问诊对话方法及系统与流程

1.本发明涉及智能医疗领域，具体地涉及一种问诊对话方法及一种问诊对话系统。


背景技术：

2.智能问诊成为现有提高诊疗效率的常用技术手段，通过智能系统通过智能问答的方式进行患者情况采集，减少医生的工作量，提高医院的诊疗效率。在现有的智能问诊系统中，主要存在两种方式，一种是主要考虑智能问答问题口语化，即生成的问答问题更加贴近于医生的口述文本，其优点在于患者进行智能问答时，会有与医生对话的代入感，对患者的参与感有很大的帮助。其主要利用的方法便是基于ptm(预训练)模型进行口语化问题生成，进行ptm模型构建时，需要根据既往存在的问诊数据或专家标注的数据进行训练，模拟医生问诊特征进行问答问题生成。进行ptm模型生成时，主要基于transformer模型进行构建，其对于语义的精准识别具有显著的意义。另外一种方法是体现严肃场景的方式，即为了识别结果更加准确，避免口语化语义识别导致的问诊问题识别不准确，从而影响医生对患者病情错误判断的情况，以fsm(有限状态机)规则为主，其限定了问题的问诊方向，用户作答的方式被限定，避免患者任意输入导致语义识别不准的问题。
3.上述两种方法在现有的医疗问诊场面均在被经常使用，但二者都存在一定的弊端。其中，ptm模型虽然在生成问诊问题时模拟了医生的问诊习惯，使得患者的使用体验度更好，但是其但在对话逻辑方面不尽如人意。即对话可能不能按照专业的医学角度进行，有医学方面不严谨，甚至走偏的风险。而fsm规则下的问题生成，基于问题指向性比较明确，但对应造成的问题便是开放性不足。在开放性输入的情况下，意图识别是一个复杂的问题，fsm在一些场景下难以覆盖所有状态，且输出往往基于模版，多样性不足。针对现有智能问诊方法存在的问题，需要创造一种新的问诊对话方法。


技术实现要素：

4.本发明实施方式的目的是提供一种问诊对话方法及系统，以至少解决现有智能问诊方法无法兼容灵活性和执行性的问题。
5.为了实现上述目的，本发明第一方面提供一种问诊对话方法，所述方法包括：获取患者信息，根据所述患者信息和预设模型生成具有固定指向标签的问诊对话问题；推送所述问诊对话问题到用户端；回收针对所述问诊对话问题的用户作答信息，基于所述问诊对话问题的固定指向标签对所述用户作答信息进行分析，获得对应固定指向标签下的需求信息。
6.可选的，所述患者信息包括以下信息的一种或多种：所述患者信息包括以下信息的一种或多种：主诉信息、挂号科室信息、既往史信息、现病史信息、个人史信息、家族史信息和月经婚育史信息。
7.可选的，所述预设模型包括：ptm模型、tag模型；其中，所述ptm模型用于生成问诊对话问题；所述tag模型包括：tag语义模型，用于标记所述问诊对话问题的语义类型；tag序
列模型，用于限定所述问诊对话问题的固定指向。
8.可选的，所述方法还包括：构建ptm模型，包括：获取历史问诊数据；其中，所述历史问诊数据包括以下中的一者或多者：智能问诊问题及答案、病历整理信息、模拟问答信息；将所述历史问诊数据作为训练样本，进行ptm模型训练。
9.可选的，所述方法还包括：构建tag语义模型，包括：对所述ptm模型生成的问诊对话问题进行语义标注；根据所述语义标注对所述问诊对话问题进行分类，其中每一分类对应一个分类标签；统计所有分类标签，构成标签库；根据所述问诊对话问题和所述标签库的对应关系训练获得tag模型。
10.可选的，所述方法还包括：构建tag序列模型，包括：根据预设知识规则进行所述历史问诊数据指向标注；将进行执行标注的历史问诊数据作为训练样本，基于预设深度学习算法训练获得tag序列模。
11.可选的，所述根据所述患者信息和预设模型生成具有固定指向标签的问诊对话问题，包括：根据所述患者信息和所述ptm模型生成问诊对话问题集；根据所述tag语义模型对所述问诊对话问题集中的各问诊对话问题进行固定指向标签设置；根据所述tag序列模型统计每种固定指向下的问诊对话问题数量，并提取出问诊对话问题数量最多的一类固定指向；在提取出的固定指向下任选一个问诊对话问题和固定指向标签作为具有固定指向标签的问诊对话问题。
12.可选的，所述方法还包括：训练ptm模型，包括：获取历史问诊数据；其中，所述历史问诊数据包括以下中的一者或多者：智能问诊问题及答案、病历整理信息、模拟问答信息；对所述历史问诊数据中的历史问诊信息进行语义标注，分别获得历史问诊信息中的问诊问题和对应的问诊问题类型；根据每个问诊问题和对应的问诊问题类型训练获得tag模型；根据所述问诊问题和所述tga模型训练获得ptm模型。
13.可选的，所述根据所述患者信息和预设模型生成具有固定指向标签的问诊对话问题，包括：以所述患者信息为输入，以具有固定指向标签的问诊对话问题为输出，进行所述ptm模型训练，获得对应的具有固定指向标签的问诊对话问题。
14.本发明第二方面提供一种问诊对话系统，所述系统包括：采集单元，用于获取患者信息；处理单元，用于根据所述患者信息和预设模型生成具有固定指向标签的问诊对话问题；推送单元，用于推送所述问诊对话问题到用户端；所述采集单元还用于：回收针对所述问诊对话问题的用户作答信息；所述处理单元还用于：基于所述问诊对话问题的固定指向标签对所述用户作答信息进行分析，获得对应固定指向标签下的需求信息。
15.另一方面，本发明提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的问诊对话方法。
16.通过上述技术方案，进行问诊对话问题生成时，为每一个智能问答问题增加一个固定指向标签，其规定了对应问诊对话问题的询问目的，也限定了患者的作答范围。在患者作答后，基于该固定指向进行问题分析，提高问题处理的逻辑性和指向性，且保留了问题生成的灵活性。
17.本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
18.附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
19.图1是本发明一种实施方式提供的问诊对话方法的步骤流程图；
20.图2是本发明一种实施方式提供的生成具有固定指向标签的问诊对话问题的步骤流程图；
21.图3是本发明一种实施方式提供的问诊对话系统的系统结构图。
22.附图标记说明
23.10-采集单元；20-处理单元；30-推送单元。
具体实施方式
24.以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
25.图3是本发明一种实施方式提供的问诊对话系统的系统结构图。如图3所示，本发明实施方式提供一种问诊对话系统，所述系统包括：采集单元10，用于获取患者信息；处理单元20，用于根据所述患者信息和预设模型生成具有固定指向的问诊对话问题；推送单元30，用于推送所属具有固定指向的问诊对话问题到用户端；所述采集单元10还用于回收用户作答信息；所述处理单元20还用于基于所述固定指向对所述用户作答信息进行分析，获得对应指向下的需求信息。
26.图1是本发明一种实施方式提供的问诊对话方法的方法流程图。如图1所示，本发明实施方式提供一种问诊对话方法，所述方法包括：
27.步骤s10：获取患者信息，根据所述患者信息和预设模型生成具有固定指向标签的问诊对话问题。
28.具体的，在现有的智能问诊体系中，进行智能问题生成的方式主要有两种，第一种是主要考虑智能问答问题口语化，即生成的问答问题更加贴近于医生的口述文本，其优点在于患者进行智能问答时，会有与医生对话的代入感，对患者的参与感有很大的帮助。其主要利用的方法便是基于ptm(预训练)模型进行口语化问题生成，进行ptm模型构建时，需要根据既往存在的问诊数据或专家标注的数据进行训练，模拟医生问诊特征进行问答问题生成。进行ptm模型生成时，主要基于transformer模型进行构建，其对于语义的精准识别具有显著的意义。另外一种方法是体现严肃场景的方式，即为了识别结果更加准确，避免口语化语义识别导致的问诊问题识别不准确，从而影响医生对患者病情错误判断的情况，以fsm(有限状态机)规则为主，其限定了问题的问诊方向，用户作答的方式被限定，避免患者任意输入导致语义识别不准的问题。
29.上述两种方法在现有的医疗问诊场面均在被经常使用，但二者都存在一定的弊端。其中，ptm模型虽然在生成问诊问题时模拟了医生的问诊习惯，使得患者的使用体验度更好，但是其但在对话逻辑方面不尽如人意。即患者容易曲解问诊问题，进行作答时会输入与问题不相关的内容，进行语义识别时，最终的识别内容与目的不符。例如，问诊问题为：这种情况出现多久了？患者作答：从两个月前开始了，之间又出现了腹痛，大概是两周前，或者
更久的时候。进行语义识别时，因为无逻辑关联，对于之前询问的症状时间，在两个月前、两周前和更久的时候之间无法准确识别，造成医生对患者病情的不准确判断。而fsm规则下的问题生成，基于问题指向性比较明确，但对应造成的问题便是开放性不足。在开放性输入的情况下，意图识别是一个复杂的问题，fsm在一些场景下难以覆盖所有状态，且输出往往基于模版，多样性不足。基于上述两种方法各自的优点和弊端，本技术结合两种方法，进行优点互补，摆脱各自的弊端，在对话问诊中实现保证问诊问题的指向性更好的情况下，还能保持医生的口语化表达，在保证患者病情准确采集的前提下，提高患者的参与度。
30.基于此，我们需要获得规定执行性的问题生成模型，在生成的模型中，本技术提供了两种可能的实施方法，第一种是在ptm模型生成时，直接规定了问题的指向性，即问题生成时，输出结果直接带有固定指向标签。另一种是根据常规ptm模型进行问题生成，然后对生成的问题进行分析和统计，进行标签添加，然后进行问题推送。具体的，如图2，包括以下步骤：
31.步骤s101：构建预设模型。
32.具体的，实施例一：
33.进行ptm模型训练前，需要收集大量的训练样本，这些训练样本包含了大量的口语化问诊规律，进行这些特征提取，可以进行口语化问题生成模拟。所以，这些历史数据包括以往的问答信息，这些问答过程信息留存在既往病历中、既往智能问答系统中或者专家主动编撰内容中，这些历史数据包含患者信息、问诊目的和问诊问题，简单来说，ptm模型的作用便是基于患者信息和问诊目的生成口语化的问诊问题，基于此，以患者信息和问诊目的为输入，以问诊问题为输出进行模型训练，获得ptm模型。在进行历史数据整理时，保留一部分历史数据作为验证数据，记载完成ptm模型后，根据这些验证数据进行模型测试，判断模型的准确度。
34.实施例二：
35.进行ptm模型训练时，直接规定了问题执行性。例如，最终的问题为“[问发生时间]头痛多久了？”，其中，括号中的内容：问发生多久了便是固定指向性的标签，后面头痛多久了是模拟医生口语化的问题内容。在上述实施方式中，仅构建了如何生成模拟医生口语化问题的模型，其无法限定问题的执行性。在本技术实施例中，想要在构建ptm模型的过程中便完成对应问题的标签添加。在模型训练过程中，基于问诊目的进行问诊执行性类型分类，例如，分裂包括：问发生时间、问诱因、问症状。则如果问题为：最近有没有吃什么特别的东西？其将划分到问诱因类型中。基于这种关系，首先进行历史数据标注，即对问诊问题进行类型标注。其标注过程同样可以基于ptm模型进行，完成数据标注后，进行ptm模型训练，在训练过程中，直接加入tag模型，根据类型标注和口语化问题生成包含tag模型的ptm模型。以便于在后续问题生成过程中，输出的问题直接包含具有固定指向标签的问诊对话问题。
[0036]
步骤s102：获取患者信息。
[0037]
具体的，ptm的模型是基于患者信息生成对应的问诊对话问题，所以模型的输入数据为患者信息，这些患者信息包括主诉信息、挂号科室信息、既往史信息和基础身份信息。这些信息为生成问题提供了根据，进行患者信息获取时，优选的，通过患者的输入信息和留存信息进行获取。例如，患者在对应医院或医疗系统中留存的既往史信息，根据患者需求便可以直接进行问题生成时。优选的，患者为复诊患者时，患者可直接选择复诊需求，则直接
读取患者的留存信息，基于留存信息进行问题生成。若患者为初诊患者，则判断患者在系统中是否存在其他病史留存信息，进行问题生成时，以留存信息进行参考，根据医疗知识图谱进行关联问题生成，提高系统的智能性。
[0038]
步骤s103：根据所述患者信息和预设模型生成具有固定指向标签的问诊对话问题。
[0039]
具体的，步骤s101中提供了两种模型生成方法，基于不同的ptm模型，生成的问题也相同。其中，针对实施例一中的ptm模型构建方法，对应的具有固定指向标签的问诊对话问题生成方法包括：
[0040]
首先，对患者信息进行标准化处理，即根据ptm模型的普适性需求，将患者数据处理为对应的输入数据，然后将输入数据导入到构建的ptm模型中。基于ptm模型的特性，因为不存在标签限定，其输出的问题为多个，为了准确识别出需要推送的问题，将生成的所有问题组合形成问诊对话问题集。然后tag模型对所述问诊对话问题集中的各问诊对话问题进行标签设置，在设置过程中，提取每个对话问题的问诊目的，然后基于问诊目的进行标签类型匹配，根据匹配的标签进行对应问题标签添加。形成“[问发生时间]头痛多久了”相同类型的问题。统计每一种标签类型下的问题数量，然后进行对比，筛选出其中数量最多的问题标签，因为其隐含了问题询问逻辑，问题数量越多，表示对应问题的权重越高。因为相同标签下的问题目的一致，计时表述方式不同，例如在“问症状”标签类型下，“哪里不舒服？”“有没有不舒服的地方”均是相同的意思，所以在问题数量最多的标签类型下，任选一个问题作为具有固定指向的问诊对话问题，并进行该问题推送。即首先通过tag语义模型进行问诊对话问题标签设置，然后基于tag序列模型进行指向统计，基于统计结果进行问题筛选。
[0041]
针对实施例二中的ptm模型构建规则，因为其在构建ptm模型时，已经融合了tag模型，所以在生成问题是，直接进行问题分类，其实在tag规则限定下生成的问题，所以生成的标签类型唯一，虽然同样可以存在多种表达方式，单位了避免增加筛选过程，进行问题生成时，仅生成一个具有固定指向标签的问题，然后基于该问题进行问题推送。在问题的生成过程中，输入用户数据后，基于tag序列模型进行问题前置规定，即规定了其指向，然后在后续的ptm模型中，基于该规定指向进行问题生成。因为在实时例一中是没有规定限制的，所以其依旧根据知识图谱进行问题生成，所以我输出结果方向和数量均是多样的，而实施例二中，进行ptm模型训练时。其实际的输入数据是患者信息和tag序列模型规定的执行，所以其增加的限定范围，基于该限定进行模型训练，输出唯一具有固定指向标签的问题。
[0042]
步骤s20：推送所述问诊对话问题到用户端。
[0043]
具体的，无论是哪一种ptm模型，最终的具有固定指向性的问诊对话问题只有一个，该问题具有固定指向标签和具体问题内容，推送单元将该问题推送到用户的设备端。并开放对应的问题回收框，为用户提供开放性的回答范围。因为具有固定指向标签，患者进行作答时思考范围更小，跟贴近本身。用户完成问题作答后，触发完成按钮，采集单元对应回收患者的作答信息。
[0044]
步骤s30：回收针对所述问诊对话问题的用户作答信息，基于所述固定指向标签对所述用户作答信息进行分析，获得对应标签下的需求信息。
[0045]
具体的，回收用户作答信息后，便可以根据其带有的指向标签进行作答信息分析。例如，若固定指向标签为“问症状”，则进行作答信息分析是，根据指示图谱进行语义分析，
筛选出其中与症状相关的词语，其余无关词语直接过滤，减少数据处理体量的同时，保证的分析方向的唯一性，避免干扰信息对最终语义识别结果干扰。使得识别结果更贴近需求，对患者的信息采集逻辑更明确。
[0046]
在本发明实施例中，通过结合ptm模型和tag模型实现生成问诊对话问题口语化的同时保留良好的指向性和逻辑性。结合ptm模型语义理解、对话流畅和fsm可控的优势，在医疗这个严肃的专业领域，得到一个拟人、专业、可控的问诊对话系统。
[0047]
本发明实施方式还提供一种计算机可读储存介质，该计算机可读存储介质上储存有指令，其在计算机上运行时使得计算机执行上述的问诊对话方法。
[0048]
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0049]
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
[0050]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。