[發明專利]智能問診方法、系統、計算機設備和存儲介質

在審

• 申請號: 201810941864.1
• 申請日: 2018-08-17
• 公開（公告）號: CN109192300A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 夏源;楊葉輝;羅程亮;范斌
• 申請（專利權）人: 百度在線網絡技術（北京）有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 宋合成

本發明公開了一種智能問診方法、系統、計算機設備和存儲介質。其中，所述智能問診方法包括：根據目標對象的主訴內容進行疾病先驗概率預測，得到針對目標對象的疾病先驗概率；基于疾病先驗概率的排序，確定至少一個候選疾病；從預先建立的基于強化學習的多智能體模型中，確定與至少一個候選疾病對應關聯的至少一個智能體策略，其中，每個智能體策略用于指示在當前癥狀狀態的情況下輸出下一次交互需要提出的問題；基于每個智能體策略，根據目標對象針對下一次交互需要提出的問題的交互選擇進行交互式問診。本發明實施例可以在保證問診結果準確率的情況下，優化了相關疾病問診邏輯的合理性與用戶體驗。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種智能問診方法、系統、計算機設備和計算機可讀存儲介質。

背景技術

目前在醫療智能問診領域主要有以下兩類方法以實現智能化問診：一類是基于傳統的概率圖模型(Probabilistic Graphical Model，英文簡稱為PGM)與信息增益(Information Gain)的方法，可以適當模擬問診過程，并給出疾病診斷；另一類是近年來比較新的深度學習的模型，在根據已經觀測到病人的癥狀的情況下，對當前可能的疾病進行診斷。常用的基于深度學習模型的方法有基于DNN(Deep Neural Networks，深度神經網絡),CNN(Convolution Neural Network，卷積神經網絡),LSTM(Long Short-Term Memory，長短期記憶網絡)的網絡以及它們的擴展。

然而，上述傳統的基于概率圖模型(PGM)與信息增益(Information Gain)的方法往往在模型推理(inference)部分計算復雜度比較高，同時，概率圖模型的疾病-癥狀轉移矩陣往往需要專業的醫生標注，這種類似專家系統的模型，在疾病擴展方面面臨極大的挑戰。另外，上述基于深度學習模型的智能問診方法，在已知所有觀測到的癥狀的情況下，模型可以給出相對高的疾病預測準確率，但是通常情況下，我們無法觀測到病人所有的癥狀，基于深度學習的模型由于它的不可解釋性，很難給出合理的問診過程。

因此，在智能問診領域需要一種新的方法來進行突破。

發明內容

本發明的目的旨在至少在一定程度上解決上述的技術問題之一。

為此，本發明的第一個目的在于提出一種智能問診方法。該方法可以在保證問診結果準確率的情況下，優化了相關疾病問診邏輯的合理性與用戶體驗。

本發明的第二個目的在于提出一種智能問診系統。

本發明的第三個目的在于提出一種計算機設備。

本發明的第四個目的在于提出一種非臨時性計算機可讀存儲介質。

為達到上述目的，本發明第一方面實施例提出的智能問診方法，包括：

根據目標對象的主訴內容進行疾病先驗概率預測，得到針對所述目標對象的疾病先驗概率；

基于所述疾病先驗概率的排序，確定至少一個候選疾病；

從預先建立的基于強化學習的多智能體模型中，確定與至少一個候選疾病對應關聯的至少一個智能體策略，其中，每個智能體策略用于指示在當前癥狀狀態的情況下輸出下一次交互需要提出的問題；

基于所述每個智能體策略，根據所述目標對象針對所述下一次交互需要提出的問題的交互選擇進行交互式問診。