具体实施方式

下面结合附图和实施方式对本发明作进一步说明。

如图1所示，本发明一种基于医学检验大数据的辅助问诊系统，包括辅助问诊前端和辅助问诊后端；

所述辅助问诊前端通过APP/小程序/网页应用的形式部署在硬件终端上，通过图形化界面向使用者提供辅助问诊服务；所述辅助问诊服务包括疾病初查、问诊匹配和挂号预约；

所述辅助问诊后端部署在云服务器上，通过HTTP协议与辅助问诊前端进行数据互通，所述辅助问诊后端对应设置有疾病预测端、问诊匹配端和挂号预约端；

所述疾病预测端通过用户提供的身体信息进行疾病初查预测，并将初查预测结果通过辅助问诊前端向用户进行展示；所述问诊匹配端通过初查预测结果对用户进行问诊匹配，问诊匹配包括向用户推荐与初查预测结果相匹配的医院、科室和医师；所述挂号预约端根据问诊匹配结果向用户提供对应的医院挂号渠道，并提供挂号科室的位置信息和科室下属医师的实时问诊情况。

具体的：现阶段病人在进行问诊时，首先需要对自己患病情况进行自诊，然后再选择对应科室进行挂号，但是病人自诊的准确度往往不够高，很容易造成花费时间金钱进行挂号后却得不到想要的医疗救治，为此，本实施例结合互联网技术，通过APP/小程序/网页应用的形式提供辅助问诊服务，用户仅需要下载APP，小程序或者登陆对应网页就能快速地进行初步的自诊，并为病人进行问诊匹配；在进行疾病初查预测后，再匹配相关的医院、科室和医师供用户选择，并一站式地提供挂号预约窗口。本实施例所提出的辅助问诊系统能极大降低用户挂错号，去错医院，找错医生的情况发生，从而节省用户的时间、金钱以及医院的公共医疗资源。

作为更进一步的解决方案，所述辅助问诊前端设置辅助问诊对话窗，所述辅助问诊后端设置有自然语言处理端；

用户能通过辅助问诊对话窗进行辅助问诊对话，并将辅助问诊对话内容通过加密通道提供给辅助问诊后端；所述辅助问诊后端通过自然语言处理端对辅助问诊对话内容进行处理，处理通过如下步骤进行：

S1对辅助问诊对话窗提供的辅助问诊对话内容进行解密，得到原始对话数据；

S2通过分词器对原始对话数据进行分词，得到原始分词序列；

S3对原始分词序列进行去重、去噪操作，得到分词序列；

S4对分词序列进行语意标注，得到原始语意序列；

S5去除原始语意序列中无意义分词，并对同义分词进行均一化，得到语意序列；

S6将语意序列通过字典-索引词典，转化为语意词向量；

S7输出语意词向量，完成自然语言处理操作。

具体的：本实施例是通过自然语言对话系统来向用户提供辅助问诊服务的，用户仅需要打开辅助问诊对话窗，并以问答形式提供对应的信息便能快捷的进行辅助问诊对话，辅助问诊对话内容传送到后端再进行进一步的处理，从而使系统能根据用户对话提供精准的预测和服务。

作为更进一步的解决方案，所述疾病预测端为基于医学检验大数据的疾病预测模型，通过医学检验大数据训练得到；训练过程通过如下步骤进行：

D1对医学检验大数据进行筛选，得到高价制度的医学检验大数据，并经过降噪、脱敏、去重、标注和向量化操作，得到模型训练数据；

D2将模型训练数据以疾病目录为聚合单元进行分类，得到疾病训练模型数据；

D3将疾病训练模型数据分割为训练用数据和测试用数据；

D4通过训练用数据对预测模型进行训练，并使用测试用数据测试模型预测准确度；

D5将满足预测准确度的预测模型进行输出，得到对应疾病的疾病预测模型；

D6通过训练得到疾病目录对应的各疾病预测模型；

D7对各预测模型进行压缩和修剪，并部署在辅助问诊后端为用户提供疾病预测。

需要说明的是：对于预测模型的采用本实施例不做具体限定，在一个优选的方案中，预测模型选取的是XGBoost机器学习模型，通过训练集对XGBoost机器学习模型进行训练，得到特征权重矩阵和特征节点到预测样本的映射关系；通过测试集对特征权重向量进行精度调整和对特征节点到预测样本的映射关系进行关系调整，并得到满足预测精度要求的XGBoost职业病预测模型。

作为更进一步的解决方案，所述初查预测结果包括患病概率预测分和患病科属预测分；所述患病概率预测分和患病科属预测分通过如下步骤得到：

H1用户通过辅助问诊对话窗进行问诊对话，辅助问诊前端将问诊对话内容提供给辅助问诊后端进行处理；

H2辅助问诊后端通过自然语言处理端对问诊对话内容进行处理，得到语意词向量；

H3辅助问诊后端将语意词向量输入疾病预测端进行疾病预测，疾病预测模型将各疾病患病概率进行输出；

H4将疾病患病概率处于置信域的对应疾病和患病概率进行输出，得到预测患病项和对应的患病概率预测分；

H5通过预测患病项和对应的患病概率预测分，结合疾病的科属分类，得到预测疾病科属和对应的患病科属预测分。

需要说明的是：预测模型给出的各疾病的患病概率预测分不同，分数越高，越可能患有这种疾病，但是这仅是一种预测概率，当我们在进行科属选择时，应该衡量整体的预测的科属偏向，故引入患病科属预测分的概念，通过患病科属预测分能衡量出最有可能治疗患者疾病的科室。

作为更进一步的解决方案，所述患病科属预测分通过如下公式进行计算：

其中，θ_j代表科属j的患病科属预测分，k表示预测患病项中隶属科属j的疾病总数，i表示隶属科属j的疾病编号，a_i表示i疾病对应的患病概率预测分；τ表示处于置信域疾病的总预测分，m表示处于置信域疾病总数，n表示处于置信域的疾病编号；a_n表示n疾病对应的患病概率预测分。

作为更进一步的解决方案，所述问诊匹配端包括问诊医院匹配端、问诊科室匹配端和问诊医师匹配端；并通过如下步骤进行问诊医院匹配、问诊科室匹配和问诊医师匹配：

G1收集录入系统的各问诊医院医治疾病组成；

G2收集问诊医院各问诊科室和对应的科室医治疾病组成；

G3收集问诊科室各医师的医师医治疾病组成；

G4将患病概率预测分作为对应预测患病项的权重，计算用户的预测患病项和医院医治疾病组成的重合度；并视为问诊医院匹配度；

G5将患病概率预测分作为对应预测患病项的权重，计算用户的预测患病项和科室医治疾病组成的重合度；并视为问诊科室匹配度；

G6将患病概率预测分作为对应预测患病项的权重，计算用户的预测患病项和医师医治疾病组成的重合度；并视为问诊医师匹配度；

G7分别对问诊医院匹配度、问诊科室匹配度和问诊医师匹配度进行排名，并输出前N项匹配度最高的问诊医院、问诊科室和问诊医师。

需要说明的是：在患病科属预测分的区分度高的情况下，例如用户皮肤科的患病科属预测分明显高于其他的患病科属预测分，则用户便可直接选择皮肤科进行挂号，但是在患病科属预测分的区分度不高的情况下，例如皮肤科和内分泌科的患病科属预测分相差不大的情况下，本实施例通过问诊医院匹配度、问诊科室匹配度和问诊医师匹配度来进行匹配，而匹配度主要是通过计算重合度进行，重合度计算方式各不相同，本实施例不做具体限定，仅指出重合度不仅取决于预测患病项和医治疾病组成的项目重合数，同时对应患病概率预测分也在影响重合度的衡量；例如患者的预测患病项包括脚气和若干疾病，但是预测其患有脚气的患病概率预测分极高，若干疾病的患病概率预测分相对不高，故在评价重合度时，不能简单的考虑项目重合数量，更要将患病概率预测分作为权重进行加入，从而能更加准确的进行衡量。

本实施例从问诊医院匹配、问诊科室匹配和问诊医师匹配三个角度出发；

当预测患病项之间的科属跨度大，且患病科属预测分的区分度不明显的情况下，我们应该优先考虑医院医院医治疾病组成是否能较为全面地覆盖预测患病项；以极大保证患者及时无法一次性找对科室，也能很快地在同一医院找到另外可能的科室进行就诊；

当预测患病项之间的科属跨度不大，但患病科属预测分的区分度不明显的情况下，我们优先考虑该科室医治疾病组成是否能能较为全面地覆盖预测患病项；以极大保证患者能在同一科室就能得到全面的就诊；

当预测患病项之间的科属跨度不大，且患病科属预测分的区分度明显的情况下，我们优先考虑医师的专长是否覆盖到预测患病项；故通过问诊医师匹配度进行医师选择。

作为更进一步的解决方案，所述辅助问诊后端还包括自然语言生成端，所述自然语言生成端根据用户信息、患病概率预测分、患病科属预测分、问诊医院匹配度、问诊科室匹配度、问诊医师匹配度和排名生成对应的自然对话语言，并通过辅助问诊对话窗与用户进行问诊对话。

具体的，自然语言生成端的构架想多较多，本实施的优选是通过rasa框架进行，rasa框架是一个优秀的基于AI的对话管理系统，是一个友好、功能齐全的框架。它整体上将NLU、DM、NLG模块进行了集成，通过pipeline进行功能整合。因此，你可以将它的NLU功能单独拿出来用，也可以充分利用它的DM功能，在各个pipeline环节上，还有丰富的算法选择空间，如果你愿意，也可以自已写算法做替代。同时，它已为你做好了网络部署功能，你都不用自己写网络服务代码，直接在endpoints.yml中进行配置，然后用rasa run启动相应的服务就行。

rasa使用action来管理具体的执行环节，当rasa用NLU模块理解了你的意图后，即可以用你自己的NLG来生成回复，也可以执行任何你想要的操作。这在部署中非常有用，可用它来实现语音控制。

故将rasa框架构建任务型对话系统，能智能准确地对用户提供智能对话服务。

作为更进一步的解决方案，所述挂号预约端通过院方提供的挂号API实现挂号预约，其中，所述挂号预约端还提供排队情况查询、剩余问诊号查询和排队叫号自动提醒。

作为更进一步的解决方案，还包括问诊跟踪端；所述问诊跟踪端通过医院公共接口进行数据对接，经用户授权后得到用户的挂号数据、医师诊断结果、处方及服药情况和复查时间信息，将用户授权信息通过自然语言处理端进行分析，并根据关键词内容自动进行服药跟踪、复查跟踪和身体状况跟踪。

具体的，通过自然语言处理端能对关键词进行提取，根据医院公共接口提供的数据能得到用户的挂号数据、医师诊断结果、处方及服药情况和复查时间信息，从而自动实现问诊跟踪。

作为更进一步的解决方案，所述辅助问诊后端还包括录入管理端，所述录入管理端包括用户录入端、医院录入端、科室录入端和医师录入端；用户录入端通过用户提供身份认证信息进行自动注册，医院录入端、科室录入端和医师录入端需经过资质审核进行人工后台录入，不提供自动注册渠道。

需要说明的是：由于录入系统的医院、科室和医师都经过认证，从而避免了患者乱投医或者投假医的情况发生。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。