CN119480097A 基于多模态图像的病情检测设备、病情检测方法和介质 （上海市第十人民医院）

本公开的实施例公开了基于多模态图像的测信息；对病情发展预测信息进行病情等级评2所述病情检测主控芯片，用于从所述病历数据存储设备中获取患史多模态病情图像数据、与所述历史多模态病情图像数据对应的历史病情描述文本信息，所述数据脱敏设备，用于对所述患者历史病历信息集进行敏感数据所述病情检测主控芯片，用于将所述当前患者身体状态信息、所述脱敏后患历信息集包括的脱敏后历史多模态病情图像数据集和脱敏后历史病情描述文本信息集输所述病情检测主控芯片，用于对所述脱敏后患者历史病历信息集进行因果关系提取，所述病情检测主控芯片，用于将所述病情时序因果图、所述脱敏所述病情检测主控芯片，用于对所述病情发展预测信息进行病情等级评所述个性化病情治疗辅助设备，用于从所述当前病情信息对应的所述情感识别设备，用于确定所述患者对于所述目标疾病治疗信息集中的所述检测价值识别设备，用于根据所述当前患者身体状所述个性化病情治疗辅助设备，用于对所述治疗价值数值集中的每个治所述治疗方案情感数值集中对应的治疗方案情感数值进行加权求和，以生成目标价值数所述个性化病情治疗辅助设备，用于从所述目标疾病治疗信息集中筛获取与所述当前病情信息所属疾病类型相同的多源异构疾病检3对所述预处理后多源异构疾病检测数据进行实体关系抽确定所述疾病检测分词集中每个疾病检测分词的疾病分词词性信根据所述疾病检测分词词性信息集，对所述疾病检测对所述疾病检测分词特征向量集进行语义特征提取，得到疾病检对所述疾病检测分词语义特征向量集进行三元组联合抽对所述疾病检测分词语义特征向量集中的每个疾病检测分词语义特征向量进行实体对所述疾病检测分词边界特征向量集进行线性变换，得到疾病检对所述疾病检测分词线性特征向量集和所述疾病检测句法依存矩阵进行图注意力加对所述语句序列特征向量集和所述分词依赖特征向量集进行分词关系预测将所述历史病历分词组和预设标准医疗词库进行词语匹配处理，得到词语匹配结果4对词语匹配结果组中表征词语匹配成功的至少一个词语匹配结果对应的至少一个历确定所述病情否定词语组中的每个病情否定词语的否定从所述历史病历分词组中去除所述否定历史病历分词组，得到去除后历史病历分词对所述病情敏感分词集进行语义替换，得到替换后病情病情否定终止词之间包括的至少一个历史病历分词，确定为第二前置否定词语覆盖范围，从所述病历数据存储设备中获取患者的患者历史病历信息集和当前患者身体状态信对所述患者历史病历信息集进行敏感数据脱敏处理，得到脱敏后患者历史病历信息将所述当前患者身体状态信息、所述脱敏后患者历史病历信息集包5将所述病情时序因果图、所述脱敏后患者历史病历信息集和所述当6[0001]本公开的实施例涉及计算机技术领域，具体涉及基于多模态图像的病情检测设图像数据集和脱敏后历史病情描述文本信息集输入至病情检测模型，得到当前病情信息；7一个或多个处理器实现如第一方面中任一实现态图像的病情检测设备可以提高病情检测和预测的准确性，提高发送预警信息的准确性。历史病历信息集包括的脱敏后历史多模态病情图像数据集和脱敏后历史病情描述文本信8[0012]图1是根据本公开的基于多模态图像的病情检测设备的一些实施例的结构示意[0013]图2是根据本公开的基于多模态图像的病情检测设备的另一些实施例的结构示意[0014]图3是根据本公开的基于多模态图像的病情检测设备的病情检测方法的一些实施[0015]图4是根据本公开的基于多模态图像的病情检测设备的一些实施例中的示意性的[0016]图5是根据本公开的基于多模态图像的病情检测设备的一些实施例中的用于生成[0017]图6是根据本公开的基于多模态图像的病情检测设备的一些实施例中的用于生成[0022]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性9者无线连接方式从病历数据存储设备101中获取患者的患者历史病历信息集和当前患者身史患者核磁共振成像图像可以是通过核磁共振设备对患者身体进行扫描得到的成像图像。中的脱敏后患者历史病历信息可以是对患者历史病历信息中的敏感数据替换为不敏感数史病历分词组中的历史病历分词可以是利用jieba分词算法中基于字符串匹配的分词方法对上述历史病历语句进行分词得到的与患者病[0034]子步骤3，对词语匹配结果组中表征词语匹配成功的至少一个词语匹配结果对应病情索引分词可以是用UMLS中唯一的字符串标识符(SUI)，对上述词语匹配工程的历史病每个待识别敏感病情分词和预设疾病敏感词库包括的各个疾病敏感词的语义相似度数值，作为第一语义相似度，得到第一语义相似度组集。其中，上述预设疾病敏感词库可以是SNOMED_CT(SystematizedNomenclatureofMedicine_ClinicalTerms，医学系统命名集中筛选出对应第三语义相似度大于等于上述语义相似度阈值的至少一个待识别病情组至语句终止词语之间包括的至少一个历史病历分词，确定为第一前置否定词语覆盖范围，病历信息集包括的脱敏后历史多模态病情图像数据集和脱敏后历史病情描述文本信息集[0050]在一些实施例中，上述病情检测主控芯片103，用于将上述当前患者身体状态信道注意力机制输出的通道融合特征的几何特征并采用金字塔结构从底层到高层逐步融合合机制输出的融合后的特征进行疾病诊断分[0052]病情检测主控芯片103，用于对上述脱敏后患者历史病历信息集进行因果关系提形式、表征上述患者所患疾病与病因之间发展转化和相互作用的因果关系的有向无环图。序因果图可以由所患疾病对应节点和导致所患疾病的病因对应的节点集通过有向箭头组通过以下步骤对上述脱敏后患者历史病历信息集进行因果关系提取，得到病情时序因果始指标种群中的初始指标个体可以是直接导致患者所患疾病的各个选择后疾病影响指标，[0059]作为示例，上述病情检测主控芯片可以对上述选择后疾病影响指标集进行初始指标筛选适应度函数可以表征离散化后初始指标个体所对应的各个选择后疾病影响指标以表征依据离散化指标个体对应的选择后疾病影响指标集确定的是否患当前病情信息所对应疾病类型的准确率。上述选择率可以是1与离散化指标个体包括的选择后疾病影响指邻接指标个体和离散化后初始指标个体的位置差值比值集和适应始指标个体的目标位置的目标位置差值比值和目应的初始筛选适应度数值和离散化后初始指标个体对应的初始筛选适应度数值的目标适筛选适应度数值的适应度比值。确定上述适应度比值的离散化后初始指标种群的累计和，可以是离散化后初始指标个体更新后的当前时刻的随机数和预设执行次数阈值的比值的平方的乘积的相反数为指数的指数函数，作为缩放数值。[0087]子步骤2，从初始指标种群和所得到的变异后指标种群对应的初始筛选适应度数筛选后指标种群中的筛选后指标个体可以是从初始筛选适应度数值和对应的更新后适应数可以是预先设定的筛选步骤的最大执行次数。例如，上述预设执行次数阈值可以是100可以通过IGCI(Information_theoreticGraph_basedCausalInference，基于信息熵的色彩色部分表征甲状腺结节的硬度较软。甲状腺结节的硬度从蓝到红依次表征越来越硬，当前时刻表征患者为甲状腺结节二期的良性病变的病情信息的超声图像和弹性成像图像。图5中第二列可以为预测时间段内的表征患者甲状腺结节硬度较低、甲状腺结节坏死细胞被机体吸收较快和适合消融手术的内部测试的示意的超声图像。图5中第三列可以为患者节坏死细胞被机体吸收较慢和消融手术不是最适合的治疗方案的内部测试的示意的超声结果相符的图像列。衡量患者患病的严重程度的指标数据。上述病情指标数据可以包括但不限于以下至少一的疾病病情知识图谱包括的疾病检测信息集中筛选出与上述当前患者身体状态信息对应可以表征目标疾病治疗信息对患者的当前病情信息的治DQN模型的状态空间可以是上述当前患者身体状态信息和上述脱敏后患者历史病历信息中的每个治疗价值数值和上述治疗方案情感数值集中对应的治疗方案情感数值进行加权[0109]第一步，获取与上述当前病情信息所属疾病类型相同的中，上述疾病病情知识图谱可以是在上述初始疾病病情知识图谱中已有的实体关系信息，中，上述疾病检测分词向量集中的疾病检测分词向量可以表征疾病检测分词的语义信息、语法信息和位置信息的向量表示。实践中，上述个性化病情治疗辅助设备可以利用GloVe测分词特征向量可以表征上述疾病检测分词的语义信疾病检测分词特征向量集输入至双向长短期记忆神经网络进行的语征向量集中的疾病检测分词边界特征向量可以表征疾病检测分词时序特征向量对应的单可以利用BIOES标准算法，对上述疾病检测分词时序特征向量集中的每个疾病检测分词时特征向量集中的语句序列特征向量可以表征上述预处理后多源异构疾病检测数据包括的线性特征向量集和上述疾病检测句法依存矩阵输入至图注意力网络中进行的注意力加权[0130]步骤301，从病历数据存储设备中获取患者的患者历史病历信息集和当前患者身敏后患者历史病历信息集包括的脱敏后历史多模态病情图像数据集和脱敏后历史病情描[0136]步骤304，对脱敏后患者历史病历信息集进行因果关系提取，得到病情时序因果[0145]在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransfer脱敏后患者历史病历信息集包括的脱敏后历史多模态病情图像数据集和脱敏后历史病情[0147]可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码