病患报告生成方法、装置、电子设备及介质与流程

本发明涉及人工智能领域及数字医疗领域，尤其涉及一种病患报告生成方法、装置、电子设备及可读存储介质。

背景技术：

1、当前社会线下医疗较为紧张且耗时较长，因此，患者线上问诊是一项很重要的了解自身病情的手段，但由于目前常见的患者问诊方法大都是患者基于互联网搜索平台提供的信息碎片，从而导致病患报告准确性不高，效率较低等问题，除此之外，患者很难基于互联网数据进行诊前，诊中，诊后的全流程问诊，无法实时正确的判断自己当前的病情，导致病情延误，从而错过最佳治疗时间，且没有足够的医疗数据，患者问诊时获取到不合适或错误的医疗数据做参考，导致病患报告的准确率不高。

技术实现思路

1、本发明提供一种病患报告生成方法、装置、电子设备及可读存储介质，其目的在于提高病患报告的准确率。

2、为实现上述目的，本发明提供的一种病患报告生成方法，所述方法包括：

3、利用预设的网络爬虫爬取历史患者的历史病患数据，对所述历史病患数据进行分类打标，得到标记病患数据，并将所述标记患者数据存储至预设的分布式存储数据库中，得到病原样本库；

4、利用预设的疾病预测模型中编码层对所述标记病患数据进行编码，得到病患编码矩阵；

5、利用所述疾病预测模型中注意力机制层计算所述病患编码矩阵的注意力权重，得到病患权重矩阵；

6、根据所述病患权重矩阵，利用所述疾病预测模型中全连接层预测所述历史患者的疾病种类；

7、根据所述标记病患数据，利用预设的损失函数计算所述疾病种类的损失值，并根据所述损失值对所述疾病预测模型进行参数迭代调整，直至所述损失值满足预设条件，得到训练完成的疾病预测模型；

8、当接收到目标患者的实时病患数据时，利用所述训练完成的疾病预测模型预测所述实时病患数据的疾病种类，并根据所述疾病种类及所述实时病患数据，生成所述目标患者的病患报告。

9、可选地，所述根据所述病患权重矩阵，利用所述疾病预测模型中全连接层预测所述历史患者的疾病种类，包括：

10、利用所述疾病预测模型中的全连接层的第一预设参数、第二预设参数及第三预设参数对所述病患权重矩阵做线性变换，得到查询向量、关键向量及数值向量；

11、将所述查询向量与所述关键向量的转置向量点乘，得到相似度矩阵；

12、对所述相似度矩阵进行归一化计算，得到归一化矩阵；

13、利用预设的激活函数对所述归一化矩阵进行计算，得到激活矩阵；

14、将所述激活矩阵与所述数值向量点乘，得到所述病患权重矩阵对应疾病种类的概率，根据所述概率确定所述历史患者的疾病种类。

15、可选地，所述利用所述疾病预测模型中注意力机制层计算所述病患编码矩阵的注意力权重，得到病患权重矩阵，包括：

16、利用所述疾病预测模型中注意力机制层中预设的权重参数对所述病患编码矩阵进行计算，得到所述病患编码矩阵中每一个单独向量的得分；

17、将所述每一个单独向量的得分与对应的所述病患编码矩阵部分进行加权求和，得到病患权重矩阵。

18、可选地，所述利用预设的疾病预测模型中编码层对所述标记病患数据进行编码，得到病患编码矩阵，包括：

19、利用预设的疾病预测模型对所述标记病患数据逐字进行编码处理，得到字向量序列；

20、提取所述标记病患数据的特征向量，得到词向量序列；

21、根据所述词向量序列的词字数对所述词向量序列进行扩展，得到与所述字向量序列对齐的对齐词向量序列；

22、将所述对齐词向量序列与预设的变换矩阵进行叉乘，得到与所述字向量序列维度相同的目标词向量序列；

23、将所述目标词向量序列与对应的字向量序列进行相加，得到字词向量序列；

24、对所述标记病患数据的每一个文字进行位置索引编码，得到病患向量位置编码；

25、分别将所述字词向量序列与对应所述病患向量位置编码进行相加，得到病患拼接向量，并利用预设的疾病预测模型中的编码层对所述病患拼接向量进行编码，得到病患编码矩阵。

26、可选地，所述对所述历史病患数据进行分类打标，得到标记病患数据，包括：

27、从所述历史病患数据中筛选出疾病信息，并提取所述疾病信息中的关键信息；

28、将所述关键信息与预构建的标签池中的标签进行匹配，并将匹配成功的标签作为所述历史病患数据的目标标签；

29、将所述目标标签与对应所述历史病患数据进行绑定，得到标记病患数据。

30、可选地，所述根据所述疾病种类，生成所述目标患者的病患报告之后，还包括：

31、将所述实时病患数据及所述病患报告更新到所述病原样本库中；

32、根据所述病患报告选择合适的诊疗方案进行治疗，得到治疗结果；

33、利用所述疾病预测模型预测治疗结果，得到复诊疾病种类，根据所述复诊疾病种类及所述实时病患数据，生成所述目标患者的复诊报告；

34、根据所述复诊报告判断所述目标患者是否康复；

35、当所述复诊报告显示为正常时，判定所述目标患者康复；

36、当所述复诊报告显示为异常时，判定所述目标患者没有康复。

37、可选地，所述利用预设的网络爬虫爬取历史患者的历史病患数据，包括：

38、利用预设python编程语言获取预设初始网页的url；

39、利用网页分析算法从所述预设初始网页中筛选出与历史患者有关的目标url，并将所述目标url存放至待抓取队列中；

40、根据预设的搜索策略，从所述待抓取队列中抓取目标url，直至所述目标url满足预设额度时，停止抓取目标url；

41、对所述目标url对应的网页进行信息分析，并对分析结果进行过滤，得到所述历史患者的历史病患数据。

42、为了解决上述问题，本发明还提供一种病患报告生成装置，所述装置包括：

43、病原样本库构建模块，用于利用预设的网络爬虫爬取历史患者的历史病患数据，对所述历史病患数据进行分类打标，得到标记病患数据，并将所述标记患者数据存储至预设的分布式存储数据库中，得到病原样本库；

44、模型训练模块，用于利用预设的疾病预测模型中编码层对所述标记病患数据进行编码，得到病患编码矩阵，利用所述疾病预测模型中注意力机制层计算所述病患编码矩阵的注意力权重，得到病患权重矩阵，根据所述病患权重矩阵，利用所述疾病预测模型中全连接层预测所述历史患者的疾病种类，根据所述标记病患数据，利用预设的损失函数计算所述疾病种类的损失值，并根据所述损失值对所述疾病预测模型进行参数迭代调整，直至所述损失值满足预设条件，得到训练完成的疾病预测模型；

45、病患报告生成模块，用于当接收到目标患者的实时病患数据时，利用所述训练完成的疾病预测模型预测所述实时病患数据的疾病种类，并根据所述疾病种类及所述实时病患数据，生成所述目标患者的病患报告。

46、为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

47、存储器，存储至少一个计算机程序；及

48、处理器，执行所述存储器中存储的计算机程序以实现上述所述的病患报告生成方法。

49、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的病患报告生成方法。

50、本发明实施例通过利用预设的网络爬虫爬取历史患者的历史病患数据，对所述历史病患数据进行分类打标，得到标记病患数据，并将所述标记患者数据存储至预设的分布式存储数据库中，得到病原样本库，保证了病原样本库的覆盖面积之广，并减少了病情信息碎片化，提高了患者问诊的准确率，其次，根据所述病原样本库中的标记病患数据，对预设的疾病预测模型进行训练，得到训练完成的疾病预测模型，从训练数据的维度保证了所述训练完成的疾病预测模型的准确率及覆盖范围之广，最后，通过接收患者的实时病患，利用所述训练完成的疾病预测模型预测所述实时病患数据的疾病种类，并根据所述疾病种类，生成所述目标患者的病患报告，确保了患者能够随时随地了解自身病情，并根据自身病情选择就医时间，从而缓解医疗资源紧缺的压力。因此，本发明提供的一种病患报告生成方法、装置、设备及存储介质，能够提高病患报告的准确率。