[發(fā)明專利]一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法

在審

• 申請?zhí)枺?/td>: 202110262553.4
• 申請日: 2021-03-10
• 公開（公告）號: CN112951394A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設(shè)計）人: 李得元;代超;何帆;周振
• 申請（專利權(quán)）人: 中電健康云科技有限公司
• 主分類號: G16H40/20
• 分類號: G16H40/20;G16H10/60;G06N3/04
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 孟仕杰

1.一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于，包括如下步驟：

步驟一、采集患者信息；

步驟二、對患者信息進(jìn)行編碼；

步驟三、將編碼的向量進(jìn)行分類，得到不同科室的分診概率和不同醫(yī)學(xué)檢查項(xiàng)目的概率；

步驟四、對各個科室的分診概率進(jìn)行排序，返回排名最高的設(shè)定個數(shù)的推薦科室和對應(yīng)的分診概率。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于：所述患者信息包括患者癥狀描述、患者既往史、家族疾病史、患者性別和患者年齡。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于：還包括Bert模型和Word2Vec模型，所述Bert模型和Word2Vec模型分別對患者癥狀描述、患者既往史、家族疾病史的文本語義信息進(jìn)行向量化編碼；對患者性別進(jìn)行one-hot編碼，男性為0，女性為1；對患者年齡除以100進(jìn)行歸一化處理。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于：還包括多個第一雙向LSTM模塊、多個第二雙向LSTM模塊、第一全連接神經(jīng)網(wǎng)絡(luò)模塊和第二全連接神經(jīng)網(wǎng)絡(luò)模塊；將Word2Vec模型的輸出結(jié)果輸入第一雙向LSTM模塊，輸出結(jié)果輸入第一全連接神經(jīng)網(wǎng)絡(luò)模塊和第二全連接神經(jīng)網(wǎng)絡(luò)模塊；將Bert模型的輸出結(jié)果輸入第二雙向LSTM模塊，輸出結(jié)果輸入第一全連接神經(jīng)網(wǎng)絡(luò)模塊和第二全連接神經(jīng)網(wǎng)絡(luò)模塊。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于：所述第一雙向LSTM模塊包括兩層雙向LSTM層，雙向合并方式采用求和。

6.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于：所述第二雙向LSTM模塊包括一層雙向LSTM層，雙向合并方式采用求和。

7.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于：所述第一全連接神經(jīng)網(wǎng)絡(luò)以0.2的比例對經(jīng)合并后的向量進(jìn)行Dropout，將結(jié)果輸入全連接層，激活函數(shù)為tanh，隱藏層神經(jīng)元數(shù)量為512，以0.2的比例對全連接層的輸出進(jìn)行Dropout，將結(jié)果輸入全連接層，激活函數(shù)為softmax，隱藏層神經(jīng)元數(shù)量為科室數(shù)量。

8.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的醫(yī)院分診和預(yù)測醫(yī)學(xué)檢查項(xiàng)目的方法，其特征在于：所述第二全連接神經(jīng)網(wǎng)絡(luò)以0.2的比例對經(jīng)合并后的向量進(jìn)行Dropout，將結(jié)果輸入全連接層，激活函數(shù)為tanh，隱藏層神經(jīng)元數(shù)量為512，以0.2的比例對全連接層的輸出進(jìn)行Dropout，將結(jié)果輸入全連接層，激活函數(shù)為sigmoid，隱藏層神經(jīng)元數(shù)量為醫(yī)學(xué)檢查項(xiàng)目數(shù)量。