本申请涉及计算机技术领域，尤其涉及一种疾病诊断方法及装置。
背景技术：
临床医生在工作中为患者提供诊断服务，主要依赖于所学习的专业知识及个人医疗经验的积累，专业的业务学习途径一般为临床指南，临床指南指医学专业委员会通过权威医学刊物刊发的对于某种疾病的最新的诊断和治疗指引文献，可以表述为临床指南、专家共识和推荐意见等。临床医生日常工作中无论病例的疑难还是常见，均可能会出现人为的错误；此外，医生自身的知识更新可能较高速发展的医学知识更新慢，导致实施的诊断措施无法达到最新的诊断水平，甚至出现错诊、漏诊等情况。
因此，临床工作者迫切需要一种辅助工具来协助解决工作中的问题，因此，形成了基于专家系统的临床决策支持系统(Clinical Decision Support System，CDSS)。
基于专家系统的CDSS在一定程度上减少了医疗差错，但其诊断方法取决于医学专家的个人医学水平，因此，当采用基于专家系统的CDSS协助医生为患者进行疾病诊断时，诊断结果可能不够准确。
技术实现要素：
有鉴于此，本申请实施例的主要目的在于提供一种疾病诊断方法及装置，能够提高诊断结果的准确性。
第一方面，本申请提供了一种疾病诊断方法，包括：
获取目标电子病历；
根据预先构建的疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表；其中，所述疾病模型用于根据机器学习已有电子病历和/或已有医学知识得到的学习结果实现疾病诊断，所述病历信息包括用于实现疾病诊断的可用信息，所述疾病概率列表包括至少一种疑似疾病以及所述疑似疾病的真实性概率。
可选的，所述机器学习已有电子病历，包括：
收集不同的已有电子病历；
采用机器学习方式学习所述已有电子病历中的病历信息，形成病历学习结果，所述病历学习结果包括所述已有电子病历对应的确诊疾病以及所述已有电子病历中关于所述确诊疾病对应的疾病反应信息。
可选的，所述生成疾病概率列表之后，还包括：
根据所述病历学习结果，提供与所述疑似疾病相似的病历。
可选的，所述机器学习已有医学知识，包括：
获取已有医学资料中的疾病知识，形成疾病知识库；
采用机器学习方式学习所述疾病知识库中的疾病知识，形成知识学习结果，所述知识学习结果包括至少一种真实疾病以及所述真实疾病对应的疾病反应信息。
可选的，所述疾病模型还用于机器学习所述疾病知识库中的诊疗知识，形成诊疗学习结果，所述诊疗学习结果包括所述真实疾病对应的诊疗方案；
则，所述生成疾病概率列表之后，还包括：
若所述疑似疾病为所述知识学习结果中一种真实疾病，则根据所述诊疗学习结果为所述疾病概率列表中的每一疑似疾病提供诊疗方案。
可选的，所述生成疾病概率列表之后，还包括：
根据所述知识学习结果，提供与所述疑似疾病相关的循证医学文献。
可选的，所述方法还包括：
根据临床指南记载的疾病知识，形成诊疗规则库，所述诊疗规则库包括所述临床指南记载的每一疾病对应的诊疗规则，所述诊疗规则包括对应疾病的诊断规则和治疗规则；
则，所述根据预先构建的疾病模型分析所述目标电子病历中的病历信息之后，还包括：
判断所述目标电子病历中的病历信息是否满足所述诊疗规则库中的一条诊疗规则，若否，则进行预警提示。
第二方面，本申请提供了一种疾病诊断装置，包括：
电子病历获取单元，用于获取目标电子病历；
病历信息分析单元，用于根据预先构建的疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表；其中，所述疾病模型用于根据机器学习已有电子病历和/或已有医学知识得到的学习结果实现疾病诊断，所述病历信息包括用于实现疾病诊断的可用信息，所述疾病概率列表包括至少一种疑似疾病以及所述疑似疾病的真实性概率。
可选的，所述装置还包括：
电子病历收集装置，用于收集不同的已有电子病历；
病历信息学习单元，用于采用机器学习方式学习所述已有电子病历中的病历信息，形成病历学习结果，所述病历学习结果包括所述已有电子病历对应的确诊疾病以及所述已有电子病历中关于所述确诊疾病对应的疾病反应信息。
可选的，所述装置还包括：
相似病历提供单元，根据所述病历学习结果，提供与所述疑似疾病相似的病历。
可选的，所述装置还包括：
疾病知识获取单元，用于获取已有医学资料中的疾病知识，形成疾病知识库；
疾病知识学习单元，用于采用机器学习方式学习所述疾病知识库中的疾病知识，形成知识学习结果，所述知识学习结果包括至少一种真实疾病以及所述真实疾病对应的疾病反应信息。
可选的，所述装置还包括：
诊疗知识学习单元，用于机器学习所述疾病知识库中的诊疗知识，形成诊疗学习结果，所述诊疗学习结果包括所述真实疾病对应的诊疗方案；
则，所述装置还包括：
诊疗方案提供单元，用于若所述疑似疾病为所述知识学习结果中一种真实疾病，则根据所述诊疗学习结果为所述疾病概率列表中的每一疑似疾病提供诊疗方案。
可选的，所述装置还包括：
医学文献提供单元，用于根据所述知识学习结果，提供与所述疑似疾病相关的循证医学文献。
可选的，所述装置还包括：
诊疗规则形成单元，用于根据临床指南记载的疾病知识，形成诊疗规则库，所述诊疗规则库包括所述临床指南记载的每一疾病对应的诊疗规则，所述诊疗规则包括对应疾病的诊断规则和治疗规则；
则，所述装置还包括：
病历信息判断单元，用于判断所述目标电子病历中的病历信息是否满足所述诊疗规则库中的一条诊疗规则，若否，则进行预警提示。
本申请实施例提供的一种疾病诊断方法及装置，预先建立疾病模型，所述疾病模型用于根据机器学习已有电子病历和/或已有医学知识得到的学习结果实现疾病诊断；基于此，当针对某电子病历进行疾病诊断时，先获取待诊断的目标电子病历，再根据所述疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表，所述病历信息包括用于实现疾病诊断的可用信息，所述疾病概率列表包括至少一种疑似疾病以及所述疑似疾病的真实性概率。由于所述疾病模型学习了已有的电子病历和/或医学知识，对疾病知识覆盖更为全面，因此，当利用所述疾病模型进行疾病诊断时，诊断结果将更为准确。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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为本申请实施例提供的一种疾病诊断方法的流程图；
图2a为本申请实施例提供的根据诊疗规则库进行预警提示的示例图；
图2b为本申请实施例提供的机器学习已有医学知识的示例图；
图3为本申请实施提供的病历学习结果融入到疾病模型的示例图；
图4a为本申请实施例提供的基于知识学习构建疾病模型进行疾病诊断的示例图；
图4b为本申请实施例提供的基于病历学习和知识学习构建疾病模型进行疾病诊断的示例图；
图5为本申请实施例提供的一种机器学习已有电子病历的方法流程图；
图6为本申请实施例提供的机器学习已有电子病历的示例图；
图7为本申请实施例提供的一种机器学习已有医学资料的方法示例图；
图8为本申请实施例提供的一种收集医学知识的示意图；
图9为本申请实施例提供的诊疗方案推荐示例图；
图10为本申请实施例提供的医学文献和相似病历推荐示意图；
图11为本申请实施例提供的一种疾病诊断装置的结构框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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，都属于本申请保护的范围。
经申请人研究发现，现有的基于专家系统的CDSS的诊断方法主要取决于医学专家的个人医学水平，由于医学专家的个人医学水平的限制，可能导致建立的专家系统的CDSS不准确，从而使得采用基于专家系统的CDSS协助医生为患者进行疾病诊断时，诊断结果不够准确。
为解决上述问题，本申请实施例提供了一种疾病诊断方法及装置，对某电子病历进行疾病诊断时，先获取待诊断的目标电子病历，再根据所述疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表。由于所述疾病模型是通过学习已有的电子病历和/或医学知识得到的，对疾病知识覆盖更为全面，因此，当利用所述疾病模型进行疾病诊断时，诊断结果将更为准确。
下面将结合附图对本申请示例性实施例示出的一种疾病诊断方法进行介绍。
参见图1，为本申请实施例提供的一种疾病诊断方法的流程图，该方法可以包括以下步骤：
S101：获取目标电子病历。
本实施例中，将待进行疾病诊断的某电子病历称为目标电子病历，其中，电子病历可以是以电子设备保存、管理、传输、重现病人的医疗记录，可以理解为传统纸质病历的数字化版本。
电子病历中可以包括入院记录、入院诊断、病程记录、检查报告、检验报告、出院诊断等文书，其中，入院记录可以包括现病史、既往史、个人史、家族史、辅助检查等部分。
S102：根据预先构建的疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表。
其中，所述疾病模型用于根据机器学习已有电子病历和/或已有医学知识得到的学习结果实现疾病诊断，所述病历信息包括用于实现疾病诊断的可用信息，所述疾病概率列表包括至少一种疑似疾病以及所述疑似疾病的真实性概率。
在本实施例中，所述疾病模型可以提取所述目标电子病历中的症状信息、检查信息、检验信息等病历信息，并将该病历信息与上述学习结果进行信息匹配，根据匹配结果确定每一疑似疾病以及每一疑似疾病的可能性大小(即真实性概率)。
需要说明的是，在构建疾病模型时，一般情况下，可以通过机器学习已有医学知识中的疾病知识得到疾病模型，这样，便可以利用疾病模型根据机器学习已有医学知识得到的学习结果实现疾病诊断。其中，机器学习已有医学知识的实现方式将在后续进行介绍。
在本实施例中，还可以将临床指南进行分词，得到分词结果，该分词结果可以是诊疗规则，并将该诊疗规则融入到疾病模型中，以便在根据疾病模型确定疑似疾病后，可以根据诊疗规则进一步对该疑似疾病进行确诊。
其中，临床指南中记载了疾病知识，并且明确了每一疾病的诊疗规则，诊疗规则包括对应疾病的诊断规则和治疗规则。例如，对于疾病A，疾病A对应的诊断规则为同时满足条件1、条件2、条件3和条件4，也就是说，只有同时满足条件1、条件2、条件3和条件4，才能确诊为疾病A，同样的，疾病A的治疗规则同样应该满足一个或多个条件。
因此，在本实施例中，可以根据临床指南记载的疾病知识，形成诊疗规则库，所述诊疗规则库包括所述临床指南记载的每一疾病对应的诊疗规则，所述诊疗规则包括确诊为对应疾病所满足的条件以及治疗对应疾病所满足的条件。则在S102之后还包括：判断所述目标电子病历中的病历信息是否满足所述诊疗规则库中的一条诊疗规则，若所述目标电子病历中的病历信息不满足所述诊疗规则库中的一条诊疗规则，则进行预警提示，具体来讲，针对所述目标电子病历中的病历信息，其中用于诊断所述疑似疾病的信息和/或该疑似疾病对应的治疗信息，如其不满足预设的诊疗规则，则进行提示。例如，关于输入CDSS系统的目标电子病历中的病历信息，包括患者的已有疾病信息和预进行的医疗措施，如果该病历信息与预设的诊疗规则不相符，则进行提示，比如说一个不稳定型心肌梗死患者，已经伴有肺水肿，该病历信息显示要给患者使用一种叫地尔硫卓的药，因为地尔硫卓会加重肺水肿，不适用于该患者，则会给出预警提示。参见图2a，图2a示出了根据诊疗规则库进行预警提示的示例图。
由于医学知识中不仅包括疾病知识，还包括药品知识和检查知识等，因此，本实施例，还可以通过机器学习医学知识中的药品知识得到药品模型，这样，便可以利用药品模型根据机器学习已有医学知识得到的学习结果实现针对疾病使用相应的药品。类似的，还可以通过机器学习医学知识中的检查知识得到检查模型，这样，便可以利用检查模型根据机器学习已有医学知识得到的学习结果实现针对疾病进行相应的检查。
参见图2b，图2b示出了机器学习已有医学知识的示例图，从图中可以看出，疾病知识经过机器学习后形成了疾病模型、药品知识经过机器学习后形成了药品模型、检查知识经过机器学习后形成了检查模型、通过分词分解得到的临床指南诊疗规则融入疾病模型。
可以理解的是，为了使得构建疾病模型所需的疾病知识覆盖更为全面，使疾病模型能够根据更加全面的学习结果进行疾病诊断，从而得到更加准确的诊断结果。在本实施例中，参见图3所示，可以将机器学习已有电子病历得到的学习结果融入到疾病模型中，从而丰富疾病模型，使疾病模型可以根据机器学习已有电子病历和已有医学知识得到的学习结果实现疾病诊断。
在通过机器学习已有医学知识中的疾病知识得到疾病模型的情况下，S102的实现方式可以参见图4a所示，其中，A分支为利用机器学习已有电子病历的学习结果进行疾病诊断，B分支为疾病模型根据机器学习已有医学知识的学习结果进行疾病诊断。这样，在得到目标电子病历中的病历信息后，疾病模型可以对该病历信息进行分析，根据机器学习已有电子病历的学习结果确定该病历信息可能对应的疾病，同时，该病历信息也可以经过机器学习已有电子病历得到的学习结果获得与该病历信息可能对应的疾病，从而根据A分支和B分支分别得到的该病历信息可能对应的疾病生成疾病概率列表。
此时，由于疾病概率列表中疑似疾病是通过A分支和B分支共同确定出来的，因此，为了确定疾病概率列表中疑似疾病的真实性概率，可以根据实际情况为A分支和B分支设置权重，从而得到每种疑似疾病的真实性概率，分支对应的权重越大，该分支对于确定疑似疾病的真实性越重要。
在将机器学习已有电子病历得到的学习结果融入到疾病模型的情况下，S102的实现方式可以参见图4b所示，此时，机器学习已有电子病历和机器学习已有医学知识共同构建出疾病模型。这样，在得到目标电子病历中的病历信息后，疾病模型可以根据机器学习已有医学知识和已有电子病历得到的学习结果获得该病历信息可能对应的疾病，从而生成疾病概率列表。
本申请实施例提供的一种疾病诊断方法，预先建立疾病模型，所述疾病模型用于根据机器学习已有电子病历和/或已有医学知识得到的学习结果实现疾病诊断；基于此，当针对某电子病历进行疾病诊断时，先获取待诊断的目标电子病历，再根据所述疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表，所述病历信息包括用于实现疾病诊断的可用信息，所述疾病概率列表包括至少一种疑似疾病以及所述疑似疾病的真实性概率。由于所述疾病模型学习了已有的电子病历和/或医学知识，对疾病知识覆盖更为全面，因此，当利用所述疾病模型进行疾病诊断时，诊断结果将更为准确。
下面结合附图，对S102中涉及的机器学习已有电子病历得到学习结果进行介绍。
参见图5，图5示出了一种机器学习已有电子病历方法的流程图，所述方法包括：
S501：收集不同的已有电子病历。
在本实施例中，可以收集大量的、不同的已有电子病历，使得机器学习所依据的电子病历可以全面覆盖各种疾病，以便在将机器学习已有电子病历得到的学习结果应用到疾病诊断中时，可以提高疾病诊断结果的准确性。
S502：采用机器学习方式学习所述已有电子病历中的病历信息，形成病历学习结果。
病历学习结果可以包括所述已有电子病历对应的确诊疾病以及所述已有电子病历中关于所述确诊疾病对应的疾病反应信息，以便S102在对目标电子病历进行疾病诊断时，可以根据病历学习结果确定目标电子病历对应的疑似疾病。
由前述实施例可知，已有电子病历中的病历信息例如可以包括入院记录、病程记录、检查数据、检验数据、出院诊断主诊断等，从已有电子病历中的病历信息中可以提取疾病反应信息，所述疾病反映信息可以包括某种疾病表现的症状、检验数据、检查数据等，从已有电子病历中的病历信息中可以提取确诊疾病，那么，已有电子病历中的病历信息可以反映出该电子病历对应的确诊疾病与疾病反应信息的对应关系。
例如，某已有电子病历中的病历信息记录了某个患者具有胸阵发性、压榨性疼痛等症状，在该患者进行就诊过程中，对该患者进行了心电图检查得到检查结果，最终确定该患者患有心肌梗死。在该已有电子病历中，胸阵发性、压榨性疼痛等症状以及心电图检查得到的检查结果可以作为疾病反应信息，心肌梗死可以作为确诊疾病，因此，通过机器学习方式学习该已有电子病历中的病历信息，形成病历学习结果，该病历学习结果可以包括心肌梗死以及所述已有电子病历中关于心肌梗死对应的疾病反应信息。
参见图6所示，图6左侧为从已有电子病历中提取的入院记录、入院诊断、病程记录、检查数据、检验数据等病历信息，右侧为出院诊断主诊断，通过对已有电子病历学习，可以得到包括确诊疾病以及所述确诊疾病对应的疾病反应信息的病历学习结果。这样，当进行疾病诊断时，若获得疾病反应信息，便可以将该疾病反应信息与病历学习结果中的疾病反应信息进行匹配，若匹配成功，则根据该病历学习结果推测该疾病反应信息可能对应的疾病。
下面结合附图，对S102中涉及的机器学习已有医学知识得到的学习结果进行介绍。
参见图7，图7示出了一种机器学习已有医学知识方法的流程图，所述方法包括：
S701：获取已有医学资料中的疾病知识，形成疾病知识库。
所述已有医学资料可以是已有医学书籍、已有网络医学知识等，已有医学资料中可以包括大量的疾病知识、药品知识、检查知识和循证医学文献等。
在本实施例中，可以通过爬虫技术获取已有医学资料中的疾病知识，从而利用该疾病知识形成疾病知识库。其中，所述疾病知识可以包括至少一种已有的真实疾病以及每种真实疾病对应的疾病反应信息。所述疾病反应信息与图5所对应的实施例中提供的疾病反应信息相同，此处不再赘述。
参见图8所示，图8示出了采用爬虫技术获取已有医学资料中的疾病知识的示例图，从图中可以看出，通过爬虫技术不仅可以获取已有医学资料中的疾病知识，还可以获取药品知识、检查知识和循证医学文献等。此外，由于疾病知识中还可以包括针对该疾病的诊疗知识，进一步地，通过爬虫技术还可以获取疾病知识中的诊疗知识，通过该诊疗知识可以确定一种真实疾病对应的诊疗方案。
S702：采用机器学习方式学习所述疾病知识库中的疾病知识，形成知识学习结果，所述知识学习结果包括至少一种真实疾病以及所述真实疾病对应的疾病反应信息。
由S701中的论述可知，所述疾病知识可以包括已有的真实的疾病以及该真实疾病对应的疾病反应信息，这样，采用机器学习方式对S701中获取的疾病知识进行学习，可以形成知识学习结果，以便S102在对目标电子病历进行疾病诊断时，可以根据知识学习结果确定目标电子病历对应的疑似疾病。
在很多情况下，在对目标电子病历进行疾病诊断时，其目的不仅是要确定出该目标电子病历对应的疑似疾病，还需要确定出针对该疑似疾病的诊疗方案，以对该疑似疾病进行治疗。
可以理解的是，S701中除了可以获取疾病知识外，还可以获取诊疗知识，因此，在本实施例中，还可以采用于机器学习方式学习所述疾病知识库中的诊疗知识，形成诊疗学习结果，所述诊疗学习结果包括所述真实疾病对应的诊疗方案。这样，S102在生成疾病概率列表之后，若疾病概率列表中的疑似疾病为该知识学习结果中一种真实疾病，则可以根据该诊疗学习结果为该疾病概率列表中的每一疑似疾病提供诊疗方案。
参见图9所示，图9示出了提供诊疗方案的方法的示例图，图中的疾病模型可以是通过图7对应的实施例构建的，这样，该疾病模型中包括了真实疾病对应的诊疗方案，利用该疾病模型对图1对应的实施例中生成的疾病概率列表进行分析，根据分析结果为该疾病概率列表中的每一疑似疾病提供诊疗方案。
进一步地，在生成疾病概率列表之后，为了可以根据更多的实例或者证据对疾病列表中的疑似疾病作进一步确定，从而确定出目标电子病历对应的疾病到底是疾病列表中的哪种疑似疾病，或者确定出应该如何对目标电子病历对应的疾病进行治疗，在本实施例中，可以根据所述病历学习结果，提供与所述疑似疾病相似的病历，以及根据所述知识学习结果提供与所述疑似疾病相关的循证医学文献，以便为疾病诊断和疾病诊疗提供更多的参考。参见图10所示，图10示出了一种针对疑似疾病提供参考资料的示例图。
基于前述提供的一种疾病诊断方法，参见图11，图11示出一种疾病诊断装置，所述装置，包括：电子病历获取单元1101，用于获取目标电子病历；
病历信息分析单元1102，用于根据预先构建的疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表；其中，所述疾病模型用于根据机器学习已有电子病历和/或已有医学知识得到的学习结果实现疾病诊断，所述病历信息包括用于实现疾病诊断的可用信息，所述疾病概率列表包括至少一种疑似疾病以及所述疑似疾病的真实性概率。
可选的，所述装置还包括：
电子病历收集装置，用于收集不同的已有电子病历；
病历信息学习单元，用于采用机器学习方式学习所述已有电子病历中的病历信息，形成病历学习结果，所述病历学习结果包括所述已有电子病历对应的确诊疾病以及所述已有电子病历中关于所述确诊疾病对应的疾病反应信息。
可选的，所述装置还包括：
相似病历提供单元，根据所述病历学习结果，提供与所述疑似疾病相似的病历。
可选的，所述装置还包括：
疾病知识获取单元，用于获取已有医学资料中的疾病知识，形成疾病知识库；
疾病知识学习单元，用于采用机器学习方式学习所述疾病知识库中的疾病知识，形成知识学习结果，所述知识学习结果包括至少一种真实疾病以及所述真实疾病对应的疾病反应信息。
可选的，所述装置还包括：
诊疗知识学习单元，用于机器学习所述疾病知识库中的诊疗知识，形成诊疗学习结果，所述诊疗学习结果包括所述真实疾病对应的诊疗方案；
则，所述装置还包括：
诊疗方案提供单元，用于若所述疑似疾病为所述知识学习结果中一种真实疾病，则根据所述诊疗学习结果为所述疾病概率列表中的每一疑似疾病提供诊疗方案。
可选的，所述装置还包括：
医学文献提供单元，用于根据所述知识学习结果，提供与所述疑似疾病相关的循证医学文献。
可选的，所述装置还包括：
诊疗规则形成单元，用于根据临床指南记载的疾病知识，形成诊疗规则库，所述诊疗规则库包括所述临床指南记载的每一疾病对应的诊疗规则，所述诊疗规则包括对应疾病的诊断规则和治疗规则；
则，所述装置还包括：
病历信息判断单元，用于判断所述目标电子病历中的病历信息是否满足所述诊疗规则库中的一条诊疗规则，若否，则进行预警提示。
本申请实施例提供的一种疾病诊断装置，预先建立疾病模型，所述疾病模型用于根据机器学习已有电子病历和/或已有医学知识得到的学习结果实现疾病诊断；基于此，当针对某电子病历进行疾病诊断时，先获取待诊断的目标电子病历，再根据所述疾病模型分析所述目标电子病历中的病历信息，以生成疾病概率列表，所述病历信息包括用于实现疾病诊断的可用信息，所述疾病概率列表包括至少一种疑似疾病以及所述疑似疾病的真实性概率。由于所述疾病模型学习了已有的电子病历和/或医学知识，对疾病知识覆盖更为全面，因此，当利用所述疾病模型进行疾病诊断时，诊断结果将更为准确。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。