一种基于大语言模型推理的医学疾病编码映射方法及装置与流程

本发明属于神经网络编码映射，具体涉及一种基于大语言模型推理的医学疾病编码映射方法及装置。

背景技术：

1、在当今医疗健康信息化发展的背景下，医疗健康数据的收集和处理越来越受到关注。一方面，医疗健康数据是精准医疗、疾病预防和控制的重要基础，对于提高公众健康水平、降低医疗保健成本等方面具有重要意义。另一方面，由于医疗健康数据的特殊性和复杂性，其收集、处理和应用面临着巨大的挑战。

2、在这些挑战中，疾病编码映射问题尤为突出。在医疗健康领域，疾病编码是对疾病进行标准化分类和识别的重要工具，是精准医疗、疾病预防和控制、医疗服务质量评估等多个领域的关键技术基础。然而，目前在实际应用中存在一个严重问题，即各医院因地理、历史、管理等因素，会形成各自的疾病分类体系和编码方式，使得同一疾病在不同医院可能有不同的编码。这种情况严重影响了疾病编码的统一性和对疾病数据的有效管理。

3、例如，我国当前的标准疾病编码为“疾病分类代码国家临床版2.0”，它是经过精心设计和多年实践的标准化疾病分类系统。然而，很多医院仍然使用自己的分类体系和编码方式，这使得在管理众多医院的疾病数据时，面临着如何将不同医院的疾病编码对应到“疾病分类代码国家临床版2.0”的挑战。这种情况对于数据的统一处理和分析，以及更高层面的公共卫生决策等方面，都带来了极大的困扰。

4、因此，如何构建一种有效的疾病编码映射方法，将不同医院的疾病编码映射到统一的标准，是当前医疗健康数据管理的重要课题。

技术实现思路

1、为解决现有技术的不足，实现不同疾病编码统一的目的，本发明采用如下的技术方案：

2、一种基于模型推理的编码映射方法，包括如下步骤：

3、步骤s1：搭建标准文本编码的向量索引库，从标准文本中解析出文本描述及其对应的标准编码，并对文本描述向量化，构建向量索引库；

4、步骤s2：获取输入的文本信息，基于文本信息从向量库索引库中，召回与文本信息相关的一组文本描述及其对应的标准编码映射；

5、步骤s3：搭建基于神经网络模型的编码分析模块，将输入的文本信息与召回结果中的文本描述进行语义匹配，得到匹配的文本描述对应的标准编码。

6、进一步地，所述步骤s1中的文本描述向量化，是通过文本描述构建其正负样本对，将具有相同大类标准编码的文本描述作为正样本，非相同大类标准编码的文本描述作为负样本，基于对比学习微调预训练语言表征模型，以降低一对正样本生成向量的相似度，促使模型针对正样本拟合生成更相似的向量，增加一对正样本生成向量的相似度，促使模型针对负样本拟合生成更不相似的向量。

7、进一步地，所述样本的相似度，是基于样本对的编码距离与其编码长度平均值的比值，当样本对为一对正样本时，将该对正样本的余弦距离减去器对应的所述比值，当样本对为一对负样本时，将该对负样本的余弦距离加上其对应的所述比值。

8、进一步地，所述预训练语言表征模型，基于一对正样本和一个负样本的三元组，构建三元组损失函数：

9、l(xi,xj,xk)＝max(0,sik-sij+margin)

10、其中，xi,xj表示一对正样本，xk表示负样本，sik表示一对负样本对应的所述比值，sij表示一对正样本对应的所述比值，margin表示超参数，用于拉开正负样本对之间的距离；

11、微调预训练语言表征模型，找出模型参数θ，以最小化所有样本对的损失函数的总和：

12、minθ∑(i,j,k)l(xi,xj,xk)

13、其中，θ表示预训练语言表征模型的参数。

14、进一步地，所述步骤s2中的召回包括倒排召回，召回步骤如下：

15、步骤s2.1.1：对向量索引库中的文本描述进行分词操作；

16、步骤s2.1.2：记录每个词项在所有文本描述中出现的位置，以此建立倒排索引；一方面倒排索引节省了存储空间，另一方面，倒排索引提高了对输入文本信息匹配的效率；

17、步骤s2.1.3：获取输入的文本信息，并提取其词项；

18、步骤s2.1.4：利用倒排索引，根据输入文本信息的词项，查找包含该词项的文本描述及其对应的标准编码，得到召回结果。倒排召回充分考虑了字词层面的相似性。

19、进一步地，所述步骤s1中的向量库，是基于文本描述生成哈希值，将哈希值作为唯一标识与文本描述对应的向量一起构建向量库；所述步骤s2.2中，倒排索引为一个哈希表，其键为词项，值是一个列表，列表中包含所有包含该此项的文本描述及其对应的标准编码；所述步骤s2.4中，在哈希表中查找输入文本信息的词项对应的文本描述及其标准编码。哈希表的而建立大大提高查找效率，同时也提高了数据传输的安全性，保障了用户隐私。

20、进一步地，所述步骤s2中的召回包括语义召回，召回步骤如下：

21、步骤s2.2.1：对输入的文本信息向量化，得到向量c；

22、步骤s2.2.2：从向量索引库中，查找与向量c距离最近的一组向量，并基于唯一标识，找到对应的文本描述及标准编码，得到召回结果。语义召回充分考虑了语义的相似性。

23、进一步地，所述步骤s3包括如下步骤：

24、步骤s3.1：整理和预处理训练数据，从标准文本中收集并标注一系列示例，示例为包含文本信息的提示字段及其对应的标准编码的答案字段，这些数据将被用于微调大语言模型，使其能够理解和解决我们的任务；

25、步骤s3.2：利用所述训练数据对模型进行微调，将训练数据中的提示字段作为输入，对应的答案字段作为输出；

26、步骤s3.3：模型推理；基于所述召回结果和输入的文本信息，构建提示字段，并输入微调后的模型，得到的答案字段即为映射的标准编码。

27、一种基于大语言模型推理的医学疾病编码映射方法，包括如下步骤：

28、步骤一：搭建标准疾病编码的向量索引库，从标准疾病编码文件中解析出疾病描述及其对应标准编码的键值对，并对疾病描述向量化；

29、步骤二：获取输入的疾病名称，基于疾病名称从向量库索引库中，召回与疾病名称相关的一组疾病描述及其对应的标准疾病编码映射；

30、步骤三：搭建基于大语言模型的编码分析模块，将输入的疾病名称与召回结果中的疾病描述进行语义匹配，得到匹配的疾病描述对应的标准疾病编码。

31、一种基于大语言模型推理的医学疾病编码映射装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现所述的一种基于大语言模型推理的医学疾病编码映射方法。

32、本发明的优势和有益效果在于：

33、本发明的一种基于大语言模型推理的医学疾病编码映射方法及装置，通过构建向量化的标准疾病编码库，在兼顾疾病信息的字词和语义，进行标准编码的匹配，使得采用不同编码方式的医院，也能够基于疾病信息匹配到统一的标准编码上，以便统一疾病编码，提高疾病数据的有效性，提高疾病标准化分类和识别的效率，同时，大幅减轻人工对齐的时间成本消耗，并且更加精确。