CN119446485A 一种基于深度学习的医疗智能对话方法 （卫美健康科技(北京)有限公司）

本发明公开了一种基于深度学习的医疗智优先展示给用户，减少误判风险，通过多模态2检测结果，采用多模态Transformer模型进行处理，将知识图谱中的节点信息作为先验知步骤S4，对话管理与患者个性化定制，基于步骤S3获得ij代表第i个罕见病的向量表示，使用嵌入的节点vi和关系r，推导出潜在疾病的可能性，定义推理概率函数：3其中ti表示第i个词的词向量嵌入，通过自注意力机制，将其转换为高层次的语义表示：IIIITIV通过多模态自注意力机制得到融合后的多模态特征Z，进行全局池化生成最终的综合MM4i是知识图谱中节点vi的嵌入向量，f(vi)是将节知识图谱节点嵌入vi相同，多模态特征FM与知识图谱中的节点进行匹配，FM＝GlobalPoolMi)表示患者的多模态特征FM与疾病节点vi的余弦相据其在知识图谱中的中心性或出现频率设定。根据推理出的疾病匹配概率P(D:IFW),对疾病进行排序，输出可能性最高的罕见病诊argsort(-p(D:lFW))表示根据p(D:IF)对疾病进行从大到小的排序，k为输出的候选5[0012]引入多模态数据，包括病历文本、医学影像以及实验室检测结果，采用多模态6ij代表第i个罕见[0025]使用图嵌入法将知识图谱中的节点和关系嵌入到向量空间，设对于每个节点vi，ij表示疾病DZ和疾病D;之间通过关系r的嵌入表示，vi和vj分别是疾病D:和j7IL[0035]通过多模态自注意力机制得到融合后的多模态特征Z，进行全局池化生成最终的M维度与知识图谱节点嵌入vi相同，多模态特征FM与知识图谱中的节点进行匹配，FM=8弦相似度，用于评估输入症状与疾病的匹配程度，|FM|和|vi|分别是FM和vi的向量范数，配度，推理公式：其中，P(D:IFU)表示患者的多模态特征FM匹配疾病D:的概率，S(FM,vj)为多模态特征与疾病的相似度，Rij表示疾病[0045]根据推理出的疾病匹配概率P(D:IFM),对疾病进行排序，输出可能性最高的罕[0046]De=argsort,(-p(D:IFW))[:k],其中，Dtpe是排序后的前k个疾病列表，argsort,(-p(D:IFW))表示根据p(D:IFM)对疾病进行从大到小的排序，k为输出的候选的关联关系推导疾病与症状之间的隐含联系，极大增强了处理罕见病等复杂病例的能力，9ij代表第i个罕见[0070]使用图嵌入法将知识图谱中的节点和关系嵌入到向量空间，设对于每个节点vi，ij表示疾病D:和疾病D;之间通过关系r的嵌入表示，vi和vj分别是疾病D:和函数：其中，P(D:IS)表示给定症状集S时，疾病的诊断概j[0074]引入多模态数据，包括病历文本、医学影像以及实验室检测结果，采用多模态模态Transformer模型进行联合编IL[0083]通过多模态自注意力机制得到融合后的多模态特征Z，进行全局池化生成最终的M维度与知识图谱节点嵌入vi相同，多模态特征FM与知识图谱中的节点进行匹配，FM=弦相似度，用于评估输入症状与疾病的匹配程度，|FM|和|vi|分别是FM和vi的向量范数，[0096]根据推理出的疾病匹配概率P(D:IFM),对疾病进行排序，输出可能性最高的罕[0097]Dwe=argsort,(-p(D:IFW))[-k,其中，Dve是排序后的前k个疾病列表，a