临床辅助决策诊断自学习方法、装置、设备和存储介质

摘要

本申请公开了一种临床辅助决策诊断自学习方法、装置、设备和介质，涉及自学习领域和AI医疗领域之中的临床决策技术领域。具体实现方案为：对待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息；根据待处理病历信息的文本信息和病况实体信息，获取至少一个候选诊断和每个候选诊断的召回概率；获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征；基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序，并根据排序结果进行诊断自学习。本申请使得诊断推荐结果更加符合当前区域的诊断特点，一定程度上解决诊断推荐的区域差异化问题，提高临床辅助决策诊断的准确度。

权利要求

1.一种临床辅助决策诊断自学习方法，包括：

对待处理病历信息进行结构化处理，获得所述待处理病历信息的病况实体信息；

根据所述待处理病历信息的文本信息和所述病况实体信息，获取至少一个候选诊断和每个所述候选诊断的召回概率；

获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征，其中，所述当前区域为部署临床辅助决策诊断推荐系统所在的区域，所述区域排序特征包括病历中疾病发病率、病况与诊断的共现概率；

基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序，并根据排序结果进行诊断自学习。

2.根据权利要求1所述的方法，其中，所述获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征，包括：确定部署临床辅助决策诊断推荐系统的当前区域信息；

根据所述当前区域信息，从区域排序特征库中获取当前区域的区域排序特征。

3.根据权利要求2所述的方法，其中，所述方法还包括：获取所述当前区域内的病历日志；

基于贝叶斯统计对所述病历日志进行自学习，以得到所述病历中疾病发病率、所述病况与诊断的共现概率；

将所述病历中疾病发病率、所述病况与诊断的共现概率更新至所述区域排序特征库中。

4.根据权利要求3所述的方法，其中，所述基于贝叶斯统计对所述病历日志进行自学习，以得到所述病历中疾病发病率、所述病况与诊断的共现概率，包括：对所述病历日志进行结构化和结构化字段的统计，得到所述病历日志的病况实体信息和结构化字段统计信息；

基于医学知识图谱构建的疾病诊断依据关系和所述病历日志的病况实体信息，对诊断与病况的相关关系进行筛选，以统计得到诊断与病况的关系信息；

基于贝叶斯统计对所述结构化字段统计信息、所述诊断与病况的关系信息进行投票统计，得到所述病历中疾病发病率、所述病况与诊断的共现概率。

5.根据权利要求1所述的方法，其中，基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序，并根据所述排序结果进行诊断自学习，包括：基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序；

根据排序结果获取针对所述待处理病历信息的诊断推荐结果；

获取针对所述待处理病历信息的真实诊断结果；

根据所述诊断推荐结果和所述真实诊断结果进行诊断自学习。

6.根据权利要求5所述的方法，其中，所述基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序，包括：基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，采用排序概率计算模型计算每个所述候选诊断的排序概率；

根据每个所述候选诊断的排序概率，对所述至少一个候选诊断进行排序。

7.根据权利要求6所述的方法，其中，所述根据所述诊断推荐结果和所述真实诊断结果进行诊断自学习，包括：根据所述诊断推荐结果和所述真实诊断结果，计算损失值；

根据所述损失值，调整所述排序概率计算模型中的模型参数。

8.一种临床辅助决策诊断自学习装置，包括：

结构化处理模块，用于对待处理病历信息进行结构化处理，获得所述待处理病历信息的病况实体信息；

召回模块，用于根据所述待处理病历信息的文本信息和所述病况实体信息，获取至少一个候选诊断和每个所述候选诊断的召回概率；

获取模块，用于获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征，其中，所述当前区域为部署临床辅助决策诊断推荐系统所在的区域，所述排序特征包括病历中疾病发病率、病况与诊断的共现概率；

自学习模块，用于基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序，并根据排序结果进行诊断自学习。

9.根据权利要求8所述的装置，其中，所述获取模块具体用于：确定部署临床辅助决策诊断推荐系统的当前区域信息；

根据所述当前区域信息，从区域排序特征库中获取当前区域的区域排序特征。

10.根据权利要求9所述的装置，其中，所述装置还包括：特征更新模块，用于获取所述当前区域内的病历日志，并基于贝叶斯统计对所述病历日志进行自学习，以得到所述病历中疾病发病率、所述病况与诊断的共现概率，以及将所述病历中疾病发病率、所述病况与诊断的共现概率更新至所述区域排序特征库中。

11.根据权利要求10所述的装置，其中，所述特征更新模块具体用于：对所述病历日志进行结构化和结构化字段的统计，得到所述病历日志的病况实体信息和结构化字段统计信息；

基于医学知识图谱构建的疾病诊断依据关系和所述病历日志的病况实体信息，对诊断与病况的相关关系进行筛选，以统计得到诊断与病况的关系信息；

基于贝叶斯统计对所述结构化字段统计信息、所述诊断与病况的关系信息进行投票统计，得到所述病历中疾病发病率、所述病况与诊断的共现概率。

12.根据权利要求8所述的装置，其中，所述自学习模块具体用于：基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序；

根据排序结果获取针对所述待处理病历信息的诊断推荐结果；

获取针对所述待处理病历信息的真实诊断结果；

根据所述诊断推荐结果和所述真实诊断结果进行诊断自学习。

13.根据权利要求12所述的装置，其中，所述自学习模块具体用于：基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，采用排序概率计算模型计算每个所述候选诊断的排序概率；

根据每个所述候选诊断的排序概率，对所述至少一个候选诊断进行排序。

14.根据权利要求13所述的装置，其中，所述自学习模块具体用于：根据所述诊断推荐结果和所述真实诊断结果，计算损失值；

根据所述损失值，调整所述排序概率计算模型中的模型参数。

15.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1－7中任一项所述的方法。

16.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1－7中任一项所述的方法。

17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1－7中任一项所述方法的步骤。

说明书

临床辅助决策诊断自学习方法、装置、设备和存储介质

技术领域

[0001] 本申请涉及自学习领域和AI医疗领域之中的临床决策技术领域，尤其涉及一种临床辅助决策诊断自学习方法、装置、设备和存储介质。

背景技术

[0002] 随着大数据与医疗的不断融合，临床辅助决策支持系统(Clinical Decision Support System,简称CDSS)逐渐成为提升医疗质量的重要手段。CDSS是基于患者的电子病历内容，如入院记录、门诊记录、病程记录、检查检验结果、医嘱、手术记录、护理记录等，利用先进的人工智能技术学习具有医学专家标注的优质病历，算法会自动推荐当前患者可能患有的疾病，由此辅助医生进行临床诊断决策，降低医生的误漏诊概率。

发明内容

[0003] 本申请提供了一种临床辅助决策诊断自学习方法、装置、设备和存储介质。

[0004] 根据本申请的第一方面，提供了一种临床辅助决策诊断自学习方法，包括：

[0005] 对待处理病历信息进行结构化处理，获得所述待处理病历信息的病况实体信息；

[0006] 根据所述待处理病历信息的文本信息和所述病况实体信息，获取至少一个候选诊断和每个所述候选诊断的召回概率；

[0007] 获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征；

[0008] 基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序，并根据所述排序结果进行诊断自学习。

[0009] 根据本申请的第二方面，提供了一种临床辅助决策诊断自学习装置，包括：

[0010] 结构化处理模块，用于对待处理病历信息进行结构化处理，获得所述待处理病历信息的病况实体信息；

[0011] 召回模块，用于根据所述待处理病历信息的文本信息和所述病况实体信息，获取至少一个候选诊断和每个所述候选诊断的召回概率；

[0012] 获取模块，用于获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征；

[0013] 自学习模块，用于基于所述当前区域的区域排序特征和每个所述候选诊断的召回概率，对所述至少一个候选诊断进行排序，并根据所述排序结果进行诊断自学习。

[0014] 根据本申请的第三方面，提供了一种电子设备，包括：

[0015] 至少一个处理器；以及

[0016] 与所述至少一个处理器通信连接的存储器；其中，

[0017] 所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的临床辅助决策诊断自学习方法。

[0018] 根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行前述第一方面所述的临床辅助决策诊断自学习方法。

[0019] 根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据前述第一方面所述的临床辅助决策诊断自学习方法。

[0020] 根据本申请的技术方案，对体现了当前区域的诊断特点的待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息，基于待处理病历信息的文本信息和病况实体信息进行深度学习建模，获取至少一个候选诊断和每个候选诊断的召回概率；基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序，得到适用于当前区域的候选诊断的排序结果，并根据排序结果进行诊断自学习，使得诊断推荐结果更加符合当前区域的诊断特点，一定程度上解决诊断推荐的区域差异化问题，提高临床辅助决策诊断的准确度。

[0021] 应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

[0022] 附图用于更好地理解本方案，不构成对本申请的限定。其中：

[0023] 图1是根据本申请实施提供的一种临床辅助决策诊断自学习方法的流程图；

[0024] 图2是根据本申请实施提供的一种获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征的流程图；

[0025] 图3是根据本申请实施提供的一种得到病历中疾病发病率、病况与诊断的共现概率的流程图；

[0026] 图4是根据本申请实施提供的一种对至少一个候选诊断进行排序，并根据排序结果进行诊断自学习的流程图；

[0027] 图5是根据本申请实施提供的另一种临床辅助决策诊断自学习方法的流程图；

[0028] 图6是根据本申请实施提供的一种临床辅助决策诊断自学习装置的结构框图；

[0029] 图7是根据本申请实施提供的另一种临床辅助决策诊断自学习装置的结构框图；

[0030] 图8是根据本申请实施提供的用以实现临床辅助决策诊断自学习方法的电子设备的框图。

具体实施方式

[0031] 以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

[0032] 随着大数据与医疗的不断融合，临床辅助决策支持系统(Clinical Decision Support System,简称CDSS)逐渐成为提升医疗质量的重要手段。目前大部分临床辅助决策支持系统构建的是通用的临床辅助诊断推荐系统，然而由于疾病发病率的区域差异性和不同区域的医生诊断习惯差异等，同样的病历在不同的区域上所期望算法给出的推荐诊断结果可能不同。为此，在实际区域落地时，系统需要建立推荐诊断的区域自学习能力，从而使得算法推荐的诊断能够符合当前区域的诊断特点。

[0033] 现有技术中，诊断推荐区域自学习的技术方案主要包括两种：使用传统的机器学习模型和使用复杂机器学习模型。其中，对于使用传统机器学习模型的临床辅助决策支持系统，自学习策略直接通过统计当前区域的病历特征分布来更新模型推荐结果；对于使用复杂机器学习模型(如卷积神经网络)的临床辅助决策支持系统，大部分需要重新解析对应区域的电子病历数据，如主诉、现病史、辅助检查、体格检查、既往史等，并对病历数据进行人工标注，然后基于标注的数据对模型进行重新训练，来达到诊断区域自学习的目的。

[0034] 然而，对于使用传统机器学习模型的临床辅助决策支持系统，如决策树等，理想情况下可以实现较快的区域自学习，但是传统模型由于模型复杂度等原因，实际落地诊断效果不佳。其次，对于使用复杂机器学习模型(如卷积神经网络)的临床辅助决策支持系统，需要重新标注数据后训练更新模型，成本较高，周期较长，且灵活性不足。

[0035] 为此，本申请提供了一种临床辅助决策诊断自学习方法、系统、设备和存储介质。具体地，下面参考附图描述本申请实施例的临床辅助决策诊断自学习方法、系统、设备和存储介质。

[0036] 图1是根据本申请实施例提供的一种临床辅助决策诊断自学习方法的流程图。需要说明的是，本申请实施例的临床辅助决策诊断自学习方法可应用于本申请实施例的临床辅助决策诊断自学习装置，该临床辅助决策诊断自学习装置可被配置于电子设备上。

[0037] 如图1所示，该临床辅助决策诊断自学习方法可以包括如下步骤：

[0038] 步骤101，对待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息。

[0039] 需要说明的是，该待处理信息可以包括主诉、现病史、辅助检查、体格检查、既往史等内容。由于待处理病历信息基本上为纯文本的形式，为了更好地对待处理病历信息进行分析理解，可以基于自然语言的处理技术将待处理病历信息中的纯文本进行实体解析和提取，以获得待处理病历信息的病况实体信息。其中，该病况实体信息可以包括疾病名称、症状、体征、检验结果、手术、用药、检查结果等信息。

[0040] 步骤102，根据待处理病历信息的文本信息和病况实体信息，获取至少一个候选诊断和每个候选诊断的召回概率。

[0041] 可选地，在本申请一些实施例中，可根据待处理病历信息的文本信息和病况实体信息，通过深度学习建模获取候选诊断和每个候选诊断的召回概率。作为一种示例，可基于待处理病历信息的文本信息和病况实体信息进行深度学习建模，将建模的特征融合后进行诊断推导，最大可能地返回患者可能患有的疾病。其中，对于待处理病历信息的文本信息的建模，可将该待处理病历信息的文本信息按字进行拆分，对每个字进行编码，可使用卷积神经网络的结构生成字向量，以获得文本特征表示；对于病况实体信息的建模，可通过大量病历当中病况实体信息与诊断的共现关系构建医疗知识图，在该医疗知识图的基础之上，生成每一份病历对应的导出图，该导出图由若干子图组合而成的，每一个子图描述了病人此次就诊的一种类型的病况的集合。继而基于层次化注意力机制，对子图进行编码，以获得病历的病况实体特征表示。由此，基于前述文本特征表示和病况实体信息特征表示，即可获取至少一个候选诊断和每个候选诊断的召回概率，每个候选诊断的召回概率可记为Pr。

[0042] 步骤103，获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征。

[0043] 可选地，在本申请一些实施例中，可通过确定部署临床辅助决策诊断推荐系统的当前区域信息，从区域排序特征库中获取当前区域的区域排序特征。具体实现方式可参见后续实施例的描述。

[0044] 步骤104，基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序，并根据排序结果进行诊断自学习。

[0045] 可选地，在本申请一些实施例中，可基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序；根据排序结果获取针对待处理病历信息的诊断推荐结果；获取针对待处理病历信息的真实诊断结果；根据诊断推荐结果和真实诊断结果进行诊断自学习。具体实现方式可参见后续实施例的描述。

[0046] 根据本申请实施例的临床辅助决策诊断自学习方法，对体现了当前区域的诊断特点的待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息，基于待处理病历信息的文本信息和病况实体信息进行深度学习建模，获取至少一个候选诊断和每个候选诊断的召回概率；基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序，得到适用于当前区域的候选诊断的排序结果，并根据排序结果进行诊断自学习，使得诊断推荐结果更加符合当前区域的诊断特点，一定程度上解决诊断推荐的区域差异化问题，提高临床辅助决策诊断的准确度。

[0047] 需要说明的是，由于病历中疾病发病率和病况与诊断的共现概率是区域本地化排序的重要指标，故在本申请一些实施例中，区域排序特征可包括病历中疾病发病率和病况与诊断的共现概率。作为一种示例，如图2所示，本申请实施例提供的获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征的实现过程可以包括如下步骤：

[0048] 步骤201，获取当前区域内的病历日志。

[0049] 步骤202，基于贝叶斯统计对病历日志进行自学习，以得到病历中疾病发病率、病况与诊断的共现概率。

[0050] 需要说明的是，在不同的区域中，各疾病的发病概率可能不同，因此疾病发病率可作为区域化排序的重要指标，包括人群、性别等发病率特征。此外，病历的病况与诊断的共现概率也体现了诊断的区域化特征，如症状、体征、检查等。故疾病发病率和病况与诊断的共现概率是区域排序中的两个重要指标。作为一种示例，如图3所示，本申请实施例提供的基于贝叶斯统计对病历日志进行自学习，以得到病历中疾病发病率、病况与诊断的共现概率的实现过程可以包括如下步骤：

[0051] 步骤301，对病历日志进行结构化和结构化字段的统计，得到病历日志的病况实体信息和结构化字段统计信息。

[0052] 可选地，在本申请一些实施例中，可通过CDSS中控对基层CDSS病历日志进行结构化和结构化字段的统计，以获得病历日志的病况实体信息和结构化字段统计信息。其中，病况实体信息可以包括：诊断(标准名)、病历既往史、阳性症状、异常体征、患者性别、患者年龄、妊娠状态等信息。

[0053] 步骤302，基于医学知识图谱构建的疾病诊断依据关系和病历日志的病况实体信息，对诊断与病况的相关关系进行筛选，以统计得到诊断与病况的关系信息。

[0054] 需要说明的是，在本申请一些实施例中，病况可以包括症状、异常体征、检查、检验等信息，对诊断与病况的相关关系进行筛选，过滤不相关的关联关系，以统计得到诊断与病况的关系信息。

[0055] 步骤303，基于贝叶斯统计对结构化字段统计信息、诊断与病况的关系信息进行投票统计，得到病历中疾病发病率、病况与诊断的共现概率。

[0056] 在本申请实施例中，可将病历中疾病发病率记为P1，将病况与诊断的共现概率记为P2。

[0057] 由此，通过上述步骤301‑步骤303可以基于贝叶斯统计对病历日志进行自学习，以不断将自学习阶段学习到的区域病历中疾病发病率、病况与诊断的共现概率更新区域排序特征库中，以使得区域排序特征库中的特征更加能够在排序阶段起到正向作用。

[0058] 步骤203，将病历中疾病发病率、病况与诊断的共现概率更新至区域排序特征库中。

[0059] 步骤204，确定部署临床辅助决策诊断推荐系统的当前区域信息。

[0060] 步骤205，根据当前区域信息，从区域排序特征库中获取当前区域的区域排序特征。

[0061] 在本申请一些实施例中，可基于排序概率计算模型计算每个候选诊断的排序概率，且根据排序结果进行诊断自学习，调整排序概率计算模型中的参数。作为一种示例，如图4所示，本申请实施例提供的基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序，并根据排序结果进行诊断自学习的实现过程可以包括如下步骤：

[0062] 步骤401，基于当前区域的区域排序特征和每个候选诊断的召回概率，采用排序概率计算模型计算每个候选诊断的排序概率。

[0063] 可选地，在本申请实施例中，可采用以下排序概率计算模型计算每个候选诊断的排序概率Pfinal：

[0064] Pfinal＝σrPr+σ1P1+σ1P2

[0065] 其中，Pr为候选诊断的召回概率，σr为候选诊断的召回概率Pr的权重，P1为候选诊断的疾病发病率，σ1为候选诊断的疾病发病率P1的权重，P2为候选诊断的病况与诊断的共现概率，σ2为候选诊断的病况与诊断的共现概率P2的权重。

[0066] 步骤402，根据每个候选诊断的排序概率，对至少一个候选诊断进行排序。

[0067] 步骤403，根据排序结果获取针对待处理病历信息的诊断推荐结果。

[0068] 可选地，在本申请一些实施例中，可将排序结果中排序概率Pfinal值最大的候选诊断作为待处理病历信息的诊断推荐结果。

[0069] 步骤404，获取针对待处理病历信息的真实诊断结果。

[0070] 作为一种示例，在本申请一些实施例中，医生将参考根据排序结果获得的诊断推荐结果，结合实际病况及检查结果做出的正确诊断。

[0071] 步骤405，根据诊断推荐结果和真实诊断结果，计算损失值。

[0072] 步骤406，根据损失值，调整排序概率计算模型中的模型参数。

[0073] 也就是说，根据损失值，调整排序概率计算模型中的为候选诊断的召回概率Pr的权重σr，候选诊断的疾病发病率P1的权重σ1，候选诊断的病况与诊断的共现概率P2的权重σ2。根据排序结果进行诊断自学习，可以提升排序概率计算模型给出的诊断推荐结果与专家所给的真实诊断结果的相符率。其中相符率意为排序概率计算模型给出的诊断推荐结果与专家所给的真实诊断结果一致、互为别名或互为上下位关系。

[0074] 在本申请实施例中，可根据各区域的实际情况选择是否需要对候选诊断进行区域排序。作为一种示例，如图5所示，本申请实施例提供的临床辅助决策诊断自学习方法可包括以下步骤：

[0075] 步骤501，对待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息。

[0076] 步骤502，根据待处理病历信息的文本信息和病况实体信息，获取至少一个候选诊断和每个候选诊断的召回概率。

[0077] 步骤503，选择是否进行区域自学习。若进行区域自学习，则执行步骤504；若选择不进行区域自学习，则执行步骤505。

[0078] 作为一种示例，在本申请一些实施例中，可在模型应用中设置一按键，根据区域实际情况选择是否需要进行区域自学习。

[0079] 步骤504，判断是否满足区域自学习要求。若满足区域自学习要求，则执行步骤507；若不满足区域自学习要求，则执行步骤505。

[0080] 作为一种示例，在本申请一些实施例中，区域自学习要求可以是病例样本到达某个预设阈值。若病例样本过少，则无法基于历史病例进行区域自学习。

[0081] 步骤505，根据每个候选诊断的召回概率，对至少一个候选诊断进行排序。

[0082] 步骤506，根据排序结果获取针对待处理病历信息的诊断推荐结果。

[0083] 也就是说若不需要进行区域自学习或者不满足区域自学习条件的情况下，可基于召回概率进行排序，由此获得诊断推荐结果。

[0084] 步骤507，获取当前区域内的病历日志。

[0085] 步骤508，对病历日志进行结构化和结构化字段的统计，得到病历日志的病况实体信息和结构化字段统计信息。

[0086] 步骤509，基于医学知识图谱构建的疾病诊断依据关系和病历日志的病况实体信息，对诊断与病况的相关关系进行筛选，以统计得到诊断与病况的关系信息。

[0087] 步骤510，基于贝叶斯统计对结构化字段统计信息、诊断与病况的关系信息进行投票统计，得到病历中疾病发病率、病况与诊断的共现概率。

[0088] 步骤511，将病历中疾病发病率、病况与诊断的共现概率更新至区域排序特征库中。

[0089] 步骤512，确定部署临床辅助决策诊断推荐系统的当前区域信息。

[0090] 步骤513，根据当前区域信息，从区域排序特征库中获取当前区域的区域排序特征。

[0091] 步骤514，基于当前区域的区域排序特征和每个候选诊断的召回概率，采用排序概率计算模型计算每个候选诊断的排序概率。

[0092] 步骤515，根据每个候选诊断的排序概率，对至少一个候选诊断进行排序。

[0093] 步骤516，根据排序结果获取针对待处理病历信息的诊断推荐结果。

[0094] 步骤517，获取针对待处理病历信息的真实诊断结果。

[0095] 步骤518，根据诊断推荐结果和真实诊断结果，计算损失值。

[0096] 步骤519，根据损失值，调整排序概率计算模型中的模型参数。

[0097] 在本申请实施例中，步骤501‑步骤502、步骤507‑步骤519可以分别采用本申请的各实施例中的任一种方式实现，对此本申请不作具体限定，也不再赘述。

[0098] 根据本申请实施例的临床辅助决策诊断自学习方法，对体现了当前区域的诊断特点的待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息，基于待处理病历信息的文本信息和病况实体信息进行深度学习建模，获取至少一个候选诊断和每个候选诊断的召回概率；根据当前区域的实际情况选择是否进行区域自学习，若不进行区域自学习，则根据每个候选诊断的召回概率，对至少一个候选诊断进行排序，根据排序结果获取待处理病历信息的诊断推荐结果；若进行区域自学习，则判断是否满足区域自学习要求，若不满足区域自学习要求，如病历样本数量不多，无法进行区域自学习，则按照召回概率进行排序，获取待处理病历信息的诊断推荐结果；若满足区域自学习要求，基于当前区域的区域排序特征和每个候选诊断的召回概率，采用排序概率计算模型计算每个候选诊断的排序概率，并对至少一个候选诊断进行排序，得到适用于当前区域的候选诊断的排序结果，并根据排序结果进行诊断自学习，调整排序概率计算模型中的模型参数，使得诊断推荐结果更加符合当前区域的诊断特点，一定程度上解决诊断推荐的区域差异化问题，提高临床辅助决策诊断的准确度。

[0099] 图6是根据本申请实施例提供的一种临床辅助决策诊断自学习装置的结构框图。如图6所示，该临床辅助决策诊断自学习装置可以包括结构化处理模块601、召回模块602、获取模块603和自学习模块604。

[0100] 具体地，结构化处理模块601，用于对待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息。

[0101] 召回模块602，用于根据待处理病历信息的文本信息和病况实体信息，获取至少一个候选诊断和每个候选诊断的召回概率。

[0102] 获取模块603，用于获取部署临床辅助决策诊断推荐系统的当前区域的区域排序特征。

[0103] 在本申请一些实施例中，获取模块603，具体用于：确定部署临床辅助决策诊断推荐系统的当前区域信息；根据当前区域信息，从区域排序特征库中获取当前区域的区域排序特征。

[0104] 自学习模块604，用于基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序，并根据排序结果进行诊断自学习。

[0105] 在本申请一些实施例中，自学习模块604，具体用于：基于当前区域的区域排序特征和每个候选诊断的召回概率，对至少一个候选诊断进行排序；根据排序结果获取针对待处理病历信息的诊断推荐结果；获取针对待处理病历信息的真实诊断结果；根据诊断推荐结果和真实诊断结果进行诊断自学习。

[0106] 在本申请一些实施例中，自学习模块604，还具体用于：基于当前区域的区域排序特征和每个候选诊断的召回概率，采用排序概率计算模型计算每个候选诊断的排序概率；根据每个候选诊断的排序概率，对至少一个候选诊断进行排序。

[0107] 在本申请一些实施例中，自学习模块604，还具体用于：根据诊断推荐结果和真实诊断结果，计算损失值；根据损失值，调整排序概率计算模型中的模型参数。

[0108] 可选地，在本申请一些实施例中，区域排序特征包括病历中疾病发病率、病况与诊断的共现概率，如图7所示，该临床辅助决策诊断自学习装置还可以包括特征更新模块705。其中，特征更新模块705具体用于：获取当前区域内的病历日志，并基于贝叶斯统计对病历日志进行自学习，以得到病历中疾病发病率、病况与诊断的共现概率，以及将病历中疾病发病率、病况与诊断的共现概率更新至区域排序特征库中。

[0109] 在本申请一些实施例中，特征更新模块705，具体用于：对病历日志进行结构化和结构化字段的统计，得到病历日志的病况实体信息和结构化字段统计信息；基于医学知识图谱构建的疾病诊断依据关系和病历日志的病况实体信息，对诊断与病况的相关关系进行筛选，以统计得到诊断与病况的关系信息；基于贝叶斯统计对结构化字段统计信息、诊断与病况的关系信息进行投票统计，得到病历中疾病发病率、病况与诊断的共现概率。

[0110] 其中，图7中701‑704和图6中601‑604具有相同功能和结构。

[0111] 关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

[0112] 根据本申请实施例的临床辅助决策诊断自学习装置，对体现了当前区域的诊断特点的待处理病历信息进行结构化处理，获得待处理病历信息的病况实体信息，基于待处理病历信息的文本信息和病况实体信息进行深度学习建模，获取至少一个候选诊断和每个候选诊断的召回概率；根据当前区域的实际情况选择是否进行区域自学习，若不进行区域自学习，则根据每个候选诊断的召回概率，对至少一个候选诊断进行排序，根据排序结果获取待处理病历信息的诊断推荐结果；若进行区域自学习，则判断是否满足区域自学习要求，若不满足区域自学习要求，如病历样本数量不多，无法进行区域自学习，则按照召回概率进行排序，获取待处理病历信息的诊断推荐结果；若满足区域自学习要求，基于当前区域的区域排序特征和每个候选诊断的召回概率，采用排序概率计算模型计算每个候选诊断的排序概率，并对至少一个候选诊断进行排序，得到适用于当前区域的候选诊断的排序结果，并根据排序结果进行诊断自学习，调整排序概率计算模型中的模型参数，使得诊断推荐结果更加符合当前区域的诊断特点，一定程度上解决诊断推荐的区域差异化问题，提高临床辅助决策诊断的准确度。

[0113] 根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

[0114] 如图8所示，是根据本申请实施例的用以实现临床辅助决策诊断自学习方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

[0115] 如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。

[0116] 存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的临床辅助决策诊断自学习方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的临床辅助决策诊断自学习方法。

[0117] 存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的临床辅助决策诊断自学习方法对应的程序指令/模块(例如，附图7所示的结构化处理模块701、召回模块702、获取模块703、自学习模块704和特征更新模块705)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的临床辅助决策诊断自学习方法。

[0118] 存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储用以实现临床辅助决策诊断自学习方法的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至用以实现临床辅助决策诊断自学习方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0119] 用以实现临床辅助决策诊断自学习方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。

[0120] 输入装置803可接收输入的数字或字符信息，以及产生与用以实现临床辅助决策诊断自学习方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

[0121] 此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，即本申请还提出了一种计算机程序，该计算机程序在被处理器执行时，实现上述实施例所描述的临床辅助决策诊断自学习方法，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

[0122] 这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

[0123] 为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

[0124] 可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

[0125] 计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端‑服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

[0126] 应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

[0127] 上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。