[发明专利]人工智能辅助诊疗方法、系统、存储介质及电子设备

权利要求书

1.一种人工智能辅助诊疗方法，其特征在于，包括：

知识图谱构建步骤：使用多维度辅助诊疗模型对患者的信息进行采集，构建所述患者的知识图谱档案；

第一特征获取步骤：将所述知识图谱档案中的非时序节点信息进行Embedding编码后获得第一特征；

第二特征获取步骤：将所述知识图谱档案中的时序节点信息通过序列模型处理后获得第二特征；

整体特征获得步骤：将所述第一特征与所述第二特征融合后获得整体特征；

模型计算步骤：将所述整体特征与历史患者特征信息候选池中的特征，使用DSSM模型进行相似度计算，获得计算结果；

选取步骤：根据所述计算结果，从所述历史患者特征信息候选池中选取相应患者的多模态图谱档案。

2.如权利要求1所述的人工智能辅助诊疗方法，其特征在于，所述非时序节点信息包括年龄及性别；其中所述第一特征获取步骤包括：

转化步骤：将所述非时序节点信息通过字典映射转化为非时序节点信息数据特征；

Embedding处理步骤：将所述非时序节点信息数据特征中的离散高维特征通过Embedding进行处理后，映射到低维空间的稠密向量，生成所述第一特征。

3.如权利要求1所述的人工智能辅助诊疗方法，其特征在于，所述时序节点信息包括：视频数据信息、音频数据信息及文本数据信息；其中所述第二特征获取步骤包括：

视频数据特征获取步骤：采用3D卷积技术对患者多模态图谱中的视频数据进行特征提取；

音频数据特征获取步骤：将声音转化为声学特征并通过梅尔频率倒谱系数对所述声学特征进行提取；

文本数据特征获取步骤：以时间单元为单位通过循环神经网络对文本数据的特征进行提取。

4.如权利要求3所述的人工智能辅助诊疗方法，其特征在于，所述文本数据特征获取步骤包括：

转化步骤：将所述文本数据转化为数值形式；

循环神经网络处理步骤：将转化后的所述文本数据通过循环神经网络中的Cell进行处理后获得文本数据特征。

5.如权利要求1所述的人工智能辅助诊疗方法，其特征在于，所述模型计算步骤包括：

筛选步骤：对患者知识库中的患者知识图谱进行筛选，构建出多个基于患者多维度信息的整体特征后将多个所述患者知识库中的患者特征进行整合，构建所述历史患者特征信息候选池。

6.如权利要求1所述的人工智能辅助诊疗方法，其特征在于，所述选取步骤包括：

根据所述计算结果将所述患者知识库中的患者进行排序，根据评分选取多个所述患者知识库中患者的多模态图谱档案。

7.一种人工智能辅助诊疗系统，其特征在于，包括：

知识图谱构建模块，所述知识图谱构建模块使用多维度辅助诊疗模型对患者的信息进行采集，构建所述患者的知识图谱档案；

第一特征获取模块，所述第一特征获取模块将所述知识图谱档案中的非时序节点信息进行Embedding编码后获得第一特征；

第二特征获取模块，所述第二特征获取模块将所述知识图谱档案中的时序节点信息通过序列模型处理后获得第二特征；

整体特征获得模块，所述整体特征获得模块将所述第一特征与所述第二特征融合后获得整体特征；

模型计算模块，所述模型计算模块将所述整体特征与历史患者特征信息候选池中的特征，使用DSSM模型进行相似度计算，获得计算结果；

选取模块，所述选取模块根据所述计算结果，从所述历史患者特征信息候选池中选取相应患者的多模态图谱档案。

8.如权利要求7所述的人工智能辅助诊疗系统，其特征在于，所述非时序节点信息包括年龄及性别；其中所述第一特征获取模块包括：

转化单元，所述转化单元将所述非时序节点信息通过字典映射转化为非时序节点信息数据特征；

Embedding处理单元，所述Embedding处理单元将所述非时序节点信息数据特征中的离散高维特征通过Embedding进行处理后，映射到低维空间的稠密向量，生成所述第一特征。