基于计算特征网络的精准医学信息结论生成方法与流程

本发明涉及计算机，尤其涉及一种基于计算特征网络的精准医学信息结论生成方法。

背景技术：

1、医学论文作为重要的研究成果展示与信息获取来源，几乎每日都有大量的医学论文被发表，这些学术成果包含多种最新的专业领域信息，有效快速的获取这些医学论文并进行语义特征的表示与学习显得尤为重要。然而医学论文数据中往往包含大量复杂的属性，例如论文的摘要、关键词、引用文献等，论文之间的关联更加紧密，此外，论文中大量的专业知识覆盖学科广泛，使得医学论文的特征提取需要大量的专业知识；有效提取论文数据的特征可以为医学论文数据的处理提供支撑。

2、现有技术中，通常需要人工一篇一篇阅读来提取其中的关键信息，费时费力。

技术实现思路

1、为解决上述现有技术中存在的技术问题，本发明的目的在于提供一种基于计算特征网络的精准医学信息结论生成方法，能够通过构建的结论输出模型结合医学论文的文本信息的摘要输出医学论文的结论性内容，基于论文摘要直接得到论文结论，能够更好的获取医学论文的结论信息，减少人工成本。

2、为实现上述发明目的，本发明提供一种基于计算特征网络的精准医学信息结论生成方法，包括以下步骤：

3、步骤s10、获取医学论文的文本信息；

4、步骤s20、构建基于要部分和结论部分的训练集和验证集；

5、步骤s30、将训练集输入计算网络中进行结论输出模型训练；

6、步骤s40、在利用完成训练的结论输出模型进行结论输出得到输出结果后，基于用户对所述输出结果的修正，优化所述结论输出模型。

7、根据本发明的一个技术方案，在所述步骤s30中，将训练集输入计算网络中进行结论输出模型训练，具体包括：

8、将训练集的数据转为数字id映射，经过单层网络的映射，再转为向量表示，则有：

9、 ，

10、其中，为训练集的数据字符对应的数字id表示，为当前单层网络的权重矩阵，t代表对矩阵进行转置操作，b代表当前单层网络的偏置矩阵，为输入数据所转化的向量表示；

11、，

12、其中，a为邻接矩阵，为邻接矩阵再加上单位矩阵的结果，其中=a+i， i为单位矩阵，为输入的数据向量，为当前层网络的权重矩阵，为的度矩阵，为激活函数，为当前层网络的计算特征输出；

13、进行词表大小的映射计算，并将计算结果归一化到0~1之间的大小，选取其中结果最大的概率对应的词表中的字符作为模型的输出，则有：

14、

15、其中，为上一层网络的计算特征输出，e为数学中一个常数，是一个无限不循环小数，且为超越数。

16、根据本发明的一个技术方案，在所述步骤s40中，具体包括：

17、步骤s401、获取前端页面用户输入的摘要文本信息，调用完成训练的结论输出模型进行结论输出；

18、步骤s402、将所述结论输出模型的所述输出结果向用户展示；

19、步骤s403、用户通过手动输入的方式对所述输出结果进行修正，并将所述摘要文本信息、所述输出结果和所述修正结果进行存储；

20、步骤s404、基于用户对所述输出结果的修正，优化所述结论输出模型。

21、根据本发明的一个技术方案，所述步骤s20中，具体包括：

22、基于提取逻辑完成所述摘要部分和所述结论部分的提取；

23、将所述摘要部分和所述结论部分的数据按照预设比例划分训练集和验证集。

24、根据本发明的一个技术方案，在执行所述步骤s10前，构建所述摘要部分和结论部分的提取逻辑，具体包括：

25、以两行文字中间有空行的作为区分不同段落的标识；

26、当所述文本信息中任一部分满足以段落开头为“摘要”或其对应的多种语言翻译，且结尾后面是一行空行的条件，则将所述文本信息中对应的中间的数据作为所述摘要部分；

27、当所述文本信息中任一部分满足以段落开头为“结论”或其对应的多种语言翻译，且结尾后面是一行空行的条件时，则将所述文本信息中对应的中间的数据作为所述结论部分。

28、根据本发明的一个技术方案，在执行所述步骤s40前，还包括：

29、利用所述验证集验证所述结论输出模型训练的精度。

30、根据本发明的一个技术方案，在所述步骤s404中，具体包括：

31、确定用户对所述输出结果的修正次数，在所述修正次数达到预设次数后，基于存储的所述摘要文本信息、所述输出结果和所述修正结果进行存储，完成所述结论输出模型的优化。

32、根据本发明的一个方面，提供了一种基于计算特征网络的精准医学信息结论生成系统，包括：

33、获取模块，用于获取医学论文的文本信息；

34、构建模块，用于构建基于要部分和结论部分的训练集和验证集；

35、模型训练模块，用于将训练集输入计算网络中进行结论输出模型训练；

36、模型优化模块，用于在利用完成训练的结论输出模型进行结论输出得到输出结果后，基于用户对所述输出结果的修正，优化所述结论输出模型。

37、根据本发明的一个方面，提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行如上述技术方案中任一项所述的一种基于计算特征网络的精准医学信息结论生成方法。

38、根据本发明的一个方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，实现如上述技术方案中任一项所述一种基于计算特征网络的精准医学信息结论生成方法。

39、本发明与现有技术相比，具有以下有益效果：

40、本发明提出了一种基于计算特征网络的精准医学信息结论生成方法，首先，获取医学论文的文本信息；其次，构建基于要部分和结论部分的训练集和验证集；再次，将训练集输入计算网络中进行结论输出模型训练；最后，在利用完成训练的结论输出模型进行结论输出得到输出结果后，基于用户对所述输出结果的修正，优化所述结论输出模型，从而能够更好的基于医学论文的摘要部分得到对应的结论。

41、进一步地，通过医学论文的摘要部分，生成对应的结论部分，一方面，减少人工阅读的繁琐工序，另一方面，还能够帮助用户得到逻辑更严密、表达清晰、更直观的结论，有利于提高效率。

技术特征：

1.一种基于计算特征网络的精准医学信息结论生成方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于计算特征网络的精准医学信息结论生成方法，其特征在于，在所述步骤s30中，将训练集输入计算网络中进行结论输出模型训练，具体包括：

3.根据权利要求1所述的基于计算特征网络的精准医学信息结论生成方法，其特征在于，在所述步骤s40中，具体包括：

4.根据权利要求1所述的基于计算特征网络的精准医学信息结论生成方法，其特征在于，所述步骤s20中，具体包括：

5.根据权利要求4所述的基于计算特征网络的精准医学信息结论生成方法，其特征在于，在执行所述步骤s10前，构建所述摘要部分和结论部分的提取逻辑，具体包括：

6.根据权利要求1所述的基于计算特征网络的精准医学信息结论生成方法，其特征在于，在执行所述步骤s40前，还包括：

7.根据权利要求3所述的基于计算特征网络的精准医学信息结论生成方法，其特征在于，在所述步骤s404中，具体包括：

8.一种基于计算特征网络的精准医学信息结论生成系统，其特征在于，包括：

9.一种电子设备，其特征在于，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行如权利要求1至7中任一项所述的基于计算特征网络的精准医学信息结论生成方法。

10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1至7中任一项所述的基于计算特征网络的精准医学信息结论生成方法。

技术总结
本发明涉及一种基于计算特征网络的精准医学信息结论生成方法，该方法包括：步骤S10、获取医学论文的文本信息；步骤S20、构建基于要部分和结论部分的训练集和验证集；步骤S30、将训练集输入计算网络中进行结论输出模型训练；步骤S40、在利用完成训练的结论输出模型进行结论输出得到输出结果后，基于用户对所述输出结果的修正，优化所述结论输出模型。本发明，能够更好的基于医学论文的摘要部分得到对应的结论，减少人工阅读的繁琐工序，帮助用户得到逻辑更严密、表达清晰、更直观的结论，有利于提高效率。

技术研发人员：刘硕,杨雅婷,白焜太,宋佳祥,许娟,史文钊
受保护的技术使用者：神州医疗科技股份有限公司
技术研发日：
技术公布日：2024/3/27