用于输出信息的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于输出信息的方法和装置。

背景技术：

目前，医疗资源与患者就医需求之间存在缺口，受限于医生培养周期长，水平参差不齐，分布不均衡的现状。这种医患供需关系之间的矛盾短时间内难以自动调和，而且有越来越激烈的趋势。

在众多的就医需求中，有大量需求可以通过医生对患者进行简单的问诊后，由医生给出拟诊疾病或治疗方案，进而得以解决。

技术实现要素：

本申请实施例提出了用于输出信息的方法和装置。

第一方面，本申请实施例提供了一种用于输出信息的方法，该方法包括：获取用户输入信息；响应于用户输入信息包括患者的图像，基于图像，确定第一概率集合，其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率；基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病；输出目标疾病的疾病信息。

在一些实施例中，基于图像，确定第一概率集合，包括：将图像输入至预先训练的卷积神经网络，得到第一概率集合。

在一些实施例中，在基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病之前，该方法还包括：响应于用户输入信息不包括患者的图像，基于用户输入信息，确定第一概率集合。

在一些实施例中，基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病，包括：基于第一概率集合，生成针对患者的问题；获取针对问题的反馈信息；基于反馈信息和用户输入信息，从疾病集合中确定患者患有的疾病作为目标疾病。

在一些实施例中，基于反馈信息和用户输入信息，从疾病集合中确定患者患有的疾病作为目标疾病，包括：获取疾病集合中的疾病的先验概率；基于反馈信息和用户输入信息，确定第二概率集合，其中，第二概率是基于反馈信息和用户输入信息确定的、患者患有预先确定的疾病集合中的疾病的概率；基于第一概率集合、第二概率集合和所获取的先验概率，确定患者患有疾病集合中的疾病的评分，其中，评分表征患者患有疾病集合中的疾病的可能性的大小；基于所确定的评分，确定是否继续生成问题；响应于确定不继续生成问题，从疾病集合中确定患者患有的疾病作为目标疾病。

在一些实施例中，基于第一概率集合，生成针对患者的问题，包括：基于第一概率集合，确定患者患有的、疾病集合中的疾病的疾病标识；基于疾病标识和预先训练的贝叶斯网络，生成针对患者的问题以及输出。

在一些实施例中，贝叶斯网络的结构为有向二分图，有向二分图的始点用于表征疾病标识，有向二分图的终点用于表征症状信息，贝叶斯网络中的条件概率用于表征疾病标识所表征的疾病的患者产生症状信息所表征的症状的概率。

在一些实施例中，该方法还包括：基于反馈信息，继续训练贝叶斯网络。

第二方面，本申请实施例提供了一种用于输出信息的装置，该装置包括：获取单元，被配置成获取用户输入信息；第一确定单元，被配置成响应于用户输入信息包括患者的图像，基于图像，确定第一概率集合，其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率；第二确定单元，被配置成基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病；输出单元，被配置成输出目标疾病的疾病信息。

在一些实施例中，第一确定单元，进一步被配置成：将图像输入至预先训练的卷积神经网络，得到第一概率集合。

在一些实施例中，该装置还包括：第三确定单元，被配置成响应于用户输入信息不包括患者的图像，基于用户输入信息，确定第一概率集合。

在一些实施例中，第二确定单元，进一步被配置成：基于第一概率集合，生成针对患者的问题；获取针对问题的反馈信息；基于反馈信息和用户输入信息，从疾病集合中确定患者患有的疾病作为目标疾病。

在一些实施例中，第二确定单元，进一步被配置成：获取疾病集合中的疾病的先验概率；基于反馈信息和用户输入信息，确定第二概率集合，其中，第二概率是基于反馈信息和用户输入信息确定的、患者患有预先确定的疾病集合中的疾病的概率；基于第一概率集合、第二概率集合和所获取的先验概率，确定患者患有疾病集合中的疾病的评分，其中，评分表征患者患有疾病集合中的疾病的可能性的大小；基于所确定的评分，确定是否继续生成问题；响应于确定不继续生成问题，从疾病集合中确定患者患有的疾病作为目标疾病。

在一些实施例中，第二确定单元，进一步被配置成：基于第一概率集合，确定患者患有的、疾病集合中的疾病的疾病标识；基于疾病标识和预先训练的贝叶斯网络，生成针对患者的问题以及输出。

在一些实施例中，贝叶斯网络的结构为有向二分图，有向二分图的始点用于表征疾病标识，有向二分图的终点用于表征症状信息，贝叶斯网络中的条件概率用于表征疾病标识所表征的疾病的患者产生症状信息所表征的症状的概率。

在一些实施例中，该装置还包括：训练单元，被配置成基于反馈信息，继续训练贝叶斯网络。

第三方面，本申请实施例提供了一种用于输出信息的电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得该一个或多个处理器实现如上述用于输出信息的方法中任一实施例的方法。

第四方面，本申请实施例提供了一种用于输出信息的计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述用于输出信息的方法中任一实施例的方法。

本申请实施例提供的用于输出信息的方法和装置，通过获取用户输入信息，之后，在用户输入信息包括患者的图像的情况下，基于图像，确定第一概率集合，其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率，然后，基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病，最后，输出目标疾病的疾病信息，从而丰富了信息的生成方式，提高了电子设备诊断的准确性，有助于节省医务人员的诊断时间。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于输出信息的方法的一个实施例的流程图；

图3a-图3b是根据本申请实施例的用于输出信息的方法的一个应用场景的示意图；

图4是根据本申请的用于输出信息的方法的又一个实施例的流程图；

图5是根据本申请的用于输出信息的方法的再一个实施例的流程图；

图6是根据本申请的用于输出信息的方法的一个实施例的的贝叶斯网络的结构示意图；

图7是根据本申请的用于输出信息的装置的一个实施例的结构示意图；

图8是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于输出信息的方法或用于输出信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息(例如发送用户输入信息或接收疾病信息)等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如医疗问诊类应用、网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持信息输入、接收和发送的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的图像提供支持的后台图像处理服务器。后台图像处理服务器可以对接收到的图像等数据进行特征提取等处理，并将处理结果(例如患者患有预先确定的疾病集合中的疾病的概率)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于输出信息的方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，用于输出信息的装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。当信息处理方法的执行主体不需要与其他电子设备进行数据传输时，该系统架构可以不包括网络以及除执行主体之外的其他电子设备。

继续参考图2，示出了根据本申请的用于输出信息的方法的一个实施例的流程200。该用于输出信息的方法，包括以下步骤：

步骤201，获取用户输入信息。

在本实施例中，用于输出信息的方法的执行主体(例如图1所示的服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取用户输入信息。其中，上述用户输入信息可以是用户输入的各种信息。上述用户输入信息可以包括但不限于以下至少一项：年龄信息、婚育状况信息、年龄信息、患病症状信息、检查指标信息等等。上述用户输入信息的呈现形式可以包括以下至少一项：文字、音频、图像。其中，图像可以是图片，也可以是视频。图像可以包括但不限于以下至少一项：电子计算机断层扫描(computedtomography，ct)影像、计算机x射线(computedradiography，cr)摄影、磁共振检查(magneticresonance，mr)影像、直接数字平板x线成像系统(digitalradiography，dr)得到的影像等等。

在一些使用情况下，用户输入信息可以包括患者的图像(例如患者的病灶图像)，也可以包括用于描述患者所患疾病的症状的信息(例如皮肤瘙痒)、年龄信息、性别信息等无法通过图像反馈的信息。

作为示例，当上述执行主体为服务器时，该执行主体可以从用户使用的终端设备(例如手机、电脑等)获取用户输入信息。当上述执行主体为终端设备时，该执行主体可以直接获取用户输入的用户输入信息。

步骤202，响应于用户输入信息包括患者的图像，基于图像，确定第一概率集合。

在本实施例中，在用户输入信息包括患者的图像的情况下，上述执行主体可以基于图像，确定第一概率集合。其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率。第一概率集合中的第一概率的数量与疾病集合中的疾病的数量可以相同。第一概率与疾病可以是一一对应的关系。用户输入信息包括的患者的图像可以是采集于患者的图像(例如皮肤病患者的皮肤的病灶图像)。疾病集合可以是所有的疾病的集合；也可以是一个或者多个科室所有疾病的集合，例如，疾病集合可以是皮肤科所有疾病的集合；疾病集合中的疾病还可以是具有某个特点的疾病，例如，疾病集合中的疾病可以是能够通过图像表征患者的病灶的疾病(例如骨折、颈椎病、腰间盘突出)。

在这里，上述患者与输入用户输入信息的用户可以是同一人，也可以是不同的人。患者可以是与上述用户输入信息包括的图像对应的患者，例如该图像可以采集于患者。

在本实施例的一些可选的实现方式中，在用户输入信息包括患者的图像的情况下，上述步骤202可以按照如下步骤实现：将图像输入至预先训练的卷积神经网络，得到第一概率集合。其中，卷积神经网络可以用于表征图像与患者患有疾病集合中的各个疾病的概率之间的对应关系。

实践中，上述执行主体或者其他电子设备可以按照如下步骤训练卷积神经网络：

首先，获取训练样本集合。其中，训练样本包括样本图像和该训练样本包括的样本图像对应的疾病标识，其中，疾病标识可以包括但不限于以下之一：疾病名称、疾病代码。

然后，利用机器学习算法，将训练样本包括的图像作为输入，将该训练样本包括的疾病标识作为期望输出，对初始卷积神经网络进行训练，由此训练得到用于确定患者患有预先确定的疾病集合中的疾病的概率的卷积神经网络(即训练完成的卷积神经网络)。其中，初始卷积神经网络可以是未经训练的卷积神经网络，也可以是训练未达预期(例如得到的疾病概率误差大于阈值或者损失函数值大于阈值等)的卷积神经网络。

可选的，上述执行主体或者其他电子设备也可以按照如下步骤训练卷积神经网络：

首先，获取训练样本集合。其中，训练样本包括样本图像和该训练样本包括的图像对应的疾病标识。然后，利用机器学习算法，针对训练样本集合中的每个训练样本，将该训练样本包括的图像作为输入，将该训练样本包括的疾病标识作为期望输出，对初始卷积神经网络进行训练，由此训练得到卷积神经网络。

之后，获取测试样本集合，其中，测试样本包括测试图像和该测试样本包括的测试图像对应的疾病标识。

然后，针对测试样本集合中的每个测试样本，将该测试样本包括的测试图像输入到上述训练得到的卷积神经网络，得到实际输出的疾病标识。

最后，将各个实际输出的疾病标识与测试样本集合包括的各个疾病标识进行比对，以确定训练得到的卷积神经网络的准确率。如果准确率大于或等于预设的准确率阈值，则将训练得到的卷积神经网络作为用于确定患者患有预先确定的疾病集合中的疾病的概率的卷积神经网络(即训练完成的卷积神经网络)。如果准确率小于预设的准确率阈值，则调整卷积神经网络的参数，继续训练上述训练得到的卷积神经网络。

可以理解，卷积神经网络可以包括卷积层，池化层，全连接层，dropout层与softmax层。其中，softmax层为卷积神经网络的最后一层，节点个数可以为疾病集合中的疾病数量。由此，通过卷积神经网络可以得到患者患有疾病集合中的各个疾病的概率。

作为另一种实现方式，在用户输入信息包括患者的图像的情况下，上述步骤202也可以按照如下步骤实现：

首先，上述执行主体可以将图像发送至医生或者其他具备确诊能力的人所使用的电子设备(例如手机、电脑等)。

然后，上述执行主体可以接收由医生或者其他具备确诊能力的人所使用的电子设备返回的、患者患有预先确定的疾病集合中的疾病的概率，以及将接收到的概率的集合作为第一概率集合。

作为又一种实现方式，在用户输入信息包括患者的图像的情况下，上述执行主体还可以基于用户输入信息(包括患者的图像和用户输入信息中除患者的图像之外的其他信息)，确定第一概率集合。例如，上述执行主体可以将用户输入信息发送至医生或者其他具备确诊能力的人所使用的电子设备(例如手机、电脑等)。然后，上述执行主体可以接收由医生或者其他具备确诊能力的人所使用的电子设备返回的、患者患有预先确定的疾病集合中的疾病的概率，以及将接收到的概率的集合作为第一概率集合。

步骤203，基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病。

在本实施例中，上述执行主体可以基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病。其中，目标疾病可以是一种疾病，也可以是多种疾病。目标疾病的数量可以是上述用户设置的，也可以是技术人员设置的。

作为示例，上述执行主体可以将第一概率集合中概率最高的第一概率对应的疾病确定为目标疾病，也可以将第一概率集合中概率最高的3(也可以是其他数量)个第一概率对应的三种疾病确定为目标疾病。

在本实施例的一些可选的实现方式中，上述执行主体还可以按照如下步骤执行该步骤203：

首先，基于第一概率集合，生成针对患者的问题。

然后，获取针对问题的反馈信息。

最后，基于反馈信息和用户输入信息，从疾病集合中确定患者患有的疾病作为目标疾病。

在本实施例的一些可选的实现方式中，上述执行主体还可以基于反馈信息，继续训练卷积神经网络。

作为示例，上述执行主体生成的问题可以是针对患有目标疾病的患者可能产生的症状的问题，例如，当上述执行主体确定患者可能患有荨麻疹时，可以生成问题“是否红肿”、“是否瘙痒”等等。当生成的问题为“是否流鼻涕”，反馈信息为“否”，目标疾病为“荨麻疹”，时，可能说明卷积神经网络得到的概率(即第一概率)不准确，在该场景下，可以将反馈信息(例如“是”或“否”)作为反馈，来确定卷积神经网络得到的概率是否准确，从而继续训练卷积神经网络，以提高卷积神经网络得到的概率的准确度。

步骤204，输出目标疾病的疾病信息。

在本实施例中，上述执行主体可以输出目标疾病的疾病信息。其中，疾病信息与疾病可以是一一对应的关系，疾病信息可以是疾病的介绍信息、治疗信息，也可以是用于标识疾病的疾病标识，其中，疾病标识可以包括但不限于以下之一：疾病名称、疾病代码。

继续参见图3a和图3b，图3a和图3b是根据本实施例的用于输出信息的方法的一个应用场景的示意图。在图3a中，用户向终端设备(即上述执行主体)输入了用户输入信息，其中，用户输入信息包括文字信息301和图像302。终端设备在获取到了用户输入信息之后，确定出用户输入信息包括患者的图像。随后，将图像302输入至预先训练的卷积神经网络，得到患者患有预先确定的疾病集合中的各个疾病的概率。之后，终端设备将所得到的概率中最大的概率对应的疾病集合中的疾病确定为目标疾病。最后，请参考图3b，上述终端设备输出了目标疾病的疾病信息“根据您输入的信息，具有上述症状的患者可能患有荨麻疹”。

本申请的上述实施例提供的方法，通过获取用户输入信息，然后，在用户输入信息包括患者的图像的情况下，基于图像，确定第一概率集合，其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率，之后再基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病，最后，输出目标疾病的疾病信息，从而丰富了信息的生成方式，提高了电子设备诊断的准确性，有助于节省医务人员的诊断时间。

进一步参考图4，其示出了用于输出信息的方法的又一个实施例的流程400。该用于输出信息的方法的流程400，包括以下步骤：

步骤401，获取用户输入信息。之后，执行步骤402。

在本实施例中，步骤401与图2对应实施例中的步骤201基本一致，这里不再赘述。

步骤402，判断用户输入信息是否包括患者的图像。之后，若是，执行步骤404；若否，执行步骤403。

在本实施例中，上述执行主体可以判断用户输入信息是否包括患者的图像。作为示例，当上述执行主体获取的用户输入信息中不包含图像时，可以通过标识(例如null等)表征用户输入信息不包括患者的图像。可选的，还可以通过javascript等编程语言，判断用户输入信息是否包括患者的图像。上述执行主体可以将用户输入信息包括的图像均确定为患者的图像，也可以采用图像识别等技术，确定用户输入信息包括的图像是否为患者的图像。例如，当上述执行主体或者其他电子设备确定用户输入信息包括的图像为病灶图像时，上述执行主体可以将用户输入信息包括的图像均确定为患者的图像。

步骤403，基于用户输入信息，确定第一概率集合。之后，执行步骤405。

在本实施例中，上述执行主体可以基于用户输入信息，确定第一概率集合。其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率。

作为一种实现方式，上述执行主体可以将用户输入信息发送至医生或者其他具备确诊能力的人所使用的电子设备(例如手机、电脑等)。然后，上述执行主体可以接收由医生或者其他具备确诊能力的人所使用的电子设备返回的患者患有预先确定的疾病集合中的疾病的概率，以及将接收到的概率的集合作为第一概率集合。

作为另一种实现方式，在用户输入信息不包括患者的图像的情况下，上述执行主体可以将第一概率集合中的各个第一概率确定为相等的一个数值。例如，可以将第一概率集合中的各个第一概率确定为0。

步骤404，基于图像，确定第一概率集合。之后，执行步骤405。

在本实施例中，步骤404与图2对应实施例中的步骤202基本一致，这里不再赘述。

步骤405，基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病。之后，执行步骤406。

在本实施例中，步骤405与图2对应实施例中的步骤203基本一致，这里不再赘述。

步骤406，输出目标疾病的疾病信息。

在本实施例中，步骤406与图2对应实施例中的步骤204基本一致，这里不再赘述。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程400突出了在用户输入信息不包括患者的图像的情况下，确定第一概率集合的步骤。由此，本实施例描述的方案可以在更多情况下确定第一概率集合的方式，从而可以通过文字信息和患者的图像，对患者患有的疾病进行诊断，提高了诊断的灵活性和准确性。

下面请参考图5，其示出了用于输出信息的方法的再一个实施例的流程500。该用于输出信息的方法的流程500，包括以下步骤：

步骤501，获取用户输入信息。之后，执行步骤502。

在本实施例中，步骤501与图4对应实施例中的步骤401基本一致，这里不再赘述。

步骤502，判断用户输入信息是否包括患者的图像。之后，若是，执行步骤504，若否则执行步骤503

在本实施例中，步骤502与图4对应实施例中的步骤402基本一致，这里不再赘述。

步骤503，基于用户输入信息，确定第一概率集合。之后，执行步骤505。

在本实施例中，步骤503与图4对应实施例中的步骤403基本一致，这里不再赘述。

步骤504，基于图像，确定第一概率集合。之后，执行步骤505。

在本实施例中，步骤504与图4对应实施例中的步骤404基本一致，这里不再赘述。

步骤505，基于第一概率集合，生成针对患者的问题。之后，执行步骤506。

在本实施例中，上述执行主体还可以基于第一概率集合，生成针对患者的问题。其中，针对患者的问题可以是上述执行主体确定出的、患者可能患有的疾病相关的问题。

作为示例，上述执行主体生成的问题可以是针对患有目标疾病的患者可能产生的症状的问题，例如，当上述执行主体确定患者可能患有荨麻疹时，可以生成问题“是否红肿”、“是否瘙痒”等等。当生成的问题为“是否流鼻涕”，反馈信息为“否”，目标疾病为“荨麻疹”，时，可能说明卷积神经网络得到的概率不准确，在该场景下，可以将反馈信息(例如“是”或“否”)作为反馈，来确定卷积神经网络得到的概率是否准确，从而继续训练卷积神经网络。

可以理解，上述执行主体可以基于第一概率集合，针对图像无法体现的信息，生成问题。基于所生成的问题，上述执行主体可以更准确的进行诊断(即确定目标疾病)。

示例性的，当上述执行主体确定患者患有的疾病可能为“皮肤过敏”(即第一概率集合中数值最大的第一概率对应的疾病集合中的疾病为“皮肤过敏”)时，上述执行主体生成的针对患者的问题可以是“皮肤是否发红”，“皮肤是否发痒”等。

在这里，上述执行主体生成的问题可以与第一概率集合中最大的1个或多个的第一概率对应的疾病可能伴随的症状相对应，也可以是年龄、性别、婚育状况等方面相关的问题，还可以是用于区分两种或多种疾病的问题。

在本实施例的一些可选的实现方式中，上述执行主体可以按照如下方式执行该步骤505：

首先，基于第一概率集合，确定患者患有的、疾病集合中的疾病的疾病标识。在这里，上述执行主体可以将第一概率集合中的数值最大的一个或多个第一概率对应的疾病的疾病标识确定为患者患有的、疾病集合中的疾病的疾病标识。

然后，通过疾病标识和预先训练的贝叶斯网络，基于信息增益最大化或者权重采样(例如选取疾病标识对应的、权重最高的一个或多个权重对应的问题或症状信息)的方式，生成针对患者的问题以及输出。其中，贝叶斯网络可以用于表征疾病标识与问题的对应关系，也可以用于表征疾病标识与症状的对应关系。当贝叶斯网络用于表征疾病标识与症状的对应关系时，上述执行主体可以生成针对该症状的问题。

作为示例，上述贝叶斯网络可以是上述执行主体或其他电子设备按照如下步骤训练得到的：

首先，获取训练样本集合。训练样本包括患者的图像、该训练样本包括的图像对应的信息(包括反馈信息和/或用户输入信息)和该训练样本包括的图像对应的疾病标识。

然后，利用机器学习算法(例如最大期望算法、梯度上升法等)，针对训练样本集合中的每个训练样本，将该训练样本包括的图像和信息作为输入，将该训练样本包括的疾病标识作为期望输出，对初始贝叶斯网络进行训练，得到训练完成的贝叶斯网络。

在本实施例的一些可选的实现方式中，贝叶斯网络的有向无环图为有向二分图，有向二分图的始点用于表征疾病标识，有向二分图的终点用于表征症状信息，贝叶斯网络中的条件概率用于表征疾病标识所表征的疾病的患者产生症状信息所表征的症状的概率。

作为示例，请参考图6，如图6所示，贝叶斯网络的结构为有向二分图，疾病标识601、602、603为该有向二分图的节点中的始点，症状信息604、605、606、607为该有向二分图的节点中的终点，该有向二分图的边(即贝叶斯网络中的条件概率)用于表征疾病标识所表征的疾病的患者产生症状信息所表征的症状的概率。

下面返回图5。

步骤506，获取针对问题的反馈信息。之后，执行步骤507。

在本实施例中，上述执行主体可以获取针对问题的反馈信息。其中，反馈信息可以是用户针对问题回复的信息。例如，当问题为“请问您的体温是多少度”时，反馈信息可以是“36.9”；当问题为“是否发烧”时，反馈信息可以是“是”。

可以理解，对患者进行提问，以及获取针对问题的反馈信息，有助于上述执行主体进一步提高诊断的准确性。

在本实施例的一些可选的实现方式中，上述执行主体还可以基于反馈信息，继续训练贝叶斯网络。

作为示例，上述贝叶斯网络可以是上述执行主体或其他电子设备按照如下步骤训练得到的：

首先，获取训练样本集合。训练样本包括患者的图像、该训练样本包括的图像对应的反馈信息和该训练样本包括的图像对应的疾病标识。其中，反馈信息可以是针对一个或多个问题获取的、用户反馈的信息。

然后，利用机器学习算法(例如最大期望算法、梯度上升法等)，针对训练样本集合中的每个训练样本，将该训练样本包括的图像和反馈信息作为输入，将该训练样本包括的疾病标识作为期望输出，对初始贝叶斯网络进行训练，得到训练完成的贝叶斯网络。

步骤507，获取疾病集合中的疾病的先验概率。之后，执行步骤508。

在本实施例中，上述执行主体可以从与其通信连接的其他电子设备，或者本地获取疾病集合中的疾病的先验概率。其中，先验概率可以是专业人员(例如医务人员)人工给定并经由上述执行主体或上述与其通信连接的电子设备存储的，也可以是通过对疾病集合中的疾病及该疾病的患病率分布情况进行统计得到的。

步骤508，基于反馈信息和用户输入信息，确定第二概率集合。之后，执行步骤509。

在本实施例中，上述执行主体可以基于反馈信息和用户输入信息，确定第二概率集合。其中，第二概率可以是患者患有预先确定的疾病集合中的疾病的概率。

作为示例，上述执行主体可以按照如下方式，确定第二概率集合：

首先，上述执行主体可以将反馈信息和用户输入信息发送至医生或者其他具备确诊能力的人所使用的电子设备(例如手机、电脑等)。

然后，上述执行主体可以接收由医生或者其他具备确诊能力的人所使用的电子设备返回的、患者患有预先确定的疾病集合中的疾病的概率，以及将接收到的概率的集合作为第二概率集合。

作为又一种示例，上述执行主体还可以按照如下方式，确定第二概率集合：

首先，获取训练样本集合。训练样本包括患者的图像、该训练样本包括的图像对应的用户信息(包括反馈信息和用户输入信息)和该训练样本包括的图像对应的疾病标识。

然后，利用机器学习算法(例如最大期望算法、梯度上升法等)，针对训练样本集合中的每个训练样本，将该训练样本包括的图像和反用户信息作为输入，将该训练样本包括的疾病标识作为期望输出，对初始贝叶斯网络进行训练，得到训练完成的贝叶斯网络。

最后，将训练完成的贝叶斯网络的条件概率的集合作为上述第二概率集合。

步骤509，基于第一概率集合、第二概率集合和所获取的先验概率，确定患者患有疾病集合中的疾病的评分。之后，执行步骤510。

在本实施例中，上述执行主体可以基于第一概率集合、第二概率集合和所获取的先验概率，确定患者患有疾病集合中的疾病的评分。其中，评分表征患者患有疾病集合中的疾病的可能性的大小。疾病集合中的每个疾病对应一个第一概率、一个第二概率和一个先验概率。

作为示例，上述执行主体可以按照如下公式确定疾病集合中的疾病的评分：

s＝p1×(p2+λ×p3)

其中，s为评分，p1为第二概率，p2为先验概率，p3为第一概率，λ为技术人员设置的权重，λ的取值可以是大于或等于0的数。

作为另一种实例，当上述执行主体依次生成多个问题，以及依次获取到用户针对问题的反馈信息时，可以通过标记来区分每次获取到反馈信息之后的患者患有疾病集合中的疾病的评分，由此，上述执行主体可以按照如下公式确定疾病集合中的疾病的评分：

s(i,t)＝p(t)×(p’+λ×fi)

其中，i为疾病标识，t为时刻，s(i,t)为疾病标识为i的疾病在t时刻的评分，p(t)为t时刻的第二概率，p’为先验概率，fi为疾病标识为i的疾病的第一概率，λ为技术人员设置的权重，λ的取值可以是大于或等于0的数。

步骤510，基于所确定的评分，确定是否继续生成问题。之后，若否，执行步骤511；若是，执行步骤505。

在本实施例中，上述执行主体可以基于所确定的评分，确定是否继续生成问题。

作为示例，上述执行主体可以将所得到的评分按照由大到小的顺序排列，然后，上述执行主体可以根据如下公式，确定是否继续生成问题：

其中，r为疾病的序号(即排名)，字母l为另一种疾病的序号，i为疾病，ir用于表征序号为r的疾病，il用于表征序号为l的疾病，k1为用户或者技术人员设置的、所需确定的目标疾病的数量，k2为技术人员设置的数值，通常k2较大时，确定出的目标疾病较准确，假设n为疾病集合中的疾病的数量，那么，k1、k2、n通常满足：0<k1<k2≤n，t为时刻，score(ir，t)为第t时刻，序号为r的疾病的评分，score(il，t)为第t时刻，序号为l的疾病的评分，ε为预先设置的大于0的阈值。

根据上述公式，当排名前k1个疾病的评分之和减去排名k1+1到k2的疾病评分之和的差值大于阈值ε时，上述执行主体可以不继续生成问题；当排名前k1个疾病的评分和减去排名k1+1到k2的疾病评分和，并且差值小于等于阈值ε时，上述执行主体可以继续生成问题。

作为又一示例，当所确定的评分中值最大的评分，与所确定的评分的和的比值，大于预设的比值阈值(例如50％，60％等)时，上述执行主体可以不继续生成问题；当所确定的评分中值最大的评分，与所确定的评分的和的比值，小于等于预设的比值阈值时，上述执行主体可以继续生成问题。

步骤511，从疾病集合中确定患者患有的疾病作为目标疾病。之后，执行步骤512。

在本实施例中，上述执行主体可以从疾病集合中确定患者患有的疾病作为目标疾病。

作为示例，上述执行主体可以将所确定的评分中，评分最大的一个或者多个评分对应的一个或多个疾病确定为患者患有的疾病(即目标疾病)。

步骤512，输出目标疾病的疾病信息。

在本实施例中，步骤512与图4对应实施例中的步骤406基本一致，这里不再赘述。

从图5中可以看出，与图2对应的实施例相比，本实施例中的用于输出信息的方法的流程500突出了基于第一概率集合，从疾病集合中确定目标疾病的步骤，以及在用户输入信息不包括患者的图像的情况下，确定第一概率集合的步骤。由此，本实施例描述的方案可以引入更多的确定目标疾病的方式，以及在更多情况下确定第一概率集合的方式，从而丰富了疾病的诊断手段，有助于提高诊断的准确性。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的用于输出信息的装置700包括：获取单元701、第一确定单元702、第二确定单元703和输出单元704。其中，获取单元701被配置成获取用户输入信息；第一确定单元702被配置成响应于用户输入信息包括患者的图像，基于图像，确定第一概率集合，其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率；第二确定单元703被配置成基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病；输出单元704被配置成输出目标疾病的疾病信息。

在本实施例中，用于输出信息的装置700的获取单元701可以通过有线连接方式或者无线连接方式从其他电子设备，或者本地获取用户输入信息。其中，上述用户输入信息可以是用户输入的各种信息。上述用户输入信息可以包括但不限于以下至少一项：年龄信息、婚育状况信息、年龄信息、患病症状信息、检查指标信息等等。上述用户输入信息的呈现形式可以包括以下至少一项：文字、音频、图像。其中，图像可以是图片，也可以是视频。图像可以包括但不限于以下至少一项：电子计算机断层扫描(computedtomography，ct)影像、计算机x射线(computedradiography，cr)摄影、磁共振检查(magneticresonance，mr)影像、直接数字平板x线成像系统(digitalradiography，dr)得到的影像等等。

在本实施例中，在用户输入信息包括患者的图像的情况下，上述第一确定单元702可以基于图像，确定第一概率集合。其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率，第一概率集合中的第一概率的数量与疾病集合中的疾病的数量可以相同，第一概率与疾病可以是一一对应的关系。输入信息包括的图像可以是患者的病灶图像。疾病集合可以是所有的疾病的集合；也可以是一个或者多个科室所有疾病的集合，例如，疾病集合可以是皮肤科所有疾病的集合；疾病集合中的疾病还可以是具有某个特点的疾病，例如，疾病集合中的疾病可以是能够通过图像表征患者的病灶的疾病(例如骨折、颈椎病、腰间盘突出)。

在本实施例中，上述第二确定单元703可以基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病。其中，目标疾病可以是一种疾病，也可以是多种疾病。目标疾病的数量可以是上述用户设置的，也可以是技术人员设置的。

在本实施例中，上述输出单元704可以输出目标疾病的疾病信息。其中，疾病信息与疾病可以是一一对应的关系，疾病信息可以是疾病的介绍信息、治疗信息，也可以是用于标识疾病的疾病标识，其中，疾病标识可以包括但不限于以下之一：疾病名称、疾病代码。

在本实施例的一些可选的实现方式中，第一确定单元702进一步被配置成：将图像输入至预先训练的卷积神经网络，得到第一概率集合。其中，卷积神经网络可以用于表征图像与患者患有疾病集合中的各个疾病的概率之间的对应关系。

在本实施例的一些可选的实现方式中，该装置700还包括：第三确定单元(图中未示出)被配置成响应于用户输入信息不包括患者的图像，基于用户输入信息，确定第一概率集合。其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率。

在本实施例的一些可选的实现方式中，第二确定单元703进一步被配置成：基于第一概率集合，生成针对患者的问题；获取针对问题的反馈信息；基于反馈信息和用户输入信息，从疾病集合中确定患者患有的疾病作为目标疾病。其中，针对患者的问题可以是上述装置700确定出的、患者可能患有的疾病相关的问题。反馈信息可以是用户针对问题回复的信息。例如，当问题为“请问您的体温是多少度”时，反馈信息可以是“36.9”；当问题为“是否发烧”时，反馈信息可以是“是”。

在本实施例的一些可选的实现方式中，第二确定单元703进一步被配置成：获取疾病集合中的疾病的先验概率；基于反馈信息和用户输入信息，确定第二概率集合，其中，第二概率是基于反馈信息和用户输入信息确定的、患者患有预先确定的疾病集合中的疾病的概率；基于第一概率集合、第二概率集合和所获取的先验概率，确定患者患有疾病集合中的疾病的评分，其中，评分表征患者患有疾病集合中的疾病的可能性的大小；基于所确定的评分，确定是否继续生成问题；响应于确定不继续生成问题，从疾病集合中确定患者患有的疾病作为目标疾病。其中，先验概率可以是专业人员(例如医务人员)人工给定并经由上述装置700或上述与其通信连接的电子设备存储的，也可以是通过对疾病集合中的疾病及该疾病的患病率分布情况进行统计得到的。第二概率可以是患者患有预先确定的疾病集合中的疾病的概率。疾病集合中的每个疾病对应一个第一概率、一个第二概率和一个先验概率。

在本实施例的一些可选的实现方式中，贝叶斯网络的结构为有向二分图，有向二分图的始点用于表征疾病标识，有向二分图的终点用于表征症状信息，贝叶斯网络中的条件概率用于表征疾病标识所表征的疾病的患者产生症状信息所表征的症状的概率。

在本实施例的一些可选的实现方式中，该装置700还包括：训练单元(图中未示出)被配置成基于反馈信息，继续训练贝叶斯网络。

在本实施例的一些可选的实现方式中，第二确定单元703进一步被配置成：基于第一概率集合，确定患者患有的、疾病集合中的疾病的疾病标识；基于疾病标识和预先训练的贝叶斯网络，生成针对患者的问题以及输出。其中，贝叶斯网络可以用于表征疾病标识与问题的对应关系，也可以用于表征疾病标识与症状的对应关系。当贝叶斯网络用于表征疾病标识与症状的对应关系时，上述装置700可以生成针对该症状的问题。

本申请的上述实施例提供的装置，通过获取单元701获取用户输入信息，然后，第一确定单元702响应于用户输入信息包括患者的图像，基于图像，确定第一概率集合，其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率，之后，第二确定单元703基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病，最后，输出单元704输出目标疾病的疾病信息，从而丰富了信息的生成方式，提高了电子设备诊断的准确性，有助于节省医务人员的诊断时间。

下面参考图8，其示出了适于用来实现本申请实施例的控制设备的计算机系统800的结构示意图。图8示出的控制设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括中央处理单元(cpu)801，其可以根据存储在只读存储器(rom)802中的程序或者从存储部分808加载到随机访问存储器(ram)803中的程序而执行各种适当的动作和处理。在ram803中，还存储有系统800操作所需的各种程序和数据。cpu801、rom802以及ram803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。

以下部件连接至i/o接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至i/o接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(cpu)801执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言-诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元、第二确定单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取用户输入信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取用户输入信息；响应于用户输入信息包括患者的图像，基于图像，确定第一概率集合，其中，第一概率是基于图像确定的、患者患有预先确定的疾病集合中的疾病的概率；基于第一概率集合，从疾病集合中确定患者患有的疾病作为目标疾病；输出目标疾病的疾病信息。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。