[发明专利]待检查项确定方法、装置、设备及计算机可读存储介质

权利要求书

1.一种待检查项确定方法，其特征在于，包括：

获取待检查患者的症状描述信息，并根据所述症状描述信息和预设的检查项推荐模型，确定所述待检查患者的每个检查项的推荐概率；

通过预设的检查项个数推荐模型的特征向量提取层对所述每个检查项的推荐概率进行特征提取处理，得到多个特征向量，检查项个数推荐模型是根据每个检查项的推荐概率和标注的检查项个数对预设神经网络模型进行训练得到的；

将所述多个特征向量输入至所述预设的检查项个数推荐模型的检查项个数推荐层，得到所述待检查患者的目标检查项个数；

根据所述每个检查项的推荐概率和目标检查项个数，从预设检查项库中确定所述待检查患者的目标检查项。

2.如权利要求1所述的待检查项确定方法，其特征在于，所述检查项推荐模型是根据多个样本数据对机器学习模型进行训练得到的，所述样本数据包括患者症状和标注的患者症状对应的每个检查项的推荐概率。

3.如权利要求1所述的待检查项确定方法，其特征在于，所述检查项个数推荐模型是根据每个检查项的推荐概率、标注的序列特征向量、标注的统计特征向量、标注的梯度特征向量和标注的检查项个数对预设神经网络模型进行训练得到的，所述通过所述特征向量提取层对所述每个检查项的推荐概率进行特征提取处理，得到多个特征向量，包括：

通过所述特征向量提取层对所述每个检查项的推荐概率进行序列特征提取，得到序列特征向量；

通过所述特征向量提取层对所述每个检查项的推荐概率进行统计特征提取，得到统计特征向量；

通过所述特征向量提取层对所述每个检查项的推荐概率进行梯度特征提取，得到梯度特征向量。

4.如权利要求3所述的待检查项确定方法，其特征在于，所述通过所述特征向量提取层对所述每个检查项的推荐概率进行统计特征提取，得到统计特征向量，包括：

根据所述每个检查项的推荐概率，确定所述推荐概率的标准差、方差、极差和离散系数；

通过所述特征向量提取层对所述推荐概率的标准差、方差、极差和离散系数进行处理，得到所述统计特征向量。

5.如权利要求3所述的待检查项确定方法，其特征在于，所述通过所述特征向量提取层对所述每个检查项的推荐概率进行梯度特征提取，得到梯度特征向量，包括：

对每个检查项的推荐概率进行降序排序，得到检查项的推荐概率排序表；

对所述推荐概率排序表中相邻两个检查项的推荐概率进行差值计算，得到多个概率差值；

通过所述特征向量提取层对多个概率差值进行处理，得到所述梯度特征向量。

6.如权利要求1-5中任一项所述的待检查项确定方法，其特征在于，所述根据所述每个检查项的推荐概率和目标检查项个数，从预设检查项库中确定所述待检查患者的目标检查项，包括：

根据所述每个检查项的推荐概率，对预设检查项库中的检查项进行降序排序，得到检查项列表；

从所述检查项列表中依次按照从大到小的顺序选取目标检查项个数的检查项，以确定所述待检查患者的目标检查项。

7.一种待检查项确定装置，其特征在于，所述待检查项确定装置包括：

获取模块，用于获取待检查患者的症状描述信息；

确定模块，用于根据所述症状描述信息和预设的检查项推荐模型，确定所述待检查患者的每个检查项的推荐概率；

所述确定模块，还用于

通过预设的检查项个数推荐模型的特征向量提取层对所述每个检查项的推荐概率进行特征提取处理，得到多个特征向量，检查项个数推荐模型是根据每个检查项的推荐概率和标注的检查项个数对预设神经网络模型进行训练得到的；将所述多个特征向量输入至所述预设的检查项个数推荐模型的检查项个数推荐层，得到所述待检查患者的目标检查项个数；

选取模块，用于根据所述每个检查项的推荐概率和目标检查项个数，从预设检查项库中确定所述待检查患者的目标检查项。