[发明专利]一种自动生成诊断结果的方法、系统及计算机设备

说明书

本发明属于计算机技术领域，一种自动生成诊断结果的方法、系统及计算机设备，所述方法包括采集病例的病史小结，并对病史小结进行预处理；将预处理后的语料构建预训练词向量模型Word2Vec，得到向量表示的语料；构建神经网络结构，并将向量表示的预料输入该神经网络，其中该神经网络结构包括双向门控循环单元BiGRU、卷积神经网络卷积神经网络CNN和注意力机制Att；设置阈值来选择神经网络输出的多分类概率矩阵中的标签，选择的标签即为诊断结果；本发明相比于传统的词袋模型，能够提取更多的特征且更有效；最后设置阈值来处理多标签问题，并且加上相关性约束，解决诊断结果的冲突，使得结果的生成也更为合理。

技术领域

本发明深度学习领域，一种自动生成诊断结果的方法、系统及计算机设备。

背景技术

辅助生殖在现代医学中，获得了飞速的发展。辅助生殖旨在通过对精子、卵细胞、胚胎的人工操作，帮助没有生育能力的夫妇妊娠。该技术包括人工授精和体外受精-胚胎移植。夫精宫腔内人工受精是指收集丈夫的精液，直接或经处理以后注入女性子宫内的一种助孕技术，因其实用性、非侵入性、廉价成本，广泛应用于不孕不育的治疗当中。在不孕不育的治疗过程中，极为重要的一环，是先对患者进行问诊，以及进行必要的检查，医生将诊断情况记录下来，这便是病历。有经验的医生看到病历情况，可以根据医学知识，总结出可行的诊断结果，但是医生毕竟时间精力有限，如此众多的病历全部一一阅完，费时费力，且也难免存在误判等情况，所以如果能够针对病历，自动提取信息，生成诊断结果，对于辅助医生决策是有极大好处。

影响不孕不育的因素非常复杂，与患者过往病史和身体状况密切相关，这些都体现在病历诊断单以及最后的病史小结上，着重注意患者年龄，不孕时间长度，以及过往病史和曾经做过的治疗情况。针对以上信息，进行文本预处理，提取文本信息，构建模型，训练并生成诊断结果。

本发明引入深度学习的方法对文本内容提取有用信息，并构建模型训练生成诊断结果。面对多标签问题，设置阈值来选取，只要某个类别概率大于设定阈值就把它加入标签池，并加上相关性约束，解决标签冲突问题，使得结果更加合理。

发明内容

为了辅助医生对病历做出决策判断，本发明提出了一种自动生成诊断结果的方法、系统及计算机设备，所述方法包括：

S1、采集病例的病史小结，并对病史小结进行预处理；

S2、将预处理后的语料构建预训练词向量模型Word2Vec，得到向量表示的语料；

S3、构建神经网络结构，并将向量表示的预料输入该神经网络；该神经网络结构包括双向门控循环单元(bidirectionalgated recurrent units，BiGRU)、卷积神经网络(convolutionalneural networks，CNN)和注意力机制(Attention，简写Att)；

S4、设置阈值来选择神经网络输出的多分类概率矩阵中的标签，选择的标签即为诊断结果。

解析电子病例时，按照字段解析并提取结构化信息，并将电子病历信息转化为结构化文本中的一条记录；并对解析后的电子病例文本进行文本分词、清除标点符号以及去除停用词。

采用pdfplumber电子病历进行解析，将文本按照从上至下，从左至右的顺序提取，并将解析后的pdf文本进行拼接，形成一个文本字符串。

使用gensim库的Word2vec模型，无监督训练词向量，把每个形成一个文本字符串的词都用一个128维的向量表示。

进一步的，所述步骤3包括：

将病史小结的word2id形式输入神经网络的嵌入层，转为词向量矩阵；输入为分词后的病史小结word2id作为输入，文本转为文本字典里的顺序id，因为只有数值才能入模；

使用BiGRU双向循环网络提取上下文特征；