本公开是关于一种标准检查项目名称确认方法、装置、设备、介质及产品，包括：将待标准化的检查项目名称数据输入到预训练的多分类模型中，获取预测标准检查项目名称的概率值，检查项目名称数据包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据；当概率值低于预设阈值时，将待标准化的检查项目名称数据输入到预训练的多维度规则匹配模型中，获取预测标准检查项目名称候选集；基于预测标准检查项目名称候选集，获取待标准化的检查项目名称数据的标准检查项目名称，本申请通过多分类模型进行标准检查项目名称预测，对于不符合阈值，利用多维度的规则模型加权预测，获取标准检查项目名称。获取标准检查项目名称。获取标准检查项目名称。
【技术实现步骤摘要】
标准检查项目名称确认方法、装置、设备、介质及产品
[0001]本公开涉及计算机
，尤其涉及一种标准检查项目名称确认方法、装置、设备、介质及产品。
技术介绍
[0002]在医院的数据治理过程中，对于来自PACS系统中的检查数据，其检查项目名称没有统一的规范标准，因此存在各式各样的写法。考虑到不同的检查报告其书写内容有很大的差别，所以需要对不同的检查报告的项目名称进行标准化，然后根据具体的标准化后的检查，再次进行后续的数据后结构化治理工作。
[0003]因此在对检查报告数据进行治理时，首先需要治理的就是检查名称的标准化工作，针对类似的术语名称标准化目前有几种方式，第一种是人工方式，根据提供的真实数据，通过专业人员，依据专业知识来进行判断；第二种是基于人工整理的数据标准化规则，通过开发人员进行规则开发，来预测判断术语的标准化；第三种是基于文本之间的相似度，利于深度学习算法来构建词向量信息，来计算待标准化文本与标准化名称之间的相似度，根据相似度值选择相似度值结果最高的作为标准名称。
[0004]目前现有的技术，通过人工判断来构建同义词词典，耗费时间较长，同时对于不再词典中的对应关系，则不能找到具体的标准实体，会漏掉部分标准化的检查项目。对于涉及到人工整理的规则，则需要人工浏览大量的数据，耗时耗力，而且对于同一个检查标准化，因为涉及到的文本内容较多，如果设定的规则较多，还容易出现规则冲突情况；对于使用者深度学习算法，计算待标准化检查项目名称和标准项目名称集合之间的相似度方法，该方法思路很好，但是也存在一定的局限性，就是医疗数据的不像开放域数据那样容易获得，因此，在使用文本相似度方法在处理医疗领域数据标准化时取得的效果不佳。
技术实现思路
[0005]为克服相关技术中存在的问题，本公开提供一种标准检查项目名称确认方法、装置、设备、介质及产品。
[0006]根据本公开实施例的第一方面，提供一种标准检查项目名称确认方法，包括：
[0007]将待标准化的检查项目名称数据输入到预训练的多分类模型中，获取预测标准检查项目名称的概率值，所述检查项目名称数据包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据；
[0008]当所述概率值低于预设阈值时，将所述待标准化的检查项目名称数据输入到预训练的多维度规则匹配模型中，获取预测标准检查项目名称候选集；
[0009]基于所述预测标准检查项目名称候选集，获取所述待标准化的检查项目名称数据的标准检查项目名称；
[0010]其中，所述多维度规则匹配模型基于如下方式预先训练好的：
[0011]获取多个训练样本的数据集，所述数据集包括检查类型、检查项目名称、检查参
数、检查所见描述数据、检查结论描述数据、标准检查项目名称；
[0012]以所述检查类型、所述检查项目名称和所述检查参数为特征，所述标准检查项目名称为标签，训练获取第一匹配模型；
[0013]以所述检查所见描述数据、所述检查结论描述数据为特征，所述标准检查项目名称为标签，训练获取第二匹配模型；
[0014]对所述第一匹配模型和所述第二匹配模型赋权，获取所述多维度规则匹配模型。
[0015]在一些实施例中，多分类模型是通过如下方式训练的，包括：
[0016]获取多个训练样本的数据集，所述数据集包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据、标准检查项目名称；
[0017]以所述检查类型、所述检查项目名称、所述检查参数、所述检查所见描述数据及所述检查结论描述数据为特征，所述标准检查项目名称为标签，训练获取所述多分类模型。
[0018]在一些实施例中，还包括：
[0019]当所述概率值高于预设阈值时，将所述预测标准检查项目名称输出为所述标准检查项目名称。
[0020]在一些实施例中，基于所述预测标准检查项目名称候选集，获取所述待标准化的检查项目名称数据的标准检查项目名称，包括：
[0021]筛选出所述预测标准检查项目名称候选集中权重最高的预测标准检查项目名称，将所述权重最高的预测标准检查项目名称输出为所述标准检查项目名称。
[0022]根据本公开实施例的第二方面，提供一种标准检查项目名称确认装置，包括：
[0023]第一输入模块，用于将待标准化的检查项目名称数据输入到预训练的多分类模型中，获取预测标准检查项目名称的概率值，所述检查项目名称数据包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据；
[0024]第二输入模块，用于当所述概率值低于预设阈值时，将所述待标准化的检查项目名称数据输入到预训练的多维度规则匹配模型中，获取预测标准检查项目名称候选集；
[0025]获取模块，基于所述预测标准检查项目名称候选集，获取所述待标准化的检查项目名称数据的标准检查项目名称；
[0026]其中，所述多维度规则匹配模型基于如下方式预先训练好的：
[0027]获取多个训练样本的数据集，所述数据集包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据、标准检查项目名称；
[0028]以所述检查类型、所述检查项目名称和所述检查参数为特征，所述标准检查项目名称为标签，训练获取第一匹配模型；
[0029]以所述检查所见描述数据、所述检查结论描述数据为特征，所述标准检查项目名称为标签，训练获取第二匹配模型；
[0030]对所述第一匹配模型和所述第二匹配模型赋权，获取所述多维度规则匹配模型。
[0031]在一些实施例中，还包括：
[0032]第一输出模块，用于当所述概率值高于预设阈值时，将所述预测标准检查项目名称输出为所述标准检查项目名称。
[0033]在一些实施例中，还包括：
[0034]第二输出模块，用于筛选出所述预测标准检查项目名称候选集中权重最高的预测
标准检查项目名称，将所述权重最高的预测标准检查项目名称输出为所述标准检查项目名称。
[0035]本申请第三方面的实施例提供了一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述指令、所述程序、所述代码集或所述指令集由所述处理器加载并执行以实现本申请上述的第一方面的实施例所提供的标准检查项目名称确认方法的步骤。
[0036]本申请第四方面的实施例提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行时实现本申请上述的第一方面的实施例所提供的标准检查项目名称确认方法的步骤。
[0037]本申请第五方面的实施例提供了一种计算机程序产品，当所述计算机程序产品中的指令由移动终端的处理器执行时，使得移动终端能够执行实现本申请上述的第一方面的实施例所提供的标准检查项目名称确认方法的步骤。
[0038]本公开的实施例提供的技术方案可以包括以下有益效果：本申请将待标准化的检查项目本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种标准检查项目名称确认方法，其特征在于，包括：将待标准化的检查项目名称数据输入到预训练的多分类模型中，获取预测标准检查项目名称的概率值，所述检查项目名称数据包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据；当所述概率值低于预设阈值时，将所述待标准化的检查项目名称数据输入到预训练的多维度规则匹配模型中，获取预测标准检查项目名称候选集；基于所述预测标准检查项目名称候选集，获取所述待标准化的检查项目名称数据的标准检查项目名称；其中，所述多维度规则匹配模型基于如下方式预先训练好的：获取多个训练样本的数据集，所述数据集包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据、标准检查项目名称；以所述检查类型、所述检查项目名称和所述检查参数为特征，所述标准检查项目名称为标签，训练获取第一匹配模型；以所述检查所见描述数据、所述检查结论描述数据为特征，所述标准检查项目名称为标签，训练获取第二匹配模型；对所述第一匹配模型和所述第二匹配模型赋权，获取所述多维度规则匹配模型。2.如权利要求1所述的标准检查项目名称确认方法，其特征在于，多分类模型是通过如下方式训练的，包括：获取多个训练样本的数据集，所述数据集包括检查类型、检查项目名称、检查参数、检查所见描述数据、检查结论描述数据、标准检查项目名称；以所述检查类型、所述检查项目名称、所述检查参数、所述检查所见描述数据及所述检查结论描述数据为特征，所述标准检查项目名称为标签，训练获取所述多分类模型。3.如权利要求1所述的标准检查项目名称确认方法，其特征在于，还包括：当所述概率值高于预设阈值时，将所述预测标准检查项目名称输出为所述标准检查项目名称。4.如权利要求1所述的标准检查项目名称确认方法，其特征在于，基于所述预测标准检查项目名称候选集，获取所述待标准化的检查项目名称数据的标准检查项目名称，包括：筛选出所述预测标准检查项目名称候选集中权重最高的预测标准检查项目名称，将所述权重最高的预测标准检查项目名称输出为所述标准检查项目名称。5.一种标准检查项目名称确认装置，其特征在于，包括：第一输入模块，用于将待标准化的检查项目名称数据输入到预训练的多分类模型中，获取预测标准检查项目名称的概率...
【专利技术属性】
技术研发人员：何昆仑，车贺宾，吴欢，庄严，
申请(专利权)人：中国人民解放军总医院，
类型：发明
国别省市：
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。