数据处理方法、装置、介质及电子设备与流程

本发明涉及电数据处理技术领域，具体而言，涉及一种数据处理方法、装置、介质及电子设备。

背景技术：

在传统的就医流程中，病人需要自己根据自身的症状，凭经验猜测自己应该挂什么科室，然后再去相应的科室挂号、就医、医生开出检查单，然后等待检查结果出来，再去找医生看检查结果，等待医生给出一个疾病的诊断结果，一方面，这种方式会给病人带来很大的不便，病人本身身体状况就欠佳，需要来回的往医院跑，通常一个科室的医生只能诊断自己领域的疾病，如果最初挂错号，病人还需要重新选择科室，重新挂号，重新看医生；另一方面，由于目前医疗资源的分布不均，会导致有些疑难杂症只有一些大城市的大医院的专家才能正确诊断，如果疾病被医学专业知识或者经验不够丰富的医生诊断错误，会延误病情，耽误治疗，给病人带来极大的痛苦。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本发明实施例的目的在于提供一种数据处理方法、装置、介质及电子设备，进而至少在一定程度上克服相关技术中存在的疾病诊断便利性和准确性不足的问题。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本公开的一个方面，提供一种数据处理方法，包括：获取当前对象的当前疾病信息；从医药知识图谱中提取出所述当前疾病信息的当前结构化特征；将所述当前结构化特征输入至训练完成的机器学习模型，输出所述当前对象的当前诊断结果数据；其中，所述医药知识图谱根据历史诊断信息构建，所述机器学习模型利用所述历史诊断信息进行训练。

在本公开的一种示例性实施例中，所述方法还包括：获得各医生的第一特征向量；根据所述当前诊断结果数据和当前对象需求信息生成所述当前对象的第二特征向量；分别获得各第一特征向量与所述第二特征向量之间的距离数据；根据各距离数据确定所述当前对象的推荐医生。

在本公开的一种示例性实施例中，所述方法还包括：获取各医生所在领域信息、其所在领域的排名信息、所在医院信息以及能用时间信息；根据各医生所在领域信息、其所在领域的排名信息、所在医院信息以及能用时间信息，生成各医生的第一特征向量。

在本公开的一种示例性实施例中，所述方法还包括：将所述历史诊断信息、所述医药知识图谱以及所述机器学习模型存储于区块链中。

在本公开的一种示例性实施例中，所述方法还包括：当检测到所述区块链中存储的历史诊断信息有更新时，利用更新后的历史诊断信息重新训练所述机器学习模型；将重新训练的机器学习模型上传至所述区块链中。

在本公开的一种示例性实施例中，所述历史诊断信息包括各历史诊断案例的真实诊断结果信息；其中，所述方法还包括：通过所述医药知识图谱提取各历史诊断案例的历史结构化特征；获得各历史诊断案例的真实诊断结果信息的标签化值；将各历史结构化特征输入至所述机器学习模型，并利用各真实诊断结果信息的标签化值训练所述机器学习模型。

在本公开的一种示例性实施例中，所述历史诊断信息包括各历史诊断案例的疾病诊断流程信息、疾病诊断注意信息、疾病症状信息、体检指标信息、医疗图像信息、疾病遗传信息和真实诊断结果信息。

根据本公开的一个方面，提供一种数据处理装置，包括：信息获取模块，用于获取当前对象的当前疾病信息；特征提取模块，用于从医药知识图谱中提取出所述当前疾病信息的当前结构化特征；疾病预测模块，用于将所述当前结构化特征输入至训练完成的机器学习模型，输出所述当前对象的当前诊断结果数据；其中，所述医药知识图谱根据历史诊断信息构建，所述机器学习模型利用所述历史诊断信息进行训练。

根据本公开的一个方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的数据处理方法。

根据本公开的一个方面，提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任一实施例所述的数据处理方法。

本发明实施例提供的技术方案可以包括以下有益效果：

在本发明的一些实施例所提供的技术方案中，可以利用存储的历史诊断信息构建医药知识图谱，从而可以利用该医药知识图谱提取当前对象例如待诊断的病人的当前疾病信息中的当前结构化特征，通过建立医药领域的知识图谱来提取结构化特征，有利于后续的模型分类与疾病诊断；同时，还可以利用存储的历史诊断信息来训练机器学习模型，进而可以利用该训练好的机器学习模型来预测当前对象的当前诊断结果数据，即本发明实施例通过历史诊断信息的数据挖掘和数据分析，实现了疾病诊断的自动化和智能化，相比现有技术中的依赖个别医生的个人知识和经验，提高了疾病诊断结果的准确性和诊断效率。

此外，考虑到目前大多数医院都会采用数据库来存储病人的相关信息，但是，现有的中心化的存储方式容易被攻击，且数据存储结构简单，容易被篡改，容易信息泄露，导致用户信息被篡改。因此，在本发明的又一些实施例所提供的技术方案中，通过利用区块链技术来存储历史诊断信息、医药知识图谱和机器学习模型，可以实现去中心化的存储方式，具有隐私保护、可追溯、防篡改等特点，保证了存储的数据的安全性和可靠性，从而可以防止历史诊断信息等用户数据的信息泄露，提高了用户数据的安全性和准确性。

在本发明的另一些实施例所提供的技术方案中，还可以通过获得各医生的第一特征向量和当前对象的第二特征向量，并计算各医生的第一特征向量和该第二特征向量之间的距离数据，从而可以根据各距离数据确定给该当前对象推荐的适合其当前诊断结果数据的医生，一方面，可以根据当前待诊断的病人的机器诊断结果系统自动给该病人推荐匹配其病情且同时满足其个人需求的医生，解决了当前医生和病人之间信息不对称的技术问题；另一方面，根据系统确定的推荐医生，后续系统可以根据该当前对象的预约信息，从医药知识图谱中提前获取对该病人的相关疾病的治疗预案，例如相关药品、医疗设备、护士及相关工作人员的调度协调、提前安排与该推荐医生的视频会诊等，进一步提高就医效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。在附图中：

图1示意性示出了根据本发明的一个实施例的数据处理方法的流程图；

图2示意性示出了根据本发明的另一个实施例的数据处理方法的流程图；

图3示意性示出了根据本发明的又一个实施例的数据处理方法的流程图；

图4示意性示出了根据本发明的再一个实施例的数据处理方法的流程图；

图5示意性示出了根据本发明的一个实施例的数据处理装置的框图；

图6示意性示出了根据本发明的一个实施例的数据处理系统的框图；

图7示出了适于用来实现本发明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

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本发明的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

图1示意性示出了根据本发明的一个实施例的数据处理方法的流程图，该数据处理方法的执行主体可以是具有计算处理功能的设备，如服务器和/或移动终端等。

如图1所示，本发明实施方式提供的数据处理方法可以包括以下步骤。

在步骤s110中，获取当前对象的当前疾病信息。

本发明实施例中，所述当前对象例如可以是当前待诊断的某个病人，所述当前疾病信息例如可以包括该病人的个人信息、疾病症状信息、体检指标信息、医疗图像信息、验血报告、家族的疾病遗传信息等。

在步骤s120中，从医药知识图谱中提取出所述当前疾病信息的当前结构化特征。其中，所述医药知识图谱可以根据历史诊断信息构建。

本发明实施例中，所述方法还可以包括：根据各历史诊断案例的疾病诊断流程信息、疾病诊断注意信息、疾病症状信息、体检指标信息、医疗图像信息、疾病遗传信息和真实诊断结果信息，构建所述医药知识图谱。

在示例性实施例中，所述方法还可以包括：将所述历史诊断信息存储至区块链中。

本发明实施例中，可以在区块链中存储所述历史诊断信息。所述历史诊断信息可以包括各历史诊断案例的疾病诊断流程信息、疾病诊断注意信息(如某病人的肝癌诊断靠b超没有查出，但靠ct(computedtomography，电子计算机断层扫描)图像可以看出癌症病变等)、疾病症状信息、体检指标信息、医疗图像信息、疾病遗传信息和真实诊断结果信息。

例如，可以采集各知名医院在各个领域的知名专家对各种疾病的历史诊断案例，历史诊断案例中可以包括曾经就诊的病人的全部信息，例如病人的个人信息(例如姓名、年龄、性别、手机号码、身份证号码、籍贯、常住地、生活习惯等)、病人的疾病诊断流程信息、疾病诊断注意信息、疾病症状信息、体检指标信息、检查后获得的各种检查结果例如医疗图像信息、验血报告、家族的疾病遗传信息等任意与疾病相关的信息，历史诊断案例中还包括该知名专家对该病人给出的最终的真实诊断结果信息。在一些情况下，还可以包括该知名专家或者其他医生对该病人的最初诊断思路和初始诊断结果信息等等。

在示例性实施例中，所述方法还可以包括：将所述医药知识图谱存储至所述区块链中。

本发明实施例中，所述方法还可以包括区块链节点及区块链网络的构建步骤。例如，可以以某一个公司的基层营业机构为最小节点，一个或多个集团/公司参与医生集团医生专家诊断知识案例经验共享和管理交易区块链网络的构建。

本发明实施例中，可以按照预先定义的数据结构方式、信息存储方式和协议来存储和认证共享信息等，以保证信息存储和信息处理的高效率。

本发明实施例中，在系统中注册的企业或个人可以将相关医生集团医生专家诊断的历史诊断案例、疾病诊断流程信息、疾病诊断注意信息、该病人的疾病症状信息、该病人的相关体检指标信息、该病人的相关医疗图像信息、该病人的疾病遗传信息、该病人的最初诊断思路和诊断结果信息、该病人最终的真实诊断结果信息等医生集团医生专家诊断知识案例经验共享和管理更新信息上传到区块链，可以证明相关材料的音频、视频、图像等相关材料也可以上传至区块链，通过利用区块链技术，可以实现数据存储的隐私保护(例如通过权限管理、加水印、加密等)、公开透明、可追溯和不易篡改等特点。

例如，在区块链网络中有效实现医生集团医生专家诊断知识案例经验共享和管理的系统的具体交易信息示例如下表1所示：

表1

区块链(blockchain)是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。所谓共识机制是区块链系统中实现不同节点之间建立信任、获取权益的数学算法。

区块链本质上是一个去中心化的数据库。区块链是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一次比特币网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。

狭义来讲，区块链是一种按照时间顺序将数据区块以顺序相连的方式组合成的一种链式数据结构，并以密码学方式保证的不可篡改和不可伪造的分布式账本。

广义来讲，区块链技术是利用块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。

一般说来，区块链系统由数据层、网络层、共识层、激励层、合约层和应用层组成。其中，数据层封装了底层数据区块以及相关的数据加密和时间戳等基础数据和基本算法；网络层则包括分布式组网机制、数据传播机制和数据验证机制等；共识层主要封装网络节点的各类共识算法；激励层将经济因素集成到区块链技术体系中来，主要包括经济激励的发行机制和分配机制等；合约层主要封装各类脚本、算法和智能合约，是区块链可编程特性的基础；应用层则封装了区块链的各种应用场景和案例。该模型中，基于时间戳的链式区块结构、分布式节点的共识机制、基于共识算力的经济激励和灵活可编程的智能合约是区块链技术最具代表性的创新点。

本发明实施例提出的数据处理方法，可以在区块链网络中有效实现疾病诊断的自动化和智能化。其可以利用区块链哈希指针的交易链数据结构和加密学的哈希计算和加密学数字签字的机制，实现交易过程中的多层次证据确认，从而来实现不同个体交易方之间的信任问题。同时，利用区块链存储历史诊断信息，还可以具有隐私保护、可追溯和防篡改等特点。

本发明实施例中，可以从区块链中收集疾病诊断知识的各种资料，例如复杂的医学经验知识，其形式可以包括各种图像、音频和视频资料，由医学专家指导进行分类，归纳形成结构化的诊疗知识集合，对于文本型的疾病诊断资料如病例、检查结果等，在相关医学术语标准下，对其进行文本分析，包括语义标注、实体及关系抽取以及关联分析等，获取各种疾病症状、体检指标、家庭遗传病史、药品、科室等之间的关系，从而建立医药知识图谱。最终建立的医药知识图谱是实体与实体间一系列上述关系的集合。该医药知识图谱具有可视化特征，例如，在该医药知识图谱中，疾病特征、体检指标、家庭遗传病史、药品、科室等为实体，所属情况和相互影响为实体之间的关系。

本发明实施例中，建立医药知识图谱的目的是为了更好地提取结构化特征，由于疾病特征过多，若直接从区块链中提取，特征稀疏(非结构化)，会导致后续机器学习模型例如svm(supportvectormachine，支持向量机)模型的分类效果不好，而从医药知识图谱中可以提取到疾病的结构化特征，有利于后续的模型分类与疾病诊断。

在步骤s130中，将所述当前结构化特征输入至训练完成的机器学习模型，输出所述当前对象的当前诊断结果数据。其中所述机器学习模型利用所述历史诊断信息进行训练。

在示例性实施例中，所述方法还可以包括：将所述机器学习模型存储至所述区块链中。其中，可以将训练好的机器学习模型的模型参数存储至所述区块链中。

例如，基于专家知识的疾病诊断与管理模型(即所述机器学习模型)存储在区块链中的数据结构示例如下表2：

表2

需要说明的是，本发明实施例提供的数据处理方法，并不限于通过区块链来存储上述数据(包括历史诊断信息、医药知识图谱和机器学习模型)，其例如还可以通过数据库存储等方式，本公开对此不作限定。

本发明实施例中，所述机器学习模型可以为svm模型。

其中，支持向量机是一类按监督学习(supervisedlearning)方式对数据进行二元分类(binaryclassification)的广义线性分类器(generalizedlinearclassifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。svm使用铰链损失函数(hingeloss)计算经验风险(empiricalrisk)，并在求解系统中加入了正则化项以优化结构风险(structuralrisk)，是一个具有稀疏性和稳健性的分类器。svm可以通过核方法(kernelmethod)进行非线性分类。在本发明实施例中，若svm模型能够用于预测三种及以上的疾病，则可以采用改进的多分类svm。

具体的，诊断时，首先根据病人症状、检查结果，药品与科室信息等从预先构建的医药知识图谱中提取结构化特征x_d，然后输入到训练好的svm模型，输出结果即为疾病诊断结果。

本发明实施方式提供的数据处理方法，可以利用存储的历史诊断信息构建医药知识图谱，从而可以利用该医药知识图谱提取当前对象例如待诊断的病人的当前疾病信息中的当前结构化特征，通过建立医药领域的知识图谱来提取结构化特征，有利于后续的模型分类与疾病诊断；同时，还可以利用存储的历史诊断信息来训练机器学习模型，进而可以利用该训练好的机器学习模型来预测当前对象的当前诊断结果数据，即本发明实施例通过历史诊断信息的数据挖掘和数据分析，实现了疾病诊断的自动化和智能化，相比现有技术中的依赖个别医生的个人知识和经验，提高了疾病诊断结果的准确性和诊断效率。

在一些实施例中，还可以通过利用区块链技术来存储历史诊断信息、医药知识图谱和机器学习模型，可以实现去中心化的存储方式，具有隐私保护、可追溯、防篡改等特点，保证了存储的数据的安全性和可靠性，从而可以防止历史诊断信息等用户数据的信息泄露，提高了用户数据的安全性和准确性。

图2示意性示出了根据本发明的另一个实施例的数据处理方法的流程图。所述历史诊断信息可以包括各历史诊断案例的真实诊断结果信息。

如图2所示，本发明实施例提供的数据处理方法与上述图1的区别在于，其还可以包括以下步骤。

在步骤s210中，通过所述医药知识图谱提取各历史诊断案例的历史结构化特征。

在步骤s220中，获得各历史诊断案例的真实诊断结果信息的标签化值。

在步骤s230中，将各历史结构化特征输入至所述机器学习模型，并利用各真实诊断结果信息的标签化值训练所述机器学习模型。

本发明实施例中，可以基于构建的医药知识图谱实现疾病特征的提取及疾病结果的诊断。可以从区块链中提取各种疾病症状信息、病人体检指标信息、相关医疗图像信息、相关疾病家庭遗传信息、药品及科室信息等，并可以根据疾病、症状、体检指标、医疗图像、家庭遗传病史、药品、科室之间的关系，建立医药知识图谱。通过医药知识图谱提取n个疾病的历史诊断案例的历史结构化特征x＝{xi}，i＝1,...,n，其中n为大于等于1的正整数，其中xi代表的是第i个诊断案例的结构化特征。同时用label表示每个历史诊断案例所对应的真实诊断结果的标签化值，接下来建立机器学习svm模型，将x作为输入，根据预测结果和label计算损失函数，经过多次迭代调整模型参数，训练svm模型并学习模型参数。

在示例性实施例中，所述方法还可以包括：当检测到所述区块链中存储的历史诊断信息有更新时，利用更新后的历史诊断信息重新训练所述机器学习模型；将重新训练的机器学习模型上传至所述区块链中。

例如，随着历史诊断案例的不断收集，不断会有新的历史诊断信息加入到区块链中，当区块链中加入新的历史诊断信息时，系统可以自动触发利用新的历史诊断信息来再次训练之前已经训练过的机器学习模型，更新其模型参数和配置文件，之后可以将更新后的模型参数和配置文件等信息上传至所述区块链中以替换之前的模型参数和配置文件。在此之后，若系统接收到新的病人的当前疾病信息，则可以利用该更新后的机器学习模型进行其当前诊断结果数据的预测。这样，可以利用实时搜索的历史疾病案例，随着历史疾病案例的不断累积，实时更新机器学习模型，可以不断提高机器学习模型的预测准确度，同时也可以不断学习到新的疾病案例信息。

图3示意性示出了根据本发明的又一个实施例的数据处理方法的流程图。

如图3所示，本发明实施例提供的数据处理方法与上述实施例区别在于，其还可以包括以下步骤。

在步骤s310中，获得各医生的第一特征向量。

本发明实施例中，所述方法还可以包括：获取各医生所在领域信息、其所在领域的排名信息、所在医院信息以及能用时间信息；根据各医生所在领域信息、其所在领域的排名信息、所在医院信息以及能用时间信息，生成各医生的第一特征向量。

本发明实施例中，医生在其所在领域的排名可以根据系统中存储的该医生的信誉积分来确定，例如信誉积分越高则领域排名越高。但本发明并不限定于此，还可以根据各个医生的从医年限、毕业院校、所在医院、所在领域、论文发表信息、历史诊断案例信息、就诊过的病人对其的评价信息等多个因素综合生成每个医生在其所在领域的排名。

例如，对于在系统中注册的医生，提取医生所在领域y1、领域排名y2、所在医院y3、能用时间y4，并分别对y1、y2、y3和y4离散化，形成第一特征向量y＝[y1,y2,y3,y4]。进一步的，系统中所有注册医生的第一特征向量可以组成特征矩阵m＝[y1；y2；...ym]，其中，m为大于等于1的正整数，代表该系统中注册医生的数量。

在步骤s320中，根据所述当前诊断结果数据和当前对象需求信息生成所述当前对象的第二特征向量。

本发明实施例中，所述当前对象需求信息例如可以包括该当前对象希望就诊的医院、希望就诊的医生的领域排名、希望就诊时间等信息。

本发明实施例中，可以根据所述当前对象的当前诊断结果数据和所述当前对象需求信息生成所述当前对象的第二特征向量y_p。

例如，病人的诊断结果为糖尿病，想就诊的医院代码是a，希望就诊的医生在该领域的排名是b，希望就诊的时间是t，若糖尿病的领域代码是c1，则生成的该病人的第二特征向量可以为yp＝[c1,a,b,t]。

在步骤s330中，分别获得各第一特征向量与所述第二特征向量之间的距离数据。

例如，可以分别计算该第二特征向量与各个医生的第一特征向量之间的欧式距离。

在步骤s340中，根据各距离数据确定所述当前对象的推荐医生。

例如，可以选择欧式距离最小的第一特征向量所对应的医生作为所述当前对象的推荐医生。

本发明实施例提供的方法，还可以根据病人诊断结果，系统实时自动最优化分配合适的医生、专家资源给病人进行就诊。

本发明实施例中，所述方法还可以包括：系统自动给所述当前对象预约所述推荐医生，并可以根据预约结果提取对相关疾病诊断方案准备进一步确认预案(例如，药品、医疗设备、护士及相关人员的调度协调、视频会诊等)。

本发明实施方式提供的数据处理方法，还可以通过获得各医生的第一特征向量和当前对象的第二特征向量，并计算各医生的第一特征向量和该第二特征向量之间的距离数据，从而可以根据各距离数据确定给该当前对象推荐的适合其当前诊断结果数据的医生，一方面，可以根据当前待诊断的病人的机器诊断结果系统自动给该病人推荐匹配其病情且同时满足其个人需求的医生，解决了当前医生和病人之间信息不对称的技术问题；另一方面，根据系统确定的推荐医生，后续系统可以根据该当前对象的预约信息，从医药知识图谱中提前获取对该病人的相关疾病的治疗预案，例如相关药品、医疗设备、护士及相关工作人员的调度协调、提前安排与该推荐医生的视频会诊等，进一步提高就医效率。

图4示意性示出了根据本发明的再一个实施例的数据处理方法的流程图。

如图4所示，本发明实施例提供的数据处理方法与上述实施例区别在于，其还可以包括以下步骤。

在步骤s410中，获取所述当前对象针对所述推荐医生的反馈信息。

本发明实施例中，所述反馈信息例如可以是文字评价，系统可以通过该文字评价进行情感分析，自动判断是好评还是差评。所述反馈信息例如还可以是评价分数，系统可以将该新的评价分数累加到该推荐医生存储在区块链中的历史评价分数，从而可以更新其区块链中存储的评价分数。

在步骤s420中，根据所述反馈信息调整所述推荐医生在其所在领域的排名信息。

本发明实施例中，可以根据所述反馈信息更新所述推荐医生存储在区块链中的信誉积分，并根据所述推荐医生所在领域的所有医生的信誉积分的降序排列，调整所述推荐医生在其所在领域的排名。

本发明实施例中，实现了基于知识图谱的疾病诊断方法，并能够基于医生领域、排名、能用时间、工作地点、客户反馈等的综合性信息，能够进行医生的动态调度和智能任务分配，系统实时自动最优化分配合适的医生专家资源给合适的客户(病人及合作医院)，并能够提前对相关分配方案准备预案(药品、医疗设备、护士及相关人员的调度协调、视频会诊等)以及根据任务完成后的反馈更新相关医生的信誉积分，有力促进区块链技术应用在医生集团医生专家信息共享和管理方面。

本发明实施例中，所述方法还可以包括：评估医生集团医生专家诊断知识案例经验共享和管理系统的及时性、有效性和准确性，基于知识图谱的疾病案例知识分类和疾病案例动态关联的智能诊断匹配方法，不断调整和优化系统参数，以期通过在区块链网络中有效实现医生集团医生专家诊断知识案例经验共享和管理。

本发明实施方式提供的数据处理方法，提出了一种在区块链网络中有效实现医生集团医生专家诊断知识案例经验共享和管理的系统在系统中注册的企业或个人将相关医生集团医生专家诊断知识案例经验、某疾病诊断流程与注意事项信息、该病人的疾病特征信息、该病人的相关体检健康指标信息、该病人的相关医疗图像信息、该病人的相关疾病的家庭遗传信息、该病人的最初诊断思路和诊断结果信息、该病人最终的诊断结果信息等医生集团医生专家诊断知识案例经验共享和管理更新信息上传到区块链，可以证明相关材料的音频、视频、图像等相关材料也可以上传至区块链，根据区块链存储的医生集团医生专家诊断知识案例经验共享和管理信息等隐私保护(权限管理、加水印、加密等)、公开透明、可追溯、不易篡改等特点，提出了基于知识图谱的疾病案例知识分类和疾病案例动态关联的智能诊断匹配方法，系统实时自动最优化匹配最相关的疾病诊断方案并提前对相关疾病诊断方案准备进一步确认预案以及根据最终诊断结果的反馈更新相关医生的信誉积分，有力促进区块链技术应用在医生集团医生专家诊断知识案例经验共享和管理方面。随着区块链技术在医生集团医生专家诊断知识案例经验共享和管理、医疗、养老、保险、金融、物流等多个领域的广泛应用，该发明实施例提供的方案将可带来可观的经济效益和社会效益。

以下介绍本发明的装置实施例，可以用于执行本发明上述的数据处理方法。

图5示意性示出了根据本发明的一个实施例的数据处理装置的框图。

如图5所示，本发明实施方式提供的数据处理装置500可以包括信息获取模块510、特征提取模块520以及疾病预测模块530。

其中，信息获取模块510可以用于获取当前对象的当前疾病信息。

特征提取模块520可以用于从医药知识图谱中提取出所述当前疾病信息的当前结构化特征。

疾病预测模块530可以用于将所述当前结构化特征输入至训练完成的机器学习模型，输出所述当前对象的当前诊断结果数据。

其中，所述医药知识图谱可以根据历史诊断信息构建，所述机器学习模型可以利用所述历史诊断信息进行训练。

在示例性实施例中，数据处理装置500还可以包括：第一向量获得模块，可以用于获得各医生的第一特征向量；第二向量获得模块，可以用于根据所述当前诊断结果数据和当前对象需求信息生成所述当前对象的第二特征向量；距离计算模块，可以用于分别获得各第一特征向量与所述第二特征向量之间的距离数据；推荐确定模块，可以用于根据各距离数据确定所述当前对象的推荐医生。

在示例性实施例中，数据处理装置500还可以包括：医生信息获取模块，可以用于获取各医生所在领域信息、其所在领域的排名信息、所在医院信息以及能用时间信息；第一向量生成模块，可以用于根据各医生所在领域信息、其所在领域的排名信息、所在医院信息以及能用时间信息，生成各医生的第一特征向量。

在示例性实施例中，数据处理装置500还可以包括：信息存储模块，可以用于将所述历史诊断信息、所述医药知识图谱以及所述机器学习模型存储于区块链中。

在示例性实施例中，数据处理装置500还可以包括：模型更新模块，可以用于当检测到所述区块链中存储的历史诊断信息有更新时，利用更新后的历史诊断信息重新训练所述机器学习模型。其中，所述信息存储模块还可以用于将重新训练的机器学习模型上传至所述区块链中。

在示例性实施例中，数据处理装置500还可以包括：反馈信息获取模块，可以用于获取所述当前对象针对所述推荐医生的反馈信息；领域排名调整模块，可以用于根据所述反馈信息调整所述推荐医生在其所在领域的排名信息。

在示例性实施例中，所述历史诊断信息可以包括各历史诊断案例的真实诊断结果信息。其中，特征提取模块530还可以用于通过所述医药知识图谱提取各历史诊断案例的历史结构化特征。数据处理装置500还可以包括：标签获得模块，可以用于获得各历史诊断案例的真实诊断结果信息的标签化值；模型训练模块，可以用于将各历史结构化特征输入至所述机器学习模型，并利用各真实诊断结果信息的标签化值训练所述机器学习模型。

在示例性实施例中，所述历史诊断信息可以包括各历史诊断案例的疾病诊断流程信息、疾病诊断注意信息、疾病症状信息、体检指标信息、医疗图像信息、疾病遗传信息和真实诊断结果信息等。

在示例性实施例中，数据处理装置500还可以包括：图谱构建模块，可以用于根据各历史诊断案例的疾病诊断流程信息、疾病诊断注意信息、疾病症状信息、体检指标信息、医疗图像信息、疾病遗传信息和真实诊断结果信息，构建所述医药知识图谱。

由于本发明的示例实施例的数据处理装置的各个功能模块与上述数据处理方法的示例实施例的步骤对应，因此对于本发明装置实施例中未披露的细节，请参照本发明上述的数据处理方法的实施例。

图6示意性示出了根据本发明的一个实施例的数据处理系统的框图。

如图6所示，本发明实施例提供的数据处理系统600可以包括区块链网络构建子系统610、信息存储和信息认证数据格式定义子系统620、医生集团医生专家诊断知识案例经验共享和管理信息存储子系统630、医生集团医生专家诊断知识案例经验共享和管理子系统640以及系统性能评估子系统650。

其中，区块链网络构建子系统610可以用于区块链节点及区块链网络构建，例如，以公司基层营业机构为最小节点，一个或多个集团/公司参与医生集团医生专家诊断知识案例经验共享和管理交易区块链网络构建。

信息存储和信息认证数据格式定义子系统620可以用于按照本发明上述实施例定义的数据结构方式、信息存储方式和协议来存储和认证共享信息等，以保证信息存储和信息处理的高效率。

医生集团医生专家诊断知识案例经验共享和管理信息存储子系统630可以用于在系统中注册的企业或个人将相关医生集团医生专家诊断知识案例经验、某疾病诊断流程与注意事项信息(如某病人的肝癌诊断靠b超没有查出，但靠ct图像可以看出癌症病变等)、该病人的疾病特征信息、该病人的相关体检健康指标信息、该病人的相关医疗图像信息、该病人的相关疾病的家庭遗传信息、该病人的最初诊断思路和诊断结果信息、该病人最终的诊断结果信息等医生集团医生专家诊断知识案例经验共享和管理更新信息上传到区块链，可以证明相关材料的音频、视频、图像等相关材料也可以上传至区块链。

医生集团医生专家诊断知识案例经验共享和管理子系统640可以用于根据区块链存储的医生集团医生专家信息共享和管理信息等隐私保护(权限管理、加水印、加密等)、公开透明、可追溯、不易篡改等特点，提出了基于知识图谱的疾病诊断方法以及基于医生专家领域排名、时间、地点、客户反馈等的综合性动态调度和智能任务分配方法，系统实时自动最优化分配合适的医生专家资源给合适的客户(病人及合作医院)方案并提前对相关分配方案准备预案(药品、医疗设备护士及相关人员的应急调度协调、视频会诊等)以及根据任务完成后的反馈更新相关医生的信誉积分，有力促进区块链技术应用在医生集团医生专家信息共享和管理方面的有效推广。

具体可以包括如下步骤：1)基于医药知识图谱的疾病特征提取及诊断。从区块链中提取各种疾病症状信息，病人体检指标信息，相关医疗图像信息，相关疾病家庭遗传信息，药品及科室信息。根据疾病，症状，体检指标，医疗图像，家庭遗传病史，药品，科室之间的关系，建立医药领域的知识图谱。通过知识图谱提取每个疾病诊断知识案例的结构化特征x＝{xi},i＝1,...,n。同时用label表示每个案例所对应诊断结果的标签化值，接下来建立机器学习svm模型，将x作为输入，label作为输出，训练模型并学习模型参数。诊断时，首先根据病人症状，检查结果，药品与科室信息等从知识图谱中提取结构化特征x_d，然后输入到svm模型，输出结果即为疾病诊断结果。2)专家智能匹配与动态调度。根据病人诊断结果，系统实时自动最优化分配合适的医生、专家资源给病人进行就诊。对于在系统中注册的专家，提取专家所在领域y1，领域排名y2，所在医院y3，可用时间y4。形成特征向量y＝[y1,y2,y3,y4]，所有注册专家的特征向量组成特征矩阵m＝[y1；y2；...ym]。根据病人的诊断结果以及个人意愿，提取病人需求向量y_p。计算需求向量与各个专家特征向量的欧氏距离，距离最小的特征向量所对应的专家即为最优匹配结果。

系统性能评估子系统650可以用于评估医生集团医生专家诊断知识案例经验共享和管理系统的及时性、有效性和准确性，基于知识图谱的疾病案例知识分类和疾病案例动态关联的智能诊断匹配方法，不断调整和优化系统参数，以期通过在区块链网络中有效实现医生集团医生专家诊断知识案例经验共享和管理，从而有力促进区块链技术应用在医生集团医生专家诊断知识案例经验共享和管理方面。

由于本发明的示例实施例的数据处理系统的各个功能子系统与上述数据处理方法的示例实施例的步骤对应，因此对于本发明系统实施例中未披露的细节，请参照本发明上述的数据处理方法的实施例。

下面参考图7，其示出了适于用来实现本发明实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备的计算机系统700仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分707加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。

以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，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710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707。

特别地，根据本发明的实施例，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，本发明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709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的系统中限定的上述功能。

需要说明的是，本发明所示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。在本发明中，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。而在本发明中，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。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的模块也可以设置在处理器中。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

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一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的数据处理方法。

例如，所述的电子设备可以实现如图1中所示的：步骤s110，获取当前对象的当前疾病信息；步骤s120，从医药知识图谱中提取出所述当前疾病信息的当前结构化特征；步骤s130，将所述当前结构化特征输入至训练完成的机器学习模型，输出所述当前对象的当前诊断结果数据；其中，所述医药知识图谱根据历史诊断信息构建，所述机器学习模型利用所述历史诊断信息进行训练。

又如，所述的电子设备可以实现如图2至图4所示的各个步骤。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。