用于辅助疾病推理的系统及存储介质

摘要

本发明涉及一种用于辅助疾病推理的系统，包括：存储单元，其被配置成存储多重图；获取单元，其被配置成获取初始证据集合；以及处理单元，其包括：证据扩展模块、诊断先验概率模块、最大群体概率模块、最大临床表现概率模块、目标函数计算模块、优化结果集合划分模块、诊断集合确定模块、以及最终诊断集合确定模块。本发明还涉及一种实现本申请的用于辅助疾病推理的系统的功能的存储介质。根据本申请的用于辅助疾病推理的系统，能够降低医疗资源紧张程度同时提供高准确度并实现对用户的症状等信息的预先整理。

权利要求

1.一种用于辅助疾病推理的系统，所述系统包括：

存储单元，其被配置成存储多重图并且存储疾病之间的关联信息；

获取单元，其被配置成获取至少包括用户的人群信息集合以及用户的症状集合的初始证据集合；以及处理单元，其包括：

证据扩展模块，其被配置为基于所述存储单元中所存储的所述多重图将由所述获取单元获取的所述症状集合进行扩展，从而获得经扩展症状集合并且基于该经扩展症状集合获得相关联的诊断集合；

诊断先验概率模块，其被配置为计算所述诊断集合中的诊断的诊断先验概率的和的对数，其中，所述诊断先验概率表示诊断集合中的诊断在全体人群中的发病率；

最大群体概率模块，其被配置为计算所述用户的所述人群信息集合中的人群信息对于所述诊断集合中的诊断的最大群体概率的和的对数，其中，所述人群信息包括对患有所述诊断集合中的诊断的概率产生影响的职业和病史信息；

最大临床表现概率模块，其被配置为计算所述症状集合中的症状对所述诊断集合中的诊断的最大临床表现概率的和的对数；

目标函数计算模块，其被配置为计算目标函数的优化结果值，优化结果集合划分模块，其被配置为获取相关联的所述诊断集合的所有子集并且分别将所述所有子集分别反馈至所述诊断先验概率模块、所述最大群体概率模块、所述最大临床表现概率模块以经由所述目标函数计算模块获得所述所有子集的对应优化结果值；

诊断集合确定模块，其被配置为将与相关联的诊断集合及其所有子集相对应的优化结果集合中的优化结果按结果值进行排序；以及最终诊断集合确定模块，其被配置为输出与最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个最终诊断集合。

2.根据权利要求1所述的系统，所述系统还包括人机交互界面以及诊断交互界面，其中，所述人机交互界面用于接收由用户输入的初始信息，其包括所述用户的所述人群信息集合以及所述症状集合，其中，所述人机交互界面被构造成以所述用户可实现的任何形式接收所述初始信息；并且其中，所述诊断交互界面用于向所述用户显示一个或多个最终诊断集合。

3.根据权利要求1或2所述的系统，其中，所述处理单元还包括：冷启动澄清模块，其被配置成在由所述获取单元所获取的所述症状集合不包括任何有效症状的情况下询问所述用户添加新的用户症状直至获取有效症状。

4.根据权利要求1或2所述的系统，其中，所述处理单元还包括：阈值比较模块，其被配置为将所述优化结果集合中的最大结果值与预定阈值进行比较，并且在确定所述最大结果值大于预定阈值时由所述最终诊断集合确定模块输出与所述最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个最终诊断集合。

5.根据权利要求4所述的系统，其中，所述处理单元还包括：

问题域模块，其被配置成在所述阈值比较模块已经确定不存在大于所述预定阈值的任何结果值时基于所述多重图获取与所述诊断集合中的每个诊断相关联的所有症状以获得问题域。

6.根据权利要求5所述的系统，其中，所述处理单元还包括：

询问澄清模块，其被配置为基于所得的所述问题域，针对最近获得的优化结果集合中结果值最大的诊断集合或子集中的诊断中具有最高敏感度的有效症状进行询问并将新获得的有效症状添加至最近获得的症状集合中以获得新的症状集合并且将其反馈至所述证据扩展模块。

7.根据权利要求6所述的系统，其中，所述处理单元还包括：

计数模块，其被配置为对所述询问澄清模块的询问澄清次数进行计数并且在所述次数大于5次时，不再激活所述阈值比较模块并且输出结果值排名靠前的一个或多个最终诊断集合。

8.根据权利要求1或2所述的系统，其中，所述系统包括：

病史接口，其被配置为与医院病史系统链接使得能够从所述医院病史系统获得与所述用户相关的病史信息并在需要时插入所述用户的初始证据集合中。

9.根据权利要求1或2所述的系统，其中，所述系统还包括：

医生端交互界面，其被构造为将从所述用户处获得的证据和所输出的所述一个或多个最终诊断集合展示给医生，其中，所述医生端交互界面能够从所述系统的所述存储单元获取已经存储的所述症状集合和所述人群信息集合。

10.一种存储介质，其存储指令，当所述指令被执行时，所述指令实现至少以下步骤：(1)获取至少包括用户的人群信息集合以及所述用户的症状集合的初始证据集合；

(2)基于多重图将所获取的所述症状集合进行扩展，从而获得经扩展症状集合并且基于该经扩展症状集合获得相关联的诊断集合；

(3)计算所述诊断集合中的诊断的诊断先验概率的和的对数；

(4)计算所述用户的所述人群信息集合中的人群信息对于所述诊断集合中的诊断的最大群体概率的和的对数；

(5)计算所述症状集合中的症状对所述诊断集合中的诊断的最大临床表现概率的和的对数；

(6)计算目标函数的优化结果值，

(7)获取相关联的所述诊断集合的所有子集并且分别对所述所有子集执行步骤(3)‑(6)以获得所述所有子集的对应优化结果，从而获得优化结果集合；

(8)将所述优化结果集合中的优化结果按结果值进行排序；以及(9)输出与最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个最终诊断集合。

说明书

用于辅助疾病推理的系统及存储介质

技术领域

[0001] 本发明涉及一种用于辅助疾病推理的系统及存储介质。

背景技术

[0002] 在线医疗是当前互联网与医疗行业结合所产生的新业态，其研究也逐渐得到管理学界的广泛关注。本系统是根据已知的数据，经过严格复杂的计算，预测出用户所患疾病的名称与概率，并给出希望进一步澄清的证据的集合和对用户的处置建议，包括但不限于检查名称(CT、X线等)、就诊科室、疾病的危重信息等。

[0003] 目前用户想得知自己的疾病大多是去医院挂号，然后与医生进行多次沟通与检查，来得知自己可能患有的疾病。

[0004] 可以预见，上述直接去医院挂号沟通至少存在以下劣势：

[0005] 1、由于现有医疗资源的紧张，会存在挂号难、看病难的问题；

[0006] 2、由于对自己的症状理解不清晰、不到位，存在挂错号的问题，浪费用户与医生的宝贵时间；

[0007] 3、有一些系统也做了疾病推理，但是大部分运用的都是决策树算法作为核心算法，但是决策树的缺点是很明显的，如：忽略属性之间的相关性，各类别样本数量不一致的时候，信息增益偏向于那些更多数值的特征，类别过多时，错误就会增加的比较快等等。这些缺点导致对样本的处理的难度很大，效果也不是很好。

[0008] 因此，需要一种可以降低医疗资源紧张程度同时提供高准确度的用于辅助疾病推理的系统，使得可以在不去医院与医生直接沟通的情况下，准确地预先获取可能疾病的信息。

发明内容

[0009] 根据本发明的一个方面，本申请涉及一种用于辅助疾病推理的系统，系统包括：存储单元，其被配置成存储多重图；获取单元，其被配置成获取至少包括用户的人群信息集合以及用户的症状集合的初始证据集合；以及处理单元，其包括：证据扩展模块，其被配置为基于存储单元中所存储的多重图将由获取单元获取的症状集合进行扩展，从而获得经扩展症状集合并且基于该经扩展症状集合获得相关联的诊断集合；诊断先验概率模块，其被配置为计算诊断集合中的诊断的诊断先验概率的和的对数；最大群体概率模块，其被配置为计算用户的人群信息集合中的人群信息对于诊断集合中的诊断的最大群体概率的和的对数；最大临床表现概率模块，其被配置为计算症状集合中的症状对诊断集合中的诊断的最大临床表现概率的和的对数；目标函数计算模块，其被配置为计算目标函数的优化结果值；优化结果集合划分模块，其被配置为获取相关联的诊断集合的所有子集并且分别将所有子集反馈至诊断先验概率模块、最大群体概率模块、最大临床表现概率模块以及目标函数计算模块以获得所有子集的对应优化结果，从而获得优化结果集合；诊断集合确定模块，其被配置为将优化结果集合中的优化结果按结果值进行排序；以及最终诊断集合确定模块，其被配置为输出与最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个最终诊断集合。

[0010] 优选地，用于辅助疾病推理的系统还包括人机交互界面以及诊断交互界面，其中，人机交互界面用于接收由用户输入的初始信息，其包括用户的人群信息集合以及症状集合，其中，人机交互界面被构造成以用户可实现的任何形式接收初始信息；并且其中，诊断交互界面用于向用户显示一个或多个最终诊断集合。

[0011] 优选地，处理单元还包括：冷启动澄清模块，其被配置成在由获取单元所获取的症状集合不包括任何有效症状的情况下询问用户添加新的用户症状直至获取有效症状。

[0012] 优选地，处理单元还包括：阈值比较模块，其被配置为将优化结果集合中的最大结果值与预定阈值进行比较，并且在确定最大结果值大于预定阈值时由最终诊断集合确定模块输出与最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个最终诊断集合。

[0013] 优选地，处理单元还包括：问题域模块，其被配置成在阈值比较模块已经确定不存在大于预定阈值的任何结果值时基于多重图获取与诊断集合中的每个诊断相关联的所有症状以获得问题域。

[0014] 优选地，处理单元还包括：询问澄清模块，其被配置为基于所得的问题域，针对最近获得的优化结果集合中结果值最大的诊断集合或子集中的诊断中具有最高敏感度的有效症状进行询问并将新获得的有效症状添加至最近获得的症状集合中以获得新的症状集合并且将其反馈至证据扩展模块。

[0015] 优选地，处理单元还包括计数模块，其被配置为对询问澄清模块的询问澄清次数进行计数并且在次数大于5次时，不再激活阈值比较模块并且输出结果值排名靠前的一个或多个最终诊断集合。

[0016] 优选地，用于辅助疾病推理的系统包括：病史接口，其被配置为与医院病史系统链接使得能够从医院病史系统获得与用户相关的病史信息并在需要时插入用户的初始证据集合中。

[0017] 优选地，用于辅助疾病推理的系统还包括医生端交互界面，其被构造为将从用户处获得的证据和所输出的所述一个或多个最终诊断集合展示给医生，其中，医生端交互界面能够从系统的存储单元获取已经存储的症状集合和人群信息集合。

[0018] 根据本发明的另一方面，本申请还涉及一种存储介质，其存储指令，当指令被执行时，所述指令实现上述用于辅助疾病推理的系统所要执行的过程步骤。

[0019] 根据本发明的用于辅助疾病推理的系统能够降低医疗资源紧张程度同时提供高准确度，使得可以在不去医院与医生直接沟通的情况下，准确地预先获取可能疾病的信息。此外，在用户去往医院时，可以通过该系统所采集的信息以及推断信息辅助医生获取关于用户的个体状况，例如症状集合、人群信息集合等，从而有利于医生利用更为准确的信息进行实际诊断。这种对于用户的身体状况等信息的预先整理明显有助于节约医生询问用户的时间。

附图说明

[0020] 本发明的其他显著特征和优点从以下参考以下附图出于说明目的而提供的非限制性描述中得出，其中：

[0021] 图1示出了根据本发明的实施例的用于辅助疾病推理的系统所执行的流程的流程图；

[0022] 图2示出了根据本发明的另一实施例的用于辅助疾病推理的系统所执行的流程的流程图；

[0023] 图3示出了根据本发明的实施例的用于辅助疾病推理的系统的结构框图；以及[0024] 图4示出了根据本发明的实施例的用于辅助疾病推理的系统的总体结构图。

具体实施方式

[0025] 本申请的实施例涉及计算机应用条件下的技术方案。

[0026] 本申请的用于辅助疾病推理的系统所执行的流程根据已知“证据”(证据包括“症状”证据以及)推导出可能的“诊断”(或者在本文中也可以称为“疾病”)，并且基于用户的进一步“澄清”进一步优化相关“诊断”(应该理解，在本文的背景下，“诊断”的含义应该理解为“存在患有某种疾病的可能性”而不能代替完全医生的医学诊断，因此，本申请中的“诊断”有助于用户了解自身的身体状况并且有助于后续医生诊断时的信息收集)。

[0027] 在根据本申请的用于辅助疾病推理的系统中，需要利用以下已知信息并且这些信息可以包含在以下将详细描述且定义的多重图中：

[0028] ‑“疾病‑症状”关联信息，即症状(其集合定义为M0＝{mi}，其中m表示症状元素，下角标i表示第i个症状，i属于正整数)对疾病(或诊断)(其集合定义为D0＝{dj}，其中d表示疾病元素，下角标j表示第j个疾病，j属于正整数)的“敏感度”和“特异度”，其分别表示症状相对于疾病的条件概率P(mi|dj)以及疾病对于症状的条件概率P(dj|mi)；以及

[0029] ‑“疾病‑人群特征”关联信息，即疾病的人口统计学特征，其表示疾病关于人群特征(其集合定义为G0＝{gk}，其中k表示人群特征元素，下角标k表示第k个人群特征，k属于正整数)的关系，这些关系包括:

[0030] (a)疾病在全体人群中的发病率，即疾病的先验概率P(dj)，

[0031] (b)疾病在特定人群中的发病率P(dj|gk)，或者患者的人群分布P(gk|dj)，[0032] (c)人群特征，即人群特征的先验概率P(gk)，其可以从国家统计局等信息源获取。

[0033] ‑“疾病‑疾病”关联信息，即疾病之间的关系。如所知悉的，疾病之间存在一定的概率关系，例如合并症关系(没有因果关系，但是由共同因素引发)或者并发症关系(有因果关系)等。对于D0中的存在概率关系的疾病d1、d2，可以设定以上两个疾病d1、d2之间的概率关系P(d2|d1)，这表示d2以概率P(d2|d1)继发于d1，即在患有疾病d1的基础上患有d2的概率为P(d2|d1)。应该理解，在此，“继发”含义仅表示d1、d2之间的存在一定的概率关系的示例，并不表示存在直接的因果关系，在构建多重图时，并不要求考虑因果性，而只需考虑相关的概率关系即可。

[0034] ‑“症状‑症状”关联信息，在症状集合中的各种症状之间，可能存在一定的概率关系，这意味着症状之间的非独立性关系且存在一定的继发表现关系。对于M0中的具有概率关系的症状m1、m2，可以设定以上两个症状m1、m2之间的概率关系为使得P(m2|m1)>0，其表示患有症状m1的基础上表现有症状m2的概率为P(m2|m1)。

[0035] 贝叶斯网络是适合表达症状或人群特征与对应疾病之间的关系的合适表达方式，其中，贝叶斯网络中的结点表示随机变量(事件)，在本发明的范围中，随机变量即是指证据(症状mi或人群特征gk)或诊断(相关联疾病dj)，而网络中结点之间的边表示结点之间的关联关系。应该注意的是，在疾病推理诊断的背景下，由于某些症状之间的相关性未知，例如头痛与背痛，因此难以建立完整的贝叶斯网络。

[0036] 虽然贝叶斯网络描述了事件及事件之间的关联关系，但在疾病推理的范围中，人机交互经常通过概念进行传递，而事件往往由多个概念复合而成，例如症状“腰部疼痛”由“腰部”和“疼痛”两个概念复合而成。因此，还需要刻画概念及概念之间关系的知识图谱，才能形成有效的交互。概念之间可以具有多种关系，例如，在疾病推理的背景下，例如定义用来表达概念/事件之间的复合关系，该复合关系例如是包含(composed‑of)，例如：

[0037] 复合关 系(1) ：以及

[0038] 复合关系(2)：

[0039] 在复合关系(1)中，既有术语贝叶斯网络中的事件“腰部疼痛”，也有非事件概念“腰部”及“疼痛”，因此，称“腰部部位”和“疼痛症状种类”为“腰部疼痛症状”的构成要素。

[0040] 而在复合关系(2)中，其实际上为两个事件的逻辑组合，其可以被称为“组合事件”。

[0041] 应该理解，组合事件除了复合关系之外，这些事件之间还存在贝叶斯网络中的概率关系。

[0042] P(腰部疼痛│腰部疼痛且发热)＝1，P(发热│腰部疼痛且发热)＝1

[0043] 如之前所定义的，贝叶斯网络的中概率关系至少还包括“疾病‑症状”概率关系、“疾病‑人群特征”概率关系、“疾病‑疾病”概率关系、“症状‑症状”概率关系等。

[0044] 进一步地，在贝叶斯网络中，当概念概率关系的概率为1时，其等同于推导关系，即，

[0045] 为了更直观的表示贝叶斯网络和知识图谱在本申请中的使用，采用多重图G＝(V，R，I)来同时表示贝叶斯网络和知识图谱，其中：

[0046] ‑V＝{vk}表示顶点集合，其包括症状、人群特征等证据类事件，疾病、疾病组或综合征等诊断类事件，以及部位、症状类型、症状限定等非事件类概念；

[0047] ‑R表示关系集合，其包括：

[0048] (i)事件间的概率关系，例如， 当P(下肢麻木│腰椎间盘突出)＝0.7时，则简写为 进一步
地，当在事件之间不具体标记关系类型时，则默认事件之间为概率关系，即〈v1→v2〉；

[0049] (ii)同类概念之间的部分‑整体关系(part‑of)，例如

[0050] (iii)概念之间的复合关系composed‑of，如之前所述；

[0051] (iv)同类概念之间的上下位关系(kind‑of)，例如当概念均为事件类型时，则上下位关系同时也意味着推导关系，即
或者

[0052] 根据以上描述，关系集合R可以表示为概念关系集合RK与概率关系集合Rp的并集，即R＝RK∪Rp。

[0053] ‑I表示概念或事件之间的关联函数。例如，对于两个事件v1，v2，如果其间的关系r∈RP，则可以将这两个事件与相应关系r的关联关系表示为I(r)＝(v1，v2)并且关系r的权重定义为条件概率P(v2|v1)。

[0054] 为了尽可能的减少所引入的冗余信息，可以结合利用概念关系集合RK与概率关系集合Rp来等价地表示组合证据，而无需将逻辑运算记录在结点属性中。

[0055] 如前所述，证据间的与关系e3＝e1∧e2可以表示为 相对应地，证据间的或关系e3＝e1∨e2可以表示为 对于该与关系，
当全部子结点为真时 ，可以反向推导 ，即如果 则
然而，可以预见，证据间的推导可能存在歧义，例如，如果e1＝e3∨e4，e2
＝e3∨e5，可以轻易地确定 然而 因此，为了避
免歧义，需要引入概念关系集合RK进行区分以防止歧义，即当

[0056] 时，可以确定e3＝e1∧e2，才可以进一步确定

[0057] 为了进一步说明多重图中的结点之间的关系，在此示出了本申请范围中的一些结点关系示例：

[0058] 示例一：症状+限定

[0059]

[0060] 其中，“腰部疼痛”的构成元素是：

[0061]

[0062] 示例二：症状组合(与关系)

[0063]

[0064]

[0065] 示例三：症状组合(或关系)

[0066]

[0067]

[0068] 示例四：疾病组

[0069]

[0070]

[0071]

[0072] 可替代地或额外地，在本申请的多重图中，在关系集合R中，除了所公开的关系外，在本申请的优选实施例中，考虑到由于用户对于症状和部位描述的模糊性，在多重图中可以设置一些模糊性概率关系。

[0073] 作为示例，这些模糊性概率关系可以包括：

[0074] (1)部位的临近性关系：例如在用户描述「颈部」这一部位时，由于「颈背部」「颈项部」「颈肩部」均与颈部临近，因此，在这些临近部位之间设置一临近性概率关系从而更全面的覆盖用户描述误差，例如(其中该处，p仅表示概率关系，而不指定为任何特定值或相同值，可
以预见，p值的大小与部位之间的解剖临近性相关，例如，越接近则p值越大)，例如P(颈肩部│颈部)＝0.2；

[0075] (2)症状的相似性关系：例如，在用户描述「酸痛」这一症状时，由于「酸痛」「胀痛」之间存在一定相似性，因此，在这些存在相似性的症状之间设置一相似性概率关系从而也更全面的覆盖可能的诊断，例如 例如P(胀痛│酸痛)＝0.3；

[0076] (3)部位的包含关系：虽然上文已经描述了同类概念之间的部分‑整体关系part‑of的关系，然而，部位之间的包含关系也可以额外包括部位之间的概率关系(即更细致部位相对于更宽泛部位的概率关系)，例如更宽泛部位「上肢」包括更细致部位「肩部」「上臂」「肘部」「前臂」「腕部」「手部」四个部位，则除了其间的 等关系之外，还可以存在 等的概率关系，例如p（肩部|上肢）==0.2；

[0077] (4)症状的包含关系：虽然上文已经描述了同类概念之间的上下位关系(kind‑of)，然而，症状之间的包含关系也可以额外包括症状之间的概率关系(即限制更多的症状相对于更宽泛症状的概率关系)，例如，限制更多的症状「严重腰疼」与更宽泛症状「腰部疼痛」之间除了 的上下位关系外 ，还 包括的概率关系，例如P(腰部疼痛│严重腰疼)＝0.5；还或者
例如，限制更多的症状「疼痛劳累后加重」与更宽泛症状「疼痛」之间除了
的上下位关系外，还包括
的概率关系，例如P(疼痛劳累后加重│疼痛)＝0.1等。

[0078] 本领域的普通人员应该知悉，虽然在上文中示例了一些概率关系的具体值，然而，除了可以明确确定关系的概率值1和0之外，其余概率关系的示出值仅表示一种示例，而并不表示在构建相关多重图时，这些示出值会直接应用至多重图中，而是本领域的技术人员根据当前已知的各种医学数据以及统计学数据进行计算优化后得出并相应的实际有效值并加以应用至多重图的概率关系设定中，以有助于更准确的后续推理计算。

[0079] 本领域的普通技术人员应该理解到，上述对于多重图中的结点之间的关系的描述仅仅是示例性，并且不应理解为对本申请的多重图中所有结点关系的限制。

[0080] 基于上述内容，可以确定，在已知用户的人群信息集合G以及症状集合M的情况下，可以推断出该用户可能患有的诊断(疾病)集合D可以被表示为：

[0081]

[0082] 其中，P(D│MG)表示在贝叶斯网络中在M和G的并集的条件下患有D的概率，很明显，具有最大概率的诊断集合D可以理解为在用户当前的信息下可能患有的概率最大的疾病集合。

[0083] 根据贝叶斯公式，P(D│MG)可以变型为：

[0084]

[0085] 考虑到，对给定用户而言，M和G是确定的且疾病推理的方向为G‑>D‑>M，因此，诊断集合D的确定可以变型为：

[0086]

[0087] 基于此，可以将上述推理过程理解为求解如下目标函数的最大值：

[0088] f(D)＝log P(D)+log P(G|D)+log P(M|D)            (2)

[0089] 如果诊断集合D中的各个诊断d之间、人群信息集合G中的各个人群信息g之间、症状集合M中的各个症状m之间在概率意义上相互独立，则可以将式子(2)的优化结果表示为：

[0090]

[0091] 其中式子(3)的各项分别为：a项表示对于任一诊断集合D中的各项疾病d的疾病先验概率的和的对数，b项表示用户的人群信息集合G中的各项人群信息g对于诊断集合D中的某一诊断d的最大群体概率的和的对数且c项表示用户的症状M中的每个症状m对诊断集合D中的某一诊断d的最大临床表现概率的和的对数。

[0092] 然而，如上文关于多重图所述，疾病与疾病、症状与症状、疾病与人群信息等之间并不能完全地独立，因此，需要对上述优化结果进行修正。

[0093] 图1示出了根据本发明的实施例的用于辅助疾病推理的系统所执行的流程的流程图。如图1所示，本发明所记载的用于辅助疾病推理的系统所执行的流程至少包括如下将详细描述的步骤。

[0094] 在步骤S100处，获取初始证据集合。

[0095] 初始证据集合至少包括用户基本信息以及用户症状。用户基本信息至少包括用户的性别、年龄等基本人群信息的集合G。用户症状至少包括初始主诉症状M。

[0096] 在步骤S102处，基于多重图对用户的初始主诉症状M进行扩展以获取经扩展症状集合M1并基于经扩展症状集合M1获取相关联的诊断集合D。

[0097] 可以预见，在该步骤中，包括初始主诉症状的用户症状基于多重图进行扩展。由于症状与症状之间可以存在composed‑of关系，如：且 因
此，当获取腰部疼痛且发热这一组合症状时，根据多重图理论，可以推导出同时获取了腰部疼痛和发热两个症状，因此，通过对用户症状进行扩展，可以防止证据信息丢失而导致推理结果不够准确。在基于多重图对用户症状进行扩展后，初始主诉症状更新为经扩展症状集合。进一步地，根据该经扩展症状集合，可以根据多重图获取与该经扩展症状集合相关联的相关诊断集合。例如，当对腰部疼痛且发热这一症状扩展为腰部疼痛以及发热后，可以基于多重图获取与腰部疼痛相关联的诊断(疾病)集合并且相应地可以获取与发热相关联的诊断(集合)，因此，基于对腰部疼痛且发热这一用户症状进行扩展，可以实际获得与腰部疼痛相关联的诊断(疾病)集合以及与发热相关联的诊断(集合)的并集，使得与腰部疼痛且发热这一用户症状相关联的所有疾病具备周全的考虑而不会造成遗漏。

[0098] 此外，在该步骤中，由于用户对于症状和部位的描述的模糊性，可以进一步针对用户的初始主诉症状中的部位和症状利用模糊性概率关系进行扩展，使得基于用户的症状和部位获得可能涉及的所有诊断的范围。

[0099] 请注意，如果经扩展证据集合中存在这样两个证据 则从该经扩展证据集合中去除e2。其理由是，作为事件描述的e1一定比e2包括更多的信息(复合关系)，因而，对于被任何诊断dj，若同时存在 则p1一定比p2更准确的表达了
相关证据道诊断的概率关系(请注意，p1不一定大于p2)，例如
则利用前者进行诊断一定要比后者更为准确。

[0100] 在步骤S104处，计算诊断集合D中的诊断d的诊断先验概率的和的对数。

[0101] 对于自步骤S102获取的相关联诊断集合D中，如前文所述，疾病d1与疾病d2之间可能存在关联，即，疾病之间存在一定的概率关系，例如合并关系(没有因果关系，但是由共同因素引发)或者并发关系(有因果关系)等。如所周知的，对于D＝{d1，d2}中的疾病d1和d2而言，如果d1和d2彼此相互独立(即d1和d2之间不存在额外的概率的关系)，则可以确定，用户患有诊断D的概率为P(D)＝P(d1)×P(d2)(即用户同时患有两种疾病的概率)。然而，如果d2以概率P(d2|d1)继发于d1，则用户患有诊断集合D的概率修正为P(D)＝P(d1)×P(d2|d1)，换言之，疾病d1→d2带来诊断D的对数似然增益可以表示为：

[0102]

[0103] 这相当于利用关系d1→d2的概率P(d2|d1)替换节点d2的概率P(d2|d1)。因此，可以理解为，对于每一个诊断dt，在计算中仅保留di→dt(i和t表示诊断集合D中的疾病元素的下角标，其理解如本领域的常规含义)中的最大概率，就可以确定处出最可能患病集合的最大概率。然而，在进行先验概率P(D)时，进行这种保留(或者替换)首先需要满足在在这两种疾病之间不能存在环(即存在偏序关系)。

[0104] 为了保留对该计算的结果影响最大的疾病相关性，需要对于诊断集合中的每个疾病选择有效关系，其过程如下：

[0105] 自任何一个诊断dt开始，

[0106] i.)选择有效关系di→dt使得arg maxdi→dtlog P(D)；

[0107] ii.)删除所有其他到dt的关系，只保留最大的di→dt，即只保留最大的P(dt|di)并且将其设置为P’(dt)；

[0108] iii.)删除dt至所有已选择节点的关系，只保留到未选择节点的关系，从而避免环；

[0109] iv.)重复步骤i.)‑ii.)，直至D中的所有关系都被删除。

[0110] 因此，可以将式子(3)中的a项修正为：

[0111]

[0112] 可以理解，对于诊断集合D中的某些疾病而言，可能不存在P’(d)，在这种情况下，使得P(d)＝P’(d)。

[0113] 在步骤S106处，计算用户的人群信息集合G中的人群信息g对于诊断集合D中的诊断d的最大群体概率的和的对数。

[0114] 如前所述，P(g|d)表示某一疾病的用户在各类人群中的比例。其中，最主要的人群信息为年龄和性别。然而，可以预见，年龄和性别这两种人群信息之间的相关性并不强，因此，对于年龄和性别的人群信息的最大群体概率的计算不变。

[0115] 然而，涉及职业和病史的人群信息对疾病的诊断具有明显的影响，然而，通常这种人群信息的先验概率(或群体概率)并不能提前知悉，然而，本领域的普通技术人员所能够容易获得知识以类似于“长期大量吸烟者患肺癌的概率是不吸烟者的10‑20倍”的形式存在。通过式子(1)可知，在比较不同的d∈D时，有意义的产值(额外风险，risk)可以以log r(g，d)的形式来表达，其中r(g，d)的含义应该理解为，具有人群信息g的群体的d患病率比不具有人群信息g的群体高r倍(由于具有人群信息g的群体患有疾病d在全部人群中的占比小，因此不具有人群信息g的群体可以视为整个人群)。

[0116] 为了便于区分，将具有人群信息g的疾病d患有者的这种人群信息g称为个人史特征h∈H，(即，没有明确的先验概率，但是可以知悉该人群信息(个人史特征h)会显著增加患有疾病d的概率)。当然，如果个人史特征h与疾病d之间的风险增加关系并不明确，则可以将r(h，d)设置为1(即表示该个人史特征h不会明显疾病d的患病概率)。

[0117] 基于此，可将式子(3)中的b项修正为：

[0118]

[0119] 在步骤S108处，计算症状集合M中的症状对诊断集合D中的诊断的最大临床表现概率的和的对数。

[0120] 症状集合M中的症状m对于诊断集合D中的诊断d而言，存在阴性症状表现以及阳性症状表现，其中，阳性症状表现意为只要诊断集合D中的任一诊断支持出现该症状的症状表现；而相对地，阴性症状表现意为诊断集合D中的所有诊断全部支持出现该症状的症状表+现。因此，症状集合M中的症状可以表示为阳性症状表现集与阴性症状表现集的并集M＝M‑
∪M，其中

[0121]

[0122] 因此，考虑到诊断集合D中的诊断的非独立性，上述式子(3)中的c项可以修正为：

[0123]

[0124] 然而，在症状集合M中，存在这样一种症状，m∈M，P(m|d)＝0，然而，却存在主诉症状M外的另一症状m’，使得 换言之，虽然症状m与诊断集合D中的诊断d表现为条件概率为0，然而该症状m通过与症状集合M外的其他症状m’之间的概率关系，可以间接的建立诊断集合D中的诊断d与该症状m之间的概率关系，这使得这种诊断d与这种症状m之间的概率关系可以表示为：

[0125] P″(m|d)＝P(m|m′)×P(m′|d)                (4)

[0126] 基于上述式子(4)，可以进一步地将上述式子(3)中的c项修正为：

[0127]

[0128] 在步骤S110处，计算目标函数的优化结果值，即，计算诊断先验概率的和的对数、最大群体概率的和的对数以及最大临床表现概率的和的对数三者之和。

[0129] 在如式子(3)的目标函数的情况下，基于步骤S106‑S110中的修正计算，可以将式子(3)的目标函数的结果优化为：

[0130]

[0131] 在步骤S112处，获取相关联的诊断集合D的所有子集Di(在此为真子集)并且针对每个子集Di重复步骤S104‑S110，从而得出关于所有子集的优化结果值f(Di)。

[0132] 在步骤S114处，将与相关的诊断集合及其所有子集的优化结果值对应的优化结果集合F中的优化结果按结果值进行排序。

[0133] 在步骤S116处，输出与最大结果值相对应的最终诊断集合或者输出与排序靠前(例如前三，但是这并非限定性的)的结果值相对应的一个或多个最终诊断集合。

[0134] 虽然，在上文以及附图中按照一定顺序描述了本发明的系统所执行的过程的实施步骤，然而，可以预见，这些顺序并非以限定性的方式给出，而仅仅是作为示例。可替代地，在本申请的范围中，上述步骤中的一个或多个可以改变其在该过程中的先后顺序或者可以同时执行，只要能够实现本发明的系统的功能即可。

[0135] 示例性且非限定性的，可以在步骤S102之后直接获取相关联的诊断集合D的所有子集Di(步骤S112)，然后针对每个子集Di以及相关联的诊断集合D中的每个分别执行步骤S104‑S110，从而获得与每个子集Di以及相关联的诊断集合D对应的优化结果集合F。

[0136] 如图2所示，根据本申请的一个优选实施例，考虑到在步骤S100处获取的症状集合可能不包括与疾病直接关联的有效症状，则需要进行冷启动澄清。具体地，在可选的步骤S118处，判断步骤S100处获取的症状集合是否包括直接有效症状。如果包括直接有效症状，则用于辅助疾病推理的系统所执行的流程行进至步骤S102。如果确定不包括有效症状，则步骤行进至步骤S120，在该步骤S120处，询问用户添加新的用户症状直至获取有效症状。

[0137] 根据本申请的一个优选实施例，可以针对优化结果集合F中的最大结果值设定一预定阈值以提高推理的准确性。具体地，在步骤S114之后，可以设置将优化结果集合F中的结果值与预定阈值进行比较的步骤S122，如果最大结果值大于预定阈值，则认为该诊断集合已经足够准确，则行进至步骤S116。然而，如果不存在任一结果值大于预定阈值，则可以认为目前的诊断结合并不完全准确且不能推理出最可能的诊断集合，在这种情况下，需要对目前获取的症状集合进行进一步扩充澄清以强化诊断的准确度。具体地，在没有任一结果值大于预定阈值的情况下，本申请的用于辅助疾病推理的系统所执行的流程行进至步骤S124‑S126，这些步骤总体上也可以称为推理澄清过程步骤。

[0138] 在步骤S124处，基于多重图获取与相关联诊断集合D中的每个诊断相关联的所有症状从而获得问题域，其中，相关联诊断集合中的所有诊断以及与每个诊断相关联的所有症状被称为问题域。可以预见，该问题域也包括由于部位和症状模糊性而需要明确的额外询问。

[0139] 根据上文对问题域和有效症状的定义，可以知悉一个有效症状的所有下位症状也在问题域中，因此问题域恰好是有效症状的马尔可夫毯。当存在多个有效症状时，问题域即为各有效症状的马尔可夫毯的并集。

[0140] 在步骤S126处，基于所获得的问题域，针对最新获得的优化结果集合中结果值最大的诊断集合中的诊断中具有最高敏感度的有效症状进行询问并将该新获得的有效症状添加至最新获得的症状集合M中以获得新症状集合并反馈回步骤S102，以进行循环。

[0141] 在本申请的优选实施例中，还可以在适当位置处设置可选的计数步骤，该计数步骤确定上述循环所经历的次数，并且在循环次数超过一定次数后，例如5次，输出结果值排序靠前的一个或多个诊断集合。也可以设想，输出的诊断集合的数量也可以预定为例如五个。

[0142] 可选地，在确定需要询问与诊断集合中的诊断相关联的具有敏感度的其他有效症状时，实际上只考虑了证据粒度的询问效率，但是在转换成用于辅助疾病推理的系统所执行的流程所采用的自然语言时，实际上还可以考虑人类对话的自然逻辑。

[0143] 例如：(1)合并同类元素；例如「腰部疼痛」和「腰部麻木」应该询问为「请问您的腰部是否有如下症状：A.疼痛,B.麻木」；以及(2)依用户的主诉症状依次询问；例如用户输入「我腰疼而且腿麻」，那么应该先询问「腰部疼痛」相关的问题，包括限定条件、程度等等；之后再开始询问「下肢麻木」相关的问题。

[0144] 例如，可以将问题历史抽象建模为

[0145]

[0146] 其中， 表示第a次循环的第b个询问对象，例如“腰部(的症状)”、“腰部疼痛(的程度)”。当根据本申请的用于辅助疾病推理的系统所执行的流程给出第n+1次循环的待澄清证据集合时，应该与历史问题进行比较，优选选择同样的询问目标进行询问。比较顺序为：

[0147]

[0148] 即，同一循环中询问的对象依次澄清，不同循环中的询问对象优先询问澄清最近询问过的，以接近人类的对话习惯。

[0149] 进一步，优选地，在步骤S120处询问用户的补充有效症状可以根据用户输入的部位进入多重图中的知识图谱进行匹配而直接生成，例如，用户输入“腰部”，则在匹配中发现“腰部疼痛”、“腰部肿胀”等相关部位症状，则据此直接询问用户腰部是否具有上述症状，让用户直接进行选择。另外，还可以直接生成相关问题，让用户回答，例如如果用户输入“腰部”而确定没有直接有效症状时，则直接询问用户“您的腰部有什么不适？”。当然，前述选择或直接询问方式可以结合使用。

[0150] 如图3所示，图3示出了根据本发明的实施例的用于辅助疾病推理的系统的结构框图。如图所示根据本申请的用于辅助疾病推理的系统3可以包括存储单元302，获取单元304以及处理单元306。

[0151] 存储单元302被配置成存储多重图。该多重图同时表示贝叶斯网络以及知识图谱并且至少包括有效症状、与有效症状先关联的疾病、“疾病‑症状”关联信息以及“疾病‑人群”关联信息等已知信息。

[0152] 获取单元304被设置为如前所述地获取至少包括用户的人群信息集合以及用户的症状集合的初始证据集合。进一步地，在有利的实施例中，该获取单元304还可以被配置为根据系统中其他单元的反馈向用户询问其他信息。

[0153] 处理单元306被配置为如前述地处理由获取单元304所获取的信息。优选地，处理单元306可以包括多个子模块，例如，证据扩展模块306‑1、诊断先验概率模块306‑2、最大群体概率模块306‑3、最大临床表现概率模块306‑4、目标函数计算模块306‑5、优化结果集合划分模块306‑6、优化结果排序模块306‑7以及最终诊断集合确定模块306‑8。

[0154] 证据扩展模块306‑1被配置为如步骤S102所述地基于存储单元302中所存储的多重图将由获取单元304获取的症状集合进行扩展，从而获得经扩展症状集合并且基于该经扩展症状集合获得相关联的诊断集合。

[0155] 诊断先验概率模块306‑2被配置为如步骤S104所述地计算诊断集合中的诊断的诊断先验概率的和的对数。

[0156] 最大群体概率模块306‑3被配置为如步骤S106所述地计算用户的人群信息集合中的人群信息对于诊断集合中的诊断的最大群体概率的和的对数。

[0157] 最大临床表现概率模块306‑4被配置为如步骤S108所述地计算症状集合M的症状对诊断集合中的诊断的最大临床表现概率的和的对数。

[0158] 目标函数计算模块306‑5被配置为如步骤S110所述地计算目标函数的优化结果值，即，计算诊断先验概率的和的对数、最大群体概率的和的对数以及最大临床表现概率的和的对数三者之和。

[0159] 优化结果集合划分模块306‑6被配置为如步骤S112所述地获取相关联的诊断集合的所有子集并且将这些子集分别反馈至诊断先验概率模块306‑2、最大群体概率模块306‑3、最大临床表现概率模块306‑4以经由目标函数计算模块306‑5获得相关的诊断集合的子集的对应优化结果值。

[0160] 诊断集合确定模块306‑7被配置为如步骤S114所述地将与相关联的诊断集合及其子集的优化结果值相对应的集合中的优化结果按优化结果值进行排序。

[0161] 最终诊断集合确定模块306‑8被配置为如步骤S116所述地输出与最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个最终诊断集合。

[0162] 可选地，本发明的用于辅助疾病推理的系统还可以进一步包括阈值比较模块306‑9、问题域模块306‑10以及询问澄清模块306‑11。阈值比较模块306‑9被配置为如步骤S122所述地将优化结果集合F中的最大结果值与预定阈值进行比较，如果最大结果值大于预定阈值，则由最终诊断集合确定模块306‑8输出与最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个最终诊断集合。如果最大结果值小于预定阈值，则将阈值比较模块306‑9激活问题域模块306‑10，该问题域模块306‑10被配置为如步骤S124所述地基于多重图获取与相关联诊断集合中的每个诊断相关联的所有症状，获得问题域。然后，询问澄清模块306‑11被配置为如步骤S126所述地基于所得的问题域，针对最近获得的优化结果集合中结果值最大的诊断集合中的诊断中具有最高敏感度的有效症状进行询问并将该新获得的有效症状添加至最近获得的症状集合中以获得新的症状集合并且将其反馈至证据扩展模块306‑1中，以进行循环。

[0163] 可选地，处理单元306还可以包括冷启动澄清模块306‑12。该冷启动澄清模块306‑12判断由获取单元304所获取的症状集合是否包括有效症状并且在所获取的症状集合不包括任何有效症状的情况下经由获取单元304询问用户添加新的用户症状直至获取有效症状。

[0164] 可选地，处理单元306可以包括计数模块306‑13，其被配置为循环次数进行计数并且在次数大于预定次数(例如五次，其他次数也是可能的)时，不再激活问题域模块306‑10并由最终诊断集合确定模块306‑8输出与最大结果值相对应的最终诊断集合或者输出与排序靠前的结果值相对应的一个或多个(2个或3个)最终诊断集合。

[0165] 可以预见，获取单元304以及处理单元306所获得相关证据集合和推理结果等信息也可以可选地实时地存储于存储单元302中或者还可以可选地存储于远程存储装置(例如云)上，以供后续调用。

[0166] 虽然上文中描述了处理器的各种单独功能的模块，然而，本领域的普通技术人员可以理解，这些模块仅是示例性的。实际上，可以存在能够实现以上模块中的一个或多个功能的模块以及由一个或多个模块实现以上功能中的一种，这些设置可以根据本发明的实施需要而变化。

[0167] 有利地，本申请范围内的用于辅助疾病推理的系统还包括人机交互界面，其中，该人机交互界面被构造为接收由用户输入的初始信息，其包括用户基本信息以及用户症状信息的症状集合。该人机交互界面构造成以用户可实现的任何形式(例如，语音输入、文字输入、图像识别)接收用户初始信息。作为示例而非限制性的，该人机交互界面可以实施为键盘、鼠标、触摸屏幕、操纵杆、麦克风等任何可以接收用户所输入的初始信息的硬件或其组合。

[0168] 有利地，本申请范围内的用于辅助疾病推理的系统还包括诊断交互界面，其中，该诊断交互界面被构造为显示由系统所输出的诊断集合或者将系统所确定需要询问的诊断的其他有效症反馈给用户以获取用户针对系统的待澄清其他有效症状进行答复。有利地，该诊断交互界面优选地为屏幕，例如液晶显示器、有机发光二极管等形式。但是可以预见，作为示例而非限制性的，诊断交互界面还可以是语音播报装置、投影装置等输出装置硬件或其组合。

[0169] 更有利地，本申请范围内的用于辅助疾病推理的系统中的人机交互界面和诊断交互界面可以集成在一起。作为示例而非限制性的，例如，触摸屏幕可以是集成的人机交互界面和诊断交互界面的示例。但是可以预见，包含屏幕的其他人机交互界面也可以与诊断交互界面集成，从而实现两者的功能，例如显示器与键盘(或其他物理输入设备)的组合等。

[0170] 有利地，本申请范围内的用于辅助疾病推理的系统还包括病史接口，其中，该病史接口被构造为与医院病史系统链接使得能够从医院病史系统获得与用户相关的病史信息并在需要时(例如，用户当前症状与之前病史相关、或复发等)插入用户的初始证据集合中，以用于辅助疾病推理。

[0171] 进一步地本申请范围内的用于辅助疾病推理的系统还包括医生端交互界面，其被构造为将从用户处获得的证据集合和所输出的最终诊断集合展示给医生。可以预见，该医生端交互界面能够从用于辅助疾病推理的系统的存储单元304或相关联的远程存储装置获取关于用户的证据集合以及最终诊断集合，这使得医生能够更快更准确的获取用户的身体状态，从而有助于医生的诊断流程。

[0172] 有利地，本申请范围的用于辅助疾病推理的系统的存储单元302可以例如包括存储器，例如U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等或者其他可存储数据的硬件存储。进一步地，根据本发明的存储单元302可以包括数据库、云存储等软件存储。进一步地，存储单元302可以包括还可以存储用于实现本申请的用于辅助疾病推理的系统所执行的流程的任何软件程序。

[0173] 如图4所示，图4示出了根据本发明的实施例的用于辅助疾病推理的系统的总体结构图，其中，基于相同的发明构思，所述用于辅助疾病推理的系统总体上至少包括如下部件：处理器401、存储器402、通信接口403和总线404；其中，所述处理器401、存储器402、通信接口403通过所述总线404完成相互间的通信；所述通信接口403用于实现用于辅助疾病推理的系统的信息交互通信以及与其他软件或硬件的信息传输；所述处理器401用于调用所述存储器402中的计算机程序，所述处理器执行所述程序时实现如本申请之前所述的用于辅助疾病推理的系统所执行的流程。

[0174] 基于相同的发明构思，本发明的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如本申请之前所述的用于辅助疾病推理的系统所执行的流程，在此不再赘述。

[0175] 此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述用于辅助疾病推理的系统所执行的流程的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0176] 对于本发明实施例提供的计算机可读存储介质，其上存储的计算机程序的工作原理和有益效果和上述实施例提供的疾病推理系统类似，具体内容和参见上述实施例的介绍，本发明实施例对此不再详述。

[0177] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0178] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分。

[0179] 还应该理解，可以根据具体要求而进行各种变型。例如，也可以使用定制硬件，和/或可以用硬件、软件、固件、中间件、微代码，硬件描述语言或其任何组合来实现特定元件。例如，所公开的用于辅助疾病推理的系统及其所执行的流程中的一些或全部可以通过使用根据本公开的逻辑和算法，用汇编语言或硬件编程语言(诸如VERILOG，VHDL，C++)对硬件(例如，包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。

[0180] 还应该理解，前述用于辅助疾病推理的系统所执行的流程可以通过服务器‑客户端模式来实现。例如，客户端可以接收用户输入的数据并将所述数据发送到服务器。客户端也可以接收用户输入的数据，进行前述用于辅助疾病推理的系统所执行的流程中的一部分处理，并将处理所得到的数据发送到服务器。服务器可以接收来自客户端的数据，并且执行前述用于辅助疾病推理的系统所执行的流程或前述用于辅助疾病推理的系统所执行的流程中的另一部分，并将执行结果返回给客户端。客户端可以从服务器接收到用于辅助疾病推理的系统所执行的流程的执行结果，并例如可以通过输出设备呈现给用户。

[0181] 还应该理解，用于辅助疾病推理的系统的组件可以分布在网络上。例如，可以使用一个处理器执行一些处理，而同时可以由远离该一个处理器的另一个处理器执行其他处理。用于辅助疾病推理的系统的其他组件也可以类似地分布。这样，用于辅助疾病推理的系统可以被解释为在多个位置执行处理的分布式计算系统。

[0182] 虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。