诊疗方案预测方法及装置制造方法及图纸

本发明专利技术提供了诊疗方案预测方法及装置，获取待预测病历文本所包含的医学实体的特征向量得到医学实体向量，同时，获取该待预测病历文本的文本特征向量。然后，将待预测病历文本对应的医学实体向量和文本特征向量输入至预先训练得到的诊疗方案预测模型中，预测得到与该待预测病历文本相匹配的诊疗方案，其中，诊疗方案包括诊疗药物、手术和检查项中的至少一种。由上述内容可知，本发明专利技术在对待预测病历文本进行特征提取时，既提取了医学实体及其关联关系的特征向量，同时提取了病历文本的语境信息，减少了信息损失，提高了待预测病历文本的特征向量的准确度，进而提高了诊疗方案的预测准确率。

Prediction Method and Device of Diagnosis and Treatment Program

【技术实现步骤摘要】
诊疗方案预测方法及装置
本专利技术属于医疗诊断
，尤其涉及诊疗方案预测方法及装置。
技术介绍
目前，在临床上，医生给出的诊疗方案完全依赖于医生自身的经验，为了加快医生的临床决策速度，提出了诊疗方案预测系统，从而辅助医生快速给出有效的诊疗方案，减少患者等待时间。目前的诊疗方案预测系统主要是根据医学专家的临床经验与临床指南整理出临床规则，然后借助本体推理机进行推理，进而预测相应的诊疗方案。但是，这种方式需要人为从临床专家经验及临床指南中提取出临床规则，这个过程费时费力，而且，规则制定的全面性及逻辑性直接影响到预测结果的准确性，同时这种方式也存在效率低的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种诊疗方案预测方法及装置，以解决目前的诊疗方案预测方法准确率低且效率低的技术问题，其具体技术方案如下：一方面，本专利技术提供了一种诊疗方案预测方法，包括：获取待预测病历文本；获取所述待预测病历文本包含的医学实体对应的医学实体向量，并获取所述待预测病历文本对应的文本特征向量；利用预先训练得到的诊疗方案预测模型分析所述待预测病历文本对应的医学实体向量和文本向量，得到与所述待预测病历文本相匹配的诊疗方案，所述诊疗方案包括药物、手术和检查项中的至少一种。可选地，所述诊疗方案预测模型包括预设类别对应的预测模型；所述利用诊疗方案预测模型分析所述待预测病历文本对应的医学实体向量和文本向量，得到与所述待预测病历文本相匹配的诊疗方案，包括：将所述待预测病历文本对应的文本特征向量输入至预选训练得到的基于深度学习的文本分类模型，得到所述待预测病历文本对应的文本类别；将所述待预测病历文本对应的医学实体向量和文本向量，输入至与所述待预测病历文本的文本类别对应的预测模型中，预测得到与所述待预测病历文本相匹配的诊疗方案。可选地，训练基于深度学习的文本分类模型的过程，包括：获取已标注文本类别的病历训练样本；利用词向量将所述病历训练样本转换为文本向量；将所述病历训练样本的文本向量输入至预先构建的多层次注意力模型，提取得到文本特征向量，并基于所述文本特征向量对所述病历训练样本进行预测得到预测文本类别；基于每一个所述病历训练样本对应的预测文本类别和已标注文本类别，调整所述多层次注意力模型中的模型参数，直到利用调整后的多层次注意力模型对所述病历训练样本进行预测得到的预测文本类型满足预设收敛条件。可选地，获取所述待预测病历文本对应的文本特征向量，包括：利用分词算法对所述待预测病历文本进行分词，得到所述待预测病历文本的文本分词结果；利用词向量将所述文本分词结果中的各个词映射为对应的向量，得到所述待预测病历文本对应的文本向量；利用多层次注意力模型从所述待预测病历文本对应的文本向量中提取得到文本特征向量；其中，所述文本特征向量包含词间语义特征、句间语义特征和文本整体语义特征。可选地，所述获取所述待预测病历文本包含的医学实体对应的医学实体向量，包括：获取所述待预测病历文本所包含的医学实体；依据所述医学知识图谱表示学习模型，将所述待预测病历文本中的医学实体映射为对应的医学实体向量。可选地，训练所述诊疗方案预测模型的过程，包括：获取已标注诊疗方案的病历训练样本；获取所述病历训练样本所包含医学实体的医学实体向量，并获取所述病历训练样本对应的文本特征向量；将所述病历训练样本对应的医学实体向量及文本特征向量输入至预先构建的Seq2Seq模型，预测得到所述病历训练样本对应的预测诊疗方案；基于每一个所述病历训练样本对应的预测诊疗方案和已标注诊疗方案，调整所述Seq2Seq模型中的模型参数，直到利用调整后的Seq2Seq模型对所述病历训练样本进行预测得到的预测诊疗方案满足预设收敛条件。另一方面，本专利技术还提供了一种诊疗方案预测装置，包括：第一获取模块，用于获取待预测病历文本；第二获取模块，用于获取所述待预测病历文本包含的医学实体对应的医学实体向量；第三获取模块，用于获取所述待预测病历文本对应的文本特征向量；预测模块，用于利用预先训练得到的诊疗方案预测模型分析所述待预测病历文本对应的医学实体向量和文本向量，得到与所述待预测病历文本相匹配的诊疗方案，所述诊疗方案包括药物、手术和检查项中的至少一种。可选地，所述诊疗方案预测模型包括预设类别对应的预测模型；所述预测模块包括：分类子模块，用于将所述待预测病历文本对应的文本特征向量输入至预选训练得到的基于深度学习的文本分类模型，得到所述待预测病历文本对应的文本类别；预测子模块，用于将所述待预测病历文本对应的医学实体向量和文本向量，输入至与所述待预测病历文本的文本类别对应的预测模型中，预测得到与所述待预测病历文本相匹配的诊疗方案。可选地，所述第三获取模块包括：分词子模块，用于利用分词算法对所述待预测病历文本进行分词，得到所述待预测病历文本的文本分词结果；映射子模块，用于利用词向量将所述文本分词结果中的各个词映射为对应的向量，得到所述待预测病历文本对应的文本向量；特征提取子模块，用于利用多层次注意力模型从所述待预测病历文本对应的文本向量中提取得到文本特征向量；其中，所述文本特征向量包含词间语义特征、句间语义特征和文本整体语义特征。可选地，所述第二获取模块包括：第一获取子模块，用于获取所述待预测病历文本所包含的医学实体；映射子模块，用于依据医学知识图谱表示学习模型，将所述待预测病历文本中的医学实体映射为对应的医学实体向量。本专利技术提供的诊疗方案预测方法，获取待预测病历文本所包含的医学实体的特征向量得到医学实体向量，同时，获取该待预测病历文本的文本特征向量。然后，将待预测病历文本对应的医学实体向量和文本特征向量输入至预先训练得到的诊疗方案预测模型中，预测得到与该待预测病历文本相匹配的诊疗方案，其中，诊疗方案包括诊疗药物、手术和检查项中的至少一种。由上述内容可知，该方法在对待预测病历文本进行特征提取时，既提取了医学实体及其关联关系的特征向量，同时提取了病历文本的语境信息，减少了信息损失，提高了待预测病历文本的特征向量的准确度，进而提高了诊疗方案的预测准确率。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种诊疗方案预测方法的流程图；图2是本专利技术实施例提供的诊疗方案预测系统的结构示意图；图3是本专利技术实施例提供的文本分类预测模型的训练过程的流程图；图4是本专利技术实施例提供的诊疗方案预测模型的训练过程的流程图；图5是本专利技术实施例提供的一种诊疗方案预测装置的框图；图6是本专利技术实施例提供的一种第二获取模块的框图；图7是本专利技术实施例提供的一种第三获取模块的框图；图8是本专利技术实施例提供的一种预测模块的框图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参本文档来自技高网...

【技术保护点】
1.一种诊疗方案预测方法，其特征在于，包括：获取待预测病历文本；获取所述待预测病历文本包含的医学实体对应的医学实体向量，并获取所述待预测病历文本对应的文本特征向量；利用预先训练得到的诊疗方案预测模型分析所述待预测病历文本对应的医学实体向量和文本向量，得到与所述待预测病历文本相匹配的诊疗方案，所述诊疗方案包括药物、手术和检查项中的至少一种。

【技术特征摘要】
1.一种诊疗方案预测方法，其特征在于，包括：获取待预测病历文本；获取所述待预测病历文本包含的医学实体对应的医学实体向量，并获取所述待预测病历文本对应的文本特征向量；利用预先训练得到的诊疗方案预测模型分析所述待预测病历文本对应的医学实体向量和文本向量，得到与所述待预测病历文本相匹配的诊疗方案，所述诊疗方案包括药物、手术和检查项中的至少一种。2.根据权利要求1所述的方法，其特征在于，所述诊疗方案预测模型包括预设类别对应的预测模型；所述利用诊疗方案预测模型分析所述待预测病历文本对应的医学实体向量和文本向量，得到与所述待预测病历文本相匹配的诊疗方案，包括：将所述待预测病历文本对应的文本特征向量输入至预选训练得到的基于深度学习的文本分类模型，得到所述待预测病历文本对应的文本类别；将所述待预测病历文本对应的医学实体向量和文本向量，输入至与所述待预测病历文本的文本类别对应的预测模型中，预测得到与所述待预测病历文本相匹配的诊疗方案。3.根据权利要求2所述的方法，其特征在于，训练基于深度学习的文本分类模型的过程，包括：获取已标注文本类别的病历训练样本；利用词向量将所述病历训练样本转换为文本向量；将所述病历训练样本的文本向量输入至预先构建的多层次注意力模型，提取得到文本特征向量，并基于所述文本特征向量对所述病历训练样本进行预测得到预测文本类别；基于每一个所述病历训练样本对应的预测文本类别和已标注文本类别，调整所述多层次注意力模型中的模型参数，直到利用调整后的多层次注意力模型对所述病历训练样本进行预测得到的预测文本类型满足预设收敛条件。4.根据权利要求1-3任一项所述的方法，其特征在于，获取所述待预测病历文本对应的文本特征向量，包括：利用分词算法对所述待预测病历文本进行分词，得到所述待预测病历文本的文本分词结果；利用词向量将所述文本分词结果中的各个词映射为对应的向量，得到所述待预测病历文本对应的文本向量；利用多层次注意力模型从所述待预测病历文本对应的文本向量中提取得到文本特征向量；其中，所述文本特征向量包含词间语义特征、句间语义特征和文本整体语义特征。5.根据权利要求1所述的方法，其特征在于，所述获取所述待预测病历文本包含的医学实体对应的医学实体向量，包括：获取所述待预测病历文本所包含的医学实体；依据医学知识图谱表示学习模型，将所述待预测病历文本中的医学实体映射为对应的医学实体向量。6.根据权利要求...

【专利技术属性】
技术研发人员：李姣，覃露，徐晓巍，
申请(专利权)人：中国医学科学院医学信息研究所，
类型：发明
国别省市：北京,11