CN119539625A 影像报告的工作量量化方法、装置及存储介质 （万里云医疗信息科技（北京）有限公司）

司质影像报告，并利用NLP模型提取目标影像报告的并确定与各个第一关键特征对应的多个特征编2获取与患者对应的目标影像报告，并利用NLP模型提取所述目标影像报告的文本内容将所述第一数据集输入至预先设置的工作量预测模型，并确定与所获取多个影像报告样本，并利用所述NLP模型提取各个影像报告样本中的多个第二关利用预先设置的编码规则分别对各个第二关将所述多个第二数据集作为所述输入样本，将与所述各个影像标影像报告的文本内容中的多个第一关键特征，其中所述多个第一关键特征包括检查项编码模块，用于利用预先设置的编码规则分别对各第一数据集生成模块，用于基于所述多个特征编码工作量确定模块，用于将所述第一数据集输入至预先设置的工3模型训练子模块，用于利用所述输入样本和所述输出样本，对所述工第二数据集生成模块，用于利用预先设置的编码规则分别对各模型训练子模块，用于将所述多个第二数据集作为所述输入样本获取与患者对应的目标影像报告，并利用NLP模型提取所述目标影像报告的文本内容将所述第一数据集输入至预先设置的工作量预测模型，并确定与所4[0001]本申请涉及医疗诊断技术领域，特别是涉及一种影像报告的诊断工作量量化方[0006]针对上述的现有技术中存在的传统的基于影像报告填写诊断报告的工作量量化少解决现有技术中存在的传统的基于影像报告填写诊断报告的工作量量化方式无法真实取与患者对应的目标影像报告，并利用NLP模型提取目标影像报告的文本内容中的多个第5编码以及与各个特征编码对应的多个编码值，其中编码规则包括关键特征编码以及编码与患者对应的目标影像报告，并利用NLP模型提取目标影像报告的文本内容中的多个第一码以及与各个特征编码对应的多个编码值，其中编码规则包括关键特征编码以及编码值；目标影像报告，并利用NLP模型提取目标影像报告的文本内容中的多个第一关键特征。然[0013]参考上述所述的内容可知，由于本申请先利用NLP模型从目标影像报告的文本内测模型能够以可视化的形式真实的反映医生基于目标影像报6图5是根据本申请实施例1所述的与患者对应的目标影像报告以及对应的危急值附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，计算设备中执行。图1示出了一种用于实现针影像报告的工作量量化方法的计算设备的硬7[0021]应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可的工作量量化方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算设备。设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器无线方式与互联网进行通讯。[0024]显示器可以例如触摸屏式的液晶显示器（LCD该液晶显示器可使得用户能够与[0026]图2是根据本实施例所述的影像报告的工作量量化系统的NLP模型提取目标影像报告的文本内容中的多个第一关键特征。然后利用预先设置的编码预先设置的工作量预测模型，从而确定医生基于目标影像报告填写诊断报告所需的工作[0027]进一步地，处理器200在确定医生基于目标影像报告填写诊断报告所需的工作量8[0028]需要说明的是，系统中的终端设备100和处理器200均可适用上面所述的硬件结从而在处理器200获取到与患者对应的目标影像报告的情况下，将该目标影像报9后元实体以及相应示例。并且表2所示出的阳性征象关系和阴性征象关系是对一个部位的描述。例如，实体关系为方位关系、前元实体为方位实体（ntcb后元实体为部位实体一关键特征的选取应当能够反映目标影像报告的文本内容特点和医生基于目标影像报告[0052]处理器200在确定目标影像报告中的多个第一关键特征的情况下，利用预先设置[0055]参考上述表5所示，所含部位的数量用于指示目标影像报告中都对哪些部位进行[0060]是否急诊用于指示该目标影像报告是否是一个急诊报告。其中0表示不是急诊报[0061]是否外伤用于指示该目标影像报告是否是一个外伤报告。其中0表示不是外伤报[0062]是否有历史检查用于指示是否有历史检查需要对比。其中0表示没有历史检查需[0063]例如，处理器200根据预先设置的编码规则确定上述示例中的目标影像报告的多[0064]之后处理器200基于所确定的多个编码特征以及与各个编码特征对应的编码值，理器200将第一数据集输入至训练完毕的随机森林模型的情况下，随机森林模型能够预测可知，由于本申请先利用NLP模型从目标影像报告的文本内容中提取了可能影响医生工作量的多个第一关键特征，并利用预先设置的编码规则分别对各个第一关键特征进行了编测模型能够以可视化的形式真实的反映医生基于目标影像报[0072]具体地，处理器200在利用工作量预测模型确定医生基于目标影像报告填写诊断[0073]首先，处理器200构建工作量预测模型。其中，处理器200例如可以利用Scikit_多个第二关键特征，处理器200利用NLP模型提取影像报告样本中的多个第二关键特征，处理器200利用NLP模型提取影像报告样本中的多个第二关键特征[0075]之后处理器200利用上述表5所示出的编码规则对各个影像报告样本中的与工作量对应，第二数据集与工作量对应，第二数据集与工作量对常选取的特征数量是总特征数的平方根或对数值，这种方式不仅加快了搜索速度，还增加了模型的非线性，使得决策边界更为复杂有效。决策树在训练过程中使用特定的评价标准个决策树更强的表征能力和更好的泛化结果。[0082]值得注意的是，处理器200可以通过训练随机森林的loss和准确率的变化情况随R2等精度评价指标进一步从筛选后的决策树中确定最优模xi,j表示将第i个xij表示未进行规范化处理的第一决策树矩阵中的元素值。表示第一决策树矩阵中[0098]从而处理器200基于上述公式可以计算得到样本相关矩阵R的n个第一特征值λ1，λ2n差贡献率达到预设阈值的第一特征值的数量，并确定多个第二特征值k。具体计算公式如图7示出了根据本实施例所述的影像报告的工作量量化装置700，该装置700与根获取与患者对应的目标影像报告，并利用NLP模型提取目标影像报告的文本内容中的多个图8示出了根据本实施例所述的影像报告的工作量量化装置800，该装置800与根[0131]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用