[发明专利]一种基于贝叶斯概率推断的急诊临床诊断分析系统

说明书

本发明涉及医学智能临床诊断分析技术领域，具体公开了一种基于贝叶斯概率推断的急诊临床诊断分析系统，设置信息获取单元采集医学急诊临床过程中患者的电子医疗病历(EMR)数据，设置实体提取单元及数据整合单元将这些多源数据先进行整合，然后设置文本特征提取单元将整合后的多维异构数据放入ALBERT模型中训练以提取电子病例的文本特征，而后设置贝叶斯概率推算模块给文本特征加之以DNF模型(区分式生成模型)概率映射到贝叶斯空间以构建贝叶斯概率模型，通过概率推算得出诊断和急诊处理措施的最优概率以提供急诊临床诊断支持(最终概率推断结果分别取Top‑1和Top‑3)，可应用在各类疾病的急诊临床诊断中以作参考。

技术领域

本发明涉及医学智能分析技术领域，尤其涉及一种基于贝叶斯概率推断的急诊临床诊断分析系统。

背景技术

目前中国人口众多，面临医生数量和人口数量不成正比的问题，且急诊科医生数量少，看病时间成本高，但急诊又讲求时间迅速。针对于此，智能诊断应运而生，但基于病历文本的自动诊断对于临床仍是一项艰巨的任务，因为其需要在准确性与可解释性之间取得适当的平衡，对所诊断疾病缺乏解释性，为其诊断疾病预测做到可解释，还是一个很难解决的问题。目前中国有14亿人口，但只有200万基层医生，对于基层医生来说，最缺的便是医疗专家的经验和智慧，而在有了智能医疗的辅助后，其可以把专家的经验和智慧进行大规模的复制，让这些成为基层医生的教练，让基层医生的医术得到提高，通过提高量变引发质变，真正地促进医疗水平的提升，但目前并没有这样一种成熟的基于病历文本的急诊临床自动诊断技术。

发明内容

本发明提供一种基于贝叶斯概率推断的急诊临床诊断分析系统，解决的技术问题在于：目前缺乏一种基于病历文本的急诊临床自动诊断技术，能够在准确性与可解释性之间取得平衡。

为解决以上技术问题，本发明提供一种基于贝叶斯概率推断的急诊临床诊断分析系统，包括预训练处理模块、文本特征提取模块及贝叶斯概率推算模块；

所述预训练处理模块包括信息获取单元、实体提取单元及数据整合单元；所述信息获取单元用于获取急诊的临床电子医疗病例文档即EMR文档数据；所述实体提取单元用于对所述EMR文档数据进行实体命名识别，提取出相关病症及临床表征的实体，得到多维异构数据；所述数据整合单元用于对所述多维异构数据进行整合，并利用向量空间法得到维度相同的语义向量；

所述文本特征提取模块包括语义空间整合单元及归一化单元；所述语义空间整合单元用于将所述语义向量的相关记忆向量加权平均起来做内积分，而将所有所述语义向量整合在一个语义空间上；所述归一化单元用于对整合的数据归一化为神经网络处理分布，再将归一化的神经网络处理分布转换为高斯分布；

所述贝叶斯概率推算模块用于将高斯分布的文本特征借助区分式生成模型而概率映射到贝叶斯空间中以构建贝叶斯概率模型，并通过所述贝叶斯概率模型推算得出诊断和急诊处理措施的最优概率。

优选地，所述实体获取单元包括分组子单元、预处理子单元及实体命名提取子单元；

所述分组子单元用于对不同急诊的EMR文档数据进行分组编号；

所述预处理子单元用于分别采取不同的n-gram内核对分组编号后的EMR文档数据进行预处理，得到分组后的文本数据；

所述实体命名提取子单元用于基于先进中文识别模型对分组后的文本数据进行实体命名提取，提取出相关病症及临床表征的实体，得到多维异构数据。

优选地，所述数据整合单元基于再生核希尔伯特空间对所述多维异构数据进行处理，得到维度相同的语义向量。

优选地，所述数据整合单元包括特征提取子单元、特征分割子单元及Transformer处理单元；