电子病历的疾病识别方法和装置、电子设备及存储介质与流程

本技术涉及数字医疗领域，尤其涉及一种电子病历的疾病识别方法和装置、电子设备及存储介质。

背景技术：

1、随着智慧医疗系统的快速发展与应用，智慧医疗系统中会积累大规模的电子病历数据。这些数据是患者在医院就诊及治疗过程中所产生的重要记录，包含病历文本、医学图表、医学影像等多种类型数据。

2、由于电子病历数据中包含有主诉、诊断结果等有价值的医疗知识，因此，如何确定电子病历数据所表征的疾病信息对智能问诊、不良药物分析任务尤为重要。

3、目前，大多数方法常常是基于抽取电子病历数据的实体信息和实体信息之间的关系信息，并通过对抽取到的实体信息和关系信息进行逻辑推理来进行疾病识别，这一方式往往会由于实体的抽取错误而影响疾病识别的准确性，还会受限于逻辑推理代码的编写速度，存在着疾病识别效率不高的问题。

技术实现思路

1、本技术实施例的主要目的在于提出一种电子病历的疾病识别方法和装置、电子设备及存储介质，旨在提高对电子病历中的疾病类别的识别准确性和识别效率。

2、为实现上述目的，本技术实施例的第一方面提出了一种电子病历的疾病识别方法，所述方法包括：

3、获取电子病历数据；

4、对所述电子病历数据进行向量化，得到病历向量特征；

5、通过预设的疾病识别模型的预训练网络对所述病历向量特征进行特征提取，得到病情描述特征，其中，所述疾病识别模型包括变维网络以及识别网络；

6、基于所述变维网络中的场景知识对所述病历向量特征进行变维处理，得到变维描述特征；

7、对所述病情描述特征和所述变维描述特征进行特征融合，得到融合描述特征；

8、基于所述识别网络中的提示模板对所述融合描述特征进行疾病识别，得到目标疾病类别，其中，所述目标疾病类别是所述电子病历数据所描述的疾病的类型。

9、在一些实施例，所述基于所述变维网络中的场景知识对所述病历向量特征进行变维处理，得到变维描述特征，包括：

10、基于所述变维网络中的场景知识和降维矩阵对所述病历向量特征进行降维处理，得到降维描述特征，其中，所述降维描述特征包含所述场景知识指示的描述信息；

11、基于所述变维网络中的升维矩阵对所述降维描述特征进行升维处理，得到所述变维描述特征。

12、在一些实施例，所述基于所述识别网络中的提示模板对所述融合描述特征进行疾病识别，得到目标疾病类别，包括：

13、基于所述提示模板对所述融合描述特征进行特征调整，得到目标描述特征，其中，所述目标描述特征是符合预设格式的特征；

14、基于预设函数对所述目标描述特征进行分类评分，得到分类评分数据，所述分类评分数据用于指示所述目标描述特征属于每个预设类别的概率大小；

15、基于所述分类评分数据，得到所述目标疾病类别。

16、在一些实施例，所述对所述电子病历数据进行向量化，得到病历向量特征，包括：

17、对所述电子病历数据进行文字识别，得到病历文本数据；

18、对所述病历文本数据进行向量化，得到所述病历向量特征。

19、在一些实施例，在所述通过预设的疾病识别模型的预训练网络对所述病历向量特征进行特征提取，得到病情描述特征之前，所述方法还包括预先训练所述疾病识别模型，具体包括：

20、获取样本病历数据、场景知识以及提示模板；

21、将所述样本病历数据和所述提示模板输入至预设的大语言模型进行模型训练，得到中间模型，所述中间模型包括预训练网络和所述识别网络；

22、基于所述场景知识对预设的旁路网络进行矩阵调整，得到所述变维网络；

23、将所述变维网络嵌入至所述中间模型，得到所述疾病识别模型。

24、在一些实施例，所述基于所述场景知识对预设的旁路网络进行矩阵调整，得到所述变维网络，包括：

25、基于所述场景知识，通过随机高斯分布对所述旁路网络进行降维矩阵初始化，得到降维矩阵；

26、基于预设的零矩阵对所述旁路网络进行升维矩阵初始化，得到升维矩阵；

27、基于所述降维矩阵和所述升维矩阵，得到所述变维网络。

28、在一些实施例，所述将所述样本病历数据和所述提示模板输入至预设的大语言模型进行模型训练，得到中间模型，包括：

29、基于所述大语言模型对所述样本病历数据进行特征提取，得到样本病历特征；

30、通过所述大语言模型对所述样本病历特征进行上下文学习，得到扩展病历特征；

31、基于所述提示模板，对所述扩展病历特征和所述样本病历特征进行思维链生成，得到病历逻辑推理数据；

32、基于所述病历逻辑推理数据对所述大语言模型进行模型训练，得到所述中间模型。

33、为实现上述目的，本技术实施例的第二方面提出了一种电子病历的疾病识别装置，所述装置包括：

34、数据获取模块，用于获取电子病历数据；

35、向量化模块，用于对所述电子病历数据进行向量化，得到病历向量特征；

36、特征提取模块，用于通过预设的疾病识别模型的预训练网络对所述病历向量特征进行特征提取，得到病情描述特征，其中，所述疾病识别模型包括变维网络以及识别网络；

37、变维模块，用于基于所述变维网络中的场景知识对所述病历向量特征进行变维处理，得到变维描述特征；

38、特征融合模块，用于对所述病情描述特征和所述变维描述特征进行特征融合，得到融合描述特征；

39、疾病识别模块，用于基于所述识别网络中的提示模板对所述融合描述特征进行疾病识别，得到目标疾病类别，其中，所述目标疾病类别是所述电子病历数据所描述的疾病的类型。

40、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

41、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

42、本技术提出的电子病历的疾病识别方法、电子病历的疾病识别装置、电子设备及存储介质，其通过获取电子病历数据；对电子病历数据进行向量化，得到病历向量特征，能够较为方便地提取电子病历数据中的病历特征信息。进一地，通过预设的疾病识别模型的预训练网络对病历向量特征进行特征提取，得到病情描述特征，其中，疾病识别模型包括变维网络以及识别网络；基于变维网络中的场景知识对病历向量特征进行变维处理，得到变维描述特征，能够通过变维网络引入疾病识别场景下的场景知识信息，利用引入的场景知识信息来提高对病历描述信息的推理效果。进一步地，对病情描述特征和变维描述特征进行特征融合，得到融合描述特征，使融合描述特征包含更多的病历描述信息，提高了特征内容的多样性和全面性，最后，基于识别网络中的提示模板对融合描述特征进行疾病识别，得到目标疾病类别，其中，目标疾病类别是电子病历数据所描述的疾病的类型，能够根据提示模板来进行疾病类别的识别，提高对电子病历中的疾病类别的识别准确性和识别效率。