异常医疗项目检测方法、装置、计算机设备及存储介质与流程

1.本技术涉及人工智能中的智能决策技术领域，尤其涉及一种异常医疗项目检测方法、装置、计算机设备及存储介质


背景技术：

2.医疗费的审核是涉及人伤、病的保险理赔中的关键环节，对提升保险公司服务质量至关重要。但是由于医疗费的审核需要很强的专业知识，理赔人员在实际理赔过程中很难结合患者的就诊信息资料审核各项费用的合理性，做到科学、合理、公平、公正的理赔。
3.目前业界对医疗费用的合理性识别方法主要还是基于规则库的方式，即利用规则库来进行合理用药管理；米数科技在专利cn_11580961里提出一种基于多策略的诊断无关合理费用识别方法，该方法构建高、中、低特异性收费项集合和正、反向规则来进行诊疗收费的合理性判断。
4.然而，申请人发现，传统的合理性识别方法需要人工建立规则库，同时无法很好处理复杂情形，例如多种诊断复合的案例，由此可见，传统的合理性识别方法存在无法处理复杂情形案例的问题。


技术实现要素：

5.本技术实施例的目的在于提出一种异常医疗项目检测方法、装置、计算机设备及存储介质，以解决传统的合理性识别方法存在无法处理复杂情形案例的问题。
6.为了解决上述技术问题，本技术实施例提供一种异常医疗项目检测方法，采用了如下所述的技术方案：
7.接收待审核的当前就诊资料，其中，所述当前就诊资料包括n条当前医疗项目以及与所述当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；
8.将所述当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；
9.读取数据库，在所述数据库中提取历史文档嵌入向量集；
10.计算所述待审核文档嵌入向量与所述历史文档嵌入向量集中各个历史文档嵌入向量的相似度；
11.根据所述相似度对所述历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；
12.根据所述相似文档嵌入向量集判断所述当前项目费用中是否存在异常医疗项目费用；
13.若所述当前项目费用中存在所述异常医疗项目费用，则输出所述异常医疗项目费用的费用异常信号；
14.若所述当前项目费用中不存在所述异常医疗项目费用，则输出费用无误信号。
15.为了解决上述技术问题，本技术实施例还提供一种异常医疗项目检测装置，采用
了如下所述的技术方案：
16.资料接收模块，用于接收待审核的当前就诊资料，其中，所述当前就诊资料包括n条当前医疗项目以及与所述当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；
17.向量转化模块，用于将所述当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；
18.历史文档获取模块，用于读取数据库，在所述数据库中提取历史文档嵌入向量集；
19.相似度计算模块，用于计算所述待审核文档嵌入向量与所述历史文档嵌入向量集中各个历史文档嵌入向量的相似度；
20.筛选模块，用于根据所述相似度对所述历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；
21.异常费用判断模块，用于根据所述相似文档嵌入向量集判断所述当前项目费用中是否存在异常医疗项目费用；
22.费用异常模块，用于若所述当前项目费用中存在所述异常医疗项目费用，则输出所述异常医疗项目费用的费用异常信号；
23.费用无误模块，用于若所述当前项目费用中不存在所述异常医疗项目费用，则输出费用无误信号。
24.为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：
25.包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的异常医疗项目检测方法的步骤。
26.为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
27.所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的异常医疗项目检测方法的步骤。
28.本技术提供了一种异常医疗项目检测方法，包括：接收待审核的当前就诊资料，其中，所述当前就诊资料包括n条当前医疗项目以及与所述当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；将所述当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；读取数据库，在所述数据库中提取历史文档嵌入向量集；计算所述待审核文档嵌入向量与所述历史文档嵌入向量集中各个历史文档嵌入向量的相似度；根据所述相似度对所述历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；根据所述相似文档嵌入向量集判断所述当前项目费用中是否存在异常医疗项目费用；若所述当前项目费用中存在所述异常医疗项目费用，则输出所述异常医疗项目费用的费用异常信号；若所述当前项目费用中不存在所述异常医疗项目费用，则输出费用无误信号。与现有技术相比，本技术利用基于自然语言模型的文档嵌入模型，进行相似案件检索，更加全面的利用了医疗理赔案件的就诊信息，调高了检索出来的相似案件与当前理赔案件的可比性。利用医疗收费项目在类似理赔案件中出现的频率和费用情况，初筛可疑不合理医疗收费，可以减少后续合理性判断的工作量。
附图说明
29.为了更清楚地说明本技术中的方案，下面将对本技术实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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。
30.图1是本技术可以应用于其中的示例性系统架构图；
31.图2是本技术实施例一提供的异常医疗项目检测方法的实现流程图；
32.图3是图2中步骤s202之前的一种具体实施方式的流程图；
33.图4是图2中步骤s201的一种具体实施方式的流程图；
34.图5是图4中步骤s404之前的一种具体实施方式的流程图；
35.图6是图5中步骤s503的一种具体实施方式的流程图；
36.图7是图2中步骤s206的一种具体实施方式的流程图；
37.图8是本技术实施例二提供的异常医疗项目检测装置的结构示意图；
38.图9是根据本技术的计算机设备的一个实施例的结构示意图。
具体实施方式
39.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本技术；本技术的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本技术的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
40.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
41.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
42.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
43.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
44.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(moving picture experts group audio layer iii，动态影像专家压缩标准音频层面3)、mp4(moving picture experts group audio layer iv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
45.服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的
页面提供支持的后台服务器。
46.需要说明的是，本技术实施例所提供的异常医疗项目检测方法一般由服务器/终端设备执行，相应地，异常医疗项目检测装置一般设置于服务器/终端设备中。
47.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
48.继续参考图2，示出了根据本技术的异常医疗项目检测方法的一个实施例的流程图。所述的异常医疗项目检测方法，包括：步骤s201、步骤s202、步骤s203、步骤s204、步骤s205、步骤s206、步骤s207以及步骤s208。
49.在步骤s201中，接收待审核的当前就诊资料，其中，当前就诊资料包括n条当前医疗项目以及与当前医疗项目相对应的当前项目费用，n为大于或等于1的整数。
50.在步骤s202中，将当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量。
51.在本技术实施例中，对当前需要审核的理赔案件，首先利用基于自然语言模型技术的文档嵌入模型，将用户的就诊资料，例如出院小节和病历等文档资料(如果以图片形式存在，需要先使用ocr模块提取出文本内容)，编码嵌入一个多维实向量(embedding vector)，得到当前案件的文档嵌入向量v。
52.在步骤s203中，读取数据库，在数据库中提取历史文档嵌入向量集e。
53.在步骤s204中，计算待审核文档嵌入向量与历史文档嵌入向量集中各个历史文档嵌入向量的相似度。
54.在步骤s205中，根据相似度对历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集。
55.在本技术实施例中，计算向量v与e中每一个向量vi的相似度(l2相似度、余弦相似度)，相似度越大表示两个向量之间越相似，将相似度从大到小排序，选取相似度不小于阈值t1或前top k的案件，保证至少可以选出k个相似案件。
56.在步骤s206中，根据相似文档嵌入向量集判断当前项目费用中是否存在异常医疗项目费用。
57.在本技术实施例中，筛选可疑收费项目，统计当前理赔案件费用详情中每一条收费项目相似案件集合里面出现的次数c，并统计每一条收费项目在相似案件集合中平均费用avg
amount
、费用方差std
amount
。对于次数c小于t2的条目为第1类可疑条目，对于费用超过avg
amount
+t3×
std
amount
的条目为第2类可疑条目。对于第1类可疑条目，进一步设置费用阈值t4，忽略费用小于阈值t4的条目。第1类可疑条目中费用超过阈值t4的条目与第2类可疑条目组成最终的可疑不合理收费项目列表。
58.在步骤s207中，若当前项目费用中存在异常医疗项目费用，则输出异常医疗项目费用的费用异常信号。
59.在步骤s208中，若当前项目费用中不存在异常医疗项目费用，则输出费用无误信号。
60.在实际应用中，可以充分利用最近以chatgpt为代表的大语言模型的成果，通过提示语工程拼接合适的问题，识别医疗收费项目的合理性，并给出相应的理由。帮助理赔员进一步审核。
61.在本技术实施例中，提供了一种异常医疗项目检测方法，包括：接收待审核的当前就诊资料，其中，当前就诊资料包括n条当前医疗项目以及与当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；将当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；读取数据库，在数据库中提取历史文档嵌入向量集；计算待审核文档嵌入向量与历史文档嵌入向量集中各个历史文档嵌入向量的相似度；根据相似度对历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；根据相似文档嵌入向量集判断当前项目费用中是否存在异常医疗项目费用；若当前项目费用中存在异常医疗项目费用，则输出异常医疗项目费用的费用异常信号；若当前项目费用中不存在异常医疗项目费用，则输出费用无误信号。与现有技术相比，本技术利用基于自然语言模型的文档嵌入模型，进行相似案件检索，更加全面的利用了医疗理赔案件的就诊信息，调高了检索出来的相似案件与当前理赔案件的可比性。利用医疗收费项目在类似理赔案件中出现的频率和费用情况，初筛可疑不合理医疗收费，可以减少后续合理性判断的工作量。
62.继续参阅图3，示出了图2中步骤s202之前的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
63.在本实施例的一些可选的实现方式中，在步骤s202之前，包括：步骤s301、步骤s302以及步骤s303。
64.在步骤s301中，获取历史理赔案件。
65.在步骤s302中，将历史理赔案件输入至文档嵌入模型进行向量转化操作，得到历史文档嵌入向量集。
66.在步骤s303中，将历史文档嵌入向量集存储至数据库中。
67.在本技术实施例中，收集历史理赔案件，利用基于自然语言模型技术的文档嵌入模型，将用户的就诊资料，例如出院小节和病历等文档资料(如果以图片形式存在，需要先使用ocr模块提取出文本内容)，编码嵌入一个多维实向量(embedding vector)。依次处理历史理赔案件得到文档嵌入向量库。
68.e＝[[id1，v1]，[id2，v2]，...，[idn，vn]]
[0069]
对每一个嵌入向量有一个关联的案件id，通过案件id可以检索到案件理赔信息，如就诊资料、费用详情、收费发票等。
[0070]
继续参阅图4，示出了图2中步骤s201的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0071]
在本实施例的一些可选的实现方式中，步骤s201具体包括：步骤s401、步骤s402、步骤s403、步骤s404、步骤s405以及步骤s406。
[0072]
在步骤s401中，接收待审核的当前就诊图片。
[0073]
在步骤s402中，调用与当前就诊图片相对应的截图模版数据。
[0074]
在本技术实施例中，本地数据库预先存储有与各类就诊图片相对应的截图模版，可以在该本地数据库中调用与当前就诊图片相对应的截图模版数据。
[0075]
在本技术实施例中，截图模版数据已经预设有按照关键字的占比率划分的语义分割区域以及模版匹配区域。
[0076]
在步骤s403中，基于截图模版数据对当前就诊图片进行图像截取操作，得到语义分割截图以及模版匹配截图。
[0077]
在步骤s404中，将语义分割截图输入至图像分割模型进行语义分割操作，得到语义分割字段。
[0078]
在本技术实施例中，深度语义分割的原理包括：
[0079]
1)下采样+上采样：convlution+deconvlution/resize；
[0080]
2)多尺度特征融合：特征逐点相加/特征channel维度拼接；
[0081]
3)获得像素级别的segement map：对每一个像素点进行判断类别
[0082]
其中，深度语义分割算法采用deeplab系列中的deeplabv3作为身份证分割算法，结合多样的就诊数据全字段分割数据集，实现全字段的就诊数据分割。deeplab系列算法的核心采用了空洞卷积(dilated/atrous convolution)。空洞卷积实际上就是普通的卷积核中间插入了几个洞。不同采样率的空洞卷积可以有效捕获多尺度信息。将语义分割区域作为模型的输入，在分割模型中得就诊图片的全字段mask图，根据mask中的l abe l值，找出最大轮廓的矩形框得出相应的关键字段。
[0083]
在步骤s405中，在截图模版数据中对模版匹配截图进行相似匹配操作，得到模版匹配字段。
[0084]
在本技术实施例中，相似匹配操作指的是在上述模版匹配截图截图模版数据中寻找与截图模版数据最匹配(相似)的部分，通过最高匹配位置得出相应区域图，再对图片进行灰度二值化，寻找最大轮廓得出最大矩形框区域即身份证号区域。
[0085]
在步骤s406中，将语义分割字段以及模版匹配字段输入至文字识别模型进行文字识别操作，得到当前就诊资料。
[0086]
在本技术实施例中，通过基于深度语义分割及模板匹配相结合的身份证识别算法可以得出就诊图片所有的关键字段。再将各字段送入文字识别模型进行文字识别，则获得最终所需要的就诊关键信息。
[0087]
在本技术实施例中，采用图像截取操作获取感兴趣区域，以增大目标图像的占比，从而提高图像分割模型的分割精准度，另外，采用模版匹配的方式，匹配精度高，速度快，有效提高就诊图片识别的准确率。
[0088]
继续参阅图5，示出了图4中步骤s404之前的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0089]
在本实施例的一些可选的实现方式中，在步骤s404之前，包括：步骤s501、步骤s502以及步骤s503。
[0090]
在步骤s501中，获取训练数据集合，训练数据集合包括多张输入图像、每张输入图像中目标对象以及每张输入图像中与目标对象相对应的矩形区域。
[0091]
在本技术实施例中，针对前述实施例中的图像分割模型，本技术实施例中还包括对该图像分割模型的训练方法，值得说明的是，图像分割模型的训练可以是根据获取的训练数据集合预先进行的，后续在每次需要进行图像分割时，则可以利用图像分割模型进行，而无需每次进行目标对象的图像分割时对图像分割模型进行训练。
[0092]
在本技术实施例中，训练数据集合可以包括多张输入图像、每张输入图像中的目标对象以及每张输入图像中目标对象的矩形区域。其中，输入图像可以为包含有目标对象的图像。
[0093]
在本技术实施例中，输入图像的数量可以不作为限定。作为一种可选的实施方式，
输入图像的数量可以为多张，并对每张输入图像标注其对应的目标对象，以及每张输入图像对应的目标对象的矩形区域，可以分别根据每张输入图像以及对每张输入图像标注的目标对象、矩形区域，对初始模型进行训练，以提升训练后得到的图像分割模型的准确性。
[0094]
在步骤s502中，获取图像分割网络，图像分割网络包括第一子网络以及第二子网络，第一子网络用于输出图像中目标对象，第二子网络用于输出图像中目标对象对应的矩形区域。
[0095]
在本技术实施例中，在训练获得图像分割模型时，可以构建图像分割网络，该图像分割网络中可以包括有用于输出图像中的目标对象的第一子网络，以及用于输出图像中目标对象对应的矩形区域的第二子网络。
[0096]
在本技术实施例中，图像分割网络可以根据deeplabv3+语义图像分割模型进行构建。其中，deeplabv3+语义图像分割模型是用于图像语义分割的深度学习模型，其目标是将语义标签分配给输入图像的每个像素，以实现图像中目标对象的分割。deeplabv3+语义图像分割模型的aspp结构的输出通常具有一个输出分支，该输出分值用于输出目标对象。
[0097]
在本技术实施例中，在根据deeplabv3+语义图像分割模型对图像分割网络进行构建时，可以在原有的deeplabv3+网络的aspp结构的输出引出另外一条输出分支，即在encoder网络之后引出第二子网络，第二子网络可以为cnn神经网络，而原有的输出分支作为第一子网络，从而可以完成图像分割模型的构建。
[0098]
在本技术实施例中，deeplabv3+语义图像分割模型中的encoder网络通常具有aspp空洞卷积的结构，以提取图像中的物体信息，并输出至decoder网络。因此，可以在aspp空洞卷积的结构的输出引出以上第二子网络，第二自网络可以为cnn神经网络，以根据aspp结构输出的信息，输出目标对象的矩形区域。
[0099]
在本技术实施例中，在基于deeplabv3+语义图像分割模型构建图像分割网络时，考虑到deeplabv3+语义图像分割模型的体积和运行时的运算量较大，在应用到手机等移动终端上时可能会造成运行时的卡顿，因此，可以将deeplabv3+语义图像分割模型中的backbone网络部分替换成mobilenetv2网络。其中，mobilenetv2网络是主要应用在移动端的轻量级cnn网络，它包含一个depthwise卷积和1x1卷积的pointwise卷积，这种结构将空间相关性和通道相关性分离，从而比传统的卷积相比，计算量和参数大幅降低，从而可以使得构建的图像分割网络中是基于mobilenetv2网络的，后续训练得到的图像分割模型在移动终端上运行时，可以避免运行时的卡顿。
[0100]
在步骤s503中，根据训练数据集合，对图像分割网络进行训练，获得图像分割模型。
[0101]
在本技术实施例中，电子设备可以利用获取的训练数据集合，对图像分割网络进行训练，以训练得到可以实现根据输入图像而输出输入图像中的目标对象以及目标对象对应的矩形区域的图像分割模型。其中，电子设备可以根据构建的总损失函数，再根据训练数据集合，并利用总损失函数对图像分割网络进行迭代训练，最终训练得到图像分割模型。
[0102]
在本技术实施例中，上述迭代训练过程中，图像分割网络的结构的参数不断发生变化，最后迭代训练完成后的图像分割网络可以输出总损失函数值较小的结果，此时得到的图像分割网络的参数则可以实现根据输入图像而输出输入图像中的目标对象以及目标对象对应的矩形区域。
[0103]
继续参阅图6，示出了图5中步骤s503的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0104]
在本实施例的一些可选的实现方式中，步骤s503具体包括：步骤s601以及步骤s602。
[0105]
在步骤s601中，获取图像分割网络的损失函数，损失函数包括用于表征第一子网络的交叉熵损失以及第二子网络的回归损失。
[0106]
在本技术实施例中，图像分割网络的损失函数可以如下：
[0107]
total_loss＝segmentation_loss+detection_loss
[0108]
在本技术实施例中，segmentation_loss表示第一子网络的交叉熵损失，detection_loss表示第二子网络的回归损失，total_loss表示整个图像分割网络的总损失。
[0109]
在步骤s602中，根据损失函数以及述训练数据集合，并利用反向传播算法对图像分割网络进行训练，直至图像分割网络收敛，获得图像分割模型。
[0110]
在本技术实施例中，电子设备在获取到图像分割网络输出的结果的总损失函数之后，则可以根据总损失函数以及训练数据结合，在tensorflow训练框架下，执行训练，训练后的图像分割模型能够根据输入图像而输出输入图像中目标对象的掩膜图像以及目标对象对应的矩形区域。
[0111]
在本技术实施例中，在tensorflow训练框架下，可以利用反向传播算法来训练模型参数，在所有参数上用梯度下降，使图像分割网络在训练数据上的损失函数的值最小。可以理解的，反复的进行迭代训练，使最终训练得到的图像分割模型能够根据训练数据集合中的输入图像，输出的结果(目标对象和矩形区域)，与标注的输入图像的标签(目标对象和矩形区域)之间的差距最小。
[0112]
在本技术实施例中，可以使用adam优化器对图像分割网络进行迭代训练，直至图像分割网络收敛，并将收敛后的图像分割网络进行保存，得到训练后的图像分割模型。adam优化器，结合adagra(adaptivegradient，自适应梯度)和rmsprop两种优化算法的优点。对梯度的一阶矩估计(firstmomentestimation，即梯度的均值)和二阶矩估计(secondmomentestimation，即梯度的未中心化的方差)进行综合考虑，计算出更新步长。
[0113]
在本技术实施例中，图像分割网络收敛(即迭代训练的终止条件)可以包括：迭代训练的次数达到目标次数；或者图像分割网络输出的结果对应的总损失函数的值满足设定条件。
[0114]
在本技术实施例中，收敛条件是让损失函数尽可能小，使用初始学习率1e-3，学习率随步数余弦衰减，batch_size＝8，训练16个epoch后，即可认为收敛完成。其中，batch_size可以理解为批处理参数，它的极限值为训练集样本总数，epoch指使用训练集中的全部样本训练的次数,通俗的讲epoch的值就是整个数据集被轮几次，1个epoch等于使用训练集中的全部样本训练1次。
[0115]
在本技术实施例中，总损失函数的值满足设定条件可以包括：总损失函数的值小于设定阈值。当然，具体设定条件可以不作为限定。
[0116]
在本技术实施例中，训练得到的图像分割模型可以存储于移动终端本地，该训练得到的图像分割模型也可以在与电子设备通信连接的服务器，将图像分割模型存储在服务
器的方式，可以减少占用电子设备的存储空间，提升电子设备运行效率。
[0117]
在本技术实施例中，图像分割模型还可以周期性的或者不定期的获取新的训练数据，对该图像分割模型进行训练和更新。
[0118]
继续参阅图7，示出了图2中步骤s206的一种具体实施方式的流程图，为了便于说明，仅示出与本技术相关的部分。
[0119]
在本实施例的一些可选的实现方式中，步骤s206具体包括：步骤s701以及步骤s702，步骤s207包括：步骤s703，步骤s208包括：步骤s704。
[0120]
在步骤s701中，根据相似文档嵌入向量集分别计算与当前医疗项目相对应的相似文档平均费用以及相似文档方差费用。
[0121]
在步骤s702中，分别获取属于同一医疗项目的当前项目费用、相似文档平均费用以及相似文档方差费用，并比较当前项目费用与相似文档平均费用以及相似文档方差费用的和的大小。
[0122]
在步骤s703中，若当前项目费用大于相似文档平均费用以及相似文档方差费用的和，则确认当前比较的医疗项目属于异常医疗项目费用，并输出当前比较的医疗项目的费用异常信号。
[0123]
在步骤s704中，若当前项目费用小于或等于相似文档平均费用以及相似文档方差费用的和，则确认当前比较的医疗项目不属于异常医疗项目费用，并输出当前比较的医疗项目的费用无误信号。
[0124]
需要强调的是，为进一步保证上述当前就诊资料的私密和安全性，上述当前就诊资料还可以存储于一区块链的节点中。
[0125]
本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0126]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0127]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0128]
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤
的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0129]
实施例二
[0130]
进一步参考图8，作为对上述图2所示方法的实现，本技术提供了一种异常医疗项目检测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0131]
如图8所示，本实施例的异常医疗项目检测装置200包括：获取模块401、识别模块402、计算模块403、训练模块404以及处理模块405。其中：
[0132]
资料接收模块210，用于接收待审核的当前就诊资料，其中，当前就诊资料包括n条当前医疗项目以及与当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；
[0133]
向量转化模块220，用于将当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；
[0134]
历史文档获取模块230，用于读取数据库，在数据库中提取历史文档嵌入向量集；
[0135]
相似度计算模块240，用于计算待审核文档嵌入向量与历史文档嵌入向量集中各个历史文档嵌入向量的相似度；
[0136]
筛选模块250，用于根据相似度对历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；
[0137]
异常费用判断模块260，用于根据相似文档嵌入向量集判断当前项目费用中是否存在异常医疗项目费用；
[0138]
费用异常模块270，用于若当前项目费用中存在异常医疗项目费用，则输出异常医疗项目费用的费用异常信号；
[0139]
费用无误模块280，用于若当前项目费用中不存在异常医疗项目费用，则输出费用无误信号。
[0140]
在本实施例中，提供了一种异常医疗项目检测装置200，包括：资料接收模块210，用于接收待审核的当前就诊资料，其中，当前就诊资料包括n条当前医疗项目以及与当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；向量转化模块220，用于将当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；历史文档获取模块230，用于读取数据库，在数据库中提取历史文档嵌入向量集；相似度计算模块240，用于计算待审核文档嵌入向量与历史文档嵌入向量集中各个历史文档嵌入向量的相似度；筛选模块250，用于根据相似度对历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；异常费用判断模块260，用于根据相似文档嵌入向量集判断当前项目费用中是否存在异常医疗项目费用；费用异常模块270，用于若当前项目费用中存在异常医疗项目费用，则输出异常医疗项目费用的费用异常信号；费用无误模块280，用于若当前项目费用中不存在异常医疗项目费用，则输出费用无误信号。与现有技术相比，本技术利用基于自然语言模型的文档嵌入模型，进行相似案件检索，更加全面的利用了医疗理赔案件的就诊信息，调高了检索出来的相似案件与当前理赔案件的可比性。利用医疗收费项目在类似理赔案件中出现的频率和费用情况，初筛可疑不合理医疗收费，可以减少后续合理性判断的工作量。
[0141]
在本实施例的一些可选的实现方式中，上述异常医疗项目检测装置200还包括：历史案件获取模块、历史案件向量转化模块以及历史文档存储模块，其中：
[0142]
历史案件获取模块，用于获取历史理赔案件；
[0143]
历史案件向量转化模块，用于将历史理赔案件输入至文档嵌入模型进行向量转化操作，得到历史文档嵌入向量集；
[0144]
历史文档存储模块，用于将历史文档嵌入向量集存储至数据库中。
[0145]
在本实施例的一些可选的实现方式中，上述资料接收模块210包括：
[0146]
图片获取子模块，用于接收待审核的当前就诊图片；
[0147]
模版获取子模块，用于调用与当前就诊图片相对应的截图模版数据；
[0148]
图像截取子模块，用于基于截图模版数据对当前就诊图片进行图像截取操作，得到语义分割截图以及模版匹配截图；
[0149]
语义分割子模块，用于将语义分割截图输入至图像分割模型进行语义分割操作，得到语义分割字段；
[0150]
相似匹配子模块，用于在截图模版数据中对模版匹配截图进行相似匹配操作，得到模版匹配字段；
[0151]
文字识别子模块，用于将语义分割字段以及模版匹配字段输入至文字识别模型进行文字识别操作，得到当前就诊资料。
[0152]
在本实施例的一些可选的实现方式中，上述资料接收模块210还包括：训练集合获取模块、分割网络获取模块以及网络训练模块。
[0153]
其中：
[0154]
训练集合获取模块，用于获取训练数据集合，训练数据集合包括多张输入图像、每张输入图像中目标对象以及每张输入图像中与目标对象相对应的矩形区域；
[0155]
分割网络获取模块，用于获取图像分割网络，图像分割网络包括第一子网络以及第二子网络，第一子网络用于输出图像中目标对象，第二子网络用于输出图像中目标对象对应的矩形区域；
[0156]
网络训练模块，用于根据训练数据集合，对图像分割网络进行训练，获得图像分割模型。
[0157]
在本实施例的一些可选的实现方式中，上述网络训练模块具体包括：损失函数获取子模块以及网络训练子模块。其中：
[0158]
损失函数获取子模块，用于获取图像分割网络的损失函数，损失函数包括用于表征第一子网络的交叉熵损失以及第二子网络的回归损失；
[0159]
网络训练子模块，用于根据损失函数以及述训练数据集合，并利用反向传播算法对图像分割网络进行训练，直至图像分割网络收敛，获得图像分割模型。
[0160]
在本实施例的一些可选的实现方式中，上述异常费用判断模块260包括：费用计算子模块以及费用比较子模块，上述费用异常模块包括：费用异常子模块，上述费用无误模块包括：费用无误子模块，其中：
[0161]
费用计算子模块，用于根据相似文档嵌入向量集分别计算与当前医疗项目相对应的相似文档平均费用以及相似文档方差费用；
[0162]
费用比较子模块，用于分别获取属于同一医疗项目的当前项目费用、相似文档平
均费用以及相似文档方差费用，并比较当前项目费用与相似文档平均费用以及相似文档方差费用的和的大小；
[0163]
费用异常子模块，用于若当前项目费用大于相似文档平均费用以及相似文档方差费用的和，则确认当前比较的医疗项目属于异常医疗项目费用，并输出当前比较的医疗项目的费用异常信号；
[0164]
费用无误子模块，用于若当前项目费用小于或等于相似文档平均费用以及相似文档方差费用的和，则确认当前比较的医疗项目不属于异常医疗项目费用，并输出当前比较的医疗项目的费用无误信号。
[0165]
为解决上述技术问题，本技术实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
[0166]
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。
[0167]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0168]
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如异常医疗项目检测方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0169]
所述处理器62在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述异常医疗项目检测方法的计算机可读指令。
[0170]
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
[0171]
本技术提供的计算机设备，利用基于自然语言模型的文档嵌入模型，进行相似案件检索，更加全面的利用了医疗理赔案件的就诊信息，调高了检索出来的相似案件与当前
理赔案件的可比性。利用医疗收费项目在类似理赔案件中出现的频率和费用情况，初筛可疑不合理医疗收费，可以减少后续合理性判断的工作量。
[0172]
本技术还提供了另一种实施方式，即提供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可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的异常医疗项目检测方法的步骤。
[0173]
本技术提供的计算机可读存储介质，利用基于自然语言模型的文档嵌入模型，进行相似案件检索，更加全面的利用了医疗理赔案件的就诊信息，调高了检索出来的相似案件与当前理赔案件的可比性。利用医疗收费项目在类似理赔案件中出现的频率和费用情况，初筛可疑不合理医疗收费，可以减少后续合理性判断的工作量。
[0174]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本技术各个实施例所述的方法。
[0175]
显然，以上所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例，附图中给出了本技术的较佳实施例，但并不限制本技术的专利范围。本技术可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本技术的公开内容的理解更加透彻全面。尽管参照前述实施例对本技术进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本技术说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本技术专利保护范围之内。

技术特征：
1.一种异常医疗项目检测方法，其特征在于，包括下述步骤：接收待审核的当前就诊资料，其中，所述当前就诊资料包括n条当前医疗项目以及与所述当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；将所述当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；读取数据库，在所述数据库中提取历史文档嵌入向量集；计算所述待审核文档嵌入向量与所述历史文档嵌入向量集中各个历史文档嵌入向量的相似度；根据所述相似度对所述历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；根据所述相似文档嵌入向量集判断所述当前项目费用中是否存在异常医疗项目费用；若所述当前项目费用中存在所述异常医疗项目费用，则输出所述异常医疗项目费用的费用异常信号；若所述当前项目费用中不存在所述异常医疗项目费用，则输出费用无误信号。2.根据权利要求1所述的异常医疗项目检测方法，其特征在于，在所述读取数据库，在所述数据库中提取历史文档嵌入向量集的步骤之前，还包括下述步骤：获取历史理赔案件；将所述历史理赔案件输入至所述文档嵌入模型进行向量转化操作，得到所述历史文档嵌入向量集；将所述历史文档嵌入向量集存储至所述数据库中。3.根据权利要求1所述的异常医疗项目检测方法，其特征在于，所述接收待审核的当前就诊资料的步骤，具体包括下述步骤：接收待审核的当前就诊图片；调用与所述当前就诊图片相对应的截图模版数据；基于所述截图模版数据对所述当前就诊图片进行图像截取操作，得到语义分割截图以及模版匹配截图；将所述语义分割截图输入至图像分割模型进行语义分割操作，得到语义分割字段；在所述截图模版数据中对所述模版匹配截图进行相似匹配操作，得到模版匹配字段；将所述语义分割字段以及模版匹配字段输入至文字识别模型进行文字识别操作，得到所述当前就诊资料。4.根据权利要求3所述的异常医疗项目检测方法，其特征在于，在所述将所述语义分割截图输入至图像分割模型进行语义分割操作，得到语义分割字段的步骤之前还包括：获取训练数据集合，所述训练数据集合包括多张输入图像、每张输入图像中所述目标对象以及每张输入图像中与所述目标对象相对应的矩形区域；获取图像分割网络，所述图像分割网络包括第一子网络以及第二子网络，所述第一子网络用于输出图像中目标对象，所述第二子网络用于输出图像中目标对象对应的矩形区域；根据所述训练数据集合，对所述图像分割网络进行训练，获得所述图像分割模型。5.根据权利要求4所述的异常医疗项目检测方法，其特征在于，所述根据所述训练数据集合，对所述图像分割网络进行训练，获得所述图像分割模型的步骤具体包括：
获取所述图像分割网络的损失函数，所述损失函数包括用于表征所述第一子网络的交叉熵损失以及所述第二子网络的回归损失；根据所述损失函数以及述训练数据集合，并利用反向传播算法对所述图像分割网络进行训练，直至所述图像分割网络收敛，获得所述图像分割模型。6.根据权利要求1所述的异常医疗项目检测方法，其特征在于，所述根据所述相似文档嵌入向量集判断所述当前项目费用中是否存在异常医疗项目费用的步骤，具体包括下述步骤：根据所述相似文档嵌入向量集分别计算与所述当前医疗项目相对应的相似文档平均费用以及相似文档方差费用；分别获取属于同一医疗项目的当前项目费用、相似文档平均费用以及相似文档方差费用，并比较所述当前项目费用与所述相似文档平均费用以及相似文档方差费用的和的大小；所述若所述当前项目费用中存在所述异常医疗项目费用，则输出所述异常医疗项目费用的费用异常信号的步骤，具体包括下述步骤：若所述当前项目费用大于所述相似文档平均费用以及相似文档方差费用的和，则确认当前比较的医疗项目属于所述异常医疗项目费用，并输出所述当前比较的医疗项目的费用异常信号；所述若所述当前项目费用中不存在所述异常医疗项目费用，则输出费用无误信号的步骤，具体包括下述步骤：若所述当前项目费用小于或等于所述相似文档平均费用以及相似文档方差费用的和，则确认当前比较的医疗项目不属于所述异常医疗项目费用，并输出所述当前比较的医疗项目的费用无误信号。7.一种异常医疗项目检测装置，其特征在于，包括：资料接收模块，用于接收待审核的当前就诊资料，其中，所述当前就诊资料包括n条当前医疗项目以及与所述当前医疗项目相对应的当前项目费用，n为大于或等于1的整数；向量转化模块，用于将所述当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；历史文档获取模块，用于读取数据库，在所述数据库中提取历史文档嵌入向量集；相似度计算模块，用于计算所述待审核文档嵌入向量与所述历史文档嵌入向量集中各个历史文档嵌入向量的相似度；筛选模块，用于根据所述相似度对所述历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；异常费用判断模块，用于根据所述相似文档嵌入向量集判断所述当前项目费用中是否存在异常医疗项目费用；费用异常模块，用于若所述当前项目费用中存在所述异常医疗项目费用，则输出所述异常医疗项目费用的费用异常信号；费用无误模块，用于若所述当前项目费用中不存在所述异常医疗项目费用，则输出费用无误信号。8.根据权利要求7所述的异常医疗项目检测装置，其特征在于，所述装置还包括：
历史案件获取模块，用于获取历史理赔案件；历史案件向量转化模块，用于将所述历史理赔案件输入至所述文档嵌入模型进行向量转化操作，得到所述历史文档嵌入向量集；历史文档存储模块，用于将所述历史文档嵌入向量集存储至所述数据库中。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的异常医疗项目检测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的异常医疗项目检测方法的步骤。

技术总结
本申请属于智能决策领域，涉及异常医疗项目检测方法及相关设备，该方法包括：将当前就诊资料输入至文档嵌入模型进行向量转化操作，得到待审核文档嵌入向量；计算待审核文档嵌入向量与历史文档嵌入向量集中各个历史文档嵌入向量的相似度；根据相似度对历史文档嵌入向量进行筛选操作，得到相似文档嵌入向量集；根据相似文档嵌入向量集判断当前项目费用中是否存在异常医疗项目费用；若当前项目费用中存在异常医疗项目费用，则输出异常医疗项目费用的费用异常信号。本申请利用基于自然语言模型的文档嵌入模型，进行相似案件检索，利用医疗收费项目在类似理赔案件中出现的频率和费用情况，初筛可疑不合理医疗收费，可以减少后续合理性判断的工作量。合理性判断的工作量。合理性判断的工作量。


技术研发人员：吴开源 徐啸 刘小双 郭建影
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.06.30
技术公布日：2023/10/5