[发明专利]自动获取病理信息的方法、装置和存储介质

权利要求书

1.自动获取病理信息的方法，其特征在于，所述方法包括：

S101文本的获取与转化：获取原始文本并转化为可识别的文本文档；

S102文本清洗：通过正则匹配方法将文本文档中与病理评价无关的词语去除，得到清洗后文本；

S103分词：基于通用中文词库和专用病理词库，对清洗后文本中的词语进行分词得到分词词组；

如果词库中出现该词语，则使用正则匹配方法和有向无环图进行分词；如果词库中未出现该词语，则使用隐马尔科夫模型进行分词；

S104词语向量化：根据通用中文词库和专用病理词库中所存储的已标注词类别的词语的数量加上分词词组中词语数量生成独热编码；再将独热编码输入循环神经网络将高维度的独热编码转化成低维度的生成特征词向量；

S105 k近邻分类：采用k近邻分类算法计算生成特征词向量与文本数据库存储的特征词向量的欧氏距离，得到文本数据库存储特征词向量中与生成特征词向量距离最近的k个词语；如果存在距离为0的点，则以与文本数据库中距离为0的特征词向量对应的词类别作为生成特征词向量对应的词类别，否则将其中占比最大的词类别作为生成特征词向量对应的词类别；

S106结构存储：将词类别为病理标志词和病理特征词作为有效特征词进行存储，将无效词舍弃；同时，使用正向匹配法与反向匹配法，匹配病理标志词与病理特征词在清洗后文本中的位置，如果病理特征词和病理标志词匹配为对同一病理症状的描述，则将病理标志词和病理特征词放入同一个病理数据结构进行存储；

其中，所述文本数据库中存储通用中文词库和专用病理词库；其中，通用中文词库中仅存储词语及特征词向量，词类别默认为无效词；专用病理词库存储病理词语、相应的词类别及相应的特征词向量。

2.根据权利要求1所述的自动获取病理信息的方法，其特征在于，所述原始文本的格式包括手写报告、图片格式和音频格式中的一种或多种。

3.根据权利要求1所述的自动获取病理信息的方法，其特征在于，在步骤S102中，所述与病理评价无关的词语包括无法识别的乱码、标点符号、停词和语气词中的一种或多种。

4.根据权利要求1所述的自动获取病理信息的方法，其特征在于，步骤S103具体包括：

S1031：加载文本数据库中的存储的通用中文词库和专用病理词库；

S1032：使用正则匹配方法，切分出汉字、英文以及其它特殊字符构成的短语；

S1033：将短语按单个字符切分，构建有向无环图，根据通用中文词库和专用病理词库中各词语出现的频率，得到有向无环图中每条路径连通的概率，所述概率为使用最短路径算法求解有向无图过程每条路径的权重；

S1034：使用最短路径算法求解有向无环图，构建切分组合将短语切分成数个词语组成的词组；

S1035：对于通用中文词库和专用病理词库中未出现的新词，使用隐马尔科夫模型进行分词。

5.根据权利要求1所述的自动获取病理信息的方法，其特征在于，在步骤S104中，所述独热编码为一个高维度的向量，向量中只有其中一个维度值为1，其余维度值均为0；所述独热编码的维度大于通用中文词库和专用病理词库中所存储的词语的数量加上分词词组中词语的数量。