[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

说明书

本申请公开了一种人工智能辅助诊疗方法、系统、存储介质及电子设备，方法包括：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，本发明通过多模态知识图谱，能够提升诊疗方案推荐的准确性，提升医疗水平。

技术领域

本发明属于人工智能辅助诊疗领域，具体涉及一种人工智能辅助诊疗方法、系统、存储介质及电子设备。

背景技术

随着互联网技术的发展，越来越多的行业正在使用互联网技术，尤其是人工智能技术来改进其工作的流程及方式，以提升工作效率。然而，通过调研发现目前诸多三甲医院的医疗档案仍采用的是传统的以时间序列为主的特征记录方式，即某时刻患者的症状是什么，使用了什么治疗方案，记录了此刻患者补充的环境及自身的特征信息。这种方式的记录主要采用时间线的变化为主，故很难发现特征在空间层面的关联，即通过不同时间节点提供的特征是相关的或者相关依赖的等。同时，目前大多医院的病历，也是简单的采用文本的形式进行的记录，关于患者其他维度的对诊断有帮助的信息并无法记录在病历档案中，因此诊疗方案的判断有很大的影响。因此，当医生对患者的特征和病情进行分析，只能通过文字描述，来人为的寻找病情前后的关联，导致时间花费较多且获得的可参考信息较少。本案提出了基于患者多模态知识图谱病历的辅助诊疗系统，首先对患者多模态图谱档案的多模态数据(即不同形态的数据，如文本、图片、视频、音频等)进行特征提取，然后将不同模态的数据的信息进行融合，形成融合特征，最后将新近患者的融合特征向量与历史样本中患者的融合特征向量进行相似度计算，寻找相似度最高的TOPK个治疗成功的历史患者，并将他们的诊疗方案提供给医生来辅助诊疗。

通过调研发现，现有的辅助诊疗技术还主要集中在使用患者的文本信息进行进行格式化记录，如患者的年纪、性别、所在地域等信息等，并使用这些特征信息在历史库中进行简单的检索匹配，并将患者信息匹配的重合程度更高的历史用户的诊疗方案提供给医生，供医生进行诊疗决策时参考。

发明内容

本申请实施例提供了一种人工智能辅助诊疗方法、系统、存储介质及电子设备，以至少解决现有的人工智能辅助诊疗方法工作任务重准确率低的问题。

本发明提供了一种人工智能辅助诊疗方法，其中，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。

上述人工智能辅助诊疗方法，其中，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。