一种常见疾病智能诊断方法、系统及存储介质

技术领域

本发明涉及大数据领域，更具体地，涉及一种常见疾病智能诊断方法、系统及存储介质。

背景技术

在医疗健康领域，疾病类型的准确诊断是准确治疗的关键基础，只有对疾病类型精准诊断，后续才能进行针对性的治疗，关系对疾病治疗的成功率。

目前，对疾病诊断的常用方法为，医务人员根据患者的临床征兆特征信息，凭借经验来判别患者的疾病类型，并根据疾病类型给出治疗的解决方案。

但是仅凭医务人员的经验来判别疾病类型，相对比较盲目，具有很大的主观性，不够准确。

发明内容

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的一种常见疾病智能诊断方法、系统及存储介质。

根据本发明实施例的第一方面，提供了一种常见疾病智能诊断方法，包括：

基于获取的患者常见疾病描述性文本，确定每一种常见疾病对应的临床征兆语义网范围；

基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集；

基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型，所述临床征兆语义网用来描述每一种常见疾病类型对应的临床征兆信息以及疾病的解决方案；

将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，通过所述临床征兆语义网模型判别待诊断疾病的疾病类型和对应的解决方案。

在上述技术方案的基础上，本发明实施例还可以作出如下改进。

可选的，所述基于获取的每一种常见疾病的描述性文本，确定每一种常见疾病对应的临床征兆语义网范围包括：

抽取患者常见疾病描述性文本中的关键词，并对所述关键词进行词性标注和术语提取，筛选出患者常见疾病描述性文本中的临床征兆术语，确定患者常见疾病的临床征兆语义网范围。

可选的，所述抽取患者常见疾病描述性文本中的关键词包括：

对患者常见疾病描述性文本进行自动分词；

计算每一个词在所述患者常见疾病描述性文本中的词频和权重；

根据每一个词的词频和权重，对所述患者常见疾病描述性文本中的所有词进行排序，将其中排序靠前的多个词作为所述患者常见疾病描述性文本的多个关键词。

可选的，所述基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集包括：

对于任一种常见疾病，从标准库中查找到对应的常见疾病，并获取标准库中所述任一种常见疾病对应的临床征兆语义网范围；

基于从患者描述性文本中获取的所述任一种常见疾病对应的临床征兆语义网范围，对从标准库中所述任一种常见疾病对应的临床征兆语义网范围进行完善调整；

基于完善调整后的标准库，获取融合后的每一种常见疾病对应的临床征兆范围和临床征兆术语集。

可选的，所述基于完善调整后的标准库，获取融合后的每一种常见疾病对应的临床征兆范围和临床征兆术语集之后还包括：

对融合后的所有的临床征兆术语集进行聚类，得到聚类后的多个类别，并判别每一个类别所属的疾病系统。

可选的，所述基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型包括：

基于聚类后的每一个类别的临床征兆术语集，采用自顶向下的方式确立所述临床征兆语义网模型的最顶层分类，其中，所述最顶层分类为疾病系统；

以所述临床征兆语义网模型的最顶层分类为基础，结合所述临床征兆术语集，采用自顶向下与自底向上相结合的方式，确定所述临床征兆语义网模型的分类结构；

其中，所述临床征兆语义网模型描述了每一个疾病系统、每一个疾病系统下的常见疾病和每一种疾病对应的临床征兆信息以及解决方案的结构信息，每一种常见疾病对应有多个临床征兆信息。

可选的，所述将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，通过所述临床征兆语义网模型判别待诊断疾病的疾病类型和对应的解决方案包括：

计算待诊断疾病的临床征兆信息与所述临床征兆语义网模型中的每一种常见疾病对应的多种临床征兆信息的相关概率；

将与所述待诊断疾病的临床征兆信息的相关概率最大的常见疾病确定为所述待诊断疾病的疾病类型。

可选的，所述计算待诊断疾病的临床征兆信息与所述临床征兆语义网模型中的每一种常见疾病对应的多种临床征兆信息的相关概率包括：

计算待诊断疾病的临床征兆信息与所述临床征兆语义网模型中的每一种常见疾病对应的多种临床征兆信息之间的复相关系数，将所述复相关系数作为相关概率。

根据本发明实施例的第二方面，提供一种常见疾病智能诊断系统，包括：

第一获取模块，用于基于获取的患者常见疾病描述性文本，确定每一种常见疾病对应的临床征兆语义网范围；

融合模块，用于基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集；

构建模块，用于基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型，所述临床征兆语义网用来描述每一种常见疾病类型对应的临床征兆信息以及疾病的解决方案；

判别模块，用于将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，通过所述临床征兆语义网模型判别待诊断疾病的疾病类型和对应的解决方案。

根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现常见疾病智能诊断方法的步骤。

根据本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现常见疾病智能诊断方法的步骤。

本发明实施例提供的一种常见疾病智能诊断方法、系统及存储介质，基于获取的患者常见疾病描述性文本，提取每一种常见疾病对应的临床征兆语义网范围；与标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集；基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型；将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，利用临床征兆语义网模型判别待诊断疾病的疾病类型和对应的解决方案。根据已有常见疾病的临床征兆信息，构建临床征兆语义网模型，通过构建的临床征兆语义网模型，能够对待诊断的常见疾病进行智能诊断。

附图说明

图1为本发明实施例提供的一种常见疾病智能诊断方法流程图；

图2为本发明实施例提供的一种常见疾病智能诊断系统结构图；

图3为为本发明实施例提供的一种可能的电子设备的硬件结构示意图；

图4为本发明实施例提供的一种可能的计算机可读存储介质的硬件结构示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

图1为本发明实施例提供的一种常见疾病智能诊断方法流程图，如图1所示，方法包括：基于获取的患者常见疾病描述性文本，提取每一种常见疾病对应的临床征兆语义网范围；基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集；基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型，所述临床征兆语义网用来描述每一种常见疾病类型对应的临床征兆信息以及疾病的解决方案；将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，通过临床征兆语义网模型判别待诊断疾病的疾病类型和对应的解决方案。

可以理解的是，目前，对于疾病诊断，主要是根据医务人员的经验确定的，这种人工经验确定的疾病具有一定的主观和盲目性。基于此，本发明实施例提出了一种能够对疾病智能诊断的方法，首先，基于患者常见疾病描述性文本(主要来自对患者问诊的描述性文本)，从中提取出每一种常见疾病对应的临床征兆语义网范围。

然后，基于从描述性文本中提取的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行完善、补充、调整等融合处理，得到融合后的语料集，语料集中包括每一种常见疾病对应的临床征兆范围和临床征兆术语集，以及每一种疾病的解决方案。

随后，基于融合后的每一种常见疾病和对应的临床征兆范围及临床征兆术语集，构建临床征兆语义网模型，临床征兆语义网模型为用来描述每一种常见疾病类型对应的临床征兆信息以及疾病的解决方案的网络结构。

最后，将待诊断疾病的临床征兆特征信息输入构建的临床征兆语义网模型，获取临床征兆语义网模型输出的疾病类型和对应的解决方案，即根据待诊断疾病的临床征兆特征信息，通过临床征兆语义网模型来对待诊断的常见疾病进行疾病类型的诊断，以及给出相应的疾病解决方案，实现常见疾病的智能诊断判别，相比目前的人工诊断判别，诊断的准确性更高，效率也更高。

在一种可能的实施例方式中，基于获取的每一种常见疾病的描述性文本，确定每一种常见疾病对应的临床征兆语义网范围包括：抽取患者常见疾病描述性文本中的关键词，并对关键词进行词性标注和术语提取，筛选出患者常见疾病描述性文本中的临床征兆术语，确定患者常见疾病的临床征兆语义网范围。

可以理解的是，对于获取的问诊描述性文本，抽取其中的关键词，并对关键词进行词性标注和术语提取，从中筛选出患者常见疾病描述性文本中的临床征兆术语，对于大量的问诊描述性文本，即可根据问诊提取出每一种常见疾病的临床征兆术语，进而确定每一种常见疾病的临床征兆语义网范围。

在一种可能的实施例方式中，抽取患者常见疾病描述性文本中的关键词包括：对患者常见疾病描述性文本进行自动分词；计算每一个词在所述患者常见疾病描述性文本中的词频和权重；根据每一个词的词频和权重，对所述患者常见疾病描述性文本中的所有词进行排序，将其中排序靠前的多个词作为所述患者常见疾病描述性文本的多个关键词。

可以理解的是，在抽取描述性文本中的关键词时，对患者常见疾病描述性文本(主要是问诊获取的文本)进行处理，包括自动分词、词性标注、热词提取和术语提取等，筛选出患者常见疾病描述性文本(主要是问诊获取的文本)的临床征兆术语，从而确定患者常见疾病的临床征兆语义网范围。

在本发明实施例中，主要用TF-IDF来抽取常见疾病描述性文本(主要是问诊获取的文本)关键词。即先计算每个词在常见疾病描述性文本(主要是问诊获取的文本)中的词频(TF)，然后计算词的权重(IDF)，最后将TF、IDF相乘在排序，得到topN个关键词，这里的关键词即为人体粪便性状描述的关键特征信息。

具体实现方法为：(1)计算关于人体粪便性状文本描述的词频。词频＝某个词在文章中出现的总次数；当然为了消除不同文章大小之间的差异，便于不同文章之间的比较，我们在此标准化词频：词频＝某个词在文章中出现的总次数/文章的总词数；或者：词频＝某个词在文章中出现的总次数/文章中出现次数最多的词的个数。计算公式为：

也即：

其中，n

(2)计算逆文档频率。逆文档频率(IDF)＝log(词料库的文档总数/包含该词的文档数+1)。为了避免分母为0，所以在分母上加1。IDF(逆文档频率)计算公式为：

其中，|D|是粪便文本描述语料库中的文件总数。|{j：t

也即：

注：此位置+1的目的是防止分母为0。从表达式可以看出：词的文档个数越多，IDF的值越小，说明该词不重要；反之，该词越重要；IDF更像是给TF赋的一个权重。

(3)计算TF-IDF值，TF-IDF实际上是：TF*IDF。某一特定文件内的高词语频率，以及该词语在整个文件集合中的低文件频率，可以产生出高权重的TF-IDF。因此，TF-IDF倾向于过滤掉常见的词语，保留重要的词语。公式为：

TF-IDF＝TF*IDF；

也即，TF-IDF＝TF(词频)*IDF(逆文档频率)。

(4)求出关键字：计算出文章中每个词的TF-IDF值之后，进行排序，选取其中值最高的几个作为关键字。关键词w在文档Di的TF-IDF值：

通过上述方法获取问诊描述性文本中的每一种常见疾病的临床征兆信息。

在一种可能的实施例方式中，所述基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集包括：对于任一种常见疾病，从标准库中查找到对应的常见疾病，并获取标准库中所述任一种常见疾病对应的临床征兆语义网范围；基于从患者描述性文本中获取的所述任一种常见疾病对应的临床征兆语义网范围，对从标准库中所述任一种常见疾病对应的临床征兆语义网范围进行完善调整；基于完善调整后的标准库，获取融合后的每一种常见疾病对应的临床征兆范围和临床征兆术语集。

可以理解的是，上述从问诊描述性文本中提取了每一种常见疾病对应的临床征兆语义网范围后，对《诊断学》标准库中的每一种常见疾病对应的临床征兆语义网范围进行融合，得到融合后的每一种常见疾病的临床征兆语义网范围。

具体的，获取基于《诊断学》中常见疾病诊断标准对应的疾病征兆范围中的语义网结构，得到常见疾病专业诊断标准中的已有疾病征兆语义网结构以及常见疾病专业诊断标准对应的疾病征兆术语集。这里常见疾病专业诊断标准对应的疾病征兆语义网，主要包括对应的疾病知识库及临床征兆词典、解决方案等。比如，登革热的诊断标准包括：1)、流行病学史。发病前14d内，曾经到过登革热流行区，或居住场所或工作场所周围1个月内曾出现过登革热病例；2、)临床表现：A、急性起病，突发高热，明显疲乏、厌食、恶心等，常伴有较剧烈的头痛、眼眶痛、全身肌肉痛、骨关节痛等症状，可伴面部、颈部、胸部潮红，结膜充血等；B、皮疹：于病程第3天～第6天在颜面四肢出现充血性皮疹或点状出血疹。典型皮疹为见于四肢的针尖样出血点及“皮岛”样表现等。皮疹分布于四肢躯干或头面部，多有痒感，不脱屑。持续3d～5d；C、出血倾向：部分病人可出现不同程度的出血表现，如皮下出血、注射部位瘀点、牙龈出血、鼻衄及束臂试验阳性等；D、严重出血：皮下血肿，肉眼血尿，消化道、胸腹腔、阴道、颅内等部位出血；E、严重脏器损伤：急性心肌炎、急性呼吸窘迫综合征、急性肝损伤、急性肾功能不全、中枢神经系统损伤等表现；F、休克：心动过速、肢端湿冷、毛细血管充盈时间延长＞3s、脉搏细弱或测不到、脉压差减小或血压测不到等；3)、实验室检查。白细胞计数减少和/或血小板减少；登革病毒IgM抗体阳性；3发病5d内的登革病毒NS1抗原检测阳性；登革病毒恢复期血清特异性IgG抗体滴度比急性期有4倍及以上增长或阳转；从急性期病人血液、脑脊液或组织等中分离到登革病毒；应用RT-PCR或实时荧光定量RT-PCR检出登革病毒核酸等。

在一种可能的实施例方式中，基于完善调整后的标准库，获取融合后的每一种常见疾病对应的临床征兆范围和临床征兆术语集之后还包括：对融合后的所有的临床征兆术语集进行聚类，得到聚类后的多个类别，并判别每一个类别所属的疾病系统。

可以理解的是，从人体生理功能来说，人体有以下九大系统组成，九大系统是指运动系统、消化系统、呼吸系统、泌尿系统、生殖系统、内分泌系统、免疫系统、神经系统和循环系统。运动系统常见的疾病有:肩周炎、生长痛、骨质增生、(颈椎骨质增生、腰椎骨质增生)、氟骨病、佝偻病(先天性佝偻病、婴幼儿佝偻病、儿童期佝偻病、青少年佝偻病)、软骨病、骨质疏松、骨折、骨坏死等。消化系统的常见疾病有:肝胆疾病(胆结石、脂肪肝、肝炎、肝硬化)、胃酸过多、消化道溃疡、慢性肠胃炎、腹泻、痔疮等。呼吸系统常见的疾病有:肺部疾病(婴幼儿肺炎、肺心病、肺结核)、支气管痉挛、呼吸衰竭(呼吸性碱中毒、呼吸性酸中毒、感冒)等。泌尿系统常见的疾病有:肾病(肾盂肾炎、急性肾炎、慢性肾炎、急性肾衰、慢性肾衰)、泌尿系统结石(输尿管结石、肾结石、膀胱结石)等。生殖系统常见的疾病有:围绝经期综合症、不孕症、痛经等。内分泌系统常见的疾病有:肥胖症、糖尿病、甲状旁腺疾病、甲状腺疾病(甲亢、甲减)、库欣综合征等。免疫系统常见的疾病有:过敏性疾病、风湿性关节炎、艾滋病、系统性红斑狼疮等。神经系统常见的疾病有:智商低下、神经衰退、癫痫病、多动症、阿尔茨海默病等。循环系统常见的疾病有:高血压病、高脂血症、冠心病、脑卒中(出血性、缺血性)等。

对收集的所有的临床征兆术语集进行聚类，分类得到每一个疾病系统下的每一种疾病类型，以及每一个疾病类型下的临床征兆信息。

其中，根据融合后的语料库，包括已有常见疾病的临床征兆术语集，以及对应的解决方案等信息构建临床征兆语义网模型的方法为：根据常见疾病临床诊断语义网范围，匹配基于《诊断学》中常见疾病诊断标准对应的疾病征兆范围中的语义网结构，获取已有常见疾病专业诊断标准语义网结构中的概念关系，并进行分类和聚类。即依照所述已有常见疾病专业诊断标准语义网结构和所述已有常见疾病术语集，采用自顶向下的方式确立所述临床诊断语义网的最顶层分类；以所述临床诊断语义网的最顶层分类为基础结合所述术语集，采用自顶向下与自底向上相结合的方式，逐层确定所述临床诊断语义网分类结构。具体包括自顶向下的方法用于顶层分类结构的确定，自底向上的方法用于底层分类结构的确定。

其中，本发明实施例对各种常见疾病的临床征兆术语集进行聚类的具体方法为，用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，该算法只能处理数值型数据。

输入是样本D＝{x

(1)从数据集D中随机选择k个样本作为初始的k个质心向量：{u

(2)对于n＝1,2,...,N；

a、将簇划分C初始化；

b、对于i＝1,2...m,计算样本x

c、对于j＝1,2,...,k,对C

d、如果所有的k个质心向量都没有发生变化，则转到步骤3)；

3)、输出簇划分C＝{C

在上述聚类基础上，利用最大熵模型对上述对应的疾病征兆术语集进行训练，以生成预设分类模型(即临床征兆语义网模型)，得到作为类的术语集和作为属性的术语集。对作为类的术语集进行归类，得到用于描述临床征兆语义网的属性模板。一般来说，在无外力作用下，事物总是朝着最混乱的方向发展，事物是约束和自由的统一体。事物总是在约束下争取最大的自由权，这其实也是自然界的根本原则。在已知条件下，熵最大的事物，最可能接近它的真实状态，最大熵模型，就是基于最大熵原理的分类模型。本发明实施例基于聚类后的各种常见疾病对应的临床征兆术语集，利用最大熵对疾病征兆术语集进行训练，生成临床征兆语义网模型，该临床征兆语义网模型可对各种不同的常见疾病进行分类。临床征兆语义网模型描述了每一个疾病系统、每一个疾病系统下的常见疾病和每一种疾病对应的临床征兆信息以及解决方案的结构信息，每一种常见疾病对应有多个临床征兆信息。

在一种可能的实施例方式中，将待诊断疾病的临床征兆特征信息输入构建的临床征兆语义网模型，所述临床征兆语义网模型输出的疾病类型和对应的解决方案包括：计算待诊断疾病的临床征兆信息与所述临床征兆语义网模型中的每一种常见疾病对应的多种临床征兆信息的相关概率；将与所述待诊断疾病的临床征兆信息的相关概率最大的常见疾病确定为所述待诊断疾病的疾病类型。

可以理解的是，基于已有的常见疾病的语料库构建了已有常见疾病的临床征兆语义网模型，对于待诊断疾病，提取待诊断疾病的临床征兆信息，将待诊断疾病的临床征兆疾病信息输入到构建的已有常见疾病的临床征兆语义网模型中，由临床征兆语义网模型输出待诊断疾病的疾病类型以及对应的解决方案。

临床征兆语义网模型的具体处理方式为，获取待诊断常见病临床征兆，利用复相关系数算法计算待诊断常见病临床征兆与语义网每一个根节点以及对应子节点的相关概率，并推导和筛查可能的疾病和解决方案。

应当理解的是，由于每一个具体变化特征里面的每一个具体的特征信息对应一个或者几个疾病。为了测定一个变量y与其他多个变量x

用于建立复相关系数算法，获取待诊断常见病临床征兆，利用复相关系数算法计算待诊断常见病临床征兆与语义网每一个根节点以及对应子节点的相关概率。

复相关系数算法为：

其中，R代表复相关系数，y代表待诊断常见病临床征兆的特征信息，

应当理解的是，复相关系数的取值范围是[0,1]，有如下几种情况：

1、当相关系数为0时，x和y两变量无关系；2、当x的值增大(减小)，y值增大(减小)，两个变量为正相关，相关系数在0.00与1.00之间；3.当x的值增大(减小)，y值减小(增大)，两个变量为负相关，相关系数在-1.00与0.00之间。也就是说，相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。

具体计算过程如下：

首先用y对x

然后计算y和

之所以用R代表复相关系数，是因为R的平方恰好就是线性回归方程的决定系数，即

从而可以推导出，

应当理解的是，复相关系数与简单相关系数的区别是简单相关系数的取值范围是[-1,1]，而复相关系数的取值范围是[0,1]。这是因为，在两个变量的情况下，回归系数有正负之分，所以在研究相关时，也有正相关和负相关之分；但在多个变量时，偏回归系数有两个或两个以上，其符号有正有负，不能按正负来区别，所以复相关系数也就只取正值。

本发明实施例通过构建各种常见疾病的临床征兆语义网模型，可实现对常见疾病的智能诊断，减少了临床筛查和诊断应用中对人工的依赖以及无法适于多疾病的问题，提高自动化水平，实现快速构建常见疾病临床征兆的语义网，提高了智能筛查和智能诊断的效率。

图2为本发明实施例提供的一种常见疾病智能诊断系统结构图，如图2所示，系统包括第一获取模块201、融合模块202、构建模块203和判别模块204，其中：

第一获取模,201，用于基于获取的患者常见疾病描述性文本，确定每一种常见疾病对应的临床征兆语义网范围；

融合模块202，用于基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集；

构建模块203，用于基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型，所述临床征兆语义网用来描述每一种常见疾病类型对应的临床征兆信息以及疾病的解决方案；

判别模块204，用于将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，通过所述临床征兆语义网模型判别待诊断疾病的疾病类型和对应的解决方案。

可以理解的是，本发明实施例提供的一种常见疾病智能诊断系统与前述各实施例提供的常见疾病智能诊断方法相对应，常见疾病智能诊断系统的相关技术特征可参考常见疾病智能诊断方法的相关技术特征，在此不再重复说明。

请参阅图3，图3为本发明实施例提供的电子设备的实施例示意图。如图3所示，本申请实施例提了一种电子设备，包括存储器310、处理器320及存储在存储器320上并可在处理器320上运行的计算机程序311，处理器320执行计算机程序311时实现以下步骤：基于获取的患者常见疾病描述性文本，确定每一种常见疾病对应的临床征兆语义网范围；基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集；基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型，所述临床征兆语义网用来描述每一种常见疾病类型对应的临床征兆信息以及疾病的解决方案；将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，获取所述临床征兆语义网模型输出的疾病类型和对应的解决方案。

请参阅图4，图4为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图4所示，本实施例提供了一种计算机可读存储介质400，其上存储有计算机程序411，该计算机程序411被处理器执行时实现如下步骤：基于获取的患者常见疾病描述性文本，确定每一种常见疾病对应的临床征兆语义网范围；基于确定的每一种常见疾病对应的临床征兆语义网范围，对标准库中每一种常见疾病诊断标准对应的临床征兆语义网范围进行融合，获取每一种常见疾病对应的临床征兆范围和临床征兆术语集；基于获取的每一种常见疾病对应的临床征兆范围和临床征兆术语集，构建临床征兆语义网模型，所述临床征兆语义网用来描述每一种常见疾病类型对应的临床征兆信息以及疾病的解决方案；将待诊断疾病的临床征兆特征信息输入构建的所述临床征兆语义网模型，获取所述临床征兆语义网模型输出的疾病类型和对应的解决方案。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和变型在内。