[发明专利]一种基于深度强化学习的问诊方法及系统

说明书

本发明提供了一种基于深度强化学习的问诊方法及系统，其中方法包括：根据患者自诉及历史问诊数据提取到症状文本，并根据预设的标准症状词典进行归一化从而得到标准化症状文本，将其输入问诊模型中的症状问询模块，该模块利用医疗知识库，根据得到的标准化症状文本通过深度强化学习进行关联推理，向患者进行下一步的症状询问，用以得到更多症状信息；重复上述过程，直至诊断模型判定已得到了足够的信息或无法从患者处得到更多信息时结束症状询问并通过问诊模型中的诊断模块做出最终诊断。本发明的技术方案解耦了三个功能，降低了学习难度，使得症状询问充分、询问轮次充足、症状召回率高。

技术领域

本发明属于智能诊断技术领域，尤其涉及一种基于深度强化学习的问诊方法。

背景技术

在医疗领域，由于医疗资源有限，医疗资源压力过大，以及患者对大医院的盲目信任等原因，长期存在挂号难就医难的问题。具体表现为，大医院三甲医院门庭若市， 而小医院门可罗雀，使得有限的医疗资源没有得到最大的利用。

随着信息技术的发展，为了减少医疗资源压力、承担初步筛查导诊责任，远程线上问诊应运而生。通过远程线上问诊，患者可以足不出户就在互联网上与远方的医生 以文本、音频、视频的形式进行交流，得到诊断服务。这种服务一定程度上减缓了不 同地域之间医疗资源不平衡的现状，医生可以通过与患者远程线上会诊来判断患者病 情轻重，推荐病人小病去小医院、大病去大医院，最大限度利用好公共医疗资源，起 到合理规划医疗资源的效果。

然而，远程线上问诊本身没有提升医疗资源总量，提供远程线上问诊服务的医生只是将自己的休息时间或是工作时间放在了线上问诊上，医生的总数并没有发生改变。 随着信息技术的发展，为了减轻远程线上问诊服务中医生所耗费的精力，研究者们开 始探索通过设计对话系统代替远程线上问诊的医生，提供线上问诊服务。这种为了线 上诊断设计的对话系统被称为自动诊断系统，旨在以自然语言对话的形式与用户进行 交互，获得用户身体状态与检验检查信息，最终做出诊断，属于任务型对话系统在自 动诊断任务上的应用。现有的线上问诊系统模型表示层没有充分提取文本信息，表征 能力不足，存在症状询问不充分的问题。目前主流基于强化学习的问诊策略中，动作 空间始终是症状集合与疾病集合的并集，模型需要同时学习症状预测功能、疾病诊断 功能和症状预测到疾病诊断的切换功能，三个功能耦合过深使得奖励函数的设置变得 困难，直接导致现有模型存在症状询问不充分、询问轮次过少、症状召回率低的问题。

发明内容

针对以上技术问题，本发明公开了一种基于深度强化学习的问诊方法及系统，解决了现有模型存在症状询问不充分、询问轮次过少、症状召回率低的问题。

对此，本发明采用的技术方案为：

一种基于深度强化学习的问诊方法，其包括：

根据患者自诉及历史问诊数据提取到症状文本，并根据预设的标准症状词典进行归一化从而得到标准化症状文本，将其输入问诊模型中的症状问询模块，所述症状问 询模块利用医疗知识库，根据得到的标准化症状文本通过深度强化学习进行关联推理， 向患者进行下一步的症状询问，用以得到更多症状信息；重复上述过程，直至诊断模 型判定已得到了足够的信息或无法从患者处得到更多信息时结束症状询问并通过问诊 模型中的诊断模块做出最终诊断；

其中，所述问诊模型对问诊对话的症状文本进行编码并聚合得到症状文本集合表示；

根据症状文本集合表示，输出在目前已知信息条件下的疾病预测概率分布，通过深度神经网络架构对症状集合表示进行实时诊断预测；

所述问诊模型基于历史问诊数据进行深度强化学习训练，所述问诊模型还包括症状问询模块和疾病诊断模块，所述症状问询模块将问诊过程视为序列决策问题进行建 模，使用基于价值函数的无模型强化学习方法Q-Learning进行解决，所述疾病诊断模 块将实时诊断视为分类问题进行建模，使用梯度提升决策树进行解决。