基于人工智能的医疗文书完整性分析方法及系统

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于人工智能的医疗文书完整性分析方法及系统。

背景技术

医疗文书是医疗过程的全面记录，也是医生对病人的诊疗依据，建议修改医疗文书是医疗机构及医务人员在诊疗、护理、预防、检疫等诊疗过程中，按照专业技术规范要求制作的反映医疗服务关系、患者健康状况和医疗措施等具有保存价值的信息资料规范文件的总称。医疗文书体现了医疗机构及医务人员的医疗质量和学术思想水平，衡量医疗活动及技术水平的重要标志。医疗文书完整性，对提升医疗水平、规范医疗行为、保障患者权益等方面发挥着重要作用。

中国专利公开号：CN113707252B公开了一种智能病例质控方法及系统，该发明以人工智能技术为核心，通过对病历语义的理解及诊疗路径的评估，查找缺陷内容，标识原因。

医疗文书的完整性分析对于医疗工作具有重要意义，不仅体现了医院的医疗质量、管理水平，反映出医务人员的业务水平，而且是临床教学、科研、总结经验及医院信息管理的重要资料。然而，现有技术多为对电子病例的完整性进行质控和分析，而医疗文书不仅包括电子病历，还包括门诊病历、住院病历、门诊处方、医生交接班报告、各种申请单、报告单、三测单、护理交班报告、特别护理记录单等纸质单据，目前，针对纸质医疗文书的书写完整性是通过人工审核，人工审核的主观性较强，精准性较低，速度慢效率低，无法满足医学人员的实际需求。

发明内容

为此，本发明提供一种基于人工智能的医疗文书完整性分析方法及系统，用以克服现有技术中对于纸质医疗文书的完整性分析的精准度较低以及效率较低的问题。

为实现上述目的，一方面，本发明提供一种基于人工智能的医疗文书完整性分析方法，包括：

步骤S1，数据获取单元获取若干医疗文书扫描图像，数据处理单元筛选分辨率符合标准的医疗文书扫描图像作为样本数据并存储至样本数据集，样本数据集将样本数据随机划分为训练集、验证集和测试集；

步骤S2，建模单元建立神经网络模型，设置神经网络模型的迭代次数N和隐层数A，并将所述训练集输入至神经网络模型中进行训练；

步骤S3，所述建模单元使用所述验证集对所述神经网络模型进行验证，中控单元根据神经网络模型的验证结果判定是否对神经网络模型的迭代次数和隐层数进行调节；

步骤S4，所述建模单元使用所述测试集对测试结果符合标准的所述神经网络模型进行测试，所述中控单元根据神经网络模型的测试结果判定是否需要增加所述样本数据的数量。

进一步地，在所述步骤S1中，所述数据处理单元检测各所述医疗文书扫描图像的分辨率Q，将Q与预设分辨率Q0进行比对并根据比对结果判定医疗文书扫描图像的分辨率是否符合标准，

若Q≥Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率符合标准，将该医疗文书扫描图像作为样本数据储存至样本数据集；

若Q＜Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率不符合标准。

进一步地，在所述步骤S1中，所述数据获取单元获取的若干医疗文书扫描图像包括若干第一完整度的医疗文书扫描图像、若干第二完整度的医疗文书扫描图像、若干第三完整度的医疗文书扫描图像以及若干第四完整度的医疗文书扫描图像。

进一步地，在所述步骤S3中，所述中控单元通过所述神经网络模型的测试结果判定是否对神经网络模型进行调参时，

所述建模单元选取验证集中的样本数据A1、A2...An对神经网络模型进行验证时，其对应的预设结果为a1、a2...an，神经网络模型的验证结果为b1、b2...bn，所述中控单元将预设结果与验证结果中的数值对应并计算验证误差率τ，设定

所述中控单元将验证误差率τ与预设误差率τ0进行比对，

若τ≤τ0，所述中控单元判定验证误差率符合标准，所述神经网络模型验证结果符合标准，无需对神经网络模型进行调参；

若τ＞τ0，所述中控单元判定验证误差率不符合标准，所述神经网络模型验证结果不符合标准，需对神经网络模型进行调参。

进一步地，在所述步骤S4中，所述中控单元判定所述神经网络模型验证结果不符合标准时，即τ＞τ0时，计算验证误差率τ与预设误差率τ0的差值Δτ并根据Δτ对神经网络模型的隐层数进行调节，设定Δτ=τ-τ0，其中，

若Δτ＜Δτ1，所述中控单元选用α1将隐层数调整至A1=A×α1；

若Δτ1≤Δτ＜Δτ2，所述中控单元选用α2将隐层数调整至A1=A×α2；若Δτ≥Δτ2，所述中控单元选用α3将隐层数调整至A1=A×α3；

其中，Δτ1为第一预设验证误差率差值，Δτ2为第二预设验证误差率差值，Δτ1＜Δτ2，α1为第一隐层数调节系数，α2为第二隐层数调节系数，α3为第三隐层数调节系数，α1，α2，α3的取值分别为0.8＜α1＜1.2，0.6＜α2＜1.5，0.4＜α3＜2，且α1，α2，α3均不为1，每次更新隐层数时α1，α2，α3在其对应的取值范围内随机取值，当A1不为正整数时，A1的取值为小于A1的最大的正整数。

进一步地，所述中控单元中设有最大隐层数Amax，中控单元将调节后的隐层数A1与Amax进行比对，

若A1≤Amax，所述中控单元将隐层数设置为A1；

若A1＞Amax，所述中控单元将隐层数设置为Amax。

进一步地，所述中控单元在A1＞Amax时计算隐层数A1与最大隐层数Amax的差值ΔA并根据ΔA对神经网络模型的迭代次数进行调节，设定ΔA=A1-Amax，其中，

若ΔA＜ΔA1，所述中控单元选用β1将迭代次数调整至N1=N×β1；

若ΔA1≤ΔA＜ΔA2，所述中控单元选用β2将迭代次数调整至N1=N×β2；

若ΔA≥ΔA2，所述中控单元选用β3将迭代次数调整至N1=N×β3；

其中，ΔA1为第一预设隐层数差值，ΔA2为第二预设隐层数差值，ΔA1＜ΔA2，β1为第一迭代次数调节系数，β2为第二迭代次数调节系数，β3为第三迭代次数调节系数，β1，β2，β3的取值分别为0.8＜β1＜1.2，0.6＜β2＜1.5，0.4＜β3＜2，且β1，β2，β3均不为1，每次更新迭代次数时β1，β2，β3在其对应的取值范围内随机取值，当N1不为正整数时，则N1的取值为小于N1的最大的正整数。

进一步地，所述中控单元判定所述神经网络模型验证结果符合标准时，所述建模单元使用测试集对神经网络模型进行测试，所述中控单元通过测试结果判定是否需要增加所述样本数据的数量，其中，

所述建模单元选取测试集中的样本数据C1、C2...Cm对神经网络模型进行测试时，其对应的预设结果为c1、c2...cm，神经网络模型的测试结果为d1、d2...dm，所述中控单元将预设结果与测试结果中的数值对应并计算测试误差率φ，设定

所述中控单元将测试误差率φ与预设误差率τ0进行比对，

若φ≤τ0，所述中控单元判定测试误差率符合标准，所述神经网络模型测试结果符合标准，无需增加所述样本数据的数量；

若φ＞τ0，所述中控单元判定测试误差率不符合标准，所述神经网络模型测试结果不符合标准，需增加所述样本数据的数量。

进一步地，所述中控单元判定所述神经网络模型测试结果不符合标准时计算测试误差率φ与预设误差率τ0的差值Δφ并根据Δφ对样本数据的数量进行调节，设定Δφ=φ-τ0，其中，

若Δφ≥Δφ2，所述中控单元将样本数据的数量调整至N1，设定N1=5×N0；

若Δφ1≤Δφ＜Δφ2，所述中控单元将样本数据的数量调整至N1，设定N1=3×N0；

若Δφ＜Δφ1，所述中控单元将样本数据的数量调整至N1，设定N1=2×N0；

其中，Δφ1为第一预设测试误差率差值，Δφ2为第二预设测试误差率差值，Δφ1＜Δφ2。

另一方面，本发明提供一种基于人工智能的医疗文书完整性分析系统，包括：

数据获取单元，用以获取若干医疗文书扫描图像；

数据处理单元，其与所述数据获取单元相连，用以筛选分辨率符合标准的医疗文书扫描图像作为样本数据；

样本数据集，其与所述数据处理单元相连，用以储存样本数据并将样本数据随机划分为训练集、验证集和测试集；

建模单元，其与所述样本数据集相连，用以建立神经网络模型，并使用样本数据对神经网络模型进行训练、测试和验证；

中控单元，其与所述建模单元相连，用以根据神经网络模型的测试结果判定是否对神经网络模型的迭代次数和隐层数进行调节，以及用以根据神经网络模型的验证结果判定是否需要增加所述样本数据的数量。

与现有技术相比，本发明的有益效果在于，本发明建模单元通过建立神经网络模型，对不同完整度的样本数据进行学习以实现对医疗文书完整性的智能分析，本发明通过对人工智能技术的应用，提高了医疗文书的完整性的分析效率；若神经网络模型的迭代次数和隐层数设置过大，则会导致模型复杂，运算数据庞大，运算效率低，甚至导致模型的泛化能力差，若神经网络模型的迭代次数和隐层数设置过小，则会导致模型较大的预测误差，本发明根据测试误差率和验证误差率对迭代次数和隐层数进行调节，保证了神经网络模型具有较好的预测精度。

进一步地，本发明通过设置预设分辨率，以对医疗文书扫描图像进行筛选，将分辨率符合标准的医疗文书扫描图像作为样本数据，提高了样本数据的可识别度。

进一步地，本发明数据获取单元通过获取若干不同完整度的医疗文书扫描图像，提供不同完整度的样本数据，以实现神经网络模型对医疗文书的完整性做出分析，通过对样本数据完整度的精细划分，提高了对医疗文书完整性的分析精准度。

进一步地，本发明通过设置验证集对训练后的神经网络模型进行验证，以判定神经网络模型是否可以投入使用，提高了神经网络模型的预测精度，本发明又通过对误差率进行限定，将误差率限定在10%以内，优选将误差率限定在5%以内，进一步提高了神经网络模型的预测精度。

进一步地，本发明中控模块在判定神经网络模型验证结果不符合标准时，对隐层数进行调节，以增加模型的复杂度，进而增加模型的预测精度，本发明通过设置第一预设验证误差率差值和第二预设验证误差率差值以对隐层数进行差异性的调节，进一步提高了对医疗文书完整性的分析精准度，同时提高了神经网络模型的运算速率。

进一步地，本发明通过设置最大隐层数，以确保神经网络模型的复杂度在一个合适的范围内浮动，避免过拟合现象的发生，同时，通过设置最大隐层数，保证了神经网络模型的运算速率。

进一步地，本发明中控模块在将神经网络模型的隐层数调节至最大值时，继而对神经网络模型的迭代次数进行调节，从而增加模型的预测精度，本发明通过设置第一预设隐层数差值和第二预设隐层数差值以对迭代次数进行差异性的调节，进一步提高了对医疗文书完整性的分析精准度，同时提高了神经网络模型的运算速率。

进一步地，本发明通过设置测试集对测试结果符合标准的神经网络模型进行测试，以判定神经网络模型是否可以投入使用，进一步提高了神经网络模型的预测精度。

进一步地，本发明中控模块在判定神经网络模型测试结果不符合标准时，对样本数据的数量进行调节，以增加模型的预测精度，本发明通过设置第一预设测试误差率差值和第二预设测试误差率差值以对隐层数进行差异性的调节，进一步提高了对医疗文书完整性的分析精准度。

附图说明

图1为本发明实施例基于人工智能的医疗文书完整性分析方法的流程图；

图2为本发明实施例基于人工智能的医疗文书完整性分析系统的结构框图。

具体实施方式

为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

请参阅图1所示，其为本发明实施例基于人工智能的医疗文书完整性分析方法的流程图，本发明所述基于人工智能的医疗文书完整性分析方法包括：

步骤S1，数据获取单元获取若干医疗文书扫描图像，数据处理单元筛选分辨率符合标准的医疗文书扫描图像作为样本数据并存储至样本数据集，样本数据集将样本数据随机划分为训练集、验证集和测试集；

本实施例优选训练集、验证集和测试集的比例为7：2：1；

步骤S2，建模单元建立神经网络模型，设置神经网络模型的迭代次数N和隐层数A，并将所述训练集输入至神经网络模型中进行训练；

分别设置神经网络模型的输入、隐藏、输出层，用图像的像素确定输入层的神经单元数，设置初始值隐层数A和迭代次数N，隐藏层的单元数根据公式

步骤S3，所述建模单元使用所述验证集对所述神经网络模型进行验证，中控单元根据神经网络模型的验证结果判定是否对神经网络模型的迭代次数和隐层数进行调节；

步骤S4，所述建模单元使用所述测试集对测试结果符合标准的所述神经网络模型进行测试，所述中控单元根据神经网络模型的测试结果判定是否需要增加所述样本数据的数量。

具体而言，在所述步骤S1中，所述数据处理单元检测各所述医疗文书扫描图像的分辨率Q，将Q与预设分辨率Q0进行比对并根据比对结果判定医疗文书扫描图像的分辨率是否符合标准，

若Q≥Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率符合标准，将该医疗文书扫描图像作为样本数据储存至样本数据集；

若Q＜Q0，所述数据处理单元判定分辨率Q对应的医疗文书扫描图像的分辨率不符合标准。

本发明实施例不对医疗文书扫描图像的分辨率做具体限定，可根据样本数据的数量或实际需要进行设定，本实例中设定预设分辨率Q0＞100PPI，优选将预设分辨率Q0设定为150PPI。

本发明通过设置预设分辨率，以对医疗文书扫描图像进行筛选，将分辨率符合标准的医疗文书扫描图像作为样本数据，提高了样本数据的可识别度。

本实施例提供另一种可能性，对样本数据集中的图像做灰度化、二值化、锐化增强等预处理后，进行分割和特征提取。分辨率可作为筛选扫描图像的一种手段，在另一种实施例中，也可采用图像处理的方式对图像进行预处理使图像符合标准。

具体而言，在所述步骤S1中，所述数据获取单元获取的若干医疗文书扫描图像包括若干第一完整度的医疗文书扫描图像、若干第二完整度的医疗文书扫描图像、若干第三完整度的医疗文书扫描图像以及若干第四完整度的医疗文书扫描图像。

本实例中，优选将完整度大于等于90%设定为第一完整度，将完整度小于90%大于等于60%设定为第二完整度，将完整度小于60%大于等于30%设定为第三完整度，将完整度小于30%设定为第四完整度。

医疗文书包括门诊病历、住院病历、门诊处方、医生交接班报告、各种申请单、报告单、三测单、护理交班报告、特别护理记录单等纸质单据，对于医疗文书扫描图像的完整度的判定，可通过以下实施例方式进行：

以门诊处方为例，首先建立门诊处方的结构化模板，其包含以下内容：1，处方基本信息，包括门诊号、处方编号、日期、科别、费别、药房；2、患者基本信息，包括姓名、性别、年龄、临床诊断、长期用药；3、用药信息，包括药品名称、用法用量、开药数量、药品费用；4、签字信息，包括医师、审核药师、调配药师、核对药师、发药药师。统计结构化模板内容项共有20项，若其中10项内容完整，则完整度为50%。以上门诊处方的结构化模板可根据实际需要进行调整。本实施例是对医疗文书扫描图像完整度判定的其中一种可实施方案，亦可通过其他方式进行判定，本实施例不做具体限定，可根据实际需要进行相关设置。

本发明数据获取单元通过获取若干不同完整度的医疗文书扫描图像，提供不同完整度的样本数据，以实现神经网络模型对医疗文书的完整性做出分析，通过对样本数据完整度的精细划分，提高了对医疗文书完整性的分析精准度。

在所述步骤S2中，所述建模单元将所述神经网络模型的迭代次数设置为N，将隐层数设置为A。

本发明实施例不对神经网络模型的迭代次数和隐层数做具体限定，可根据实际需求进行设定，本实例中设定迭代次数1000＜N＜5000，隐层数6＜A＜32，

本发明建模单元通过建立神经网络模型，对不同完整度的样本数据进行学习以实现对医疗文书完整性的智能分析，本发明通过对人工智能技术的应用，提高了医疗文书的完整性的分析效率；若神经网络模型的迭代次数和隐层数设置过大，则会导致模型复杂，运算数据庞大，运算效率低，甚至导致模型的泛化能力差，若神经网络模型的迭代次数过多或者过少和隐层数设置过大或者过小，则会导致模型较大的预测误差，出现过拟合现象，本实例中设定迭代次数1000＜N＜5000，隐层数6＜A＜32，保证了神经网络模型具有较好的预测精度，且避免过拟合现象。

具体而言，在所述步骤S3中，所述中控单元通过所述神经网络模型的测试结果判定是否对神经网络模型进行调参时，

所述建模单元选取验证集中的样本数据A1、A2...An对神经网络模型进行验证时，其对应的预设结果为a1、a2...an，神经网络模型的验证结果为b1、b2...bn，所述中控单元将预设结果与验证结果中的数值对应并计算验证误差率τ，设定

所述中控单元将验证误差率τ与预设误差率τ0进行比对，

若τ≤τ0，所述中控单元判定验证误差率符合标准，所述神经网络模型验证结果符合标准，无需对神经网络模型进行调参；

若τ＞τ0，所述中控单元判定验证误差率不符合标准，所述神经网络模型验证结果不符合标准，需对神经网络模型进行调参。

本实例中设定预设误差率τ0≤10%，优选将预设误差率τ0设定为10%。

本发明通过设置验证集对训练后的神经网络模型进行验证，以判定神经网络模型是否可以投入使用，提高了神经网络模型的预测精度，本发明又通过对误差率进行限定，将误差率限定在10%以内，优选将误差率限定在5%以内，进一步提高了神经网络模型的预测精度。

具体而言，在所述步骤S4中，所述中控单元判定所述神经网络模型验证结果不符合标准时，即τ＞τ0时，计算验证误差率τ与预设误差率τ0的差值Δτ并根据Δτ对神经网络模型的隐层数进行调节，设定Δτ=τ-τ0，其中，

若Δτ＜Δτ1，所述中控单元选用α1将隐层数调整至A1=A×α1；

若Δτ1≤Δτ＜Δτ2，所述中控单元选用α2将隐层数调整至A1=A×α2；

若Δτ≥Δτ2，所述中控单元选用α3将隐层数调整至A1=A×α3；

其中，Δτ1为第一预设验证误差率差值，Δτ2为第二预设验证误差率差值，5%＜Δτ1＜10%＜Δτ2＜15%，α1为第一隐层数调节系数，α2为第二隐层数调节系数，α3为第三隐层数调节系数，α1，α2，α3的取值分别为0.8＜α1＜1.2，0.6＜α2＜1.5，0.4＜α3＜2，且α1，α2，α3均不为1，每次更新隐层数时α1，α2，α3在其对应的取值范围内随机取值，当A1不为正整数时，A1的取值为小于A1的最大的正整数。

隐层数会在极大程度上影响神经网络模型的预测性能，隐层数过大或者隐层数过小都会导致误差变大。本发明中控模块在判定神经网络模型验证结果不符合标准时，对隐层数进行调节，以增加模型的复杂度，进而增加模型的预测精度，本发明通过设置第一预设验证误差率差值和第二预设验证误差率差值以对隐层数进行差异性的调节，进一步提高了对医疗文书完整性的分析精准度，同时提高了神经网络模型的运算速率。

具体而言，所述中控单元中 Amax，中控单元将调节后的隐层数A1与Amax进行比对，

若A1≤Amax，所述中控单元将隐层数设置为A1；

若A1＞Amax，所述中控单元将隐层数设置为Amax。

本实例中设定30＜Amax＜35，优选将Amax设定为32。

本发明通过设置最大隐层数，以确保神经网络模型的复杂度在一个合适的范围内浮动，避免过拟合现象的发生，同时，通过设置最大隐层数，保证了神经网络模型的运算速率。

具体而言，所述中控单元在A1＞Amax时计算隐层数A1与最大隐层数Amax的差值ΔA并根据ΔA对神经网络模型的迭代次数进行调节，设定ΔA=A1-Amax，其中，

若ΔA＜ΔA1，所述中控单元选用β1将迭代次数调整至N1=N×β1；

若ΔA1≤ΔA＜ΔA2，所述中控单元选用β2将迭代次数调整至N1=N×β2；

若ΔA≥ΔA2，所述中控单元选用β3将迭代次数调整至N1=N×β3；

其中，ΔA1为第一预设隐层数差值，ΔA2为第二预设隐层数差值，1＜ΔA1＜5＜ΔA2＜10，β1为第一迭代次数调节系数，β2为第二迭代次数调节系数，β3为第三迭代次数调节系数，β1，β2，β3的取值分别为0.8＜β1＜1.2，0.6＜β2＜1.5，0.4＜β3＜2，且β1，β2，β3均不为1，每次更新迭代次数时β1，β2，β3在其对应的取值范围内随机取值，当N1不为正整数时，则N1的取值为小于N1的最大的正整数。

本发明中控模块在将神经网络模型的隐层数调节至最大值时，继而对神经网络模型的迭代次数进行调节，从而增加模型的预测精度，本发明通过设置第一预设隐层数差值和第二预设隐层数差值以对迭代次数进行差异性的调节，进一步提高了对医疗文书完整性的分析精准度，同时提高了神经网络模型的运算速率。

具体而言，所述中控单元判定所述神经网络模型验证结果符合标准时，所述建模单元使用测试集对神经网络模型进行测试，所述中控单元通过测试结果判定是否需要增加所述样本数据的数量，其中，

所述建模单元选取测试集中的样本数据C1、C2...Cm对神经网络模型进行测试时，其对应的预设结果为c1、c2...cm，神经网络模型的测试结果为d1、d2...dm，所述中控单元将预设结果与测试结果中的数值对应并计算测试误差率φ，设定

所述中控单元将测试误差率φ与预设误差率τ0进行比对，

若φ≤τ0，所述中控单元判定测试误差率符合标准，所述神经网络模型测试结果符合标准，无需增加所述样本数据的数量；

若φ＞τ0，所述中控单元判定测试误差率不符合标准，所述神经网络模型测试结果不符合标准，需增加所述样本数据的数量。

本发明通过设置测试集对测试结果符合标准的神经网络模型进行测试，以判定神经网络模型是否可以投入使用，进一步提高了神经网络模型的预测精度。

具体而言，所述中控单元判定所述神经网络模型测试结果不符合标准时计算测试误差率φ与预设误差率τ0的差值Δφ并根据Δφ对样本数据的数量进行调节，设定Δφ=φ-τ0，其中，

若Δφ≥Δφ2，所述中控单元将样本数据的数量调整至N1，设定N1=5×N0；

若Δφ1≤Δφ＜Δφ2，所述中控单元将样本数据的数量调整至N1，设定N1=3×N0；

若Δφ＜Δφ1，所述中控单元将样本数据的数量调整至N1，设定N1=2×N0；

其中，Δφ1为第一预设测试误差率差值，Δφ2为第二预设测试误差率差值，3%＜Δφ1＜6%＜Δφ2＜10%。

本发明中控模块在判定神经网络模型测试结果不符合标准时，对样本数据的数量进行调节，以增加模型的预测精度，本发明通过设置第一预设测试误差率差值和第二预设测试误差率差值以对隐层数进行差异性的调节，进一步提高了对医疗文书完整性的分析精准度。

请参阅图2所示，其为本发明实施例基于人工智能的医疗文书完整性分析系统的结构框图，本发明所述基于人工智能的医疗文书完整性分析系统包括：

数据获取单元，用以获取若干医疗文书扫描图像；

数据处理单元，其与所述数据获取单元相连，用以筛选分辨率符合标准的医疗文书扫描图像作为样本数据；

样本数据集，其与所述数据处理单元相连，用以储存样本数据并将样本数据随机划分为训练集、验证集和测试集；

建模单元，其与所述样本数据集相连，用以建立神经网络模型，并使用样本数据对神经网络模型进行训练、测试和验证；

中控单元，其与所述建模单元相连，用以根据神经网络模型的测试结果判定是否对神经网络模型的迭代次数和隐层数进行调节，以及用以根据神经网络模型的验证结果判定是否需要增加所述样本数据的数量。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。