基于人工智能的病历质控方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例属于人工智能领域，应用与智慧医疗领域中，涉及一种基于人工智能的病历质控方法、装置、计算机设备及存储介质，其中方法包括获取待检病例的文本，将所述文本进行重要文本信息筛选，获得所述文本中的重要文本信息；获取待检病例的图像，将所述图像进行重要图像信息筛选，获得所述图像中的重要图像信息；将所述重要文本信息和所述重要图像信息进行向量融合，获得融合向量；将所述融合向量输入到预先训练的质控模型中，得到所述待检病历是否合格的分类结果。结合图像和文本信息利用预先训练的质控模型进行病历是否合格的判断，相对与人工抽样的病历质检方式更高效、更准确。此外，本申请还涉及区块链技术，待检病历可存储于区块链中。

【技术实现步骤摘要】
基于人工智能的病历质控方法、装置、计算机设备及存储介质
本申请涉及人工智能
，尤其涉及基于人工智能的病历质控方法、装置、计算机设备及存储介质。
技术介绍
病历质控是医院管理与建设中重要一环，其中病历诊断质控对于医生的评估和事件追溯具有重要价值。诊断质控一般包括误诊和漏诊，从医院和医生的角度看，误诊的检测对于维持医院正常运转更加的重要。我国人口基数庞大，就医人数也远超世界平均水平。显然病例数极大的情况下病例诊断质控不可能采用大批量人工审核方式，常用方法是随机采样一个小样本进行质控，但随机采样的样本不能以偏概全，质控效果不佳。
技术实现思路
本申请实施例的目的在于提出一种基于人工智能的病历质控方法、装置、计算机设备及存储介质，以解决采用人工审核方式进行病历质控效率低、效果不佳的问题。为了解决上述技术问题，本申请实施例提供一种基于人工智能的病历质控方法，采用了如下所述的技术方案：获取待检病例的文本，将所述文本输入到预先训练的文本重要信息筛选模型进行重要文本信息筛选，获得所述文本中的重要文本信息；获取待检病例的图像，将所述图像输入到预先训练的图像重要信息筛选模型进行重要图像信息筛选，获得所述图像中的重要图像信息；将所述重要文本信息和所述重要图像信息输入预先训练的总体重要性评估模型进行向量融合，获得融合了所述重要文本信息和所述重要图像信息的融合向量；将所述融合向量输入到预先训练的质控模型中，得到所述待检病历是否合格的分类结果。进一步的，所述预先训练的文本重要信息筛选模型为基于注意力机制的Transformer模型，在所述获取待检病例的文本，将所述文本输入到预先训练的文本重要信息筛选模型进行重要文本信息筛选，获得所述文本中的重要文本信息的步骤之前，还包括：获取第一训练集，所述第一训练集包含输入语料和预期的输出结果；将所述第一训练集中的输入语料输入到基于注意力机制的Transformer模型中，获取所述Transformer模型响应所述输入语料输出的预测结果；通过第一损失函数比较所述预测结果和所述预期的输出结果是否一致；调整所述Transformer模型各节点的参数，至所述第一损失函数达到最小值时结束，获得训练好的文本重要信息筛选模型。进一步的，所述预先训练的图像重要信息筛选模型基于第一E2E模型，在所述获取待检病例的图像，将所述图像输入到预先训练的图像重要信息筛选模型进行重要图像信息筛选，获得所述图像中的重要图像信息的步骤中，还包括：将所述图像进行分割，获得K个子图像；将所述K个子图像输入到预设的SE-ResNet模型进行特征提取，获得所述K个子图像对应的K个子图像特征向量；将所述重要文本信息输入到预设的Bi-GRU模型进行特征提取，获得所述重要文本信息对应的重要文本特征向量；将所述K个子图像特征向量和所述重要文本特征向量输入到所述第一E2E模型进行权重学习，获得所述K个子图像特征向量对应的K个子权重；将所述K个子权重与预设的第一阈值比较，确定所述子权重大于所述第一阈值的子图像为所述图像的重要图像信息。进一步的，所述总体重要性评估模型基于第二E2E模型，在所述将所述重要文本信息和所述重要图像信息输入预先训练的总体重要性评估模型进行向量融合，获得融合了所述重要文本信息和所述重要图像信息的融合向量的步骤之前，还包括：获取第二训练集，所述第二训练集包含病历样本，所述病历样本包含样本图像向量和样本文本向量，所述病历样本标注诊断标签；根据预设的标准图像集和预设的标准文本集分别计算所述标准图像集中各图像向量的均值和所述标准文本集中各文本向量的均值，得到图像基参考向量和文本基参考向量；计算所述样本图像向量与所述图像基参考向量的相似度，得到图像相关因子；计算所述样本文本向量与所述文本基参考向量的相似度，得到文本相关因子；根据所述图像相关因子、所述文本相关因子以及预设的图像平滑因子初始值和预设的文本平滑因子初始值，将所述样本图像向量和所述样本文本向量进行向量融合，得到样本融合向量；将所述样本融合向量输入到所述第二E2E模型，获得所述第二E2E模型响应所述样本融合向量输出的预测标签；通过第二损失函数比较所述预测标签和所述诊断标签是否一致；调整所述第二E2E模型各及节点的参数以及所述图像平滑因子、所述文本平滑因子的值，至所述第二损失函数达到最小值时结束，获得所述图像平滑因子的终值和所述文本平滑因子的终值。进一步的，在所述将所述重要文本信息和所述重要图像信息输入预先训练的总体重要性评估模型进行向量融合，获得融合了所述重要文本信息和所述重要图像信息的融合向量的步骤中包括：将所述重要图像信息输入到预设的SE-ResNet模型进行特征提取，获得所述重要图像信息对应的重要图像特征向量；将所述重要文本信息输入到预设的Bi-GRU模型进行特征提取，获得所述重要文本信息对应的重要文本特征向量；计算所述重要图像特征向量与所述图像基参考向量的相似度，得到图像特征相关因子；计算所述重要文本特征向量与所述文本基参考向量的相似度，得到文本特征相关因子；根据所述图像平滑因子的终值和所述文本平滑因子的终值，以及所述图像特征相关因子和所述文本特征相关因子，对所述重要图像特征向量和所述重要文本特征向量进行融合计算，获得融合了所述重要文本信息和所述重要图像信息的融合向量。进一步的，所述质控模型基于第三E2E模型，在所述将所述融合向量输入到预先训练的质控模型中，得到所述待检病历是否合格的分类结果的步骤之前，还包括：获取第三训练集，所述第三训练集包含病历样本融合向量，所述病历样本融合向量为融合了病历样本图像信息和病历样本文本信息的向量，所述病历样本标注了诊断是否合格；将所述病历样本融合向量输入到所述第三E2E模型中，获得所述第三E2E模型响应所述病历样本融合向量输出的分类结果；通过第三损失函数比较所述分类结果与所述标注是否一致；调整所述第三E2E模型各节点的参数，至所述第三损失函数达到最小值时结束，得到训练好的质控模型。进一步的，将所述待检病例的文本和图像存储至区块链中。为了解决上述技术问题，本申请实施例还提供一种基于人工智能的病历质控装置，采用了如下所述的技术方案：第一获取模块，用于获取待检病例的文本，将所述文本输入到预先训练的文本重要信息筛选模型进行重要文本信息筛选，获得所述文本中的重要文本信息；第二获取模块，用于获取待检病例的图像，将所述图像输入到预先训练的图像重要信息筛选模型进行重要图像信息筛选，获得所述图像中的重要图像信息；融合模块，用于将所述重要文本信息和所述重要图像信息输入预先训练的总体重要性评估模型进行向量融合，获得融合了所述重要文本信息和所述重要图像信息的融合向量；处理模块，用于将所述融合向量输入到预先训练的质控模型中，得到所述待检病历是否本文档来自技高网...

【技术保护点】
1.一种基于人工智能的病历质控方法，其特征在于，包括下述步骤：/n获取待检病例的文本，将所述文本输入到预先训练的文本重要信息筛选模型进行重要文本信息筛选，获得所述文本中的重要文本信息；/n获取待检病例的图像，将所述图像输入到预先训练的图像重要信息筛选模型进行重要图像信息筛选，获得所述图像中的重要图像信息；/n将所述重要文本信息和所述重要图像信息输入预先训练的总体重要性评估模型进行向量融合，获得融合了所述重要文本信息和所述重要图像信息的融合向量；/n将所述融合向量输入到预先训练的质控模型中，得到所述待检病历是否合格的分类结果。/n

【技术特征摘要】
1.一种基于人工智能的病历质控方法，其特征在于，包括下述步骤：
获取待检病例的文本，将所述文本输入到预先训练的文本重要信息筛选模型进行重要文本信息筛选，获得所述文本中的重要文本信息；
获取待检病例的图像，将所述图像输入到预先训练的图像重要信息筛选模型进行重要图像信息筛选，获得所述图像中的重要图像信息；
将所述重要文本信息和所述重要图像信息输入预先训练的总体重要性评估模型进行向量融合，获得融合了所述重要文本信息和所述重要图像信息的融合向量；
将所述融合向量输入到预先训练的质控模型中，得到所述待检病历是否合格的分类结果。


2.根据权利要求1所述的基于人工智能的病历质控方法，其特征在于，所述预先训练的文本重要信息筛选模型为基于注意力机制的Transformer模型，在所述获取待检病例的文本，将所述文本输入到预先训练的文本重要信息筛选模型进行重要文本信息筛选，获得所述文本中的重要文本信息的步骤之前，还包括：
获取第一训练集，所述第一训练集包含输入语料和预期的输出结果；
将所述第一训练集中的输入语料输入到基于注意力机制的Transformer模型中，获取所述Transformer模型响应所述输入语料输出的预测结果；
通过第一损失函数比较所述预测结果和所述预期的输出结果是否一致；
调整所述Transformer模型各节点的参数，至所述第一损失函数达到最小值时结束，获得训练好的文本重要信息筛选模型。


3.根据权利要求1所述的基于人工智能的病历质控方法，其特征在于，所述预先训练的图像重要信息筛选模型基于第一E2E模型，在所述获取待检病例的图像，将所述图像输入到预先训练的图像重要信息筛选模型进行重要图像信息筛选，获得所述图像中的重要图像信息的步骤中，还包括：
将所述图像进行分割，获得K个子图像；
将所述K个子图像输入到预设的SE-ResNet模型进行特征提取，获得所述K个子图像对应的K个子图像特征向量；
将所述重要文本信息输入到预设的Bi-GRU模型进行特征提取，获得所述重要文本信息对应的重要文本特征向量；
将所述K个子图像特征向量和所述重要文本特征向量输入到所述第一E2E模型进行权重学习，获得所述K个子图像特征向量对应的K个子权重；
将所述K个子权重与预设的第一阈值比较，确定所述子权重大于所述第一阈值的子图像为所述图像的重要图像信息。


4.根据权利要求1所述的基于人工智能的病历质控方法，其特征在于，所述总体重要性评估模型基于第二E2E模型，在所述将所述重要文本信息和所述重要图像信息输入预先训练的总体重要性评估模型进行向量融合，获得融合了所述重要文本信息和所述重要图像信息的融合向量的步骤之前，还包括：
获取第二训练集，所述第二训练集包含病历样本，所述病历样本包含样本图像向量和样本文本向量，所述病历样本标注诊断标签；
根据预设的标准图像集和预设的标准文本集分别计算所述标准图像集中各图像向量的均值和所述标准文本集中各文本向量的均值，得到图像基参考向量和文本基参考向量；
计算所述样本图像向量与所述图像基参考向量的相似度，得到图像相关因子；
计算所述样本文本向量与所述文本基参考向量的相似度，得到文本相关因子；
根据所述图像相关因子、所述文本相关因子以及预设的图像平滑因子初始值和预设的文本平滑因子初始值，将所述样本图像向量和所述样本文本向量进行向量融合，得到样本融合向量；
将所述样本融合向量输入到所述第二...

【专利技术属性】
技术研发人员：朱昭苇，孙行智，胡岗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44