[發明專利]用于科室分診的分診模型的訓練方法、分診方法和系統

在審

• 申請號: 202011275299.3
• 申請日: 2020-11-13
• 公開（公告）號: CN112349410A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 袁鵬;李浩然
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06F40/289;G06N3/04
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 王文思

1.一種用于科室分診的分診模型的訓練方法，包括：

基于多個科室中每個科室的標注數據集以及所述科室在知識庫中的科室描述文本，生成所述每個科室的關鍵詞表，其中，所述每個科室的標注數據集包括針對該科室的多個病情描述文本；

針對每個科室的多個病情描述文本，利用第一網絡模型對每個病情描述文本進行處理，得到每個病情描述文本的第一特征向量，并利用第二網絡模型對所述每個科室的關鍵詞表進行處理，得到針對每個科室的關鍵詞表向量；

針對每個病情描述文本，基于所述病情描述文本的第一特征向量與每個科室的關鍵詞表向量之間的相關性，生成針對每個科室的所述病情描述文本的第二特征向量；

針對每個病情描述文本，基于所述病情描述文本的第一特征向量與每個第二特征向量之間的相關性，生成所述病情描述文本的融合特征向量；

基于所述每個病情描述文本的融合特征向量和所述病情描述文本的科室信息，對第三網絡模型進行訓練，得到經訓練的所述分診模型。

2.根據權利要求1所述的方法，其中，所述基于多個科室中每個科室的標注數據集以及所述科室在知識庫中的科室描述文本，生成所述每個科室的關鍵詞表包括：針對每個科室的標注數據集中的多個病情描述文本，

對每個病情描述文本進行劃分，得到針對每個病情描述文本的多個分詞；

基于每個分詞和所述科室描述文本共現的概率，計算所述每個分詞與所述科室描述文本之間的相關性；

基于所述相關性滿足預設條件的分詞，生成所述每個科室的關鍵詞表。

3.根據權利要求1所述的方法，其中，所述第一網絡模型包括詞向量子模型和特征提取子模型；所述利用第一網絡模型對每個病情描述文本進行處理，得到每個病情描述文本的第一特征向量包括：

利用所述詞向量子模型對所述每個病情描述文本進行處理，得到所述每個病情描述文本的的詞向量；

利用所述特征提取子模型對所述每個病情描述文本的詞向量進行處理，得到所述每個病情描述文本的所述第一特征向量。

4.根據權利要求1所述的方法，其中，所述針對每個病情描述文本，基于所述病情描述文本的第一特征向量與每個科室的關鍵詞表向量之間的相關性，生成針對每個科室的所述病情描述文本的第二特征向量包括：

基于所述病情描述文本的第一特征向量與每個科室的關鍵詞表中的每個關鍵詞之間的相關性，生成針對每個關鍵詞的權重；

基于針對所述每個關鍵詞的權重中的最大值以及所述針對每個關鍵詞的權重之和，確定針對每個關鍵詞表的權重；

基于針對每個關鍵詞表的權重，對所述病情描述文本的第一特征向量進行處理，生成針對每個科室的所述病情描述文本的第二特征向量。

5.根據權利要求1所述的方法，其中，所述針對每個病情描述文本，基于所述病情描述文本的第一特征向量與每個第二特征向量之間的相關性，生成所述病情描述文本的融合特征向量包括：

基于所述病情描述文本的第一特征向量與每個第二特征向量之間的相關性，生成針對每個第二特征向量的權重；

基于每個第二特征向量的權重，對所述每個第二特征向量進行處理，生成所述病情描述文本的融合特征向量。

6.根據權利要求1所述的方法，其中，所述基于所述每個病情描述文本的融合特征向量和所述病情描述文本的科室信息，對第三網絡模型進行訓練，得到經訓練的所述分診模型包括：

利用所述第三網絡模型對任一病情描述文本的融合特征向量進行處理，得到所述任一病情描述文本的預測科室信息；

基于所述任一病情描述文本的的科室信息與預測科室信息之間的誤差，確定所述第三網絡模型的損失；

基于所述第三網絡模型的損失調整所述第三網絡模型的參數，以得到更新的第三網絡模型；

針對所述更新的第三網絡模型，重復上述訓練過程，直至所述第三網絡模型的損失收斂，得到經訓練的所述分診模型。