[发明专利]病历信息校验方法、装置、计算机设备及存储介质

权利要求书

1.一种病历信息校验方法，其特征在于，包括：

获取待校验病历文本；所述待校验病历文本包含病例信息、与所述病例信息关联的科室信息以及诊断信息；

将所述病例信息输入至病例表征模型中，得到与所述病例信息对应的病例表征向量；同时，将所述科室信息输入至科室表征模型中，得到与所述科室信息对应的科室表征向量；

对所述病例表征向量以及所述科室表征向量进行拼接处理，得到病历拼接向量；

将所述病历拼接向量输入至病例判别网络模型中，确定与所述待校验病历文本对应的至少一个病例判断结果；

将所述诊断信息与各所述病例判断结果进行匹配，在所述诊断信息与任意一个所述病例判断结果匹配成功时，确定所述待校验病历文本校验成功；

所述将所述病例信息输入至病例表征模型中，得到与所述病例信息对应的病例表征向量之前，包括：

获取预设病历样本文本集；所述预设病历样本文本集中包含至少一个病历样本文本；所述病历样本文本包含病例样本信息以及与所述病例样本信息对应的科室样本信息；一个所述病历样本文本关联一个病历样本标签；

将所述病历样本文本输入至预设孪生表征模型中，通过所述预设孪生表征模型中包含第一初始参数的病例训练模型对所述病例样本信息进行向量表征，得到病例样本向量；同时，通过所述预设孪生表征模型中包含第二初始参数的科室训练模型对所述科室样本信息进行向量表征，得到科室样本向量；

对所述病例样本向量以及所述科室样本向量进行拼接处理，得到样本拼接向量，并将所述样本拼接向量输入至初始回归模型中，确定与所述病历样本文本对应的标签预测概率；

根据所述病历样本标签以及所述标签预测概率确定所述预设孪生表征模型的预测损失值；

在所述预测损失值未达到预设的收敛条件时，更新迭代所述病例训练模型的第一初始参数，以及所述科室训练模型的第二初始参数，直至所述预测损失值达到所述预设的收敛条件时，将收敛之后的所述病例训练模型记录为所述病例表征模型，将收敛之后的所述科室训练模型记录为所述科室表征模型。

2.如权利要求1所述的病历信息校验方法，其特征在于，所述根据所述病历样本标签以及所述标签预测概率确定所述预设孪生表征模型的预测损失值，包括：

根据所述病历样本标签以及所述标签预测概率，通过交叉熵损失函数确定所述预测损失值；所述交叉熵损失函数为：

其中，为所述预测损失值；以及为所述预设孪生表征模型的权重；为所述病历样本标签；为所述标签预测概率。

3.如权利要求1所述的病历信息校验方法，其特征在于，所述对所述病例表征向量以及所述科室表征向量进行拼接处理，得到病历拼接向量，包括：

将所述科室表征向量拼接至所述病例表征向量的后端之后，得到所述病历拼接向量。

4.如权利要求1所述的病历信息校验方法，其特征在于，所述将所述病历拼接向量输入至病例判别网络模型中，确定与所述待校验病历文本对应的病例判断结果，包括：

通过所述病例判别网络模型中的预设卷积神经网络对所述病历拼接向量进行卷积池化处理，得到病历输出向量；

通过所述病例判别网络模型中的预设分类网络对所述病历输出向量进行病例分类，确定与所述待校验病历文本对应的病例判断结果。

5.如权利要求4所述的病历信息校验方法，其特征在于，所述将所述病历拼接向量输入至病例判别网络模型中之前，包括：

获取所述病例表征模型的第三初始参数，以及所述科室表征模型的第四初始参数；

将所述第三初始参数与所述第四初始参数的均值记录为所述预设卷积神经网络的判别初始参数。

6.如权利要求1所述的病历信息校验方法，其特征在于，所述将所述诊断信息与各所述病例判断结果进行匹配之后，还包括：

在所述诊断信息与所有所述病例判断结果均不匹配时，确定所述待校验病历文本校验失败，并提示所述诊断信息存在误判风险。