得到检查结果严重程度评级;
非结构化检查结果严重程度评级模块72用于,对非结构化检查结果和检查结果评级知识库中的检查结果进行文本相似度计算,获得检查结果严重程度评级。
在一个示例中,如图9所示,所述非结构化检查结果严重程度评级模块72包括:
向量化表征单元721,对非结构化检查结果和检查结果评级知识库中的检查结果进行向量化表征;
第一处理单元722,将获得的向量表征分别求余弦相似度距离,并取分数最高的检查结果评级知识库中的检查结果作为和非结构化检查结果最相近的检查结果表述;
第二处理单元723,取分数最高的检查结果评级知识库中的检查结果对应的严重程度评级作为非结构化检查结果的严重程度。
在一个示例中,所述向量化表征单元721具体用于,
使用预训练BERT模型对非结构化检查结果进行预测;
从预测结果的输出层获取非结构化检查结果的每个字向量,并进行平均池化,获得非结构化检查结果的平均字向量;
从预测结果的输出层抽取符号[CLS]对应的向量,作为非结构化检查结果的句向量表征;
将平均字向量和句向量按维度进行拼接,平均池化后,接入全连接层,获得非结构化检查结果的最终向量表征。
在另一个示例中,所述向量化表征单元721具体还用于,
使用预训练BERT模型对检查结果评级知识库中的检查结果进行预测;
从预测结果的输出层获取检查结果评级知识库中的检查结果的每个字向量,并进行平均池化,获得检查结果评级知识库中的检查结果的平均字向量;
从预测结果的输出层抽取符号[CLS]对应的向量,作为检查结果评级知识库中的检查结果的句向量表征;
将平均字向量和句向量按维度进行拼接,平均池化后,接入全连接层,获得检查结果评级知识库中的检查结果的最终向量表征。
本发明实施例提供的装置中各部件所执行的功能均已在上述方法中做了详细介绍,因此这里不做过多赘述。
与上述实施例相对应的,本发明实施例、还提供了一种智能随访中检查结果严重程度评级系统,具体如图10所示,该系统包括至少一个处理器101和存储器102;
存储器101,用于存储一个或多个程序指令;
处理器102,用于运行一个或多个程序指令,执行如上述实施例所介绍的智能随访中检查结果严重程度评级方法中的任一方法步骤。
与上述实施例相对应的,本发明实施例还提供了一种芯片,该芯片与上述系统中的存储器耦合,使得所述芯片在运行时调用所述存储器中存储的程序指令,实现如上述实施例所介绍的智能随访中检查结果严重程度评级方法。
与上述实施例相对应的,本发明实施例还提供了一种计算机存储介质,该计算机存储介质中包括一个或多个程序,其中,一个或多个程序指令用于被智能随访中检查结果严重程度评级系统执行如上介绍的智能随访中检查结果严重程度评级方法。
本申请提供的方案,结合自然语言处理技术的预训练模型能够表征非结构化的检查结果描述。此外,对于结构化的检查实体通过概念映射到检查知识图谱中的概念,能有效利用检查知识图谱中的高质量知识,获得更准确的结果。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
- 智能随访中检查结果严重程度评级方法、装置及系统
- 辅助肠镜检查的智能场景推送方法、系统和肠镜检查装置