智能问诊中基于深度神经网络的反问生成方法

在智能问诊中,为了让医生快速提出合理的反问以提高医患对话效率,提出了基于深度神经网络的反问生成方法。首先获取大量医患对话文本并进行标注;然后使用文本循环神经网络(TextRNN)、文本卷积神经网络(TextCNN)二种分类模型分别对医生的陈述进行分类;再利用双向文本循环神经网络(TextRNN-B)、双向变形编码器(BERT)分类模型进行问题触发;设计六种不同的问答选取方式来模拟医疗咨询领域情景,采用开源神经机器翻译(OpenNMT)模型进行反问生成;最后对已生成的反问进行综合评估。实验结果表明,使用TextRNN进行分类优于TextCNN,利用BERT模型进行问题触发优于TextRNN-B,采用OpenNMT模型在Window-top方式下实现反问生成时,使用双语评估替补(BLEU)和困惑度(PPL)指标进行评价的结果最好。所提方法验证了深度神经网络技术在反问生成中的有效性,可以有效解决智能问诊中医生反问生成的问题。

基于中医临床数据的症状信息自动抽取技术研究

目的利用中医临床症状信息自动抽取技术,将自然语言描述的症状信息从原始病案中抽取出来进行结构化处理,为中医临床数据知识化奠定坚实基础。方法构建中医临床症状基础语料库,利用该语料库,采用深度学习方法遴选信息识别模型,选取某中医院肝病科臌胀病临床数据,应用信息识别模型对其中的中医临床症状信息进行抽取,并将其存储至中医临床病例报告表(CRF)中。结果构建了中医临床症状基础语料库,遴选出了BERT-BiLSTM-CRF模型进行症状实体和症状附加类目属性识别以及TextCNN模型进行症状必要类目属性识别,可有效实现中医临床数据中的症状信息自动抽取,并写入CRF表。结论创建了一个适用于从中医临床数据中自动抽取症状信息的技术方法,可以有效从海量中医临床数据中抽取症状信息。同时随着专科专病临床数据信息抽取工作的不断开展,症状语料库将得以扩展,可进一步提高症状及其属性识别的正确率。该方法作为基于真实世界中医临床数据的知识工程关键技术之一,为开展中医临床大数据知识工程提供了技术支撑。