一种医疗数据处理方法、装置、设备及存储介质与流程

本申请实施例涉及数据处理
技术领域：
，尤其涉及人工智能、深度学习和医疗大数据技术。
背景技术：
：“互联网+传统医疗”是互联网在医疗行业的新应用，包括以互联网为载体和技术手段的电子健康档案、疾病风险评估、在线疾病咨询、远程会诊及远程治疗和康复等多种形式的健康医疗服务，有利于降低医疗成本的同时，改善医疗资源分布不均等问题。为了提高健康医疗服务的用户满意度，通常需要借助医疗大数据理念来进行数据分析和预测。而医疗数据中所包含的内容丰富，因此可以通过对医疗数据进行处理，实现对健康医疗服务的推进。技术实现要素：本申请提供了一种用于对医疗数据进行深度挖掘的医疗数据处理方法、装置、设备及存储介质。根据本申请的一方面，提供了一种医疗数据处理方法，包括：根据患者的医疗数据生成医疗项数据；对所述医疗数据和医疗项数据进行特征提取，得到医疗特征向量；以及，对所述医疗数据关联的诊断数据进行特征提取，得到诊断特征向量；确定所述医疗特征向量和所述诊断特征向量的相关性。根据本申请的另一方面，提供了一种医疗数据处理装置，包括：医疗项数据生成模块，用于根据患者的医疗数据生成医疗项数据；特征提取模块，用于对所述医疗数据和医疗项数据进行特征提取，得到医疗特征向量；以及，对所述医疗数据关联的诊断数据进行特征提取，得到诊断特征向量；相关性确定模块，用于确定所述医疗特征向量和所述诊断特征向量的相关性。根据本申请的又一方面，提供了一种电子设备，其中，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例所提供的任意一种医疗数据处理方法。根据本申请的再一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本申请实施例所提供的任意一种医疗数据处理方法。本申请实施例通过根据患者的医疗数据生成医疗项数据；对医疗数据和医疗项数据进行特征提取，得到医疗特征向量；以及，对医疗数据关联的诊断数据进行特征提取，得到诊断特征向量；确定医疗特征向量和诊断特征向量的相关性。本申请实施例实现了对医疗数据的深度挖掘，提高了相关性确定结果的准确度。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请实施例提供的一种医疗数据处理方法的流程图；图2a是本申请实施例提供的另一种医疗数据处理方法的流程图；图2b是本申请实施例提供的一种神经网络模型的结构图；图3a是本申请实施例提供的另一种医疗数据处理方法的流程图；图3b是本申请实施例提供的另一种神经网络模型的结构图；图4是本申请实施例提供的一种医疗数据处理装置的结构图；图5是用来实现本申请实施例的医疗数据处理方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。本申请实施例所提供的各医疗数据处理方法，适用于采用人工智能手段对医疗大数据中的医疗数据进行深度挖掘，从而实现对医疗数据的充分利用的情况，该方法由医疗数据处理装置执行，该装置采用软件和/或硬件实现，并具体配置与电子设备中。图1是本申请实施例提供的一种医疗数据处理方法的流程图，该方法包括：s101、根据患者的医疗数据生成医疗项数据。其中，医疗数据可以理解为医生对患者诊疗过程中所产生的数据，包括患者信息和疾病信息等。示例性地，医疗数据可以包括文本描述的主诉和现病史中的至少一种。主诉可以理解为患者自主描述的个人信息和疾病信息，例如可以包括症状、特征、既往病史、个人所属人群以及既往病史等信息中的至少一种。医疗项数据可以理解为医疗数据中与疾病相关联的至少一种数据，从而从至少一个维度上反映患者的疾病信息，一定程度上明晰了医疗数据中的疾病信息和医疗数据所关联诊断结果的关联关系。示例性地，医疗项数据包括临床表现和既往病史中的至少一种。其中，临床表现可以包括阳性症状和异常体征等信息中的至少一种；既往病史可以包括与诊断结果相关联的病史信息。在本申请实施例的一种可选实施方式中，根据患者的医疗数据生成医疗项数据，可以是：对医疗数据进行特征字段提取，并根据所提取的至少一个特征字段的特征值，生成医疗项数据。其中，特征字段包括症状、体征、疾病、所属人群、过敏药物和过敏原等字段中的至少一种。示例性地，可以通过训练好的ner(namedentityrecognition，命名实体识别)模块，提取医疗数据中具备特定意义的特征字段，并按照设定排列顺序，基于所提取的至少一个特征字段的特征值，生成医疗项数据。需要说明的是，可能由于命名方式的不同，例如惯用名称、专用名称、全称及缩写等命名差异，导致相同特征字段所对应的特征值不同的情况，为了避免由于命名差异对医疗数据处理结果的影响，在生成医疗项数据过程中，需要对特征字段所对应的特征值进行归一标准化。在本申请实施例的一种可选实施方式中，根据所提取的至少一个特征字段的特征值，生成医疗项数据，可以是：根据预先设定的矫正数据库，对所提取的至少一个特征字段的特征值进行矫正；根据矫正后的特征字段对应的特征值，生成医疗项数据。例如，将“急性上呼吸道感染”、“伤风”矫正为“感冒”；又如，将“头痛”、“头疼”统称为“头疼”。可以理解的是，通过特征字段提取，能够从医疗数据中提取与疾病信息相关联的特征数据，从而为后续所提取的医疗特征向量和诊断特征向量之间的关联性奠定了基础，为最终确定的医疗特征向量和诊断特征向量的相关性的准确度提供了保障。s102、对所述医疗数据和医疗项数据进行特征提取，得到医疗特征向量；以及，对所述医疗数据关联的诊断数据进行特征提取，得到诊断特征向量。其中，诊断数据用于表征患者的医疗数据的诊断结果。在本申请实施例中，通过对医疗项数据进行特征提取，能够从医疗数据中与疾病直接关联的症状、体征以及疾病项等信息进行提取。由于在特征提取过程中，可能存在隐含特征遗漏的情况，因此通过在生成医疗特征向量过程中引入医疗数据，使得在对医疗数据和医疗项数据进行特征提取过程中，通过医疗项数据对医疗数据中的隐含特征进行挖掘，通过医疗数据对医疗项数据进行补充，两者协同增强，相互促进，进而提高了最终得到的医疗特征向量的准确度和全面性。s103、确定所述医疗特征向量和所述诊断特征向量的相关性。可以理解的是，由于医疗特征向量用于表征医疗数据中与疾病信息相关的疾病特征，诊断特征向量用于表征医疗数据的诊断结果的诊断特征，从而通过医疗特征向量和诊断特征向量的相关性的确定，得到医疗数据与诊断数据之间的关联性，用于作为医护人员是否发生误诊的评判依据，便于误诊情况的及时发现，从而避免对患者的治疗进程的影响，减少医疗事故的发生。示例性地，可以确定医疗特征向量和诊断特征向量的相似度，并采用相似度数值表征医疗特征向量和诊断特征向量之间的相关性。本申请实施例根据患者的医疗数据生成医疗项数据；对医疗数据和医疗项数据进行特征提取，得到医疗特征向量；对医疗数据关联的诊断数据进行特征提取，得到诊断特征向量；确定医疗特征向量和诊断特征向量的相关性。本申请实施例通过在特征提取的过程中引入包含有医疗项数据的医疗数据，对医疗项数据的特征提取结果进行补充，提高了所提取的医疗特征向量的全面性；通过医疗数据和医疗项数据共同进行特征提取，使得在两数据所提取特征之间相互促进，协同增强，提高了所提取的医疗特征向量的准确度。通过全面性更高准确度更好的医疗特征向量与诊断特征向量的相关性的确定，为进行医护人员的误诊识别提供了评判依据，便于及时发现医护人员的误诊情况，减少误诊率，从而减少了由于误诊对患者的治疗进程的影响，同时减少了医疗事故的发生。在上述各技术方案的基础上，为了实现对多种疾病的医疗数据的处理，从而为多种疾病的误诊识别提供评判依据，在本申请实施例的另一可选实施方式中，根据所提取的至少一个特征字段，生成医疗项数据，可以是：根据所提取的至少一个特征字段，生成初始医疗项数据；采用注意力机制，对初始医疗项数据中相同属性特征字段下的各特征值分别进行加权，得到医疗项数据。举例说明，当医疗项数据中包括症状和体征两种属性的特征字段，患者甲的诊断结果为疾病a，医疗数据中包含与疾病a有关的症状包括症状a1、症状b1和症状c1；患者已的诊断结果为疾病b，医疗数据中包含与疾病b有关的症状包括a2和b2。那么，在针对患者甲的医疗数据生成医疗项数据时，需要对症状a1、b1和c1的权重增强；在针对患者乙的医疗数据生成医疗项数据时，需要对症状a2和b2的权重增强。需要说明的是，具体针对哪些属性特征字段进行权重增强，各特征字段的权重数值的大小可以通过大量试验反复确定。图2a是本申请实施例提供的另一种医疗数据处理方法的流程图，该方法在上述各技术方案的基础上，进行了优化改进。进一步地，将操作“对所述医疗数据和医疗项数据进行特征提取，得到医疗特征向量；以及，对所述医疗数据关联的诊断数据进行特征提取，得到诊断特征向量”细化为“通过第一神经网络对所述医疗数据和所述医疗项数据进行特征提取，得到医疗特征向量；以及通过第二神经网络对所述医疗数据关联的所述诊断数据进行特征提取，得到诊断特征向量；其中，所述第一神经网络和所述第二神经网络结构不同，且共同训练得到”，以完善在医疗数据处理过程中的特征提取机制。如图2a所示的一种医疗数据处理方法，包括：s201、根据患者的医疗数据生成医疗项数据。s202、通过第一神经网络对所述医疗数据和所述医疗项数据进行特征提取，得到医疗特征向量；以及，通过第二神经网络对所述医疗数据关联的所述诊断数据进行特征提取，得到诊断特征向量。其中，所述第一神经网络和所述第二神经网络结构不同，且共同训练得到。需要说明的是，通过将第一神经网络和第二神经网络设置为结构不同的神经网络用于进行特征提取操作，能够使得各神经网络适配相应的待处理数据(医疗数据和医疗项数据)，为医疗特征向量的提取提供了结构支撑。通过第一神经网络和第二神经网络的共同训练，使得各神经网络能够提取出与诊断结果相关联的特征向量。参见图2b所示的神经网络模型的结构图可知，第一神经网络和第二神经网络构成结构非对称的双塔模型，其中，图示左塔部分对应第一神经网络的结构图，图示右塔部分对应第二神经网络的结构图。示例性地，第一神经网络包括第一表示模块、第二表示模块和特征融合模块；所述第一表示模块，用于对所述医疗数据进行特征提取，得到第一医疗特征向量；所述第二表示模块，用于对所述医疗项数据进行特征提取，得到第二医疗特征向量；所述特征融合模块，用于对所述第一医疗特征向量和所述第二医疗特征向量进行特征融合，得到所述医疗特征向量；示例性地，所述第二神经网络包括第三表示模块和诊断嵌入模块；所述第三表示模块，用于对所述诊断数据进行特征提取，得到初始诊断特征向量；所述诊断嵌入模块，用于对初始诊断特征向量进行编码处理，得到所述诊断特征向量。需要说明的是，第一神经网络的第一表示模块和第二表示模块在同时进行特征提取时，使得第一表示模块所提取的特征向量能够在第二表示模块所提取的第二医疗特征向量的基础上，对第二医疗特征向量进行关联特征的提取，并对第二医疗特征向量进行补充；第二表示模块能够在第一表示模块所提取的第一医疗特征向量的基础上，深化与第一医疗特征向量所关联的特征的提取，两者相互补充，协同增强，提高了最终得到的医疗特征向量的全面性和准确度。s203、确定所述医疗特征向量和所述诊断特征向量的相关性。继续参见图2b，在神经网络模型中还包括相关性确定模块，用于确定医疗特征向量和诊断特征向量的相关性，用于作为误诊识别的确定依据，从而为减低医护人员误诊率提供了数据支撑。本申请实施例通过将医疗特征向量和诊断特征向量的得到过程，细化为通过结构不同且共同训练的神经网络，分别进行医疗特征向量和诊断特征向量的提取，提高了所提取的医疗特征向量的全面性和准确度，为相关性确定结果的准确度提供了保障。在上述各技术方案的基础上，在第一神经网络和第二神经网络的训练阶段，在构建训练样本过程中，可以通过人工标注的方式对训练样本进行正负样本区分。为了减少训练样本构建过程中所投入的人力成本，同时提高训练样本的构建效率，在本申请实施例的一种可选实施方式中，还可以自动对训练样本进行正负样本区分。可选的，对训练样本进行正负样本的自动区分，可以是：分别确定样本患者的样本医疗数据和样本诊断数据的患病区域；若样本诊断数据的患病区域包含于样本医疗数据的患病区域，则确定样本医疗数据和样本诊断数据所组成的训练样本对为正样本；否则，确定样本医疗数据和样本诊断数据所组成的训练样本对为负样本。其中，患病区域包括患病部位和/或患病部位所属人体系统。示例性地，进行样本医疗数据的患病区域的确定，可以通过ner模块对样本医疗数据进行特征字段的提取得到。示例性地，进行样本诊断数据的患病区域的确定，可以根据预先构建的疾病区域对照表，查找与样本诊断数据中的诊断疾病相对应的患病区域得到。可以理解的是，当样本诊断数据的患病区域包含于样本医疗数据的患病区域时，表明针对该样本医疗数据的诊断结果落在了样本医疗数据范围之内，也即可以通过样本医疗数据中的症状、体征、主诉以及既往病史等内容中的至少一种，确定出样本患者具备与样本诊断数据相对应的诊断结果，说明样本诊断数据和样本医疗数据之间具备相关性，因此将该样本患者的样本诊断数据和样本医疗数据组成的训练样本对标注为正样本。当样本诊断数据的患病区域不包含于样本医疗数据的患病区域时，表明针对该样本医疗数据的诊断结果并未落在样本医疗数据范围之内，也即通过样本医疗数据中的症状、体征、主诉以及既往病史等内容，无法确定出样本患者具备与样本诊断数据相对应的诊断结果，说明样本诊断数据和样本医疗数据之间不具备相关性，因此将该样本患者的样本诊断数据和样本医疗数据组成的训练样本对标注为负样本。可选的，对训练样本进行正负样本的自动区分，可以是：提取样本患者的样本医疗数据中的记录症状；将记录症状、样本患者的样本诊断数据的诊断症状以及预设症状库，输入至训练好的机器学习模型，得到记录症状与诊断症状之间的相关性；若症状相关，则确定样本医疗数据和样本诊断数据所组成的训练样本对为正样本；否则，确定样本医疗数据和样本诊断数据所组成的训练样本对为负样本。其中，机器学习模型通过大量记录症状、诊断症状和预设症状库作为训练样本，将记录症状和诊断症状之间的相关性作为标签值，进行训练得到。需要说明的是，通过采用机器学习模型，对样本医疗数据中的记录症状和样本诊断数据的诊断症状之间的相关性进行判定，提高了正负样本确定效率。在进行相关性判定过程中，通过预设症状库对记录症状和诊断症状进行归一标准化处理，提高了机器学习模型判定结果的准确性和模型的鲁棒性。可以理解的是，当样本医疗数据中的记录症状与样本诊断数据的诊断症状相关时，则表明可以根据样本医疗数据得出样本诊断数据的诊断结果；当样本医疗数据中的记录症状与样本诊断数据的诊断症状不相关时，则表明无法根据样本医疗数据得出样本诊断数据的诊断结果。因此，通过记录症状和诊断症状之间的相关性，能够映射出样本医疗数据和样本诊断数据之间的相关性，从而为训练样本中正负样本的区分，提供了依据。需要说明的是，在正负样本的确定阶段、对第一神经网络和第二神经网络的训练阶段、以及对第一神经网络和第二神经网络的使用阶段中，三者所采用的电子设备中的至少两个，可以相同，也可以不同。图3a是本申请实施例提供的另一种医疗数据处理方法的流程图，该方法在上述各技术方案的基础上，提供了一种优选实施方式。如图3a所示的一种医疗数据处理方法，包括：s310、训练样本准备阶段；s320、模型训练阶段；以及，s330、模型使用阶段。其中，训练样本准备阶段，包括：s311a、根据样本患者的样本医疗数据和样本诊断数据的患病区域之间的包含关系，对样本医疗数据和样本诊断数据所组成的训练样本对进行正负样本划分。具体的，通过ner模块提取样本医疗数据的患病区域；通过预先构建的疾病区域对照表，查找与样本诊断数据对应的患病区域；若样本诊断数据的患病区域包含于样本医疗数据的患病区域，则确定样本医疗数据和样本诊断数据所组成的训练样本对为正样本；否则，确定样本医疗数据和样本诊断数据所组成的训练样本对为负样本。s311b、根据样本患者的样本医疗数据中的记录症状，以及样本诊断数据的诊断症状之间的相关性，对样本医疗数据和样本诊断数据所组成的训练样本对进行正负样本划分。具体的，通过ner模块提取样本医疗数据中的记录症状；通过预设症状库查找样本诊断数据对应的诊断症状；通过将记录症状、诊断症状和预设症状库输入至训练好的机器学习模型，得到记录症状与诊断症状之间的相关性；若症状相关，则确定样本医疗数据和样本诊断数据所组成的训练样本对为正样本；否则，确定样本医疗数据和样本诊断数据所组成的训练样本对为负样本。其中，模型训练阶段，包括：s321、通过ner模块对样本医疗数据进行特征字段提取。其中，样本医疗数据中包括主诉、现病史、过敏史和诊断结果。采用下表所示对应关系，对样本医疗数据中的特征字段进行特征值的提取。医疗数据提取的特征字段主诉症状、体征、既往病史、所属人群现病史症状、体征、既往病史、所属人群过敏史过敏药物、过敏原诊断结果诊断疾病s322、通过预设矫正数据库，对所提取的特征字段的特征值进行归一标准化处理。具体的，通过矫正数据库，对包含有至少一个名称的特征值转化为同一的标准化名称，以缩小相同特征之间的差异度，进而扩大不同特征之间的差异度，避免了由于相同含义的特征值由于名称不同，导致最终训练的模型输出结果不同的情况，为提高模型的鲁棒性奠定了基础。s323、根据症状和体征特征字段对应的特征值，生成样本临床表现数据。其中，临床表现数据可以包括症状数据和体征数据。s324、根据既往病史特征字段对应的特征值，生成样本疾病项数据。其中，疾病项数据可以包括与诊断结果相关联的既往病史。s325、将样本医疗数据、样本医疗数据对应的样本临床表现数据和样本疾病项数据，以及样本医疗数据关联的样本诊断数据，作为训练样本输入至预先构建的神经网络模型中，得到预测结果；s326、根据预测结果和训练样本准备阶段的标签值之间的差异，对神经网络模型中的网络参数进行调整。具体的，采用交叉熵损失函数，并利用批量梯度下降法，使神经网络模型学习训练样本准备阶段的标签值，通过调整神经网络模型中的模型参数，使得神经网络模型具备了误诊关系确定能力。结合图3b所示的神经网络模型的结构图，对神经网络模型进行详细说明。其中，神经网络模型包括输入层、表示层和相似度匹配层。其中，输入层包括医疗嵌入层、临床嵌入层、疾病项嵌入层和诊断嵌入层，分别用于对样本医疗数据、样本临床表现项数据、样本疾病项数据和样本诊断数据对应的样本诊断疾病，进行编码处理。其中，表示层，包括医疗表示模块、注意力增强模块、临床表示模块、疾病项表示模块、特征融合模块、诊断表示模块和诊断嵌入模块。其中，医疗表示模块，用于对编码后的样本医疗数据进行特征提取，得到初始医疗特征向量；注意力增强模块，用于对编码后的样本临床表现数据中相同属性特征字段的临床表现数据进行增强；临床表示模块，用于对增强后的样本临床表现数据进行特征提取，得到临床表现特征向量；疾病项表示模块，用于对编码后的样本疾病项数据进行特征提取，得到疾病项特征向量；特征融合模块，用于将初始医疗特征向量、临床表现特征向量和疾病项特征向量进行特征融合，医疗特征向量；诊断表示模块，用于对编码后的样本诊断疾病进行特征提取，得到初始诊断特征向量；诊断嵌入模块，用于对初始诊断特征向量进行编码处理，得到诊断特征向量。其中，相似度匹配层，包括相似度确定模块和分类器；相似度确定模块，用于确定医疗特征向量和诊断特征向量之间的余弦相似度；分类器，用于根据余弦相似度进行误诊概率预测。其中，图3b所示的神经网络模型为双塔网络，通过输入层中的医疗嵌入层、临床嵌入层、疾病项嵌入层、表示层中的医疗表示模块、注意力增强模块、临床表示模块、疾病项表示模块和特征融合模块，构成双塔网络中的左塔网络，用于进行医疗特征向量的提取。通过输入层中的诊断嵌入层、表示层中的诊断表示模块和诊断嵌入模块，构成双塔网络中的右塔网络，用于进行诊断特征向量的提取。需要说明的是，通过左塔网络和右塔网络的配合使用，为神经网络模型的误诊识别能力的训练奠定了基础；通过引入注意力增强机制，能够使训练后的神经网络模型兼备多种疾病的误诊识别能力；通过在左塔网络中引入医疗数据，使得所提取得到的初始医疗特征向量能够对临床表现特征向量和疾病项特征向量进行补充，提高了最终得到的医疗特征向量的全面性；通过医疗表示模块、临床表示模块和疾病项表示模块的共同训练，使得所提取的初始医疗特征向量、临床表现特征向量和疾病项特征向量之间彼此协同增强，提高了最终得到的医疗特征向量的准确度。其中，模型使用阶段，包括：s331、通过ner模块对患者的医疗数据进行特征字段提取。其中，模型使用阶段的特征字段提取可参见模型训练阶段相关描述。s332、通过预设矫正数据库，对所提取的特征字段的特征值进行归一标准化处理。其中，模型使用阶段的皈依标准化处理可参见模型训练阶段的相关描述。s333、根据症状和体征特征字段对应的特征值，生成临床表现数据。s334、根据既往病史特征字段对应的特征值，生成疾病项数据。s335、将医疗数据、医疗数据对应的临床表现数据、疾病项数据和医疗数据对应的诊断数据，输入至训练好的神经网络模型中，根据模型输出结果，确定医疗数据和诊断数据之间的余弦相似度。其中，神经网络模型的处理机制可参见模型训练阶段的相关描述。s336、根据余弦相似度，确定误诊概率。需要说明的是，训练样本准备阶段、模型训练阶段、以及模型使用阶段中，至少两个阶段可以采用相同或不同的电子设备进行处理。图4是本申请实施例提供的一种医疗数据处理装置的结构图，该医疗数据处理装置400，包括：医疗项数据生成模块401、特征提取模块402和相关性确定模块403。其中，医疗项数据生成模块401，用于根据患者的医疗数据生成医疗项数据；特征提取模块402，用于对所述医疗数据和医疗项数据进行特征提取，得到医疗特征向量；以及，对所述医疗数据关联的诊断数据进行特征提取，得到诊断特征向量；相关性确定模块403，用于确定所述医疗特征向量和所述诊断特征向量的相关性。本申请实施例通过医疗项数据生成模块根据患者的医疗数据生成医疗项数据；通过特征提取模块对医疗数据和医疗项数据进行特征提取，得到医疗特征向量；通过特征提取模块对医疗数据关联的诊断数据进行特征提取，得到诊断特征向量；通过相关性确定模块确定医疗特征向量和诊断特征向量的相关性。本申请实施例通过在特征提取的过程中引入包含有医疗项数据的医疗数据，对医疗项数据的特征提取结果进行补充，提高了所提取的医疗特征向量的全面性；通过医疗数据和医疗项数据共同进行特征提取，使得在两数据所提取特征之间相互促进，协同增强，提高了所提取的医疗特征向量的准确度。通过全面性更高准确度更好的医疗特征向量与诊断特征向量的相关性的确定，为进行医护人员的误诊识别提供了评判依据，便于及时发现医护人员的误诊情况，减少误诊率，从而减少了由于误诊对患者的治疗进程的影响，同时减少了医疗事故的发生。其中，所述医疗项数据生成模块401，包括：特征字段提取单元，用于对所述医疗数据进行特征字段提取，并根据所提取的至少一个特征字段的特征值，生成所述医疗项数据。其中，所述特征提取模块402，包括：医疗特征向量得到单元，用于通过第一神经网络对所述医疗数据和所述医疗项数据进行特征提取，得到医疗特征向量；以及诊断特征数据得到单元，用于通过第二神经网络对所述医疗数据关联的所述诊断数据进行特征提取，得到诊断特征向量；其中，所述第一神经网络和所述第二神经网络结构不同，且共同训练得到。其中，所述第一神经网络包括第一表示模块、第二表示模块和特征融合模块；所述第一表示模块，用于对所述医疗数据进行特征提取，得到第一医疗特征向量；所述第二表示模块，用于对所述医疗项数据进行特征提取，得到第二医疗特征向量；所述特征融合模块，用于对所述第一医疗特征向量和所述第二医疗特征向量进行特征融合，得到所述医疗特征向量；其中，所述第二神经网络包括第三表示模块和诊断嵌入模块；所述第三表示模块，用于对所述诊断数据进行特征提取，得到初始诊断特征向量；所述诊断嵌入模块，用于对初始诊断特征向量进行编码处理，得到所述诊断特征向量。其中，在对所述第一神经网络和所述第二神经网络的训练阶段，所述装置还包括：患病区域确定模块，用于分别确定样本患者的样本医疗数据和样本诊断数据的患病区域；训练样本构建模块，用于若所述样本诊断数据的患病区域包含于所述样本医疗数据的患病区域，则确定所述样本医疗数据和所述样本诊断数据所组成的训练样本对为正样本；否则，确定所述样本医疗数据和所述样本诊断数据所组成的训练样本对为负样本。其中，所述患病区域包括患病部位和/或患病部位所属人体系统。其中，在对所述第一神经网络和所述第二神经网络的训练阶段，所述装置还包括：记录症状提取模块，用于提取样本患者的样本医疗数据中的记录症状；训练样本构建模块，用于将所述记录症状、所述样本患者的样本诊断数据的诊断症状、以及预设症状库，输入至训练好的机器学习模型，得到所述记录症状与所述诊断症状之间的相关性；若症状相关，则确定所述样本医疗数据和所述样本诊断数据所组成的训练样本对为正样本；否则，确定所述样本医疗数据和所述样本诊断数据所组成的训练样本对为负样本。其中，所述特征字段提取单元，包括：初始医疗项数据生成子单元，用于根据所提取的至少一个特征字段，生成初始医疗项数据；医疗项数据得到子单元，用于采用注意力机制，对所述初始医疗项数据中相同属性特征字段下的各特征值分别进行加权，得到所述医疗项数据。其中，所述医疗数据包括文本描述的主诉和现病史中的至少一种；所述医疗项数据包括临床表现和既往病史中的至少一种。上述医疗数据处理装置可执行本申请任意实施例所提供的医疗数据处理方法，具备执行医疗数据处理方法相应的功能模块和有益效果。根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。如图5所示，是实现本申请实施例的医疗数据处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的医疗数据处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的医疗数据处理方法。存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的医疗数据处理方法对应的程序指令/模块(例如，附图4所示的医疗项数据生成模块401、特征提取模块402和相关性确定模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的医疗数据处理方法。存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储实现医疗数据处理方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至实现医疗数据处理方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。实现医疗数据处理方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。输入装置503可接收输入的数字或字符信息，以及产生与实现医疗数据处理方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。根据本申请实施例的技术方案，根据患者的医疗数据生成医疗项数据；对医疗数据和医疗项数据进行特征提取，得到医疗特征向量；对医疗数据关联的诊断数据进行特征提取，得到诊断特征向量；确定医疗特征向量和诊断特征向量的相关性。本申请实施例通过在特征提取的过程中引入包含有医疗项数据的医疗数据，对医疗项数据的特征提取结果进行补充，提高了所提取的医疗特征向量的全面性；通过医疗数据和医疗项数据共同进行特征提取，使得在两数据所提取特征之间相互促进，协同增强，提高了所提取的医疗特征向量的准确度。通过全面性更高准确度更好的医疗特征向量与诊断特征向量的相关性的确定，为进行医护人员的误诊识别提供了评判依据，便于及时发现医护人员的误诊情况，减少误诊率，从而减少了由于误诊对患者的治疗进程的影响，同时减少了医疗事故的发生。应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。当前第1页12