基于人工智能的预问诊方法、装置、设备及介质与流程

1.本发明涉及人工智能及智慧医疗技术领域，尤其涉及一种基于人工智能的预问诊方法、装置、设备及介质。


背景技术：

2.随着人口的增加，医疗资源日益紧缺。目前去医院就诊，医生针对患者的问诊过程，仅能通过医生逐步询问以获得患者的信息，问诊过程较长，导致医生的接诊效率难以提高；而且患者有时候自己也表达不清楚自己的症状，导致进一步延长了问诊过程，甚至可能出现漏诊、误诊。


技术实现要素：

3.基于此，有必要针对现有技术的通过医生逐步询问以获得患者的信息，问诊过程较长，甚至可能出现漏诊、误诊的技术问题，提出了一种基于人工智能的预问诊方法、装置、设备及介质。
4.第一方面，提供了一种基于人工智能的预问诊方法，所述方法包括：
5.获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；
6.将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；
7.将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；
8.基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。
9.第二方面，提供了一种基于人工智能的预问诊装置，所述装置包括：
10.数据获取模块，用于获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；
11.问诊步骤预测模块，用于将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；
12.回复文本生成模块，用于将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；
13.展示模块，用于基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。
14.第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中
并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的预问诊方法的步骤。
15.第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人工智能的预问诊方法的步骤。
16.本技术的基于人工智能的预问诊方法将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。从而实现自动化进行预问诊，有利缩短医生接诊的时间；通过问诊步骤预测模型和预问诊回复生成模型，实现了基于人工智能的预问诊，提高了预问诊的准确性，避免了漏诊、误诊；通过将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，实现将当前轮的问诊步骤和当前轮的预问诊对话汇总数据结合，使生成的回复文本符合问诊步骤，提高了预问诊的智能化，也提高了预问诊的准确性。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.其中：
19.图1为一个实施例中基于人工智能的预问诊方法的应用环境图；
20.图2为一个实施例中基于人工智能的预问诊方法的流程图；
21.图3为一个实施例中基于人工智能的预问诊装置的结构框图；
22.图4为一个实施例中计算机设备的结构框图；
23.图5为一个实施例中计算机设备的另一种结构框图。
具体实施方式
24.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
25.本发明实施例提供的基于人工智能的预问诊方法，可应用在如图1的应用环境中，其中，客户端110通过网络与服务端120进行通信。服务端120可以通过客户端110接收获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据。服务端120用于将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医
生是所述目标患者想要就诊的医生；将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；基于所述目标医生对应的虚拟形象，控制客户端110对所述目标回复文本进行展示。从而实现自动化进行预问诊，有利缩短医生接诊的时间；通过问诊步骤预测模型和预问诊回复生成模型，实现了基于人工智能的预问诊，提高了预问诊的准确性，避免了漏诊、误诊；通过将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，实现将当前轮的问诊步骤和当前轮的预问诊对话汇总数据结合，使生成的回复文本符合问诊步骤，提高了预问诊的智能化，也提高了预问诊的准确性。
26.在另一个实施例中，客户端110用于接收获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。
27.客户端110的数量为多个，其中，有用于患者的客户端110，也有用于医生的客户端110。
28.其中，客户端110可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
29.请参阅图2所示，图2为本发明实施例提供的基于人工智能的预问诊方法的一个流程示意图，包括如下步骤：
30.s1：获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；
31.所述第i轮的所述预问诊对话汇总数据，是第1轮到第i轮的所有单轮预问诊对话数据的汇总。所述第i轮的所述预问诊对话汇总数据中的对话数据按对话顺序排序。
32.单轮预问诊对话数据，是实现本技术的程序对目标患者进行一轮预问诊的对话数据。也就是说，单轮预问诊对话数据依次包括：本技术的程序的一轮对话数据和目标患者一轮对话数据。单轮预问诊对话数据中的数据是文本。
33.具体而言，可以获取用户输入的第i轮的预问诊对话汇总数据，也可以从存储空间获取第i轮的预问诊对话汇总数据，还可以从第三方应用获取第i轮的预问诊对话汇总数据。
34.s2：将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；
35.具体而言，将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目
标医生对应的问诊步骤预测模型进行所述问诊步骤的分类预测，将分类预测得到的向量中的值为最大的向量元素对应的步骤，作为所述第i轮的所述问诊步骤。
36.因不同科室的病症不同，从而对问诊步骤的划分也不同，因此，本技术采用目标医生对应的问诊步骤预测模型，所述目标医生是所述目标患者想要就诊的医生，从而提高了预测的问诊步骤的准确性。
37.所述问诊步骤预测模型是基于bert(bidirectional encoder representation from transformers)模型和分类层预测得到的分类模型，其中，分类层是采用softmax激活函数的全连接层。softmax激活函数是将多个神经元的输出,映射到(0,1)区间内。
38.s3：将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；
39.具体而言，将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型的gpt模型进行特征提取，将所述目标医生对应的预问诊回复生成模型的每个预测位输出的向量输入所述目标医生对应的预问诊回复生成模型的分类单元进行分类预测，将分类预测得到的向量中的值为最大的向量元素对应的字作为命中字，将各个命中字按预测位进行顺序排序，以得到所述目标回复文本。
40.可以理解的是，目标回复文本是本技术的程序在第i+1轮(第i轮是当前轮，则第i+1轮是下一轮)展示给目标患者的对话数据。
41.所述预问诊回复生成模型是基于gpt(generative pre-trained transformer)和多个分类单元训练得到的模型。
42.分类单元依次包括全连接层和softmax激活层。分类单元与预测位一一对应。
43.s4：基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。
44.可选的，预先对所述目标医生拍摄视频或图像，将拍摄的视频或者图像输入预训练的虚拟形象生成模型进行虚拟形象生成。虚拟形象生成模型是基于神经网络训练得到的模型。
45.可选的，预先对所述目标医生进行三维拍摄，根据拍摄的数据构建三维人体模型，将该三维人体模型作为所述目标医生对应的虚拟形象。
46.具体而言，基于所述目标医生对应的虚拟形象，直接对所述目标回复文本进行文本和/或语音展示。
47.可选的，基于所述目标医生对应的虚拟形象，调用客户端对所述目标回复文本进行文本和/或语音展示。
48.可以理解的是，所述基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示之后，获取目标患者针对所述目标回复文本输入的对话数据，将所述目标回复文本和目标患者针对所述目标回复文本输入的对话数据作为第i+1轮的单轮预问诊对话数据；首先将i加1，然后跳转到步骤s1重新执行，直至获取到预问诊结束信号。
49.本实施例实现自动化进行预问诊，有利缩短医生接诊的时间；通过问诊步骤预测模型和预问诊回复生成模型，实现了基于人工智能的预问诊，提高了预问诊的准确性，避免了漏诊、误诊；通过将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，实现将当前轮的问诊步骤和当前轮的预问诊对话汇总数据结合，使生成的回复文本符合问诊步骤，提高了预问诊的智能化，也提
高了预问诊的准确性。
50.在一个实施例中，所述将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤的步骤，包括：
51.s21：采用预设的第一拼接符号，对所述第i-1轮的所述问诊步骤和所述第i轮的所述预问诊对话汇总数据进行拼接，得到第一拼接数据；
52.可选的，预设的第一拼接符号采用&。
53.具体而言，采用预设的第一拼接符号，对所述第i-1轮的所述问诊步骤和所述第i轮的所述预问诊对话汇总数据进行拼接，将拼接得到的数据作为第一拼接数据。
54.s22：将所述第一拼接数据输入所述目标医生对应的所述问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述问诊步骤预测模型是基于bert模型和分类层训练得到的分类模型。
55.具体而言，将所述第一拼接数据输入所述目标医生对应的所述问诊步骤预测模型进行问诊步骤的分类预测，将分类预测得到的向量中的值为最大的向量元素对应的步骤，作为所述第i轮的所述问诊步骤。
56.因不同科室的病症不同，从而对问诊步骤的划分也不同，本实施例通过所述目标医生对应的所述问诊步骤预测模型预测所述第i轮的所述问诊步骤，所述目标医生是所述目标患者想要就诊的医生，从而提高了预测的问诊步骤的准确性。
57.在一个实施例中，所述将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本的步骤，包括：
58.s311：将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成，得到初始回复文本；
59.具体而言，将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行特征提取，将所述目标医生对应的预问诊回复生成模型的每个预测位输出的向量输入分类单元进行分类预测，将分类预测得到的向量中的值为最大的向量元素对应的字作为命中字，将各个命中字按预测位进行顺序排序，以得到所述初始回复文本。
60.s312：将所述初始回复文本输入所述目标医生对应的文本风格转换模型进行文本风格转换，得到所述目标回复文本。
61.具体而言，将所述初始回复文本输入所述目标医生对应的文本风格转换模型进行文本风格转换，以得到具有所述目标医生的个人风格的回复文本，将该回复文本作为所述目标回复文本。
62.文本风格转换，是在保证文本主题不变的前提下，改变文本的表达风格。
63.文本风格转换模型用于对输入模型的文本进行风格转换，也就是进行文本润色，以提高文本质量。示例性地，文本风格转换模型可以采用经过finetune(微调)进行调整之后的bart模型。
64.bart(bidirectional and auto-regressive transformers，双向自回归变压器)模型是用于预训练seq-to-seq(sequence-to-sequence)模型的降噪自动编码器(autoencoder)。finetune指的是对预训练模型进行微调，通过微调来避免重新对模型进行
训练，提高训练效率并减少资源耗用量。具体的，作为预训练模型的bart模型可以采用开源的chinese-bart-large模型，在对其进行微调之后，得到文本风格转换模型，然后对该模型进行训练，得到训练好的文本风格转换模型。
65.本实施例通过将所述初始回复文本输入所述目标医生对应的文本风格转换模型进行文本风格转换作为所述目标回复文本，从而使所述目标回复文本符合目标医生的个人表述风格，使预问诊和目标医生的实际接诊保持一致的表述风格，提高了患者的就诊体验，提高了患者对自动化预问诊的接受度。
66.在一个实施例中，所述将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本的步骤，包括：
67.s321：根据所述第i轮的所述预问诊对话汇总数据进行第i轮的症状信息提取；
68.具体而言，将所述第i轮的所述预问诊对话汇总数据输入所述目标医生对应的症状预测模型进行症状信息提取预测，将预测得到的向量中值大于预设概率值的每个向量元素对应的症状标签作为命中症状，将各个所述命中症状作为第i轮的症状信息。
69.症状预测模型是基于神经网络训练得到的模型。
70.s322：采用预设的第二拼接符号，对所述第i轮的所述问诊步骤、所述第i轮的所述症状信息和所述第i轮的所述预问诊对话汇总数据进行拼接，得到第二拼接数据；
71.具体而言，采用预设的第二拼接符号，对所述第i轮的所述问诊步骤、所述第i轮的所述症状信息和所述第i轮的所述预问诊对话汇总数据进行拼接，将拼接得到的数据作为第二拼接数据。
72.比如，预设的第二拼接符号为&，对所述第i轮的所述问诊步骤、所述第i轮的所述症状信息和所述第i轮的所述预问诊对话汇总数据进行拼接，得到a&b&c，a是所述第i轮的所述问诊步骤，b是所述第i轮的所述症状信息，c是所述第i轮的所述预问诊对话汇总数据。
73.s323：将所述第二拼接数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成，得到所述目标回复文本，其中，所述预问诊回复生成模型是基于gpt训练得到的模型。
74.具体而言，将所述第二拼接数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成进行特征提取，将所述目标医生对应的预问诊回复生成模型的每个预测位输出的向量输入分类单元进行分类预测，将分类预测得到的向量中的值为最大的向量元素对应的字作为命中字，将各个命中字按预测位进行顺序排序，以得到所述目标回复文本。
75.本实施例将所述第二拼接数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成，实现将当前轮次的症状信息、问诊步骤和预问诊对话汇总数据结合，使生成的回复文本符合问诊步骤，并且使生成的回复文本是当前轮次的症状信息的延伸问诊，进一步提高了预问诊的智能化，也进一步提高了预问诊的准确性。
76.在一个实施例中，所述基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示的步骤，包括：
77.s41：基于所述目标医生对应的声音特征，对所述目标回复文本进行语音转换，得到目标语音；
78.具体而言，预先对所述目标医生录取一段音频数据，根据录取的音频数据进行声音特征的提取；将所述目标医生对应的声音特征和所述目标回复文本输入预设的声音生成模型进行语音生成，将生成的语音作为目标语音。
79.声音生成模型，也称为语音生成模型。声音生成模型的模型结构和训练方法可以从现有技术选择，在此不做赘述。
80.s42：基于所述目标医生对应的所述虚拟形象，对所述目标语音进行展示，其中，在展示的过程中，基于所述目标医生对应的面部表情特征及动作特征，控制所述目标医生对应的所述虚拟形象。
81.具体而言，在界面中展示所述目标医生对应的所述虚拟形象，并且播放所述目标语音，在播放所述目标语音的过程中，基于所述目标医生对应的面部表情特征控制所述目标医生对应的所述虚拟形象的面部表情，并且基于所述目标医生对应的动作特征，控制所述目标医生对应的所述虚拟形象的动作。
82.本实施例基于所述目标医生对应的声音特征，对所述目标回复文本进行语音转换，从而使得目标语音是模拟目标医生的语音，通过对所述目标语音进行展示时，基于所述目标医生对应的面部表情特征及动作特征，控制所述目标医生对应的所述虚拟形象，从而使界面中展示的虚拟形象符合目标医生的个人形象，使预问诊和目标医生的实际接诊保持一致的表述风格，提高了患者的就诊体验，提高了患者对自动化预问诊的接受度。
83.在一个实施例中，所述方法包括：
84.s51：获取所述目标患者对应的预问诊结束信号；
85.预问诊结束信号，完成对所述目标患者的预问诊的信号。
86.具体而言，可以是目标患者触发的预问诊结束信号，也可以是实现本技术的程序根据预设条件主动触发的预问诊结束信号。比如，当满足预问诊结束条件时主动触发预问诊结束信号，预问诊结束条件是问诊步骤为结束步骤。
87.s52：响应所述预问诊结束信号，获取所述目标患者对应的各所述单轮预问诊对话数据，作为待分析数据；
88.具体而言，在获取到所述预问诊结束信号时，获取所述目标患者在第1轮到当前轮对应的所有所述单轮预问诊对话数据，将获取的所有所述单轮预问诊对话数据作为待分析数据。待分析数据中的对话数据按对话顺序排序。
89.s53：将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到初始预问诊结论。
90.具体而言，将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论预测，得到问诊结论向量，根据问诊结论向量确定预问诊结论，将确定的预问诊结论作为初始预问诊结论。
91.问诊结论向量中每个向量元素对应一个结论子类别，问诊结论向量中每个向量元素的值是一个概率值。其中，每个结论子类别对一个结论类别。也就是说，每个结论类别对应至少一个结论子类别。
92.比如，结论类别的取值范围包括：性别、年龄、主诉、主要症状、伴随症状、发病时间、诱因、诊疗经过、既往史和过敏史，为性别的结论类别对应的结论子类别包括：男和女，年龄对应的结论子类别包括各个年龄段。为主要症状的结论类别对应的结论子类别包括：
各个症状。为伴随症状的结论类别对应的结论子类别包括：各个症状。
93.预问诊结论生成模型是基于神经网络训练得到的分类模型。
94.根据问诊结论向量确定预问诊结论，也就是将结论类别在问诊结论向量对应的各个向量元素中，挑选出值大于结论类别对应的概率阈值的向量元素，将挑选出的向量元素对应的结论子类别作为命中子类别，将结论类别对应的所有命中子类别作为初始预问诊结论中的与该结论类别对应的结论。
95.本实施例通过将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，实现了自动化进行预问诊结论生成，而且通过人工智能提高了预问诊结论的准确性，提高了本技术的自动化程度。
96.在一个实施例中，所述将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到初始预问诊结论的步骤之后，还包括：
97.s54：获取补充问诊信号；
98.补充问诊信号，是对目标患者进行人工补充问诊的信号。
99.具体而言，获取目标医生在实现本技术的程序或者客户端发送的补充问诊信号。
100.s55：响应所述补充问诊信号，对所述初始预问诊结论进行展示；
101.具体而言，响应所述补充问诊信号，对所述初始预问诊结论进行问诊界面展示。
102.s56：基于展示的所述初始预问诊结论，获取所述目标医生输入的问诊补充信息；
103.具体而言，所述目标医生在问诊界面上输入问诊补充信息，填写完成点击结束按键。结束按键被点击时，将生成补充完成信号。
104.s57：获取补充完成信号；
105.s58：响应所述补充完成信号，将所述问诊补充信息和所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到目标预问诊结论。
106.具体而言，在收到所述补充完成信号时，将问诊界面上的所述问诊补充信息和所述待分析数据进行拼接，将拼接得到的数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，将生成的预问诊结论作为目标预问诊结论。
107.本实施例通过对所述初始预问诊结论进行展示的问诊界面获取目标医生输入的问诊补充信息，然后将所述问诊补充信息和所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，满足了医生的问诊补充需求，提高了确定的目标预问诊结论的准确性。
108.请参阅图3所示，在一实施例中，提供一种基于人工智能的预问诊装置，所述装置包括：
109.数据获取模块801，用于获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；
110.问诊步骤预测模块802，用于将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；
111.回复文本生成模块803，用于将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文
本；
112.展示模块804，用于基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。
113.本实施例实现自动化进行预问诊，有利缩短医生接诊的时间；通过问诊步骤预测模型和预问诊回复生成模型，实现了基于人工智能的预问诊，提高了预问诊的准确性，避免了漏诊、误诊；通过将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，实现将当前轮的问诊步骤和当前轮的预问诊对话汇总数据结合，使生成的回复文本符合问诊步骤，提高了预问诊的智能化，也提高了预问诊的准确性。
114.在一个实施例中，所述问诊步骤预测模块802的所述将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤的步骤，包括：
115.采用预设的第一拼接符号，对所述第i-1轮的所述问诊步骤和所述第i轮的所述预问诊对话汇总数据进行拼接，得到第一拼接数据；
116.将所述第一拼接数据输入所述目标医生对应的所述问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述问诊步骤预测模型是基于bert模型和分类层训练得到的分类模型。
117.在一个实施例中，所述回复文本生成模块803的所述将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本的步骤，包括：
118.将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成，得到初始回复文本；
119.将所述初始回复文本输入所述目标医生对应的文本风格转换模型进行文本风格转换，得到所述目标回复文本。
120.在一个实施例中，所述回复文本生成模块803的所述将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本的步骤，包括：
121.根据所述第i轮的所述预问诊对话汇总数据进行第i轮的症状信息提取；
122.采用预设的第二拼接符号，对所述第i轮的所述问诊步骤、所述第i轮的所述症状信息和所述第i轮的所述预问诊对话汇总数据进行拼接，得到第二拼接数据；
123.将所述第二拼接数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成，得到所述目标回复文本，其中，所述预问诊回复生成模型是基于gpt训练得到的模型。
124.在一个实施例中，所述展示模块804的所述基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示的步骤，包括：
125.基于所述目标医生对应的声音特征，对所述目标回复文本进行语音转换，得到目标语音；
126.基于所述目标医生对应的所述虚拟形象，对所述目标语音进行展示，其中，在展示的过程中，基于所述目标医生对应的面部表情特征及动作特征，控制所述目标医生对应的
所述虚拟形象。
127.在一个实施例中，所述装置包括：问诊结论生成模块；
128.所述问诊结论生成模块，用于获取所述目标患者对应的预问诊结束信号，响应所述预问诊结束信号，获取所述目标患者对应的各所述单轮预问诊对话数据，作为待分析数据，将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到初始预问诊结论。
129.在一个实施例中，所述问诊结论生成模块的所述将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到初始预问诊结论的步骤之后，还包括：
130.获取补充问诊信号；
131.响应所述补充问诊信号，对所述初始预问诊结论进行展示；
132.基于展示的所述初始预问诊结论，获取所述目标医生输入的问诊补充信息；
133.获取补充完成信号；
134.响应所述补充完成信号，将所述问诊补充信息和所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到目标预问诊结论。
135.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的预问诊方法服务端侧的功能或步骤。
136.在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种基于人工智能的预问诊方法客户端侧的功能或步骤。
137.在一个实施例中，提出了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
138.获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；
139.将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；
140.将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应
的预问诊回复生成模型进行回复文本生成，得到目标回复文本；
141.基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。
142.本实施例实现自动化进行预问诊，有利缩短医生接诊的时间；通过问诊步骤预测模型和预问诊回复生成模型，实现了基于人工智能的预问诊，提高了预问诊的准确性，避免了漏诊、误诊；通过将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，实现将当前轮的问诊步骤和当前轮的预问诊对话汇总数据结合，使生成的回复文本符合问诊步骤，提高了预问诊的智能化，也提高了预问诊的准确性。
143.在一个实施例中，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
144.获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；
145.将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；
146.将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；
147.基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。
148.本实施例实现自动化进行预问诊，有利缩短医生接诊的时间；通过问诊步骤预测模型和预问诊回复生成模型，实现了基于人工智能的预问诊，提高了预问诊的准确性，避免了漏诊、误诊；通过将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，实现将当前轮的问诊步骤和当前轮的预问诊对话汇总数据结合，使生成的回复文本符合问诊步骤，提高了预问诊的智能化，也提高了预问诊的准确性。
149.需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。
150.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
151.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功
能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
152.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于人工智能的预问诊方法，所述方法包括：获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。2.根据权利要求1所述的基于人工智能的预问诊方法，其特征在于，所述将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤的步骤，包括：采用预设的第一拼接符号，对所述第i-1轮的所述问诊步骤和所述第i轮的所述预问诊对话汇总数据进行拼接，得到第一拼接数据；将所述第一拼接数据输入所述目标医生对应的所述问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述问诊步骤预测模型是基于bert模型和分类层训练得到的分类模型。3.根据权利要求1所述的基于人工智能的预问诊方法，其特征在于，所述将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本的步骤，包括：将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成，得到初始回复文本；将所述初始回复文本输入所述目标医生对应的文本风格转换模型进行文本风格转换，得到所述目标回复文本。4.根据权利要求1所述的基于人工智能的预问诊方法，其特征在于，所述将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本的步骤，包括：根据所述第i轮的所述预问诊对话汇总数据进行第i轮的症状信息提取；采用预设的第二拼接符号，对所述第i轮的所述问诊步骤、所述第i轮的所述症状信息和所述第i轮的所述预问诊对话汇总数据进行拼接，得到第二拼接数据；将所述第二拼接数据输入所述目标医生对应的所述预问诊回复生成模型进行回复文本生成，得到所述目标回复文本，其中，所述预问诊回复生成模型是基于gpt训练得到的模型。5.根据权利要求1所述的基于人工智能的预问诊方法，其特征在于，所述基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示的步骤，包括：基于所述目标医生对应的声音特征，对所述目标回复文本进行语音转换，得到目标语音；基于所述目标医生对应的所述虚拟形象，对所述目标语音进行展示，其中，在展示的过
程中，基于所述目标医生对应的面部表情特征及动作特征，控制所述目标医生对应的所述虚拟形象。6.根据权利要求1所述的基于人工智能的预问诊方法，其特征在于，所述方法包括：获取所述目标患者对应的预问诊结束信号；响应所述预问诊结束信号，获取所述目标患者对应的各所述单轮预问诊对话数据，作为待分析数据；将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到初始预问诊结论。7.根据权利要求6所述的基于人工智能的预问诊方法，其特征在于，所述将所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到初始预问诊结论的步骤之后，还包括：获取补充问诊信号；响应所述补充问诊信号，对所述初始预问诊结论进行展示；基于展示的所述初始预问诊结论，获取所述目标医生输入的问诊补充信息；获取补充完成信号；响应所述补充完成信号，将所述问诊补充信息和所述待分析数据输入所述目标医生对应的预问诊结论生成模型进行预问诊结论生成，得到目标预问诊结论。8.一种基于人工智能的预问诊装置，其特征在于，所述装置包括：数据获取模块，用于获取第i轮的预问诊对话汇总数据，其中，所述第i轮的所述预问诊对话汇总数据包括第1轮到第i轮的各单轮预问诊对话数据，所述单轮预问诊对话数据是对目标患者进行一轮预问诊的对话数据；问诊步骤预测模块，用于将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；回复文本生成模块，用于将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；展示模块，用于基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于人工智能的预问诊方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于人工智能的预问诊方法的步骤。

技术总结
本申请涉及人工智能及智慧医疗技术领域，揭示了一种基于人工智能的预问诊方法、装置、设备及介质，其中方法包括：将第i-1轮的问诊步骤和所述第i轮的所述预问诊对话汇总数据输入目标医生对应的问诊步骤预测模型预测所述第i轮的所述问诊步骤，其中，所述目标医生是所述目标患者想要就诊的医生；将所述第i轮的所述问诊步骤及所述预问诊对话汇总数据输入所述目标医生对应的预问诊回复生成模型进行回复文本生成，得到目标回复文本；基于所述目标医生对应的虚拟形象，对所述目标回复文本进行展示。从而实现自动化进行预问诊，有利缩短医生接诊的时间，提高了预问诊的准确性，避免了漏诊、误诊。误诊。误诊。


技术研发人员：顾悦 尹婧煜 田静涛
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.20
技术公布日：2023/9/20