The invention discloses an intelligent inquiry method, system, computer equipment and storage medium. Among them, the intelligent inquiry method includes: predicting the disease prior probability according to the main complaint content of the target object, obtaining the disease prior probability for the target object; determining at least one candidate disease based on the order of disease prior probability; and determining at least one candidate disease associated with at least one candidate disease from a pre-established multi-agent model based on reinforcement learning. Agent strategy, in which each agent strategy is used to indicate the output of the next interaction problem in the current symptomatic state; based on each agent strategy, interactive consultation is conducted according to the interactive selection of the target object for the next interaction problem. The embodiment of the invention can optimize the rationality and user experience of the interrogation logic for related diseases under the condition of ensuring the accuracy of the interrogation results.
【技术实现步骤摘要】
智能问诊方法、系统、计算机设备和存储介质
本专利技术涉及数据处理
,尤其涉及一种智能问诊方法、系统、计算机设备和计算机可读存储介质。
技术介绍
目前在医疗智能问诊领域主要有以下两类方法以实现智能化问诊:一类是基于传统的概率图模型(ProbabilisticGraphicalModel,英文简称为PGM)与信息增益(InformationGain)的方法,可以适当模拟问诊过程,并给出疾病诊断;另一类是近年来比较新的深度学习的模型,在根据已经观测到病人的症状的情况下,对当前可能的疾病进行诊断。常用的基于深度学习模型的方法有基于DNN(DeepNeuralNetworks,深度神经网络),CNN(ConvolutionNeuralNetwork,卷积神经网络),LSTM(LongShort-TermMemory,长短期记忆网络)的网络以及它们的扩展。然而,上述传统的基于概率图模型(PGM)与信息增益(InformationGain)的方法往往在模型推理(inference)部分计算复杂度比较高,同时,概率图模型的疾病-症状转移矩阵往往需要专业的医生标注,这种类似专家系统的模型,在疾病扩展方面面临极大的挑战。另外,上述基于深度学习模型的智能问诊方法,在已知所有观测到的症状的情况下,模型可以给出相对高的疾病预测准确率,但是通常情况下,我们无法观测到病人所有的症状,基于深度学习的模型由于它的不可解释性,很难给出合理的问诊过程。因此,在智能问诊领域需要一种新的方法来进行突破。
技术实现思路
本专利技术的目的旨在至少在一定程度上解决上述的技术问题之一。为此,本专利技术的 ...
【技术保护点】
1.一种智能问诊方法,其特征在于,包括以下步骤;根据目标对象的主诉内容进行疾病先验概率预测,得到针对所述目标对象的疾病先验概率;基于所述疾病先验概率的排序,确定至少一个候选疾病;从预先建立的基于强化学习的多智能体模型中,确定与至少一个候选疾病对应关联的至少一个智能体策略,其中,每个智能体策略用于指示在当前症状状态的情况下输出下一次交互需要提出的问题;基于所述每个智能体策略,根据所述目标对象针对所述下一次交互需要提出的问题的交互选择进行交互式问诊。
【技术特征摘要】
1.一种智能问诊方法,其特征在于,包括以下步骤;根据目标对象的主诉内容进行疾病先验概率预测,得到针对所述目标对象的疾病先验概率;基于所述疾病先验概率的排序,确定至少一个候选疾病;从预先建立的基于强化学习的多智能体模型中,确定与至少一个候选疾病对应关联的至少一个智能体策略,其中,每个智能体策略用于指示在当前症状状态的情况下输出下一次交互需要提出的问题;基于所述每个智能体策略,根据所述目标对象针对所述下一次交互需要提出的问题的交互选择进行交互式问诊。2.根据权利要求1所述的智能问诊方法,其特征在于,所述根据目标对象的主诉内容进行疾病先验概率预测,得到针对所述目标对象的疾病先验概率,包括:基于文本特征提取与疾病先验概率预测的组合模型,对所述目标对象的主诉内容进行文本特征提取,并根据提取到的文本特征进行疾病先验概率预测,得到针对所述目标对象的疾病先验概率。3.根据权利要求2所述的智能问诊方法,其特征在于,所述文本特征提取与疾病先验概率预测的组合模型通过以下步骤预先得到:基于医学实体库对待训练的患者主诉内容样本进行分词处理,得到与医疗相关的词语;对所述与医疗相关的词语进行标记,得到所述词语所属的类别;获取医疗文本数据样本作为训练数据,并利用医疗对话数据作为所述训练数据的标签;根据所述与医疗相关的词语、所述词语所属的类别和进行过标签标注的所述训练数据,对基于双向长短时记忆单元和卷积神经网络的组合深层网络模型进行模型训练,得到所述文本特征提取与疾病先验概率预测的组合模型。4.根据权利要求1所述的智能问诊方法,其特征在于,通过以下步骤预先建立所述基于强化学习的多智能体模型:获取医生与病人的多个问诊信息流,并获取每个所述问诊信息流对应的疾病诊断标签;根据所述多个问诊信息流和每个所述问诊信息流对应的疾病诊断标签建立奖励函数;针对每一种疾病诊断标签相关的全部问诊信息流,构建对应的智能体;基于所述奖励函数,对每种疾病对应的智能体进行强化学习,获取每个疾病智能体的最优策略;将所述每个疾病智能体的最优策略作为所述每个智能体策略,完成所述基于强化学习的多智能体模型的建立。5.根据权利要求1所述的智能问诊方法,其特征在于,所述基于所述每个智能体策略,根据所述目标对象针对所述下一次交互需要提出的问题的交互选择进行交互式问诊,包括:S1,基于每个所述智能体策略向所述目标对象提供下一次交互需要提出的问题;S2,根据所述目标对象针对所述下一次交互需要提出的问题的交互选择,更新所述每个智能体策略中的当前症状状态;S3,通过所述每个智能体策略根据更新后的当前症状状态再次向所述目标对象提供新的下一次交互需要提出的问题;S4,重复执行所述步骤S2和S3,直至所述少一个候选疾病中的目标疾病的行动概率大于或等于预设阈值时,输出针对所述目标对象的主诉内容的整个交互问诊序列,并将所述行动概率大于或等于所述预设阈值的目标疾病作为最终所预测的疾病进行输出。6.一种智能问诊系统,其特征在于,包括:疾病先验预测模块,用于根据目标对象的主诉内容进行疾病先验概率预测,得到针对所述目标对象的疾病先验概率;候选疾病确定模块,用于基于所述疾病先验概率的排序,确定至少一个候选疾病;智能体策略确定模块,用于从预先建立的基于...
【专利技术属性】
技术研发人员:夏源,杨叶辉,罗程亮,范斌,
申请(专利权)人:百度在线网络技术北京有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。