诊断系统的制作方法

本发明涉及辅助诊断技术领域，具体涉及一种诊断系统。

背景技术：

在医学领域知识的应用方面，本体和知识图谱的研究层出不穷。近几年来，国内对于医疗本体的研究有基于本体理论建立的心血管疾病知识库，在此基础上对于领域知识本体进行建模，形式化存储了知识本体，开发了辅助诊断系统。资源是包括语义信息的数据载体，以资源为核心的本体模型构建方法为语义信息检索提供了基础。以单一疾病为载体，建立本体与疾病知识一一对应，构建具有智能推理功能的疾病本体知识库，为医疗专家系统建立可共享，可复用的诊断知识库提供了参考。与此同时，在国外，相关本体研究也在掌控。例如欧盟开展的k4care项目，在建立慢病自我管理本体的基础上，采用本体个性化技术，根据病人医疗信息，与本体中相关概念的属性关系，通过决策支持工具，计算患某种疾病的概率，并且以此为慢病患者自我管理和疾病干预提供支持。

现有的诊断系统通常按照标准的逻辑推理方式得出诊断结果。因此，现有的诊断系统对诊断信息的准确性要求较高。由于中医诊断通常是对脉搏，舌苔，气色，体质等症状进行综合描述，其中有些是确定的诊断信息，但有些也有模糊性，多样性，非线性，不确定等特征。相比较西医，中医诊疗偏于个体化，根据病人自身阴阳寒热的偏倚以及疾病的发展情况制定治疗方案。在诊断过程中，医生往往更多依赖知识和经验，来寻找解决方案，并不是按照标准的逻辑推理方式来解决。因此，现有诊断系统对知识的表示和推理机制不适用于中医诊断。

如何建立适用于中医的诊断系统成为本领域技术人员亟待解决的技术问题和始终研究的重点。

技术实现要素：

本发明实施例提供了一种诊断系统，包括：诊断信息采集模块、归属度计算模块和隶属程度匹配模块；

所述诊断信息采集模块用于获取诊断信息；

所述归属度计算模块用于根据所述诊断信息计算所述诊断信息相对于相关证型的归属度；

所述隶属程度匹配模块用于根据所述诊断信息相对于相关证型的归属度确定所述诊断信息对应的基本证型。

进一步地，所述诊断系统还包括：

本体推理模块、规则库和诊断本体模型；

其中，所述诊断本体模型包括与诊断知识相关的概念和所述概念的语义关系；

所述规则库包括，根据本体模型定义的推理规则；

所述本体推理模块用于根据从所述诊断本体模型接收的与诊断知识相关的概念和语义关系和从所述规则库接收的推理规则确定所述诊断信息对应的诊断结果。

进一步地，所述诊断系统还包括：

案例库和贴近程度匹配模块；

所述案例库用于存储案例信息；其中，所述案例信息包括案例相对于相关证型的归属度；

所述贴近程度匹配模块用于根据所述诊断信息相对于相关证型的归属度和所述案例相对于相关证型的归属度计算所述诊断信息与所述案例信息的贴近程度，输出贴近程度最高的所述案例信息。

进一步地，所述诊断系统还包括：

诊断信息存储系统；

所述诊断信息存储系统用于判断所述案例信息与所述诊断信息的贴近程度是否大于设定值，判断结果为否则将所述诊断信息存入案例库。

进一步地，还包括检索匹配模块；

所述检索匹配模块用于采用案例推理确定与所述诊断信息匹配的案例信息。

进一步地，还包括内容展示模块；

所述内容展示模块用于展示医药知识地图。

进一步地，所述推理规则采用语义网规则语言定义。

进一步地，所述诊断知识相关的概念包括以下至少之一：疾病名称、基本证型、基本症状、次症状、治法治则、推荐方药、和药物成分。

进一步地，所述案例相对于相关证型的归属度根据标准归属度来确定；其中，所述标准归属度为案例对应的标准症状相对于相关证型的归属度。

进一步地，案例信息还包括：年龄、患者主诉、症状、西医诊断、中医诊断、证型、治法、诊疗方案、和推荐用药。

本发明实施例提供的诊断系统根据诊断信息相对于相关证型的归属度确定诊断信息对应的基本证型，与标准的逻辑推理相比，更适用于中医诊断。该系统还包括本体推理模块和贴近程度匹配模块，采用多种推理模式更有利于得出准确的诊断信息。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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发明的一些实施方式，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是本发明实施例的诊断系统结构图。

图2是本发明实施例的知识库的构建方法流程图。

图3是本发明实施例的案例库的构建方法流程图。

图4是本发明实施例的诊断系统诊断方法流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以中医辨证论治的基本原理来说，主要分为辨证和论治两个阶段。所谓辨证，就是将四诊(望闻问切)方法收集到的资料，症状和体征，通过，风险，综合，辨清疾病的原因，性质，部位与正邪之间的关系，概况、判断对应到某个特定的证型(pattern)。论治，则是按照辨证的结果，制定相应的治疗方法，辨证是确定治疗方法的前提和依据，论治是辨证的目的，通过辨证论治的效果，可以检验辨证论治是否正确。本发明实施例提供了一种诊断系统，包括：诊断信息采集模块、归属度计算模块和隶属程度匹配模块；

诊断信息采集模块用于获取诊断信息，例如，主要症状、次要症状、年龄，性别，既往史，家族史和患者的主观描述。归属度计算模块用于计算诊断信息相对于相关证型的归属度。诊断系统还包括证型模型库。证型模型库包括现有的证型模型。例如，血热，血燥，血瘀，夹湿，夹热毒，夹风等证型模型。证型模型包括每个证型对应的症状、每个症状对相应证型的归属度。归属度计算模块用于根据诊断信息计算诊断信息相对于相关证型的归属度。例如，归属度计算模块将诊断信息中的症状按照基本症状进行归类，归类后的基本症状包括：皮损鲜红，皮疹迅速扩大，心烦不安，鳞屑干燥，舌质淡，苔少，脉细。包括上述症状的证型有血热和血燥。那么上述诊断信息的相关证型为血热和血燥。上述症状对证型血热的归属度的和等于0.7。上述症状对证型血燥的归属度的和等于0.5。上述诊断信息对证型血热的归属度为0.7。上述诊断信息对证型血燥的归属度为0.5。

隶属程度匹配模块用于根据诊断信息相对于相关证型的归属度确定诊断信息对应的基本证型。例如，诊断信息包括第一症状、第二症状和第三症状。诊断信息的相关证型包括证型a、证型b和证型c。第一症状对证型a的归属度为a1。第一症状对证型b的归属度为b1。第一症状对证型c的归属度为c1。第二症状对证型a的归属度为a2。第二症状对证型b的归属度为b2。第二症状对证型c的归属度为c2。第三症状对证型a的归属度为a3。第三症状对证型b的归属度为b3。第三症状对证型c的归属度为c3。诊断信息对证型a的归属度为a1、a2、a3的和。诊断信息对证型b的归属度为b1、b2、b3的和。诊断信息对证型c的归属度为c1、c2、c3的和。诊断信息对证型a的归属度、诊断信息对证型b的归属度、诊断信息对证型c的归属度中诊断信息对证型a的归属度最大。诊断信息对证型a的归属度为0.8，大于第一设定值0.7。该诊断信息对应的基本证型为证型a。本发明实施例提供的诊断系统采用模糊推理的方法，根据诊断信息相对于相关证型的归属度确定诊断信息对应的基本证型，与标准的逻辑推理相比，更适用于中医诊断。

在一个可选实施例中，隶属程度匹配模块先确定诊断信息的归属度最大的相关证型。再判断诊断信息对该相关证型的归属度是否大于第一设定值。第一设定值优选为0.7。判断结果为是，该相关证型为诊断信息的基本证型。判断结果为否，则进一步判断诊断信息对该相关证型的归属度是否大于第二设定值。第二设定值优选为0.3。判断结果为是，则该相关证型可能为诊断信息的基本证型。判断结果为否，则不能确定诊断信息对应的基本证型。

隶属程度匹配模块不一定能确定基本证型，还可以通过其他诊断模块推理出诊断结果。在一个可选实施例中，还包括本体推理模块、规则库和诊断本体模型。诊断本体模型包括与诊断知识相关的概念和概念的语义关系；规则库包括，根据本体模型定义的推理规则；本体推理模块用于根据从诊断本体模型接收的与诊断知识相关的概念和语义关系和从规则库接收的推理规则确定诊断信息对应的诊断结果。

例如，诊断知识相关的概念包括疾病名称、证型、症状和治法治则。症状进一步包括主症状和次症状。治法治则进一步包括内治法、外治法、推荐方药和药物成分。例如，疾病名称为银屑病；证型为血热，血燥，血瘀，兼夹；主症状为：皮损鲜红，皮损淡红，皮损暗红，鳞屑干燥，皮损肥厚浸润经久不退。次症状为：口干咽燥，心烦易怒，小便黄，舌质淡，舌苔少或薄白，脉细或细数；内治法为清热凉血解毒；推荐方药为：凉血解毒汤；药物成分为：土茯苓，槐花，紫草。语义关系包括：银屑病的证型包括血热，血燥，血瘀和兼夹；血热是银屑病的一种证型等。规则库包括推理规则，基于规则可以进行有关的知识推理。例如，根据患者特定的症状描述给出相应的诊断建议和诊疗方案等。例如，推理规则为：银屑病患者出现主要症状：皮损鲜红，并且新出皮疹不断增多或迅速扩大；次要症状表现为：小便黄，舌质红或绛；那么可以建议判断基本证型为血热。而对于血热的推荐治法为清热凉血解毒；建议推荐方药为凉血解毒汤。

本体推理模块不一定能推理出合适的诊断结果，还可以通过其他诊断模块推理出贴近程度高的相关案例信息。图1是本发明实施例的诊断系统结构图。如图1所示，在一个可选实施例中，诊断系统还包括案例库和贴近程度匹配模块；案例库用于存储案例信息；案例信息包括案例相对于相关证型的归属度；贴近程度匹配模块用于根据诊断信息相对于相关证型的归属度和案例相对于相关证型的归属度计算诊断信息与案例信息的贴近程度，输出贴近程度最高的案例信息。本发明实施例提供的诊断系统通过模糊匹配查找贴近程度高的案例信息有利于在诊断信息不明确时查找到到相关案例信息。

例如，诊断信息与案例信息的相关证型包括：证型1、证型2和证型3。贴近程度的计算公式为：

d＝(d1,d2,d3)；

e＝(e1,e2,e3)

q(d，e)＝1/2[d°e+(1-d⊙e)]；

其中，d1为诊断信息对证型1归属度；d2为诊断信息对证型2的归属度；d3为诊断信息对证型3的归属度；e1为案例信息对证型1的归属度；e2为案例信息对证型2的归属度；e3为案例信息对证型3的归属度；d为诊断信息对相关证型归属度的向量集；e为案例信息对相关证型归属度的向量集；q(d，e)为上述诊断信息和上述案例信息的贴近程度；d°e为d和e的内积，d°e＝(d1∧e1)∨(d2∧e2)∨(d3∧e3)；d⊙e为d和e的外积,d⊙e＝(d1∨e1)∧(d2∨e2)∧(d3∨e3)；∨为取最大值；∧为取最小值。

例如，诊断信息包括症状：血热，皮损鲜红，鳞屑干燥，脉细缓，舌质淡，小便黄，头身困重。在证型库中找到对应的相关证型为：血热，血燥，夹湿。全部症状对血热的归属度的和为1。全部症状对血燥的归属度的和为0.5。全部症状对夹湿的归属度的和为0.3。诊断信息对相关证型归属度的向量集为i＝(1,0.5,0.3)；第一案例信息对血热的归属度的和为0.6。第一案例信息对血燥的归属度的和为0.4。第一案例信息对夹湿的归属度的和为0.2。第一案例信息对相关证型归属度的向量集为m＝(0.6,0.4,0.2)。第二案例信息对血热的归属度的和为0.7。第二案例信息对血燥的归属度的和为0.1。第二案例信息对夹湿的归属度的和为0.1。第二案例信息对相关证型归属度的向量集为n＝(0.7，0.1，0.1)。计算得出诊断信息与第一案例信息的贴近程度为0.65，诊断信息与第二案例信息的贴近程度为0.7。诊断信息与第二案例信息的贴近程度比诊断信息与第一案例信息的贴近程度更高。本发明实施例提供的诊断系统采用多种推理模式更有利于得出准确的诊断信息。

在一个可选实施例中，找出与诊断信息贴近程度最高的案例信息后，还包括判断上述贴近程度是否大于设定阈值，判断结果为是则输出上述案例信息；判断结果为否，则匹配案例失败，放弃输出案例信息。

在一个可选实施例中，诊断系统还包括诊断信息存储系统；

诊断信息存储系统用于判断诊断信息是否有价值，有则将诊断信息存入案例库。本实施例的诊断系统能够通过诊断信息存储系统实时更新案例库。

基于案例推理(case-basedreasoning,简称为cbr),是人工智能领域研究德热点，也是问题求解德策略之一，其建立起源于认证心理学，推理过程模拟人类解决问题的方式，符合人类的实际认知心理过程，即当遇到一个新问题后，根据以往的经验选择一个与现在问题最接近的旧案例，根据新问题的情况改进旧案例中的解决方法作为解决新问题的解决方案，而新问题解决后其案例又会作为经验被记录下来。在一个可选实施例中，诊断系统还包括检索匹配模块。检索匹配模块用于采用cbr确定与诊断信息匹配的案例信息。

在一个可选实施例中，诊断系统还包括内容展示模块。内容展示模块用于根据用户需求展示医药知识地图。医药知识地图以可视化概念图的方式形象地表达领域概念之间的关联。界面左侧为概念图，右侧为文字信息栏。概念图用于展示概念之间的关系。文字信息栏按用户要求展示相关的文字信息。

在一个可选实施例中，采用语义网规则语言(semanticwebrulelanguage，简称为swrl)根据本体模型定义推理规则，构成规则库。例如，如果诊断信息包括主要症状：皮损鲜红，并且新出皮疹不断增多或迅速扩大；次要症状表现为：小便黄，舌质红或绛；那么可以建议判断基本证型为血热证。而对于血热证的推荐治法为清热凉血解毒；建议推荐方药为凉血解毒汤。

在一个可选实施例中，案例相对于相关证型的归属度根据标准归属度来确定；其中，标准归属度为案例对应的标准症状相对于相关证型的归属度。从案例数据中提取症状信息和证型信息。例如，症状相关信息包括：皮损鲜红，鳞屑干燥，脉细缓，舌质淡，小便黄，头身困重。相关证型信息包括血热，血燥，夹湿。将症状信息按照标准症状进行分类。例如，烦躁，时有心烦，口干烦躁等近似症状归入标准症状心烦易怒。尿黄，黄尿，便黄等近似症状归入标准症状小便黄。根据标准症状相对于相关证型的依属程度确定案例相对于相关证型的归属度。案例中标准症状对相关证型的依属程度根据证型模型库计算。例如，症状相关信息包括症状：皮损鲜红，皮疹迅速扩大，心烦不安，鳞屑干燥，舌质淡，苔少，脉细。相关证型信息包括血热和血燥。上述案例的相关证型为血热和血燥。上述症状对证型血热的归属度的和等于0.7。上述症状对证型血燥的归属度的和等于0.5。上述案例对证型血热的归属度为0.7。上述案例对证型血燥的归属度为0.5。

在一个可选实施例中，案例信息还包括：年龄、患者主诉、症状、西医诊断、中医诊断、证型、治法、诊疗方案、和推荐用药。

在一个可选实施例中，本体模型和规则库构成知识库。图2是本发明实施例的知识库的构建方法流程图。如图2所示，本发明实施例提供了一种知识库的构建方法，包括以下步骤：

s21：将不同来源的数据导入系统。数据包括中医临床指南和临床路径等国家权威标准。数据格式包括excel，xml等。导入的数据可进行在线编辑。优选对导入的数据进行加工，例如修改、新增、删除等。数据加工完成，可提交审校，审校可进行再次编辑和提交。

s22：从导入系统的数据中提取诊断知识相关的概念，及各个概念之间的语义关系，形成诊断本体模型。例如，诊断知识相关的概念包括：疾病名称为银屑病；证型为血热，血燥，血瘀，兼夹；主症状为：皮损鲜红，皮损淡红，皮损暗红，鳞屑干燥，皮损肥厚浸润经久不退；次症状为：口干咽燥，心烦易怒，小便黄，舌质淡，舌苔少或薄白，脉细或细数；内治法为清热凉血解毒；推荐方药为：凉血解毒汤；药物成分为：土茯苓，槐花，紫草。语义关系包括：银屑病的证型包括血热，血燥，血瘀和兼夹；血热是银屑病的一种证型等。

s23：采用语义网规则语言(semanticwebrulelanguage，简称为swrl)根据本体模型定义推理规则，构成规则库。例如，如果诊断信息包括主要症状：皮损鲜红，并且新出皮疹不断增多或迅速扩大；次要症状表现为：小便黄，舌质红或绛；那么可以建议判断基本证型为血热证。而对于血热证的推荐治法为清热凉血解毒；建议推荐方药为凉血解毒汤。

图3是本发明实施例的案例库的构建方法流程图。如图3所示，本发明实施例提供了一种案例库的构建方法，包括以下步骤：

s31：将不同来源的案例数据导入系统。数据包括相关行业标准和文献资料。数据格式包括excel，xml等。导入的数据可进行在线编辑。优选对导入的数据进行加工，例如修改、新增、删除等。数据加工完成，可提交审校，审校可进行再次编辑和提交。

s32：从导入系统的案例数据中提取症状相关信息和相关证型信息。例如，症状相关信息包括：皮损鲜红，鳞屑干燥，脉细缓，舌质淡，小便黄，头身困重。相关证型信息包括血热，血燥，夹湿。

s33：将症状相关信息按照标准症状进行分类。例如，烦躁，时有心烦，口干烦躁等近似症状归入标准症状心烦易怒。尿黄，黄尿，便黄等近似症状归入标准症状小便黄。

s34：根据标准症状对相关证型的依属程度确定案例对相关证型的归属度。案例中标准症状对相关证型的依属程度根据证型模型库计算。例如，症状相关信息包括症状：皮损鲜红，皮疹迅速扩大，心烦不安，鳞屑干燥，舌质淡，苔少，脉细。相关证型信息包括血热和血燥。上述案例的相关证型为血热和血燥。上述症状对证型血热的归属度的和等于0.7。上述症状对证型血燥的归属度的和等于0.5。上述案例对证型血热的归属度为0.7。上述案例对证型血燥的归属度为0.5。

图4是本发明实施例的诊断系统诊断方法流程图。如图4所示，本发明实施例提供了一种诊断系统的诊断方法，包括以下步骤：

获取诊断信息。

采用案例推理查找是否有与诊断信息匹配的案例信息，判断结果为是则输出匹配的案例信息。

根据诊断本体模型中与诊断知识相关的概念和语义关系和规则库中的推理规则查找是否有诊断信息对应的诊断结果，判断结果为是则输出对应的诊断结果。

计算诊断信息相对于相关证型的归属度，判断归属度的最大值是否大于设定值，判断结果为是则输出归属度最大的相关证型。

计算诊断信息和案例信息的贴近程度，输出贴近程度最高的案例信息。