一种语义分诊方法及系统

摘要

本发明公开了一种语义分诊方法及系统，方法包括：获取实际问诊数据；将实际问诊数据输入到科室分类模型中，得到目标科室；科室分类模型的建立方法包括：获取历史问诊数据；历史问诊数据包括历史病情描述和对应的历史科室；根据历史问诊数据对长短期记忆网络模型进行训练，得到科室分类模型。现有的分诊方法需要导诊员根据病情描述来人工判断对应的科室，而人工速度是有限的，本发明利用科室分类模型，只需要输入病情描述，即可自动得到目标科室，提高了分诊的效率；且导诊员完全凭借经验来进行科室分诊，易出错，本发明利用大量的历史数据训练得到的科室分类模型进行分诊操作，提高了分诊的准确率。

权利要求

1.一种语义分诊方法，其特征在于，所述方法包括：获取实际问诊数据；

将所述实际问诊数据输入到科室分类模型中，得到目标科室；

所述科室分类模型的建立方法包括：

获取历史问诊数据；所述历史问诊数据包括历史病情描述和对应的历史科室；

根据所述历史问诊数据对长短期记忆网络模型进行训练，得到所述科室分类模型；

所述根据所述历史问诊数据对长短期记忆网络模型进行训练，得到所述科室分类模型，具体包括：将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率；

根据概率最大的科室和对应的历史科室判断是否停止训练；

若是，则将当前训练次数下的长短期记忆网络模型作为所述科室分类模型；

若否，则更新所述长短期记忆网络模型的参数，并进行下一次训练；

所述根据概率最大的科室和对应的历史科室判断是否停止训练，具体包括：对于任意一个所述历史病情描述，判断输出的概率最大的科室与对应的历史科室是否一致；

统计概率最大的科室与对应的历史科室一致的历史病情描述的个数，得到目标个数；

根据所述目标个数与所述历史病情描述的总个数，计算当前训练次数下的长短期记忆网络模型的准确率；

若所述准确率大于设定阈值，则停止训练。

2.根据权利要求1所述的语义分诊方法，其特征在于，在所述将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率之前，还包括：对所述历史病情描述进行预处理。

3.根据权利要求2所述的语义分诊方法，其特征在于，所述对所述历史病情描述进行预处理，具体包括：对所述历史病情描述进行数据清洗；

对数据清洗后的历史病情描述进行分词处理，得到多个词；

将多个所述词映射到向量空间，得到多个数值数据。

4.根据权利要求3所述的语义分诊方法，其特征在于，所述对所述历史病情描述进行数据清洗，具体包括：对所述历史病情描述进行至少一种删改操作；所述删改操作包括字符删除、字母转换、原型转换、空格删除和信息删除；

所述字符删除为删除所述历史病情描述中的无关字符、非英文字符、非中文字符、非数字字符、非中英文的标点符号和超链接；所述无关字符包括：html标签、乱码、特殊字符和标签；

所述字母转换为将所述历史病情描述中的英文字母的大写字母转换为小写字母；

所述原型转换为将英文字母转换为所述英文字母的原型；

所述空格删除为删除多余空格；

所述信息删除为删除文本信息；所述文本信息包括：姓名、联系方式和个人住址。

5.一种语义分诊系统，其特征在于，所述系统包括：实际问诊数据获取模块，用于获取实际问诊数据；

目标科室确定模块，用于将所述实际问诊数据输入到科室分类模型中，得到目标科室；

科室分类模型建立模块，用于获取历史问诊数据；所述历史问诊数据包括历史病情描述和对应的历史科室；根据所述历史问诊数据对长短期记忆网络模型进行训练，得到所述科室分类模型；

所述科室分类模型建立模块，具体包括：

概率确定单元，用于将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率；

停止判断单元，用于根据概率最大的科室和对应的历史科室判断是否停止训练；

科室分类模型生成单元，用于当所述停止判断单元判断为停止训练时，将当前训练次数下的长短期记忆网络模型作为所述科室分类模型；

继续训练单元，用于当所述停止判断单元判断为继续训练时，更新所述长短期记忆网络模型的参数，并进行下一次训练；

所述停止判断单元，具体包括：

一致判断子单元，用于对于任意一个所述历史病情描述，判断输出的概率最大的科室与对应的历史科室是否一致；

统计子单元，用于统计概率最大的科室与对应的历史科室一致的历史病情描述的个数，得到目标个数；

准确率计算子单元，用于根据所述目标个数与所述历史病情描述的总个数，计算当前训练次数下的长短期记忆网络模型的准确率；

停止训练子单元，用于当所述准确率大于设定阈值时，停止训练。

6.根据权利要求5所述的语义分诊系统，其特征在于，所述科室分类模型建立模块，还包括：预处理单元，所述预处理单元用于在所述将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率之前，对所述历史病情描述进行预处理。

说明书

一种语义分诊方法及系统

技术领域

[0001] 本发明涉及科室导诊技术领域，特别是涉及一种语义分诊方法及系统。

背景技术

[0002] 在医院，将患者引入正确的科室是比较费时费力的，需要一个导诊员分析一个患者的病情描述，然后为患者分配一个科室。但是，医院的导诊员由于数量少，患者需要等待
很长的时间才能获得分诊的结果。并且，由于患病种类众多，由于专业领域不同，导诊员未
必能够给病人一个正确的科室。

发明内容

[0003] 本发明的目的是提供一种语义分诊方法及系统，以提高分诊的效率与准确率。

[0004] 为实现上述目的，本发明提供了如下方案：

[0005] 一种语义分诊方法，所述方法包括：

[0006] 获取实际问诊数据；

[0007] 将所述实际问诊数据输入到科室分类模型中，得到目标科室；

[0008] 所述科室分类模型的建立方法包括：

[0009] 获取历史问诊数据；所述历史问诊数据包括历史病情描述和对应的历史科室；

[0010] 根据所述历史问诊数据对长短期记忆网络模型进行训练，得到所述科室分类模型。

[0011] 可选的，所述根据所述历史问诊数据对长短期记忆网络模型进行训练，得到所述科室分类模型，具体包括：

[0012] 将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率；

[0013] 根据概率最大的科室和对应的历史科室判断是否停止训练；

[0014] 若是，则将当前训练次数下的长短期记忆网络模型作为所述科室分类模型；

[0015] 若否，则更新所述长短期记忆网络模型的参数，并进行下一次训练。

[0016] 可选的，在所述将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率之前，还包括：

[0017] 对所述历史病情描述进行预处理。

[0018] 可选的，所述对所述历史病情描述进行预处理，具体包括：

[0019] 对所述历史病情描述进行数据清洗；

[0020] 对数据清洗后的历史病情描述进行分词处理，得到多个词；

[0021] 将多个所述词映射到向量空间，得到多个数值数据。

[0022] 可选的，所述对所述历史病情描述进行数据清洗，具体包括：

[0023] 对所述历史病情描述进行至少一种删改操作；所述删改操作包括字符删除、字母转换、原型转换、空格删除和信息删除；

[0024] 所述字符删除为删除所述历史病情描述中的无关字符、非英文字符、非中文字符、非数字字符、非中英文的标点符合和超链接；所述无关字符包括：html标签、乱码、特殊字符
和标签；

[0025] 所述字母转换为将所述历史病情描述中的英文字母的大写字母转换为小写字母；

[0026] 所述原型转换为将英文字母转换为所述英文字母的原型；

[0027] 所述空格删除为删除多余空格；

[0028] 所述信息删除为删除具有个人信息的文本信息中的至少一种；所述文本信息包括：姓名、联系方式和个人住址。

[0029] 可选的，所述根据概率最大的科室和对应的历史科室判断是否停止训练，具体包括：

[0030] 对于任意一个所述历史病情描述，判断输出的概率最大的科室与对应的历史科室是否一致；

[0031] 统计概率最大的科室与对应的历史科室一致的历史病情描述的个数，得到目标个数；

[0032] 根据所述目标个数与所述历史病情描述的总个数，计算当前训练次数下的长短期记忆网络模型的准确率；

[0033] 若所述准确率大于设定阈值，则停止训练。

[0034] 一种语义分诊系统，所述系统包括：

[0035] 实际问诊数据获取模块，用于获取实际问诊数据；

[0036] 目标科室确定模块，用于将所述实际问诊数据输入到科室分类模型中，得到目标科室；

[0037] 所述科室分类模型的建立方法包括：

[0038] 获取历史问诊数据；所述历史问诊数据包括历史病情描述和对应的历史科室；

[0039] 根据所述历史问诊数据对长短期记忆网络模型进行训练，得到所述科室分类模型。

[0040] 可选的，所述系统还包括：科室分类模型建立模块；

[0041] 所述科室分类模型建立模块用于：

[0042] 获取历史问诊数据；所述历史问诊数据包括历史病情描述和对应的历史科室；根据所述历史问诊数据对长短期记忆网络模型进行训练，得到所述科室分类模型；

[0043] 所述科室分类模型建立模块，具体包括：

[0044] 概率确定单元，用于将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率；

[0045] 停止判断单元，用于根据概率最大的科室和对应的历史科室判断是否停止训练；

[0046] 科室分类模型生成单元，用于当所述停止判断单元判断为停止训练时，将当前训练次数下的长短期记忆网络模型作为所述科室分类模型；

[0047] 继续训练单元，用于当所述停止判断单元判断为继续训练时，更新所述长短期记忆网络模型的参数，并进行下一次训练。

[0048] 可选的，所述科室分类模型建立模块，还包括：预处理单元，所述预处理单元用于在所述将所述历史病情描述输入到所述长短期记忆网络模型中，得到每个历史病情描述对
应的各个科室的概率之前，对所述历史病情描述进行预处理。

[0049] 可选的，所述停止判断单元，具体包括：

[0050] 一致判断子单元，用于对于任意一个所述历史病情描述，判断输出的概率最大的科室与对应的历史科室是否一致；

[0051] 统计子单元，用于统计概率最大的科室与对应的历史科室一致的历史病情描述的个数，得到目标个数；

[0052] 准确率计算子单元，用于根据所述目标个数与所述历史病情描述的总个数，计算当前训练次数下的长短期记忆网络模型的准确率；

[0053] 停止训练子单元，用于当所述准确率大于设定阈值时，停止训练。

[0054] 根据本发明提供的具体实施例，本发明公开了以下技术效果：

[0055] 本发明公开了一种语义分诊方法及系统，方法包括：获取实际问诊数据；将实际问诊数据输入到科室分类模型中，得到目标科室；科室分类模型的建立方法包括：获取历史问
诊数据；历史问诊数据包括历史病情描述和对应的历史科室；根据历史问诊数据对长短期
记忆网络模型进行训练，得到科室分类模型。现有的分诊方法需要导诊员根据病情描述来
人工判断对应的科室，而人工速度是有限的，本发明利用科室分类模型，只需要输入病情描
述，即可自动得到目标科室，提高了分诊的效率；且导诊员完全凭借经验来进行科室分诊，
易出错，本发明利用大量的历史数据训练得到的科室分类模型进行分诊操作，提高了分诊
的准确率。

附图说明

[0056] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。

[0057] 图1为本发明实施例提供的语义分诊方法流程图；

[0058] 图2为本发明实施例提供的改造后的LSTM模型的流程图；

[0059] 图3为本发明实施例提供的语义分诊系统结构图。

具体实施方式

[0060] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于
本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。

[0061] 本发明的目的是提供一种语义分诊方法及系统，旨在提高分诊的效率与准确率，可应用于科室导诊技术领域。

[0062] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0063] 图1为本发明实施例提供的语义分诊方法流程图。如图1所示，本实施例中的语义分诊方法，包括：

[0064] 步骤101：获取实际问诊数据。

[0065] 具体的，从各大开源的网站(如github等)中搜集了12个科室的历史问诊数据，历史问诊数据总共达12845条，在实际应用中，历史问诊数据可以根据实际需要收集更多。

[0066] 步骤102：将实际问诊数据输入到科室分类模型中，得到目标科室。

[0067] 科室分类模型的建立方法包括：

[0068] 获取历史问诊数据；历史问诊数据包括历史病情描述和对应的历史科室。

[0069] 根据历史问诊数据对长短期记忆网络模型进行训练，得到科室分类模型。

[0070] 具体的，长短期记忆网络模型为改造后的长短期记忆网络模型，研究表明，更深的网络能够提取到更加高级的特征。但是，单纯的堆积LSTM(长短期记忆网络模型)很有可能
导致过拟合，这样训练的网络尽管在训练集上能够表现优异的性能，但是在新的数据集上
的效果就会大大降低。这里，使用HighwayNetwork(高速网络)结构去改造LSTM模型。
HighwayNetwork建立了两个非线性门，一个是Transformer Gate(转移门)和Carry Gate
(运载门)。转移门能够控制当前流动的信息被转移的比例，运载门能够控制当前流动的信
息被运载的比例。以下是用HighWay改造LSTM的详细过程。

[0071] 将传统的LSTM简化为一个输入输出的函数模型，如下式，

[0072] y＝H(x,WH)。

[0073] 其中，x是采用鲁棒优化的BERT预训练方法(Robustly  OptimizedBERT PretrainingApproach，RoBERTa)将被处理后的文本映射到向量空间的输出矩阵，也是LSTM
网络的输入矩阵，矩阵的行是文本的长，矩阵的列是词向量的长度。WH是LSTM网络的参数。y
是LSTM网络的输出，也是对词语的语义信息进一步的提取，能够将充分学习到患者病情描
述的信息。

[0074] 现在，另外再定义两个非线性变换：

[0075] α＝T(x,WT)和β＝C(x,WC)。

[0076] 其中，T和C是非线性变换函数，用于计算当前输入被转移和被运载信息的比例。这里的非线性变换T和C可以有多种形式，例如：sigmoid激活函数等。α，β都是都是在0～1之间
的数值，α表示当前输入被转移信息的比例，β表示当前输入被运载信息的比例。WT是转移门
中计算LSTM网络输入x的被转移比例的参数，WC是运载门中计算LSTM网络输入x被运载比例
的参数。被改造后的LSTM结构就为：

[0077] y'＝α*y+β*x。

[0078] 其中，y'是改造后的LSTM模型的输出。为了简化计算，令β＝1‑α。改造后的LSTM模型的流程图如图3所示。

[0079] 这样的网络结构能够有效的控制在不同LSTM网络之间的信息流动，大大降低了过拟合的风险。如今很多防止过拟合的方法中都运用到了这种思想。这样改造的网络，在增加
层数时，不仅能够获得更加高级的特征，也能有效防止过拟合的出现。改造后的LSTM网络可
以当做一个普通模型来使用。

[0080] 步骤104：将实际问诊数据输入到科室分类模型中，得到目标科室。

[0081] 作为一种可选的实施方式，步骤103，具体包括：

[0082] 将历史病情描述输入到长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率。

[0083] 根据概率最大的科室和对应的历史科室判断是否停止训练。

[0084] 若是，则将当前训练次数下的长短期记忆网络模型作为科室分类模型。

[0085] 若否，则更新长短期记忆网络模型的参数，并进行下一次训练。

[0086] 作为一种可选的实施方式，在将历史病情描述输入到长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率之前，还包括：

[0087] 对历史病情描述进行预处理。

[0088] 作为一种可选的实施方式，对历史病情描述进行预处理，具体包括：

[0089] 对历史病情描述进行数据清洗。

[0090] 对数据清洗后的历史病情描述进行分词处理，得到多个词。

[0091] 具体的，利用jieba(结巴，中文分词工具)对数据清洗后的病情描述的文本进行分词，将文本分成一个个具有实际意义的词集合。例如，对于病情描述：“求问血糖问题，血糖
多高是患糖尿病呢？您好糖尿病应当怎么治疗呢？”，将会被分成：[“求问”，“血糖”，“问题”，“，”，“血糖”，“多高”，“是”，“患”，“糖尿病”，“呢”，“？”，“您好”，“糖尿病”，“应当”，“怎么”，“治疗”，“呢”，“？”]。

[0092] 将多个词映射到向量空间，得到多个数值数据。

[0093] 具体的，由于神经网络模型并不能直接处理文本类型的字符串数据，只能处理数值型的数据。所以需要将文本类型的字符串转换为数值类型。

[0094] 选用RoBERTa构建的预训练模型将多个词映射到向量空间，从而把问文本类的数据转换成能够用于神经网络训练的数值数据。因为这个预训练模型是在中文语料库中训
练，获得的数值类型的向量能够具有丰富的中文语义信息，包括词语相似度和文本相似度
信息，也就是相近的词语或文本产生的向量空间是相近的，例如：头疼和头痛的向量空间具
有很高的相似性。能够更好的应用于此次的任务。

[0095] 作为一种可选的实施方式，对历史病情描述进行数据清洗，具体包括：

[0096] 对历史病情描述进行至少一种删改操作；删改操作包括字符删除、字母转换、原型转换、空格删除和信息删除。

[0097] 字符删除为删除历史病情描述中的无关字符、非英文字符、非中文字符、非数字字符、非中英文的标点符合和超链接；无关字符包括：html标签、乱码、特殊字符和标签。

[0098] 字母转换为将历史病情描述中的英文字母的大写字母转换为小写字母。

[0099] 原型转换为将英文字母转换为英文字母的原型。

[0100] 空格删除为删除多余空格。

[0101] 信息删除为删除具有个人信息的文本信息中的至少一种；文本信息包括：姓名、联系方式和个人住址。

[0102] 具体的，直接搜集到的数据会包含很多噪声，例如超文本标记语言(Hyper Text Markup Language，html)标签、乱码和特殊表情等，并且由于问诊数据的敏感性，模型训练
前，还需要将数据做数据清洗处理，具体包括：

[0103] 1)利用计算机编程技术去除掉无关字符，如：html标签、乱码、特殊字符和标签等。

[0104] 2)利用自然语言工具包(Natural Language Toolkit，NLTK)处理英文字符。在英文处理上，将大写字母转换成小写字母，利用提取词干的方式，将一个英文词转换成词本身
的词干，例如：likes，转成成like，这样可以防止相同语义的词有不同的形式，导致词的稀
疏。还需要进行词汇的纠正，在输入英文时，很有可能一个单词中的某个字母错误，导致在
词的向量化中不能被识别出来。当判断一个英文单词不存在时，在NLTK的WordNet(词网)中
找到具有相同前缀的词，利用最小编辑距离(增加、删除或者替换当前单词的字符，需要最
小次数变成目标字符)找到候选单词进行替换。例如：appple是一个错误的单词，候选单词
有app，apple，application等。但是apple到appple的编辑距离最小，所以用apple替换，还
原语义。如果出现具有相同编辑距离的情况，则需要根据周围的语义或者单词日常出现的
概率进行进一步确认。

[0105] 3)对中文词语进行处理。删除非英文、非中文、非数字和非中英文的标点符号、特殊字符、超链接和乱码等，防止影响文本的语义。删除中文词语序列中多余的空格。

[0106] 4)为了确保训练数据不涉及隐私，删除具有个人身份的文本信息，如：姓名，联系电话、个人住址等。

[0107] 作为一种可选的实施方式，根据概率最大的科室和对应的历史科室判断是否停止训练，具体包括：

[0108] 对于任意一个历史病情描述，判断输出的概率最大的科室与对应的历史科室是否一致。

[0109] 统计概率最大的科室与对应的历史科室一致的历史病情描述的个数，得到目标个数。

[0110] 根据目标个数与历史病情描述的总个数，计算当前训练次数下的长短期记忆网络模型的准确率。

[0111] 若准确率大于设定阈值，则停止训练。

[0112] 在实际应用时，希望构建一个能够嵌入到任意医院的门户网站的应用。所以设计了一个简洁易用的web应用，能够提供预测服务。

[0113] 在Web前端中，使用HTML、CSS、JavaScript和bootstrap设计了一个简洁的网页，有对科室的描述页面、症状分诊页面和语义分诊页面。科室的描述页面中，各个医院可以根据
医院本身的情况，修改对科室的描述。在症状分诊页面中，提供了一个根据发病部位和选择
发病的症状功能，用户仅需要选择自身的情况就能够获得科室预测的反馈。在语义分诊中，
无需提供患者的任意信息，只需要输入对病情的描述，就能够获得科室预测的反馈，无需涉
及用户的隐私。

[0114] 使用Django(Python的Web框架)去设计Web后端。Web后端将处理用户的输入，将病情描述的文本字符串转换成数值，输入模型中，将其转换为科室的一个分布，最后将概率前
五的科室返回到网页中，让用户明确直接应该去哪个科室，达到分诊的效果。

[0115] 图3为本发明实施例提供的语义分诊系统结构图。如图3所示，本实施例中的语义分诊系统，包括：

[0116] 实际问诊数据获取模块201，用于获取实际问诊数据。

[0117] 目标科室确定模块202，用于将实际问诊数据输入到科室分类模型中，得到目标科室。

[0118] 科室分类模型的建立方法包括：

[0119] 获取历史问诊数据；历史问诊数据包括历史病情描述和对应的历史科室。

[0120] 根据历史问诊数据对长短期记忆网络模型进行训练，得到科室分类模型。

[0121] 作为一种可选的实施方式，系统还包括：科室分类模型建立模块。

[0122] 科室分类模型建立模块用于：

[0123] 获取历史问诊数据；历史问诊数据包括历史病情描述和对应的历史科室；根据历史问诊数据对长短期记忆网络模型进行训练，得到科室分类模型。

[0124] 科室分类模型建立模块，具体包括：

[0125] 概率确定单元，用于将历史病情描述输入到长短期记忆网络模型中，得到每个历史病情描述对应的各个科室的概率。

[0126] 停止判断单元，用于根据概率最大的科室和对应的历史科室判断是否停止训练。

[0127] 科室分类模型生成单元，用于当停止判断单元判断为停止训练时，将当前训练次数下的长短期记忆网络模型作为科室分类模型。

[0128] 继续训练单元，用于当停止判断单元判断为继续训练时，更新长短期记忆网络模型的参数，并进行下一次训练。

[0129] 作为一种可选的实施方式，科室分类模型建立模块203，还包括：预处理单元，预处理单元用于在将历史病情描述输入到长短期记忆网络模型中，得到每个历史病情描述对应
的各个科室的概率之前，对历史病情描述进行预处理。

[0130] 作为一种可选的实施方式，具体包括：

[0131] 一致判断子单元，用于对于任意一个历史病情描述，判断输出的概率最大的科室与对应的历史科室是否一致。

[0132] 统计子单元，用于统计概率最大的科室与对应的历史科室一致的历史病情描述的个数，得到目标个数。

[0133] 准确率计算子单元，用于根据目标个数与历史病情描述的总个数，计算当前训练次数下的长短期记忆网络模型的准确率。

[0134] 停止训练子单元，用于当准确率大于设定阈值时，停止训练。

[0135] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统
而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说
明即可。

[0136] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的装置及其核心思想；同时，对于本领域的一般技术人员，依据
本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不
应理解为对本发明的限制。