[发明专利]一种互联网医疗分诊方法及系统

说明书

本发明公开了一种互联网医疗分诊方法及系统，包括以下步骤：接收用户主诉信息；将主诉信息用预先训练好的BERT模型转换成句向量，再将句向量在预先创建的分诊向量数据库中进行相似度搜索，得到结果一；将主诉信息用分词工具转换成分词后的主诉文本，再将主诉文本输入到预先训练好的FastText模型中，输出结果二；对结果一、结果二和主诉信息进行加权计算，得到推荐的分诊科室；将推荐分诊科室返回给用户。本申请提供的互联网医疗分诊方法及系统，用户只需提交主诉信息一步操作便可获得推荐就诊科室，使用上更加方便快捷，降低了用户使用门槛；综合使用了BERT向量搜索和FastText分类模型两种推荐结果，并考虑了用户性别和年龄的影响因素，提高了分诊的准确率。

技术领域

本发明涉及互联网医疗领域，具体为一种互联网医疗分诊方法及系统。

背景技术

近年来，互联网医疗由于使用上方便快捷，同时又能享受到优质的医疗资源等诸多优点，已经越来越受到人们的欢迎。在互联网医疗的流程中，分诊是患者就诊的第一个环节，因此分诊得准确性和及时性对就诊效率有着重要影响。

现有技术中，部分互联网分诊系统采用规则匹配和知识库结合的方法来实现分诊功能，需要用户通过多轮交互选择或者回答相关问题才能得到结果，但规则和知识库又难以全面覆盖用户实际情况，用户体验显得繁琐、耗时且效果不佳。还有部分互联网分诊系统采用单个神经网络模型来实现，操作虽然方便了，但是又存在准确率不高或实现难度大等问题。为此，我们提出一种互联网医疗分诊方法及系统。

发明内容

本发明要解决的技术问题是克服现有的缺陷，提供一种互联网医疗分诊方法及系统，综合使用了BERT向量搜索和FastText分类模型两种推荐结果，并考虑了用户性别和年龄的影响因素，提高了分诊的准确率，可以有效解决背景技术中的问题。

为实现上述目的，本发明提供如下技术方案：一种互联网医疗分诊方法，包括以下步骤：

S1接收用户主诉信息；

S2将主诉信息用预先训练好的BERT模型转换成句向量，再将句向量在预先创建的分诊向量数据库中进行相似度搜索，得到结果一；

S3将主诉信息用分词工具转换成分词后的主诉文本，再将主诉文本输入到预先训练好的FastText模型中，输出结果二；

S4对结果一、结果二和主诉信息进行加权计算，得到推荐的分诊科室；

S5将推荐分诊科室返回给用户。

进一步的，S1中，接收的用户主诉信息为主诉文本，可选项包括性别和年龄信息。

进一步的，S2中，BERT模型为开源的公共模型或针对医学领域知识专门训练的模型。

进一步的，S2中，分诊向量数据库的创建方法，包括以下步骤：

(1)在公开的医疗问答网站和医疗百科中获取数据并清洗成科室和描述对应的样本数据集合；

(2)将样本数据集合中的每条初始数据的描述用BERT模型转化成句向量形成新的科室和句向量对应的向量集合；

(3)将向量集合存入支持按搜索相似度排序的向量数据库中。

进一步的，S2中，用于将主诉信息转化成句向量的BERT模型和将样本数据描述转化成句向量的BERT模型为同一模型。

进一步的，S2中，结果一是根据搜索相似度由高到低排序的科室和相似度对应的集合，可指定返回的集合条目数为N。

进一步的，S3中，FastText模型训练方法，包括以下步骤：

(1)将公开的医疗问答网站和医疗百科中获取的数据集合作为FastText模型训练的样本数据集合；