一種醫療輔助決策方法、裝置、設備及存儲介質與流程

本發明涉及醫療輔助決策，具體的說，涉及的是一種醫療輔助決策方法、裝置、設備及存儲介質。

背景技術：

1、現有技術中，采用專家經驗、機器學習等方法來輔助醫務人員進行數據的整理和決策。基于專家經驗的方法需要很強的專家經驗，需要根據不同決策結果制定不同的推斷規則，可擴展性不高；基于機器學習的方法具備對大量電子數據的快速處理和信息挖掘的能力，推斷出的決策結果有更高的準確性，但大部分都是針對單一決策結果進行推斷，覆蓋的決策結果種類十分有限。

技術實現思路

1、基于此，本發明提供了一種醫療輔助決策方法、裝置、設備及存儲介質，其能夠通過引入稀疏化模型和醫療案例數據庫，降低了對推斷規則和專家經驗的依賴性，提高了模型的集成性和可擴展性，解決了現有技術只能針對單一決策結果進行推斷的問題。

2、為實現上述目的，本發明實施例提供了一種醫療輔助決策方法，包括：

3、將待處理數據輸入預先訓練好的基于雙任務的稀疏化模型，其中，所述雙任務包括意圖識別任務和疾病預測任務；

4、當所述意圖識別任務對于所述待處理數據的識別結果為疾病預測意圖時，根據所述疾病預測任務對于所述待處理數據的疾病預測結果和所述待處理數據查找案例數據庫，輸出決策結果；其中，所述案例數據庫記錄有醫療案例數據，每一醫療案例數據與至少一項疾病結果對應，所述決策結果與所述案例數據庫中的至少一個醫療案例數據相關聯。

5、作為上述方案的改進，當所述意圖識別任務對于所述待處理數據的識別結果為知識查詢意圖時，根據所述待處理數據查詢預設的通用醫學知識圖譜，輸出與所述待處理數據關聯的通用醫學知識。

6、作為上述方案的改進，所述基于雙任務的稀疏化模型包括嵌入層、編碼層和輸出層，所述編碼層中的每一子層包括bertattention層、并列設置的意圖識別層和疾病預測層、dropout層和layernorm層；所述意圖識別層包括依次連接的第一線性層、第一激活函數層和第二線性層，所述第二線性層連接到所述dropout層；所述疾病預測層包含依次連接的所述第一線性層、所述第一激活函數層和所述第二線性層，以及依次連接的第三線性層、第二激活函數層和第四線性層，所述第二線性層和所述第四線性層合并連接到所述dropout層，所述bertattention層與所述dropout層進行殘差連接。

7、作為上述方案的改進，所述基于雙任務的稀疏化模型通過以下方式訓練得到：

8、構建預訓練模型；

9、采用獲取的若干醫學相關數據樣本對所述預訓練模型分別執行無監督的掩碼語言模型任務和無監督對比學習任務，得到醫學預訓練模型；

10、對所述醫學預訓練模型改進，得到基于雙任務的稀疏化模型；

11、采用意圖識別訓練數據和預測訓練數據交替訓練所述基于雙任務的稀疏化模型，以分別調整所述意圖識別任務關聯的模型參數和所述疾病預測任務關聯的模型參數。

12、作為上述方案的改進，所述采用意圖識別訓練數據和預測訓練數據交替訓練所述基于雙任務的稀疏化模型，以分別調整所述意圖識別任務關聯的模型參數和所述疾病預測任務關聯的模型參數，包括：

13、將意圖識別訓練數據輸入所述基于雙任務的稀疏化模型，得到所述意圖識別任務在所述基于雙任務的稀疏化模型中的每一層的表征和識別輸出結果，以調整所述意圖識別任務關聯的模型參數；

14、以所述意圖識別任務在所述基于雙任務的稀疏化模型中的每一層的表征作為先驗知識，將預測訓練數據輸入所述基于雙任務的稀疏化模型，得到所述疾病預測任務在所述基于雙任務的稀疏化模型中的每一層的表征和預測輸出結果，以調整所述疾病預測任務關聯的模型參數。

15、作為上述方案的改進，所述當所述意圖識別任務對于所述待處理數據的識別結果為疾病預測意圖時，根據所述疾病預測任務對于所述待處理數據的疾病預測結果和所述待處理數據查找案例數據庫，輸出決策結果，包括：

16、當所述意圖識別任務對于所述待處理數據的識別結果為疾病預測意圖時，通過調用預先訓練好的檢索模型，從案例數據庫中找到疾病結果與所述疾病預測結果相同的醫療案例數據；

17、分別將找到的每一所述醫療案例數據與所述待處理數據進行相似度計算，篩選出相似度最高的至少一個所述醫療案例數據；

18、將篩選得到的所述醫療案例數據關聯的決策結果輸出。

19、作為上述方案的改進，所述檢索模型包括文本表征模型和相似度計算模型，所述當所述意圖識別任務對于所述待處理數據的識別結果為疾病預測意圖時，通過調用預先訓練好的檢索模型，從案例數據庫中找到疾病結果與所述疾病預測結果相同的醫療案例數據，包括：

20、使用所述文本表征模型對案例數據庫中的所有醫療案例數據進行向量化處理，得到案例數據向量庫；

21、從所述案例數據向量庫中找到疾病結果與所述疾病預測結果相同的所有醫療案例數據以作為候選醫療案例數據；

22、所述分別將找到的每一所述醫療案例數據與所述待處理數據進行相似度計算，篩選出相似度最高的至少一個所述醫療案例數據，包括：

23、使用所述文本表征模型對所述待處理數據進行向量化處理；

24、將向量化處理后的待處理數據分別與每一所述候選醫療案例數據進行相似度計算，篩選出相似度最高的至少一個所述醫療案例數據。

25、作為上述方案的改進，所述決策結果包括目標醫療案例數據和所述目標醫療案例數據關聯的應對措施中的至少一種，所述目標醫療案例數據為所述醫療案例數據中的至少一個。

26、為實現上述目的，本發明實施例還提供了一種醫療輔助決策裝置，包括：

27、數據輸入模塊，用于將待處理數據輸入預先訓練好的基于雙任務的稀疏化模型，其中，所述雙任務包括意圖識別任務和疾病預測任務；

28、決策模塊，用于當所述意圖識別任務對于所述待處理數據的識別結果為疾病預測意圖時，根據所述疾病預測任務對于所述待處理數據的疾病預測結果和所述待處理數據查找案例數據庫，輸出決策結果；其中，所述案例數據庫記錄有醫療案例數據，每一醫療案例數據與至少一項疾病結果對應，所述決策結果與所述案例數據庫中的至少一個醫療案例數據相關聯。

29、為實現上述目的，本發明實施例還提供了一種醫療輔助決策設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現如上述任一實施例所述的醫療輔助決策方法。

30、為實現上述目的，本發明實施例還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行如上述任一實施例所述的醫療輔助決策方法。

31、與現有技術相比，本發明實施例公開的醫療輔助決策方法、裝置、設備及存儲介質，通過將待處理數據輸入預先訓練好的基于雙任務的稀疏化模型，計算出稀疏化模型中每一任務的處理結果，其中，所述雙任務包括意圖識別任務和疾病預測任務；當所述意圖識別任務對于所述待處理數據的識別結果為疾病預測意圖時，通過根據所述疾病預測任務對于所述待處理數據的疾病預測結果和所述待處理數據來查找醫療案例數據庫，最終輸出決策結果；其中，所述醫療案例數據庫記錄有醫療案例數據，每一醫療案例數據與至少一項疾病結果對應。與現有技術相比，本發明實施例通過引入基于雙任務的稀疏化模型和醫療案例數據庫，降低了對推斷規則和專家經驗的依賴性，提高了模型的集成性和可擴展性，解決了現有技術只能針對單一決策結果進行推斷的問題。