本发明专利技术公开了一种基于数据驱动与大模型的医学AI助理实现方法及系统，包括智能问诊与病历撰写，利用自动语音识别将问诊语音信号转换为文本，基于RAG技术动态检索提示词，将识别的文本和提示词一同输入AI语言模型，识别并总结患者的症状信息，按照医学规范格式生成病历；AI辅助病情研究与处方分析，基于病人病情资料查找病历矢量数据库中的相似病历，结合医学知识库，利用AI语言模型进行病情可能性研判，获得是否需要补充生化或影像检测的建议；建立专科机器学习疾病诊断模型，结合病历矢量数据库和医学知识库，生成诊断建议结果和处方建议。本发明专利技术能够帮助AI智能助理生成更准确、更丰富的输出，增强其准确性和可解释性。
【技术实现步骤摘要】
本专利技术属于计算机ai大语言模型、深度学习领域，特别涉及一种基于数据驱动与大模型的医学ai助理实现方法及系统。
技术介绍
1、医疗面临着多方面的挑战，这些挑战不仅影响到医疗服务的质量和效率，也对医疗专业人员造成了压力。在许多地区，特别是偏远和农村地区，缺乏经过严格训练且有经验的医护专业人员。这导致患者难以获得优质的治疗。医护人员常常需要处理大量的病例，同时还要进行文档记录和更新，这使得工作量非常大；同时，医护人员往往需要花费大量时间与患者互动，进行治疗和评估，导致工作时间长，休息时间少。
2、医学知识和治疗技术不断进步，医护人员需要不断学习和更新知识。医疗行业的规则和标准繁多，医护人员需要遵守这些规则，同时还要跟踪最新的治疗指南。虽然有些医疗机构建立了病例数据库，但这些数据库往往不全面，且难以快速检索相关信息。医疗诊断和治疗计划常常高度依赖个人经验，这可能导致诊断和治疗的不一致性。在许多情况下，医护人员缺乏足够的数据来支持他们的决策，特别是在处理复杂或罕见病例时。
3、随着机器学习、ai大语言模型的迭代更新，逐步应用于帮助医护人员减轻工作负担，提升效率，同时帮助医生实现基于案例等证据的决策，完善提高诊断准确性，降低误诊率。当前，无论是通用大模型还是医疗行业大模型，其生成内容与训练数据的高度相关，由于模型训练过程具有极高的复杂性，宛如黑匣子，其结果具有不可解释性。在某些情况下，大模型还可能会产生“幻觉”。这些因素对于涉及生命安全的医疗应用具有重大的不利影响，严重制约了大模型在医疗领域的大范围使用。
技术实现思路
1、专利技术目的：针对上述现有技术存在的问题，本专利技术目的在于提供一种基于数据驱动与大模型的医学ai助理实现方法及系统，在使用过程中，运用rag(retrieval-augmentedgeneration)增强提示词，ai语言大模型、机器学习来构建智能化问诊与病历撰写、辅助病情研究和处方分析建议、医疗咨询问答应用。
2、技术方案：为实现上述专利技术目的，本专利技术采用的技术方案为：
3、一种基于数据驱动与大模型的医学ai助理实现方法，包括以下步骤：
4、智能问诊与病历撰写，利用自动语音识别将问诊语音信号转换为文本，基于rag技术动态检索提示词，将识别的文本和提示词一同输入ai语言模型，识别并总结患者的症状信息，按照医学规范格式生成病历，供医生进行审核和修改；
5、ai辅助病情研究与处方分析，利用rag技术，基于病人病情资料查找病历矢量数据库中的相似病历，结合医学知识库检索知识，利用ai语言模型进行病情可能性研判，获得是否需要病人补充生化或影像检测的建议；建立专科机器学习疾病诊断模型，利用rag技术，结合病历矢量数据库和医学知识库，生成诊断建议结果和处方建议。
6、作为优选，所述智能问诊与病历撰写包括：
7、利用语音采集设备捕获语音信号，并进行预处理；
8、将预处理后的语言信号利用ai算法模型进行自动语音识别，将语音转文本；
9、基于rag技术，利用ai文本嵌入将文本转换成高维向量，从ai病历撰写训练集的矢量数据库中，基于向量的距离和方向动态检索与自动语音识别产生的文本相似度最高的预设数量的训练病历数据，并与自动语音识别产生的文本一同作为动态提示词提交到ai语言模型进行修正；
10、ai语言模型根据提示词的要求，对自动语音识别产生的文本进行二次加工，更正机器语言识别的错误，生成符合医学规范的病历文档；
11、通过ui界面，由医生对ai语言模型输出的问诊病历进行审核与修订；根据医生修订版本与ai语言模型输出版本的差异，判断是否将这两个版本形成一个训练数据添加到ai病历撰写训练集。
12、作为优选，所述ai辅助病情研究与处方分析包括：
13、基于rag技术，将病人病情资料进行文本嵌入，利用语义相似查询从病历矢量数据库中找出与病人病情相似度最高的预设数量的相似病历，并与病人病情资料一同作为提示词输入ai语言模型，由ai语言模型输出病情可能性判断；依据可能性判断的结果，检索医学知识库获得信息，并结合病人病情资料再一次提交ai语言模型，由ai语言模型推荐是否需要病人补充生化或影像检测；最后通过ui交互由医生做最终裁决；
14、根据病人病情相关资料，基于rag技术从病历矢量数据库中查询到相似度最高的预设数量的相似病历，根据这些相似病历的统计分析或者推理，得到初判疾病可能性列表；针对该列表的每一项疾病可能性选项，将病人病情资料提交到预先训练好的专科机器学习疾病诊断模型；专科机器学习疾病诊断模型针对疾病的具体类别进行分类；最后根据诊断出的一种或多种疾病，对医学知识库进行相关性检索，构建提示词，提交给ai语言模型，由ai语言模型生成最后的诊断建议结果和处方建议，并给出相关医学知识论据。
15、作为优选，所述病历矢量数据库构建方法包括：
16、定期更新医疗专家审定的病历库数据集，将该数据集的每个数据条目通过深度学习模型产生文本嵌入矢量，所述嵌入矢量捕捉文本的语义向量的距离和方向；将病历数据集结合每个病历的嵌入矢量，保存在病历矢量数据库中，供基于嵌入矢量的文本语义相似度查询。
17、作为优选，所述专科机器学习诊断模型的训练步骤包括：
18、收集患者的症状描述和病史、生理参数、生化检验、影像检查、诊断结果的多源数据，对数据进行预处理；
19、将文本数据转换为嵌入向量，采用预训练的卷积神经网络提取影像数据的特征向量；
20、通过分析各项特征与疾病诊断结果之间的相关性，选择对模型预测最有帮助的特征，然后进行特征融合；
21、利用梯度加速模型进行模型训练，采用交叉验证方法来评估模型的泛化能力。
22、进一步地，所述医学ai助理实现方法，还包括ai医疗咨询问答，基于rag技术，根据用户问题，结合医学与健康知识库、用户个人病历资料、以及问答训练库，产生提示词，输入ai语言模型，生成回答，为患者可提供智能客服及咨询服务。
23、作为优选，所述ai医疗咨询问答包括：
24、接收用户提出问题，基于rag技术，分别从医学与健康知识库、用户个人病历资料、以及用于训练问答所积累的问答训练库中进行语义相似查询，检索到相关信息，并产生提示词；
25、将用户问题和提示词提交ai语言模型，生成回答；
26、收集用户问题和回答，结合用户体验反馈信息，产生基于持续的数据输入和模型积累，并在问答训练库中修订出能够结合已有信息主动追问的模版。
27、基于相同的专利技术构思，本专利技术提供一种基于数据驱动与大模型的医学ai助理系统，包括：
28、智能问诊与病历撰写模块，用于利用自动语音识别将问诊语音信号转换为文本，基于rag技术动态检索提示词，将识别的文本和提示词一同输入ai语言模型，识别并总结患者的症状信息，按照医学规范格式生成病历，供医生进行审核本文档来自技高网
...
【技术保护点】
1.一种基于数据驱动与大模型的医学AI助理实现方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据驱动与大模型的医学AI助理实现方法，其特征在于，所述智能问诊与病历撰写包括：
3.根据权利要求1所述的基于数据驱动与大模型的医学AI助理实现方法，其特征在于，所述AI辅助病情研究与处方分析包括：
4.根据权利要求1所述的基于数据驱动与大模型的医学AI助理实现方法，其特征在于，所述病历矢量数据库构建方法包括：
5.根据权利要求3所述的基于数据驱动与大模型的医学AI助理实现方法，其特征在于，所述专科机器学习诊断模型的训练步骤包括：
6.根据权利要求1所述的基于数据驱动与大模型的医学AI助理实现方法，其特征在于，还包括AI医疗咨询问答，基于RAG技术，根据用户问题，结合医学与健康知识库、用户个人病历资料、以及问答训练库，产生提示词，输入AI语言模型，生成回答，为患者可提供智能客服及咨询服务。
7.根据权利要求6所述的基于数据驱动与大模型的医学AI助理实现方法，其特征在于，所述AI医疗咨询问答包括：
8.一种基于数据驱动与大模型的医学AI助理系统，其特征在于，包括：
9.根据权利要求8所述的基于数据驱动与大模型的医学AI助理系统，其特征在于，还包括AI医疗咨询问答模块，用于基于RAG技术，根据用户问题，结合医学与健康知识库、用户个人病历资料、以及问答训练库，产生提示词，输入AI语言模型，生成回答，为患者可提供智能客服及咨询服务。
10.一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-7任一项所述的基于数据驱动与大模型的医学AI助理实现方法的步骤。
...
【技术特征摘要】
1.一种基于数据驱动与大模型的医学ai助理实现方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数据驱动与大模型的医学ai助理实现方法，其特征在于，所述智能问诊与病历撰写包括：
3.根据权利要求1所述的基于数据驱动与大模型的医学ai助理实现方法，其特征在于，所述ai辅助病情研究与处方分析包括：
4.根据权利要求1所述的基于数据驱动与大模型的医学ai助理实现方法，其特征在于，所述病历矢量数据库构建方法包括：
5.根据权利要求3所述的基于数据驱动与大模型的医学ai助理实现方法，其特征在于，所述专科机器学习诊断模型的训练步骤包括：
6.根据权利要求1所述的基于数据驱动与大模型的医学ai助理实现方法，其特征在于，还包括ai医疗咨询问答，基于rag技术，根据用户问题，结合医学与健康知识库、用户个人病历资料、以及问答训...
【专利技术属性】
技术研发人员：胡晓宇，胡茂荣，胡睿鑫，
申请(专利权)人：南京道熵信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。