[發明專利]一種基于深度學習的醫院分診和預測醫學檢查項目的方法

在審

• 申請號: 202110262553.4
• 申請日: 2021-03-10
• 公開（公告）號: CN112951394A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 李得元;代超;何帆;周振
• 申請（專利權）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權代理有限公司 51230
• 代理人: 孟仕杰

本發明涉及醫學領域，具體是一種基于深度學習的醫院分診和預測醫學檢查項目的方法，包括如下步驟：步驟一、采集患者信息；步驟二、對患者信息進行編碼；步驟三、將編碼的向量進行分類，得到不同科室的分診概率和不同醫學檢查項目的概率；步驟四、對各個科室的分診概率進行排序，返回排名最高的設定個數的推薦科室和對應的分診概率；針對在線預約的患者提供醫學檢查項目預測，可為患者提供檢查注意事項，提高就診效率。

技術領域

本發明涉及醫學領域，具體是指一種基于深度學習的醫院分診和預測醫學檢查項目的方法。

背景技術

現如今，由于醫生與患者數量不匹配，導致掛號越來越難，甚至需要提前1周或1周以上進行提前預約，基于此，在線預約成為了醫院提供的一項十分重要的服務，但是患者在線預約時，并不確定自己到底需要掛哪個科室，具體應該檢測哪些項目，只能憑自身經驗進行預約，一旦預約錯誤，存在重新預約的風險。

發明內容

基于以上問題，本發明提供了一種基于深度學習的醫院分診和預測醫學檢查項目的方法，針對在線預約的患者提供醫學檢查項目預測，可為患者提供檢查注意事項，提高就診效率。

為解決以上技術問題，本發明采用的技術方案如下：

一種基于深度學習的醫院分診和預測醫學檢查項目的方法，包括如下步驟：

步驟一、采集患者信息；

步驟二、對患者信息進行編碼；

步驟三、將編碼的向量進行分類，得到不同科室的分診概率和不同醫學檢查項目的概率；

步驟四、對各個科室的分診概率進行排序，返回排名最高的設定個數的推薦科室和對應的分診概率。

進一步，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。

進一步，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行向量化編碼；對患者性別進行one-hot編碼，男性為0，女性為1；對患者年齡除以100進行歸一化處理。

進一步，還包括多個第一雙向LSTM模塊、多個第二雙向LSTM模塊、第一全連接神經網絡模塊和第二全連接神經網絡模塊；將Word2Vec模型的輸出結果輸入第一雙向LSTM模塊，輸出結果輸入第一全連接神經網絡模塊和第二全連接神經網絡模塊；將Bert模型的輸出結果輸入第二雙向LSTM模塊，輸出結果輸入第一全連接神經網絡模塊和第二全連接神經網絡模塊。

進一步，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。

進一步，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。

進一步，所述第一全連接神經網絡以0.2的比例對經合并后的向量進行Dropout，將結果輸入全連接層，激活函數為tanh，隱藏層神經元數量為512，以0.2的比例對全連接層的輸出進行Dropout，將結果輸入全連接層，激活函數為softmax，隱藏層神經元數量為科室數量。

進一步，所述第二全連接神經網絡以0.2的比例對經合并后的向量進行Dropout，將結果輸入全連接層，激活函數為tanh，隱藏層神經元數量為512，以0.2的比例對全連接層的輸出進行Dropout，將結果輸入全連接層，激活函數為sigmoid，隱藏層神經元數量為醫學檢查項目數量。

與現有技術相比，本發明的有益效果是：本方法能夠更充分的利用原始文本即采集的患者信息的語義信息，利用Bert模型和Word2Vec模型對原始文本進行向量化，能夠更有效的保留患者的信息，從而提供更準確的預測結果。

附圖說明

圖1為本實施例1的流程圖。