本技术涉及智能管理领域,且更为具体地,涉及一种基于5g技术的智慧医疗管理系统及方法。
背景技术:
1、医疗管理系统是为了提高医疗服务的效率和质量而设计的系统,它涵盖了患者数据的收集、存储、分析和处理等方面。然而。传统的医疗管理系统通常采用纸质或电子形式存储患者的病历、体征和检验结果等数据,并且,医生需要手动分析这些数据并做出诊断决策。这种方式存在着信息传递不及时、数据分析效率低下等问题。此外,由于患者数据的多样性、复杂性和高维度,传统的数据分析方法难以有效地提取患者数据的关键信息和特征,导致生成的诊断报告的质量和准确性不高。
2、因此,期望一种基于5g技术的智慧医疗管理系统及方法。
技术实现思路
1、为了解决上述技术问题,提出了本技术。
2、根据本技术的一个方面,提供了一种基于5g技术的智慧医疗管理系统,其包括:
3、患者数据采集模块,用于获取待分析患者对象的病历、体征数据和检验结果;
4、数据传输模块,用于将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5g通信网络传输至后台服务器;
5、病历文本语义编码模块,用于在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;
6、检验文本语义编码模块,用于提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;
7、体征数据编码模块,用于对所述体征数据进行特征编码以得到体征数据编码特征向量;
8、患者对象多模态表征模块,用于使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;
9、诊断报告生成模块,用于基于所述患者对象多模态表征特征,生成诊断报告;
10、其中,所述患者对象多模态表征模块,包括:使用稀疏联合相关分析模块以如下融合公式来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到所述患者对象多模态表征特征向量;
11、其中,所述融合公式为:
12、;
13、;
14、;
15、;
16、其中,表示所述病历文本语义理解特征向量,为所述病历文本语义理解特征向量的转换矩阵,表示所述检验结果文本语义理解特征向量,为所述检验结果文本语义理解特征向量的转换矩阵,表示所述体征数据编码特征向量,为所述体征数据编码特征向量的转换矩阵,、、分别表示所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量的类间散布向量,表示所述患者对象多模态表征特征向量。
17、在上述基于5g技术的智慧医疗管理系统中,所述病历文本语义编码模块,包括:
18、第一分词单元,用于对所述病历中的文本信息进行分词处理以将所述病历中的文本信息转化为由多个词组成的词序列;
19、第一词嵌入单元,用于使用包含嵌入层的病历文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
20、第一上下文编码单元,用于使用所述包含嵌入层的病历文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;
21、第一级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述病历文本语义理解特征向量。
22、在上述基于5g技术的智慧医疗管理系统中,所述检验文本语义编码模块,包括:
23、第二分词单元,用于对所述检验结果中的文本部分进行分词处理以将所述检验结果中的文本部分转化为由多个词组成的词序列;
24、第二词嵌入单元,用于使用包含嵌入层的检验结果文本语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
25、第二上下文编码单元,用于使用所述包含嵌入层的检验结果文本语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;
26、第二级联单元,用于将所述多个全局上下文语义特征向量进行级联以得到所述检验结果文本语义理解特征向量。
27、在上述基于5g技术的智慧医疗管理系统中,所述体征数据编码模块,包括:使用基于全连接层的体征数据特征编码器对所述体征数据进行编码以得到所述体征数据编码特征向量。
28、在上述基于5g技术的智慧医疗管理系统中,所述诊断报告生成模块,用于:将所述患者对象多模态表征特征向量通过基于aigc模型的诊断报告生成器以得到诊断报告。
29、在上述基于5g技术的智慧医疗管理系统中,还包括用于对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于aigc模型的诊断报告生成器进行训练的训练模块。
30、在上述基于5g技术的智慧医疗管理系统中,所述训练模块,包括:
31、训练数据获取单元,用于获取训练数据,所述训练数据包括待分析患者对象的训练病历、训练体征数据和训练检验结果;
32、训练数据传输单元,用于将所述待分析患者对象的训练病历、所述训练体征数据和所述训练检验结果通过5g通信网络传输至后台服务器;
33、训练病历文本语义编码单元,用于在所述后台服务器,提取所述训练病历中的文本信息,并对所述训练病历中的文本信息进行语义编码以得到训练病历文本语义理解特征向量;
34、训练检验文本语义编码单元,用于提取所述训练检验结果中的文本部分,并对所述训练检验结果中的文本部分进行语义编码以得到训练检验结果文本语义理解特征向量;
35、训练体征数据编码单元,用于使用基于全连接层的体征数据特征编码器对所述训练体征数据进行编码以得到训练体征数据编码特征向量;
36、训练多模态表征单元,用于使用稀疏联合相关分析模块来融合所述训练病历文本语义理解特征向量、所述训练检验结果文本语义理解特征向量和所述训练体征数据编码特征向量以得到训练患者对象多模态表征特征向量;
37、优化单元,用于对所述训练患者对象多模态表征特征向量进行优化以得到优化训练患者对象多模态表征特征向量;
38、损失计算单元,用于将所述优化训练患者对象多模态表征特征向量通过基于aigc模型的诊断报告生成器以得到均方误差值;
39、训练单元,用于基于所述均方误差值对所述病历文本语义编码器、所述检验结果文本语义编码器、所述基于全连接层的体征数据特征编码器、所述稀疏联合相关分析模块和所述基于aigc模型的诊断报告生成器进行训练。
40、在上述基于5g技术的智慧医疗管理系统中,所述优化单元,用于:以如下优化公式对所述训练患者对象多模态表征特征向量进行优化以得到所述优化训练患者对象多模态表征特征向量;其中,所述优化公式为:
41、;
42、;
43、其中,表示所述训练患者对象多模态表征特征向量,和分别是所述训练患者对象多模态表征特征向量的第和第位置的特征值,表示第一中间矩阵,表示第二中间矩阵,表示第一中间矩阵的位置的特征值,表示第二中间矩阵的位置的特征值,表示按位置相加,表示矩阵乘法,表示优化训练患者对象多模态表征特征向量。
44、根据本技术的另一个方面,提供了一种基于5g技术的智慧医疗管理方法,其包括:
45、获取待分析患者对象的病历、体征数据和检验结果;
46、将所述待分析患者对象的病历、所述体征数据和所述检验结果通过5g通信网络传输至后台服务器;
47、在所述后台服务器,提取所述病历中的文本信息,并对所述病历中的文本信息进行语义编码以得到病历文本语义理解特征向量;
48、提取所述检验结果中的文本部分,并对所述检验结果中的文本部分进行语义编码以得到检验结果文本语义理解特征向量;
49、对所述体征数据进行特征编码以得到体征数据编码特征向量;
50、使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征;
51、基于所述患者对象多模态表征特征,生成诊断报告;
52、其中,使用稀疏联合相关分析模块来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到患者对象多模态表征特征向量作为患者对象多模态表征特征,包括:使用稀疏联合相关分析模块以如下融合公式来融合所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量以得到所述患者对象多模态表征特征向量;
53、其中,所述融合公式为:
54、;
55、;
56、;
57、;
58、其中,表示所述病历文本语义理解特征向量,为所述病历文本语义理解特征向量的转换矩阵,表示所述检验结果文本语义理解特征向量,为所述检验结果文本语义理解特征向量的转换矩阵,表示所述体征数据编码特征向量,为所述体征数据编码特征向量的转换矩阵,、、分别表示所述病历文本语义理解特征向量、所述检验结果文本语义理解特征向量和所述体征数据编码特征向量的类间散布向量,表示所述患者对象多模态表征特征向量。
59、与现有技术相比,本技术提供的一种基于5g技术的智慧医疗管理系统及方法,其通过采集患者对象的病历、体征数据和检验结果,并将采集的数据通过5g技术传输至后台服务器,以便于在后台服务器中引入数据处理和语义理解算法来进行所述患者对象的病历、体征数据和检验结果的语义联合分析,以此来生成诊断报告。这样,能够实现实时、远程的患者数据分析和协同工作,从而更好地辅助医生进行决策,以提高诊断效率。