一种基于图像识别的疾病辅助诊断方法与流程
本发明实施方式涉及计算机领域，特别是涉及一种基于图像识别的疾病辅助诊断方法。
背景技术：
罕见病也称为孤儿病，世界卫生组织将患病人数占人口0.065％到0.1％之间的疾病或病变定义为罕见病。绝大部分罕见病是先天性的，且病程发展缓慢，它的流行率低，但患者常常有生命危险。
目前，罕见病的诊断方式是建立疾病研究及治疗中心，这种机构具有明显的地域性特征，患者的病情不能得到及时的确诊,且对于绝大多数医生而言，由于缺乏罕见病的诊断及治疗经验，大大延长确诊所需的时间。医生主要是通过患者的临床表现来诊断其所患的罕见病类型，但临床表现是随着病情的发展而逐步加重的，这使得罕见病的诊断成为了困扰医生和病人的一个难题，罕见病人从发病到精准确诊的平均时间约为4.8年，不能及时确诊影响着无数罕见病患者的生活质量。
技术实现要素：
本发明实施方式主要解决的技术问题是提供一种基于图像识别的疾病辅助诊断方法，能够快速的将待诊患者与一种或几种疾病相关联，为后续进一步的确诊节省了大量的时间。
为解决上述技术问题，本发明实施方式采用的一个技术方案是：
提供一种基于图像识别的疾病辅助诊断方法，包括：
接收上传的待诊患者的病征图像；
利用深度学习算法提取所述待诊患者的病征图像的待诊特征，建立待诊特征集，并且将所述待诊特征集与训练图库中各疾病的标准病征图像的标准特征集进行比对，获得所述待诊患者的病征图像与各疾病的标准病征图像之间的图像相似度；
根据待诊患者的病征图像与训练图库中的各疾病所对应的标准病征图像之间的图像相似度，确定待诊患者患各疾病的概率。
其中，标准特征集是在利用深度学习算法提取所述训练图库中对应疾病的标准病征图像的标准特征时建立的。
其中，根据概率由高到低对待诊患者所患疾病的疾病信息进行一次排序，其中，疾病信息包括待诊患者所患的疾病的概率、疾病对应标准病征图像以及疾病的名称；
判断是否存在相同概率的疾病，若不存在相同概率的疾病，
则输出进行所述一次排序后的疾病信息；
若一次排序中出现相同概率的情况，筛选出概率相同的疾病，将筛选出的概率相同的疾病列入同一临时疾病组；
接收上传的待诊患者的临床病理特征；
将接收的待诊患者的临床病理特征与所述临时疾病组中的疾病的病理特征进行比对，得出待诊患者的临床病理特征与临时疾病组中各疾病的病理特征的病理相似度；
根据病理相似度由高到低对一次排序中同一临时疾病组中的疾病信息进行二次排序；
输出进行二次排序后的所述待诊患者所患的疾病的疾病信息。
其中，该方法还包括:
接收到上传的待诊患者病征图像后建立待诊患者的病例档案；
在病例档案的病理特征描述模块中构建临床病理特征选择条目；
所述待诊患者的临床病理特征为当用户在病例档案的病理特征描述模块中选择至少一条临床病理特征选择条目后获得的。
为解决上述技术问题，本发明实施方式采用的另一个技术方案是：提供一种基于图像识别的疾病辅助诊断装置，包括：
图像接收模块，用于接收上传的待诊患者的病征图像；
获取图像相似度模块，用于利用深度学习算法提取所述待诊患者的病征图像的待诊特征，建立待诊特征集，并且将所述待诊特征集与训练图库中各疾病的标准病征图像的标准特征集进行比对，获得所述病征图像与各疾病的标准病征图像之间的图像相似度；
概率确定模块，用于根据待诊患者的病征图像与训练图库中各疾病所对应的标准病征图像之间的图像相似度，确定待诊患者患各疾病的概率。
建立标准特征集模块，用于利用深度学习算法提取所述训练图库中对应疾病的标准病征图像的标准特征，建立标准特征集。
其中，该装置还包括：
第一排序模块，用于根据所述概率由高到低对所述待诊患者所患疾病的疾病信息进行一次排序，其中，所述疾病信息包括待诊患者所患的疾病的概率、所述疾病对应的标准病征图像以及所述疾病的名称；
输出模块，用于输出进行所述一次排序后的疾病信息。
判断概率模块，用于判断是否存在相同概率的疾病；
概率筛选模块，用于当存在相同概率的疾病时，筛选出所述概率相同的疾病，将筛选出的概率相同的疾病列入同一临时疾病组；
病理接收模块，用于接收上传的所述待诊患者的临床病理特征；
病理比对模块，用于将接收的待诊患者的临床病理特征与所述临时疾病组中的疾病的病理特征进行比对，得出所述待诊患者的临床病理特征与所述临时疾病组中各疾病的病理特征的病理相似度；
第二排序模块，用于根据所述病理相似度由高到低对一次排序中同一临时疾病组中的疾病信息进行二次排序；
所述输出模块，用于输出进行所述二次排序后的所述待诊患者所患的疾病的疾病信息。
其中，该装置还包括：
建立档案模块，用于接收到上传的待诊患者病征图像后建立待诊患者的病例档案；
构建条目模块，用于在病例档案的病理特征描述模块中构建临床病理特征选择条目；
所述待诊患者的临床病理特征为当用户在病例档案的病理特征描述模块中选择至少一条临床病理特征选择条目后获得的。
本发明实施方式的有益效果是：区别于现有技术的情况，本发明实施方式中，接收用户上传的待诊患者的病征图像后，利用深度学习算法提取待诊患者的病征图像的待诊特征，建立待诊特征集，将待诊特征集与训练特征集中各疾病的标准特征集进行比对，获取所述待诊患者的病征图像与训练图库中各疾病的标准病征图像之间的图像相似度，再由图像相似度确定待诊患者患各疾病的概率，此过程可以快速的将待诊患者与一种或几种疾病相关联，该步骤操作简便、快速，为后续进一步的确诊节省了大量的时间。
附图说明
图1是本发明基于图像识别的疾病辅助诊断方法的实施方式一的流程图；
图2是本发明基于图像识别的疾病辅助诊断方法的实施方式二的流程图；
图3是本发明基于图像识别的疾病辅助诊断方法的实施方式三的结构示意图；
图4是本发明基于图像识别的疾病辅助诊断方法的实施方式四的结构示意图；
图5是本发明实施方式提供的基于图像识别的疾病辅助诊断方法的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通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方式，都属于本发明保护的范围。
实施方式一
请参阅图1
一种基于图像识别的疾病辅助诊断方法，包括：
步骤101：接收上传的待诊患者的病征图像；
用户所上传的待诊患者的病征图像为待诊患者的典型特征图像或图像集，待诊患者的病征图像可以是用户早期采集或存储的，也可以是用户直接利用移动终端设备实时采集的。本发明中对待诊患者的病征图像的清晰度要求只需达到人眼可以分辨待诊患者的特异性病征即可，对图像采集者没有摄影方面的技术要求，因此降低了对用户摄影方面的技术要求。
步骤102：，利用深度学习算法中的卷积神经网络分析和提取所述待诊患者的病征图像的待诊特征，建立待诊特征集，并且将所述待诊特征集与训练图库中各疾病的标准病征图像的标准特征集进行比对，获得所述病征图像与各疾病的标准病征图像之间的图像相似度；
训练图库包括各疾病的标准病征图像或图像集，标准病征图像为现有的已经确诊的对应疾病患者的标准病征图像。
在本发明实施方式中，待诊特征集中的待诊患者的待诊特征是利用深度学习算法对待诊患者的病征图像进行特征提取获得的，标准特征集中的各疾病的标准特征是利用深度学习算法对训练图库中各疾病的标准病征图像进行特征提取获得的，利用深度学习算法将待诊特征集与标准特征集中各疾病的标准特征集进行特征比对，获取待诊患者的病征图像与训练图库中各疾病的标准病征图像之间的图像相似度。
步骤103：根据所述待诊患者的病征图像与训练图库中各疾病所对应的标准病征图像之间的图像相似度，确定所述待诊患者患各疾病的概率。
在本发明实施方式中，确定待诊患者患各疾病的概率的方式如下：将待诊患者的病征图像与训练图库中的一疾病所对应的标准病征图像的图像相似度乘以一权重值得出待诊患者患对应疾病的概率，以此类推，得出待诊患者患各疾病的概率，优选的，该权重值为1，即可得出待诊患者的病征图像与训练图库中的一疾病所对应的标准病征图像之间的图像相似度等同于待诊患者患该疾病的概率。
需要说明的是：本发明实施例的一种基于图片识别的疾病辅助诊断方法适用于罕见病的辅助诊断或皮肤病的辅助诊断。
本发明实施方式中，接收用户上传的待诊患者的病征图像后，利用深度学习算法提取待诊患者的病征图像的待诊特征，建立待诊特征集，将待诊特征集与训练图库中各疾病的标准特征集进行比对，获取所述待诊患者的病征图像与训练图库中各疾病的标准病征图像之间的图像相似度，再由图像相似度确定待诊患者患各疾病的概率，此过程可以快速的将待诊患者与一种或几种疾病相关联，该步骤操作简便、快速，为后续进一步的确诊节省了大量的时间。
实施方式二
请参阅图2
一种基于图像识别的疾病辅助诊断方法，包括：
步骤201：收集已确诊的各疾病的标准病征图像，建立训练图库。
标准病征图像为已确诊的各疾病患者的临床标准病征图像，训练图像包括各疾病的标准病征图像集。
利用深度学习算法中的卷积神经网络分析和提取所述训练图库中各疾病的各标准病征图像的标准特征，建立标准特征集。
步骤202：接收上传的待诊患者的病征图像。
用户所上传的待诊患者的病征图像为待诊患者的典型特征图像或图像集，待诊患者的病征图像可以是用户早期采集或存储的，也可以是用户直接利用移动终端设备实时采集的。本发明中对待诊患者的病征图像的清晰度要求只需达到人眼可以分辨待诊患者的特异性病征即可，对图像采集者没有摄影方面的技术要求，因此降低了对用户摄影方面的技术要求。
在本发明实施例中，在接收上传的待诊患者的病征图像后建立待诊患者的病例档案，并对待诊患者的病征图像进行自动编号或用户手动编号，允许用户对该病例档案进行重命名、基本信息编辑、修改和删除。病例档案包括待诊患者的基本信息，待诊患者的基本信息包括患者病例编号、患者病例创建日期、患者出生日期、患者性别、患者种族、患者身体形态特征指标(体征指标)六项内容。患者身体形态特征指标(体征指标)包括患者的身高(厘米)、体重(千克)、头围(厘米)、瞳孔间距(毫米)、内眦距离(毫米)、外眦距离(毫米)、睑裂长度(毫米)、耳长(毫米)、手长(毫米)、胸围(厘米)和足长(厘米)。
步骤203：利用深度学习算法中的卷积神经网络分析并提取所述待诊患者的病征图像的待诊特征，建立待诊特征集，并且将待诊特征集与训练图库中各疾病的标准病征图像的标准病征集进行比对，获得待诊患者的病征图像与各疾病的标准病征图像之间的图像相似度。
在本发明实施方式中，待诊特征集中的待诊患者的待诊特征是利用深度学习算法对待诊患者的病征图像进行特征提取所获得的，标准特征集中的各疾病的标准特征是利用深度学习算法对训练图库中各疾病的标准病征图像进行特征提取所获得的，利用深度学习算法将待诊特征集与训练图库中各疾病的标准特征集进行特征比对，获取待诊患者的病征图像与训练图库中各疾病的标准病征图像之间的图像相似度。
步骤204：根据所述待诊患者的病征图像与训练图库中各疾病所对应的标准病征图像之间的图像相似度，确定所述待诊患者患各疾病的概率。
在本发明实施方式中，确定待诊患者患各疾病的概率的方式如下：将待诊患者的病征图像与训练图库中的一疾病所对应的标准病征图像的图像相似度乘以一权重值得出待诊患者患对应疾病的概率，以此类推，得出待诊患者患各疾病的概率，优选的，该权重值为1，即可得出待诊患者的病征图像与训练图库中的一疾病所对应的标准病征图像之间的图像相似度等同于待诊患者患该疾病的概率。
当然，在其他替代实施例中，还有其他确定待诊患者患各疾病的概率的方式，例如，可将用户上传的待诊患者的病征图像分解，将待诊患者的病征图像的每一比对特征提取出并作为一张单独的待诊患者的病征图像，同样的，将各疾病所对应的标准病征图像的每一比对特征提取出并作为一张单独的标准病征图像，即一病征图像代表待诊患者的一种表现，同样的，一标准病征图像代表一疾病的一种表现，再将各待诊患者的病征图像与各疾病所对应的标准病征图像进行比对。因此，待诊患者的病征图像的数量为一个或者多个，并且一疾病所对应的标准病征图像的数量也为一个或者多个，将所述一待诊患者的病征图像与一疾病所对应的所有标准病征图像的相似度之和除以该一疾病所对应的标准病征图像的数量，获取所述一待诊患者病征图像与该疾病所对应的所有标准病征图像的第一平均相似度，将所有待诊患者病征图像与该疾病所对应的所有标准病征图像的第一平均相似度之和除以待诊患者病征图像的数量，获取所有待诊患者病征图像与该疾病所对应的所有标准病征图像的第二平均相似度，根据所有待诊患者病征图像与该疾病所对应的所有标准病征图像的第二平均相似度来确定所述待诊患者患该疾病的概率，以此类推，从而确定所述待诊患者患各疾病的概率。
以下给出此替代实施方式中计算所述待诊患者患各疾病的概率的计算公式为：
其中，所述
步骤205：将根据所述概率由高到低对所述待诊患者所患疾病的疾病信息进行一次排序，其中，所述疾病信息包括待诊患者所患的疾病的概率、所述疾病对应标准病征图像以及所述疾病的名称。
步骤206：判断一次排序中是否出现相同概率的情况，当一次排序中没出现相同概率的情况时，进行步骤207；当一次排序中出现相同概率的情况时，为了进一步对相同概率的疾病进行排序显示，则进行步骤208到步骤212。
步骤207：输出进行所述一次排序后的疾病信息；
疾病信息的输出方式包括屏幕显示或语音说明，优选的，排序前三的疾病可通过将屏幕显示的对应疾病的字体颜色加深等方式做突出标示。
接收用户根据图像相似程度在一次排序中选择一张标准病征图像，并在移动终端设备显示界面将待诊患者的病征图像与所选的标准病征图像进行比较分析。
步骤208：筛选概率相同的疾病，并将筛选出的概率相同的疾病列入同一临时疾病组。
步骤209：接收用户上传的所述待诊患者的临床病理特征。
步骤210：将接收的待诊患者的临床病理特征与所述临时疾病组中的疾病的病理特征进行比对，得出所述待诊患者的临床病理特征与所述临时疾病组中各疾病的病理特征的病理相似度。
步骤211：根据所述病理相似度由高到低对一次排序中同一临时疾病组中的疾病信息进行二次排序；
二次排序的疾病的信息包括训练图库中疾病的标准病征图像、标准病征图像所对应的疾病的名称、待诊患者患疾病的概率以及待诊患者的临床病理特征与该疾病的病理特征的病理相似度。
步骤212：输出进行所述二次排序后的所述待诊患者所患的疾病的疾病信息，疾病信息的输出方式包括屏幕显示或语音说明，优选的，排序前三的疾病可通过将屏幕显示的对应疾病的字体颜色加深等方式做突出标示。
接收用户在二次排序后的所述待诊患者所患的疾病的疾病信息中选择一疾病，并在移动终端设备显示界面将待诊患者的病征图像和临床病理特征与所选的一疾病的标准病征图像与病理特征进行比较分析。
进一步的，为了方便用户上传待诊患者的病理特征，优选的，病例档案中包括病理特征描述模块，病理特征描述模块显示有多种候选的临床病理特征，该模块对目前已经观察到的疾病的临床病理特征用专业、简介的语言进行了描述，并将这些临床病理特征按首字的汉语拼音进行排序，方便检索，用户只需根据待诊患者的实际情况选择对应的临床病理特征即可，不再需要用户手动输入。
在本发明实施例中，为了在显示结果中显示出更多的疾病信息，一次排序输出和二次排序输出的各疾病的信息还包括：各疾病的基本信息、各疾病的特征信息和同行交流信息，各疾病的基本信息包括该疾病在omim(onlinemendelianinherienceinman，在线《人类孟德尔遗传》)等数据库中的编号、致病基因、致病基因在染色体上的位置、遗传方式以及可作为专业信息参考的其他外部数据库链接。各疾病的特征信息包括各疾病的首次确诊时间、目前已发现病例的疾病发展史及病理学表现、目前的治疗进展以及公开发表的疾病相关研究成果。同行交流信息中提供了在该种疾病诊断和治疗方面有经验的同行的姓名、单位、学术著作和联系方式。
本发明实施方式中，运用深度学习算法来处理接收的待诊患者的病征图像，且训练图库中的各疾病所对应的各标准病征图像也已经接收过深度学习算法的处理，应用深度学习中的深度卷积神经网络算法建立模型并分析，并进行图像的特征提取。深度学习能利用对原始信号的逐层特征变换，将样本在原空间的特征表示变换到新的空间，学习得到层次化的特征表示，而浅层学习则需要依靠人工经验提取样本特征，在网络模型学习后仅获得没有层次结构的单层特征，因此，相对于浅层学习，深度学习更有利于特征的可视化和图像的比对，大大提高了诊断的效率和准确度。
为了提高疾病辅助诊断的范围和准确度，若待诊患者被确诊为训练图库中的一疾病，则将该待诊患者的病征图像加入到训练图库中该一疾病所对应的标准病征图像集中；若待诊患者最终被确诊的疾病不是训练图库中已有的任一疾病，则在训练图库中建立该待诊患者所患疾病对应的新的标准病征图像集并将该待诊患者的病征图像收录到该新建的标准病征图像集中，通过再学习提高了疾病辅助诊断的范围和准确度。
为了使待诊患者能得到更多的医疗支持，用户可以将待诊患者的疾病信息上传到云数据库，专家会对数据库进行定期规律性检查，在保护用户和待诊患者隐私的前提下，向用户提供诊断意见、症状评估结果和可实施的治疗方法，以及疾病的研究机构和有诊断、治疗经验的同行专家信息。
需要说明的是：本发明实施例的一种基于图片识别的疾病辅助诊断方法适用于罕见病的辅助诊断或皮肤病的辅助诊断。
本发明实施方式中，在收集已确诊的各疾病的标准病征图像时建立训练图库，再利用深度学习算法中的卷积神经网络分析并提取训练图库中各疾病的标准病征图像的标准特征并建立标准特征集，接收用户上传的待诊患者的病征图像后，利用深度学习算法提取待诊患者的病征图像的特征并建立待诊特征集，将待诊特征集与训练图库中各疾病的标准特征集进行比对，获取所述待诊患者的病征图像与训练图库中各疾病的标准病征图像之间的图像相似度，再由图像相似度确定待诊患者患各疾病的概率，此过程可以快速的将待诊患者与一种或几种疾病相关联，该步骤操作简便、快速，为后续进一步的确诊节省了大量的时间，此外，服务器能将相关联的各疾病信息在一次排序和二次排序后输出，便于用户和医生了解待诊患者病况。
实施方式三
请参阅图3
相应的，为解决上述技术问题，本发明实施方式采用的另一个技术方案是：提供一种基于图像识别的疾病辅助诊断装置30，包括：图像接收模块301、获取图像相似度模块302和概率确定模块303。
图像接收模块301，用于接收上传的待诊患者的病征图像；
获取图像相似度模块302，用于利用深度学习算法提取所述待诊患者的病征图像的待诊特征，建立待诊特征集，并且将待诊特征集与训练图库中各疾病的标准病征图像的标准特征集进行比对，获得待诊患者的病征图像与各疾病的标准病征图像之间的图像相似度；
概率确定模块303，用于根据待诊患者的病征图像与训练图库中各疾病所对应的标准病征图像之间的图像相似度，确定待诊患者患各疾病的概率。
需要说明的是：本发明实施例的一种基于图片识别的疾病辅助诊断装置适用于罕见病的辅助诊断或皮肤病的辅助诊断。且由于本发明实施方式三的装置实施方式与实施方式一基于相同的发明构思，方法的实施方式一中的技术内容同样适用于装置的实施方式三，因此，装置的实施方式三中与方法的实施方式一相同的技术内容在此不再赘述。
在本发明实施方式中，接收用户上传的待诊患者的病征图像后，利用深度学习算法提取待诊患者的病征图像的待诊特征，建立待诊特征集，将待诊特征集与训练特征集中各疾病的标准特征集进行比对，获取所述待诊患者的病征图像与训练图库中各疾病的标准病征图像之间的图像相似度，再由图像相似度确定待诊患者患各疾病的概率，此过程可以快速的将待诊患者与一种或几种疾病相关联，该步骤操作简便、快速，为后续进一步的确诊节省了大量的时间。
实施方式四
请参阅图4
本发明实施方式采用的另一个技术方案是：提供一种基于图像识别的疾病辅助诊断装置30，包括：图像接收模块301、获取图像相似度模块302、概率确定模块303、第一排序模块304、判断概率模块305、输出模块306、概率筛选模块307、病理接收模块308、病理比对模块309和第二排序模块310。
图像接收模块301，用于接收上传的待诊患者的病征图像；
获取图像相似度模块302，用于利用深度学习算法提取所述待诊患者的病征图像的待诊特征，建立待诊特征集，并且将所述待诊特征集与训练图库中各疾病的标准病征图像的标准特征集进行比对，获得待诊患者的病征图像与各疾病的标准病征图像之间的图像相似度；
概率确定模块303，用于根据待诊患者病征图像与各疾病所对应的标准病征图像之间的图像相似度，计算待诊患者患各疾病的概率。
第一排序模块304，用于根据所述概率由高到低对所述待诊患者所患的疾病的疾病信息进行一次排序，其中，所述疾病的信息包括待诊患者所患的疾病的概率，所述疾病对应标准病征图像以及所述疾病的名称。
判断概率模块305，用于判断一次排序中是否出现相同概率的情况。
输出模块306，用于在一次排序没出现概率相同的疾病的情况下，输出进行所述一次排序后的疾病信息。
概率筛选模块307，用于在一次排序出现概率相同的疾病的情况下，筛选出所述概率相同的疾病，将筛选出的概率相同的疾病列入同一临时疾病组。
病理接收模块308，用于接收上传的所述待诊患者的临床病理特征。
病理比对模块309，用于将接收的待诊患者的临床病理特征与所述临时疾病组中的疾病的病理特征进行比对，得出所述待诊患者的临床病理特征与所述临时疾病组中各疾病的病理特征的病理相似度。
第二排序模块310，用于根据所述病理相似度由高到低对一次排序中同一临时疾病组中的疾病信息进行二次排序。
所述输出模块306，用于输出进行所述二次排序后的所述待诊患者所患的疾病的疾病信息。
其中，该装置还包括：建立档案模块(图未示)、构建条目模块(图未示)和建立标准特征集模块(图未示)。
建立档案模块(图未示)，用于接收到上传的待诊患者病征图像后建立待诊患者的病例档案；
构建条目模块(图未示)，用于在病例档案的病理特征描述模块中构建临床病理特征选择条目，所述待诊患者的临床病理特征为当用户在病例档案的病理特征描述模块中选择至少一条临床病理特征选择条目后获得的；
建立标准特征集模块(图未示)，用于利用深度学习算法提取所述训练图库中对应疾病的标准病征图像的标准特征，建立标准特征集。
需要说明的是：本发明实施例的一种基于图片识别的疾病辅助诊断装置适用于罕见病的辅助诊断或皮肤病的辅助诊断。且由于本发明实施方式四的装置实施方式与实施方式二基于相同的发明构思，实施方式二中的技术内容同样适用于实施方式四，因此，装置的实施方式四中与方法的实施方式二相同的技术内容在此不再赘述。
本发明实施方式中，在收集已确诊的各疾病的标准病征图像时建立训练图库，再利用深度学习算法中的卷积神经网络分析并提取训练图库中各疾病的标准病征图像的标准特征并建立标准特征集，接收用户上传的待诊患者的病征图像后，利用深度学习算法提取待诊患者的病征图像的特征并建立待诊特征集，将待诊特征集与训练图库中各疾病的标准特征集进行比对，获取所述待诊患者的病征图像与训练图库中各疾病的标准病征图像之间的图像相似度，再由图像相似度确定待诊患者患各疾病的概率，此过程可以快速的将待诊患者与一种或几种疾病相关联，该步骤操作简便、快速，为后续进一步的确诊节省了大量的时间，此外，服务器能将相关联的各疾病信息在一次排序和二次排序后输出，便于用户和医生了解待诊患者病况。
图5是本申请实施方式提供的方法的电子设备50的硬件结构示意图，如图5所示，该电子设备50包括：
一个或多个处理器501以及存储器502，图5中以一个处理器501为例。
处理器501和存储器502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。
存储器502作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施方式中的方法对应的程序指令/模块，例如，附图3所示的图像接收模块301和特征比对模块303。处理器501通过运行存储在存储器502中的非易失性软件程序、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方式。
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；存储数据区可存储根据本发明实施例的装置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，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。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发明实施例的装置。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。
所述一个或者多个模块存储在所述存储器502中，当被所述一个或者多个处理器501执行时，执行上述任意方法实施方式中的方法，例如，执行以上描述的图1中的方法步骤101至步骤103，图2中的方法步骤201至步骤212，实现图3中的模块301-303、图4中的模块301-310中的功能。
上述产品可执行本申请实施方式所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iphone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:pda、mid和umpc设备等，例如ipad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如ipod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子装置。
本申请实施例提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行图1中的方法步骤101至步骤103，图2中的方法步骤201至步骤212，实现图3中的模块301-303、图4中的模块301-310中的功能。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory,rom)或随机存储记忆体(randomaccessmemory,ram)等。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
- 还没有人留言评论。精彩留言会获得点赞！