公开(公告)号：CN114139531B

公开(公告)日：2024-05-14

申请号：CN202111449176.1

申请日：2021-11-30

Applicant: 哈尔滨理工大学

Inventor： 刘宇鹏 ,  刘港 ,  杨锦锋 ,  张晓晨

IPC: G06F40/242 ,  G06F40/284 ,  G06F40/295 ,  G06N3/084 ,  G16H50/70

Abstract: 一种基于深度学习的医疗实体预测方法及系统，它属于自然语言处理与深度学习交叉技术领域。本发明解决了现有医疗实体预测方法存在预测效率低以及预测准确率低的问题。本发明方法具体包括以下步骤：步骤S1、获取原始医患对话数据并进行实体标注；步骤S2、获得对话数据文本字向量以及实体标签向量；步骤S3、基于获得的对话数据文本字向量以及实体标签向量对庞加莱模型和预训练好的深度学习模型进行训练；步骤S4、对于待进行实体预测的医患对话文本，采用步骤S2的方法获得对话文本字向量，对话文本字向量经过词典融合后，依次经过训练好的深度学习模型和庞加莱模型，得到实体预测结果。本发明可以应用于医疗实体预测。

公开(公告)号：CN115966317A

公开(公告)日：2023-04-14

申请号：CN202211679693.2

申请日：2022-12-26

Applicant: 哈尔滨理工大学

Inventor： 刘宇鹏 ,  刘港 ,  张禹豪

IPC: G16H80/00 ,  G06F40/211 ,  G06N3/08 ,  G06N3/0442

Abstract: 一种用于医疗问诊分离的摘要生成方法，涉及自然语言处理技术领域，针对现有技术中生成的对话摘要准确率低的问题，本申请通过在话语层附加标记器来预测标签，然后将PADE和DOTR标记的话语进行串接，分别生成患者问题摘要和医生诊断摘要，以此生成更加准确的医疗对话摘要，可以用于医患对话系统中，有助于帮助有相似问题的患者提供医疗服务，生成准确的医疗对话摘要，同样有利于辅助医生做出合适的诊断和提供合理的治疗方案。

公开(公告)号：CN115964475A

公开(公告)日：2023-04-14

申请号：CN202211678692.6

申请日：2022-12-26

Applicant: 哈尔滨理工大学

Inventor： 刘宇鹏 ,  张禹豪 ,  刘港

IPC: G06F16/34 ,  G06N3/0442 ,  G06N3/045

Abstract: 一种用于医疗问诊的对话摘要生成方法，涉及自然语言处理技术领域，针对现有技术中由于句子中包含了无效信息，导致了生成的医患对话摘要事实出入大，准确率低的问题，本申请设置了抽取式摘要部分和生成式摘要，首先从文本之中选取出重要的含有有效信息的多个句子，再将其输入到生成式摘要的模型，通过生成式摘要模型，将抽取式摘要部分抽取的句子融合成更简短的包含了更多信息的句子。这样既保留了原文中包含了事实的有效信息，又生成了流畅简短的句子，并且提高了生成医患对话摘要的准确率。能够解决现有的摘要生成方法中存在的摘要结果与问诊对话事实出入大，可读性不强的问题，同时有助于辅助医生完成病例总结。

公开(公告)号：CN114139531A

公开(公告)日：2022-03-04

申请号：CN202111449176.1

申请日：2021-11-30

Applicant: 哈尔滨理工大学

Inventor： 刘宇鹏 ,  刘港 ,  杨锦锋 ,  张晓晨

IPC: G06F40/242 ,  G06F40/284 ,  G06F40/295 ,  G06N3/08 ,  G16H50/70

Abstract: 一种基于深度学习的医疗实体预测方法及系统，它属于自然语言处理与深度学习交叉技术领域。本发明解决了现有医疗实体预测方法存在预测效率低以及预测准确率低的问题。本发明方法具体包括以下步骤：步骤S1、获取原始医患对话数据并进行实体标注；步骤S2、获得对话数据文本字向量以及实体标签向量；步骤S3、基于获得的对话数据文本字向量以及实体标签向量对庞加莱模型和预训练好的深度学习模型进行训练；步骤S4、对于待进行实体预测的医患对话文本，采用步骤S2的方法获得对话文本字向量，对话文本字向量经过词典融合后，依次经过训练好的深度学习模型和庞加莱模型，得到实体预测结果。本发明可以应用于医疗实体预测。