基于注意力机制的疾病辅助识别方法和装置、设备及介质与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于注意力机制的疾病辅助识别方法和装置、设备及介质。


背景技术：

2.目前，在医学领域中，常常是基于医生对用户的电子健康档案中的个别医疗数据的分析来确定用户是否存在某些疾病，这一方式往往会受限于用于疾病识别的医疗数据的数据量以及医生的从业经验，往往会导致对疾病识别的准确性不高。


技术实现要素：

3.本技术实施例的主要目的在于提出一种基于注意力机制的疾病辅助识别方法和装置、设备及存储介质，旨在提高疾病识别的准确性。
4.为实现上述目的，本技术实施例的第一方面提出了一种基于注意力机制的疾病辅助识别方法，所述方法包括：
5.获取目标对象的医疗档案数据，其中，所述医疗档案数据包括所述目标对象的历史疾病数据、历史用药数据和历史手术数据；
6.对所述医疗档案数据进行编码处理，得到目标医学特征向量；
7.基于预设的第一注意力网络对所述目标医学特征向量进行相关性评分，得到第一评分数据，其中，所述第一评分数据用于表征所述目标医学特征向量与目标疾病之间的相关程度；
8.基于预设的第二注意力网络对所述目标医学特征向量进行时效性评分，得到第二评分数据，其中，所述第二评分数据用于表征所述目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度；
9.基于所述第一评分数据和所述第二评分数据对所述目标医学特征向量进行特征融合，得到综合医学特征向量；
10.基于预设函数和所述综合医学特征向量进行疾病识别，得到疾病识别数据，其中，所述疾病识别数据用于表征所述目标对象存在所述目标疾病或者表征所述目标对象不存在所述目标疾病。
11.在一些实施例，所述基于预设的第一注意力网络对所述目标医学特征向量进行相关性评分，得到第一评分数据，包括：
12.基于所述第一注意力网络对所述目标医学特征向量进行特征提取，得到第一隐藏层医学特征；
13.对所述第一隐藏层医学特征进行特征转换，得到第二隐藏层医学特征；
14.基于所述第一注意力网络的第一函数对所述第二隐藏层医学特征进行相关性评分，得到所述第一评分数据。
15.在一些实施例，所述基于预设的第二注意力网络对所述目标医学特征向量进行时
效性评分，得到第二评分数据，包括：
16.基于所述第二注意力网络对所述目标医学特征向量进行特征提取，得到第三隐藏层医学特征；
17.对所述第三隐藏层医学特征进行特征转换，得到第四隐藏层医学特征；
18.基于所述第二注意力网络的第二函数对所述第四隐藏层医学特征进行时效性评分，得到所述第二评分数据。
19.在一些实施例，所述对所述医疗档案数据进行编码处理，得到目标医学特征向量，包括：
20.对所述医疗档案数据进行独热编码，得到初步医学特征向量；
21.基于预设的转换矩阵对所述初步医学特征向量进行向量转换，得到所述目标医学特征向量。
22.在一些实施例，所述对所述医疗档案数据进行独热编码，得到初步医学特征向量，包括：
23.对所述历史疾病数据进行独热编码，得到疾病编码向量；
24.对所述历史用药数据进行独热编码，得到药方编码向量；
25.对所述历史手术数据进行独热编码，得到手术编码向量；
26.根据所述疾病编码向量、所述药方编码向量、所述手术编码向量，得到所述初步医学特征向量。
27.在一些实施例，所述基于预设函数和所述综合医学特征向量进行疾病识别，得到疾病识别数据，包括：
28.基于所述预设函数和所述综合医学特征向量进行疾病风险评分，得到风险评分数据；
29.基于所述风险评分数据和预设的风险阈值，得到所述疾病识别数据。
30.在一些实施例，所述基于所述风险评分数据和预设的风险阈值，得到所述疾病识别数据，包括：
31.比较所述风险评分数据和所述风险阈值；
32.若所述风险评分数据大于所述风险阈值，则将所述疾病识别数据确定为所述目标对象存在所述目标疾病；
33.若所述风险评分数据小于或者等于所述风险阈值，则将所述疾病识别数据确定为所述目标对象不存在所述目标疾病。
34.为实现上述目的，本技术实施例的第二方面提出了一种基于注意力机制的疾病辅助识别装置，所述装置包括：
35.数据获取模块，用于获取目标对象的医疗档案数据，其中，所述医疗档案数据包括所述目标对象的历史疾病数据、历史用药数据和历史手术数据；
36.数据编码模块，用于对所述医疗档案数据进行编码处理，得到目标医学特征向量；
37.相关性评分模块，用于基于预设的第一注意力网络对所述目标医学特征向量进行相关性评分，得到第一评分数据，其中，所述第一评分数据用于表征所述目标医学特征向量与目标疾病之间的相关程度；
38.时效性评分模块，用于基于预设的第二注意力网络对所述目标医学特征向量进行
时效性评分，得到第二评分数据，其中，所述第二评分数据用于表征所述目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度；
39.特征融合模块，用于基于所述第一评分数据和所述第二评分数据对所述目标医学特征向量进行特征融合，得到综合医学特征向量；
40.疾病识别模块，用于基于预设函数和所述综合医学特征向量进行疾病识别，得到疾病识别数据，其中，所述疾病识别数据用于表征所述目标对象存在所述目标疾病或者表征所述目标对象不存在所述目标疾病。
41.为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
42.为实现上述目的，本技术实施例的第四方面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上述第一方面所述的方法。
43.本技术提出的基于注意力机制的疾病辅助识别方法和装置、电子设备及存储介质，其通过获取目标对象的医疗档案数据，其中，医疗档案数据包括目标对象的历史疾病数据、历史用药数据和历史手术数据；对医疗档案数据进行编码处理，得到目标医学特征向量；基于预设的第一注意力网络对目标医学特征向量进行相关性评分，得到第一评分数据，其中，第一评分数据用于表征目标医学特征向量与目标疾病之间的相关程度，这一方式能够较为方便地确定出每个医疗档案数据与目标疾病之间的相关程度，使得能够选取与目标疾病之间的相关程度更高的医疗档案数据进行疾病识别。同时，基于预设的第二注意力网络对目标医学特征向量进行时效性评分，得到第二评分数据，其中，第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度，这一方式能够较为方便地确定每个医疗档案数据的新旧程度，使得能够选取最新产生的医疗档案数据进行疾病识别。最后，基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合，得到综合医学特征向量；基于预设函数和综合医学特征向量进行疾病识别，得到疾病识别数据，其中，疾病识别数据用于表征目标对象存在目标疾病或者表征目标对象不存在目标疾病，这一方式采用第一注意力网络来计算每个医疗档案数据与目标疾病的相关程度，采用第二注意力网络来计算每个医疗档案数据的产生时间与当前时间的接近程度，基于双重注意力机制来评估每个医疗档案数据，有助于确定每个医疗档案数据对疾病识别的重要程度，能够提高疾病识别的准确性和合理性。
附图说明
44.图1是本技术实施例提供的基于注意力机制的疾病辅助识别方法的流程图；
45.图2是图1中的步骤s102的流程图；
46.图3是图2中的步骤s201的流程图；
47.图4是图1中的步骤s103的流程图；
48.图5是图1中的步骤s104的流程图；
49.图6是图1中的步骤s106的流程图；
50.图7是图6中的步骤s602的流程图；
51.图8是本技术实施例提供的基于注意力机制的疾病辅助识别装置的结构示意图；
52.图9是本技术实施例提供的电子设备的硬件结构示意图。
具体实施方式
53.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
54.需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
55.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。本文中所使用的术语只是为了描述本技术实施例的目的，不是旨在限制本技术。
56.首先，对本技术中涉及的若干名词进行解析：
57.人工智能(artificial intelligence，ai)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
58.自然语言处理(natural language processing，nlp)：nlp用计算机来处理、理解以及运用人类语言(如中文、英文等)，nlp属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域，它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
59.信息抽取(information extraction，ner)：从自然语言文本中抽取指定类型的实体、关系、事件等事实信息，并形成结构化数据输出的文本处理技术。信息抽取是从文本数据中抽取特定信息的一种技术。文本数据是由一些具体的单位构成的，例如句子、段落、篇章，文本信息正是由一些小的具体的单位构成的，例如字、词、词组、句子、段落或是这些具体的单位的组合。抽取文本数据中的名词短语、人名、地名等都是文本信息抽取，当然，文本信息抽取技术所抽取的信息可以是各种类型的信息。
60.目前，在医学领域中，常常是基于医生对用户的电子健康档案中的个别医疗数据的分析来确定用户是否存在某些疾病，这一方式往往会受限于用于疾病识别的医疗数据的数据量以及医生的从业经验，往往会导致对疾病识别的准确性不高。
61.基于此，本技术实施例提供了一种基于注意力机制的疾病辅助识别方法、基于注
意力机制的疾病辅助识别装置、电子设备及存储介质，旨在提高疾病识别的准确性。
62.本技术实施例提供的基于注意力机制的疾病辅助识别方法和装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本技术实施例中的基于注意力机制的疾病辅助识别方法。
63.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。
64.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。
65.本技术实施例提供的基于注意力机制的疾病辅助识别方法，涉及人工智能技术领域。本技术实施例提供的基于注意力机制的疾病辅助识别方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、医疗云、中间件服务、域名服务、安全服务、cdn以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现基于注意力机制的疾病辅助识别方法的应用等，但并不局限于以上形式。
66.医疗云(medical cloud)，是指在云计算、移动技术、多媒体、4g通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
67.需要说明的是，在本技术的各个具体实施方式中，当涉及到需要根据用户信息、用户行为数据，用户历史数据以及用户位置信息等与用户身份或特性相关的数据进行相关处理时，都会先获得用户的许可或者同意，而且，对这些数据的收集、使用和处理等，都会遵守相关法律法规和标准。此外，当本技术实施例需要获取用户的敏感个人信息时，会通过弹窗或者跳转到确认页面等方式获得用户的单独许可或者单独同意，在明确获得用户的单独许可或者单独同意之后，再获取用于使本技术实施例能够正常运行的必要的用户相关数据。
68.本技术可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
69.图1是本技术实施例提供的基于注意力机制的疾病辅助识别方法的一个可选的流程图，图1中的方法可以包括但不限于包括步骤s101至步骤s106。
70.步骤s101，获取目标对象的医疗档案数据，其中，医疗档案数据包括目标对象的历史疾病数据、历史用药数据和历史手术数据；
71.步骤s102，对医疗档案数据进行编码处理，得到目标医学特征向量；
72.步骤s103，基于预设的第一注意力网络对目标医学特征向量进行相关性评分，得到第一评分数据，其中，第一评分数据用于表征目标医学特征向量与目标疾病之间的相关程度；
73.步骤s104，基于预设的第二注意力网络对目标医学特征向量进行时效性评分，得到第二评分数据，其中，第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度；
74.步骤s105，基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合，得到综合医学特征向量；
75.步骤s106，基于预设函数和综合医学特征向量进行疾病识别，得到疾病识别数据，其中，疾病识别数据用于表征目标对象存在目标疾病或者表征目标对象不存在目标疾病。
76.本技术实施例所示意的步骤s101至步骤s106，通过获取目标对象的医疗档案数据，其中，医疗档案数据包括目标对象的历史疾病数据、历史用药数据和历史手术数据；对医疗档案数据进行编码处理，得到目标医学特征向量；基于预设的第一注意力网络对目标医学特征向量进行相关性评分，得到第一评分数据，其中，第一评分数据用于表征目标医学特征向量与目标疾病之间的相关程度，这一方式能够较为方便地确定出每个医疗档案数据与目标疾病之间的相关程度，使得能够选取与目标疾病之间的相关程度更高的医疗档案数据进行疾病识别。同时，基于预设的第二注意力网络对目标医学特征向量进行时效性评分，得到第二评分数据，其中，第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度，这一方式能够较为方便地确定每个医疗档案数据的新旧程度，使得能够选取最新产生的医疗档案数据进行疾病识别。最后，基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合，得到综合医学特征向量；基于预设函数和综合医学特征向量进行疾病识别，得到疾病识别数据，其中，疾病识别数据用于表征目标对象存在目标疾病或者表征目标对象不存在目标疾病，这一方式采用第一注意力网络来计算每个医疗档案数据与目标疾病的相关程度，采用第二注意力网络来计算每个医疗档案数据的产生时间与当前时间的接近程度，基于双重注意力机制来评估每个医疗档案数据，有助于确定每个医疗档案数据对疾病识别的重要程度，能够提高疾病识别的准确性和合理性。
77.需要说明的是，本技术实施例中的目标疾病可以是各种类型的疾病，例如，目标疾病可以是高血压、糖尿病、心血管疾病等等，不做限制。
78.在一些实施例的步骤s101中，可以通过网络爬虫对预设数据源进行数据爬取，得到目标对象的医疗档案数据，其中，预设数据源可以是医疗云平台或者医疗数据库等等，目标对象可以是普通患者、医学病例等等，不做限制。医疗档案数据可以是目标对象的医学会诊记录，该医疗档案数据包括目标对象的历史疾病数据、历史用药数据和历史手术数据等等，历史疾病数据包含在某次医学会诊中对目标对象所存在的疾病描述信息，历史用药数
据包含在某次医学会诊中对目标对象的药品使用信息，历史手术数据包含在某次医学会诊中对目标对象的手术描述信息。
79.在一种可能的实现方式中，上述医疗档案数据是自然语言文本，医疗档案数据可以是医疗电子记录(electronic healthcare record)，电子化的个人健康记录，包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录。
80.请参阅图2，在一些实施例中，步骤s102可以包括但不限于包括步骤s201至步骤s202：
81.步骤s201，对医疗档案数据进行独热编码，得到初步医学特征向量；
82.步骤s202，基于预设的转换矩阵对初步医学特征向量进行向量转换，得到目标医学特征向量。
83.在一些实施例的步骤s201中，独热编码即one-hot编码，又称一位有效编码。其方法是使用n位状态寄存器来对n个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。通过独热编码可以将医疗档案数据的长度表示为向量形式，得到多个初步医学特征向量。由于医学档案数据中包含多种类型的医疗数据，因此，需要对不同类型的医疗数据分别进行独热编码，得到每个类型的医疗数据对应的向量表示。例如，医学档案数据包含目标对象的历史疾病数据、历史用药数据和历史手术数据这三种不同类型的数据，因此，需要分别对历史疾病数据、历史用药数据和历史手术数据进行独热编码，分别得到历史疾病数据对应的疾病编码向量、历史用药数据对应的药方编码向量、历史手术数据对应的手术编码向量。最后，将所有类型的医疗数据的向量表示进行整合，得到每次医疗会诊对应的初步医学特征向量。
84.在一些实施例的步骤s202中，由于基于独热编码的疾病编码向量、药方编码向量、手术编码向量以及初步医学特征向量均是基于独热编码的稀疏向量，而稀疏向量的数据结构是map形式，不利于实现本技术实施例的疾病识别，因此，需要将稀疏向量转换为稠密向量，稠密向量的数据结构为数组形式，更适合于本技术实施例的疾病辅助识别方法。基于此，可以根据实际的业务需求设置一个转换矩阵，再利用转换矩阵对初步医学特征向量进行向量转换，将转换矩阵和初步医学特征向量进行向量相乘，得到目标医学特征向量，其中，第i个医学会诊的目标医学特征向量vi可以表示为
85.vi＝w
emb
xi86.其中，w
emb
为预设的转换矩阵，xi为第i次医学会诊对应的初步医学特征向量。
87.上述步骤s201至步骤s202能够利用独热编码的方式获取医疗档案数据对应的稀疏向量表示，并利用预设的转换矩阵将稀疏向量表示转换为稠密向量表示，得到每个医疗档案数据对应的目标医学特征向量，提高了特征向量的信息质量和特征质量，更能提高疾病识别的准确性。
88.请参阅图3，在一些实施例中，步骤s201可以包括但不限于包括步骤s301至步骤s304：
89.步骤s301，对历史疾病数据进行独热编码，得到疾病编码向量；
90.步骤s302，对历史用药数据进行独热编码，得到药方编码向量；
91.步骤s303，对历史手术数据进行独热编码，得到手术编码向量；
92.步骤s304，根据疾病编码向量、药方编码向量、手术编码向量，得到初步医学特征
向量。
93.在一些实施例的步骤s301中，对历史疾病数据进行独热编码，将历史疾病数据对应的字符串进行数值化，将历史疾病数据中的疾病描述信息存储至一个二维矩阵，得到疾病编码向量。例如，假设某个历史疾病数据由3个文本词段组成，获得这3个文本词段的index位置。利用独热编码对每一文本词段使用长度为v的向量表示，这个v是预设的目标词库模型中与文本词段对应的字典词的个数。利用向量把历史疾病数据中出现了文本词段的index位置标记为1，其他都为0，假设历史疾病数据中的某个句子由3个文本词段组成，那么这个向量里就有3个1，这个1的位置可以和文本词段的index位置对应。
94.在一些实施例的步骤s302中，对历史用药数据进行独热编码，将历史用药数据对应的字符串进行数值化，将历史用药数据中的药品描述信息存储至一个二维矩阵，得到药方编码向量。
95.在一些实施例的步骤s303中，对历史手术数据进行独热编码，将历史手术数据对应的字符串进行数值化，将历史手术数据中的手术描述信息存储至一个二维矩阵，得到手术编码向量。
96.在一些实施例的步骤s304中，对目标对象的每次医学会诊中的疾病信息、用药信息以及手术信息进行信息整合，即将属于同一个医学会诊记录的疾病编码向量、药方编码向量、手术编码向量进行整合，得到每次医学会诊对应的初步医学特征向量，其中，第i次医学会诊对应的初步医学特征向量xi可以表示为
97.xi＝[di，mi，si]
[0098]
其中，di表示第i次医学会诊中的疾病编码向量，mi表示第i次医学会诊中的药方编码向量，si表示第i次医学会诊中的手术编码向量。
[0099]
上述步骤s301至步骤s304能够利用独热编码的方式获取医疗档案数据对应的稀疏向量表示，能够较为方便地将医疗档案数据转换为向量形式，提高了疾病识别的便利性。
[0100]
请参阅图4，在一些实施例中，步骤s103可以包括但不限于包括步骤s401至步骤s403：
[0101]
步骤s401，基于第一注意力网络对目标医学特征向量进行特征提取，得到第一隐藏层医学特征；
[0102]
步骤s402，对第一隐藏层医学特征进行特征转换，得到第二隐藏层医学特征；
[0103]
步骤s403，基于第一注意力网络的第一函数对第二隐藏层医学特征进行相关性评分，得到第一评分数据。
[0104]
在一些实施例的步骤s401中，第一注意力网络可以是基于注意力机制的循环神经网络(recurrent neural network，rnn)，利用第一注意力网络对目标医学特征向量进行特征提取，提取目标医学特征向量中的会诊描述信息，包括疾病描述信息、用药描述信息以及手术描述信息等，得到第一隐藏层医学特征，其中，基于第一注意力网络对目标医学特征向量进行特征提取，得到第一隐藏层医学特征的过程可以表示如公式(1)所示：
[0105]gi
，g
i-1
，...，g1＝rnn
α
(vi，v
i-1
，...，v1)公式(1)
[0106]
其中，gi是第i个第一隐藏层医学特征，rnn
α
(vi，v
i-1
，...，v1)是利用第一注意力网络对每个目标医学特征向量vi进行特征提取的运算过程。
[0107]
在一些实施例的步骤s402中，在对第一隐藏层医学特征进行特征转换，得到第二
隐藏层医学特征时，可以利用预设的转换参数来对第一隐藏层医学特征进行特征转换，该过程可以表示如公式(2)所示：
[0108][0109]
其中，ei是第i个第二隐藏层医学特征，第二隐藏层医学特征能够表征每次医疗会诊的主要会诊内容，b
α
是预设的转换参数，可以根据实际业务需求设置，不做限制。
[0110]
在一些实施例的步骤s403中，第一函数可以是softmax函数，利用第一注意力网络的第一函数能够计算出每次医疗会诊的会诊内容与目标疾病之间的相关程度，在基于第一注意力网络的第一函数对第二隐藏层医学特征进行相关性评分，得到第一评分数据时，具体的评分过程可以表示如公式(3)所示。
[0111]
α1，α2，..，αi＝softmax(e1，e2，..，ei)公式(3)
[0112]
其中，αi是第i个医疗档案数据对应的第一评分数据，该第一评分数据用于表征目标医学特征向量与目标疾病之间的相关程度，soffmax(e1，e2，..，ei)，是利用第一函数对每个第二隐藏层医学特征ei进行相关性评分的运算过程。
[0113]
上述步骤s401至步骤s303能够较为方便地利用第一注意力网络提取目标医学特征向量中的特征内容信息，并利用第一函数来计算目标医学特征向量与目标疾病之间的相关程度，能够基于第一评分数据确定出一系列的医疗会诊中与目标疾病更为相关的部分医疗会诊，使得能够将与目标疾病相关程度更高的医疗档案数据用于疾病识别，能够提高疾病识别的准确性和合理性。
[0114]
请参阅图5，在一些实施例中，步骤s104可以包括但不限于包括步骤s501至步骤s503：
[0115]
步骤s501，基于第二注意力网络对目标医学特征向量进行特征提取，得到第三隐藏层医学特征；
[0116]
步骤s502，对第三隐藏层医学特征进行特征转换，得到第四隐藏层医学特征；
[0117]
步骤s503，基于第二注意力网络的第二函数对第四隐藏层医学特征进行时效性评分，得到第二评分数据。
[0118]
在一些实施例的步骤s501中，第二注意力网络可以是基于注意力机制的循环神经网络(recurrent neural network，rnn)，利用第二注意力网络对目标医学特征向量进行特征提取，提取目标医学特征向量中的会诊描述信息，包括疾病描述信息、用药描述信息以及手术描述信息等，得到第三隐藏层医学特征，其中，基于第二注意力网络对目标医学特征向量进行特征提取，得到第三隐藏层医学特征的过程可以表示如公式(4)所示：
[0119]hi
，h
i-1
，...，h1＝rnn
β
(vi，v
i-1
，...，v1)公式(4)
[0120]
其中，hi是第i个第三隐藏层医学特征，rnn
β
(vi，v
i-1
，...，v1)是利用第二注意力网络对每个目标医学特征向量vi进行特征提取的运算过程。
[0121]
在一些实施例的步骤s502中，在对第三隐藏层医学特征进行特征转换，得到第四隐藏层医学特征时，可以利用预设的转换参数来对第三隐藏层医学特征进行特征转换，该过程可以表示如公式(5)所示：
[0122][0123]
其中，fi是第i个第四隐藏层医学特征，第四隐藏层医学特征能够表征每次医疗会
诊的主要会诊内容，b
β
是预设的转换参数，可以根据实际业务需求设置，不做限制。
[0124]
在一些实施例的步骤s503中，第二函数可以是tanh函数，利用第二注意力网络的第二函数能够计算出每次目标医学特征向量对应的医疗会诊的会诊时间与当前时间之间的接近程度，在基于第二注意力网络的第二函数对第四隐藏层医学特征进行时效性评分，得到第二评分数据时，具体的评分过程可以表示如公式(6)所示。
[0125][0126]
其中，βi是第i个医疗档案数据对应的第二评分数据，该第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度，是利用第二函数对每个第四隐藏层医学特征fi进行时效性评分的运算过程。
[0127]
上述步骤s501至步骤s503能够较为方便地利用第二注意力网络提取目标医学特征向量中的特征内容信息，并利用第二函数来计算目标医学特征向量对应的医疗会诊的会诊时间与当前时间之间的接近程度，能够基于第二评分数据确定出一系列的医疗会诊中与最新产生的部分医疗会诊，使得能够将最新产生的医疗档案数据用于疾病识别，能够提高疾病识别的准确性和合理性。
[0128]
在一些实施例的步骤s105中，在基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合时，针对每个目标医学特征向量，利用计算公式以及该目标医学特征向量的第一评分数据和第二评分数据，对该目标医学特征向量进行加权运算，得到加权医学特征向量，并对所有的加权医学特征向量进行向量相加，得到综合医学特征向量。其中，基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合得到综合医学特征向量c的过程可以表示如公式(7)所示：
[0129][0130]
其中，αi是第i次医疗会诊的医疗档案数据的第一评分数据，βi是第i次医疗会诊的医疗档案数据的第二评分数据，vi是第i次医疗会诊的医疗档案数据的目标医学特征向量，
⊙
表示将目标医学特征向量与第一评分数据、第二评分数据的乘积进行点乘运算，n是目标对象的医疗档案数据的总个数。
[0131]
上述步骤s105能够基于每个医疗会诊的医疗档案数据与目标疾病的相关程度(即第一评分数据)以及该医疗会诊的医疗档案数据的时效程度(即第二评分数据)来确定每个医疗档案数据在疾病识别中的重要程度，并对每个医疗档案数据赋予不同的权重，使得能够将不同重要程度的医疗档案数据进行信息融合，得到包含综合医疗信息的综合医学特征向量，使得能够利用综合医学特征向量进行疾病识别，能够提高疾病识别的准确性。
[0132]
请参阅图6，在一些实施例，步骤s106包括但不限于包括步骤s601至步骤s602：
[0133]
步骤s601，基于预设函数和综合医学特征向量进行疾病风险评分，得到风险评分数据；
[0134]
步骤s602，基于风险评分数据和预设的风险阈值，得到疾病识别数据。
[0135]
在一些实施例的步骤s601中，预设函数可以是softmax函数等等。在基于预设函数
和综合医学特征向量进行疾病风险评分时，将综合医学特征向量输入至预设函数，将综合医学特征向量作为预设函数的自变量，基于预设函数计算出该目标对象的风险评分数据，该风险评分数据用于表征目标对象存在目标疾病的风险程度。其中，基于预设函数和综合医学特征向量进行疾病风险评分，得到风险评分数据的过程可以表示如公式(8)所示：
[0136]
y＝softmax(wc+b)公式(8)
[0137]
其中，y表示风险评分数据，w和b均为预设参数，根据实际业务需求设置，c为综合医学特征向量。
[0138]
在一些实施例的步骤s602中，预设的风险阈值可以根据实际业务需求设置，不做限制。例如，预设的风险阈值为0.5。由于风险评分数据能够反映目标对象存在目标疾病的风险程度，风险评分数据的数值越大，则目标对象存在目标疾病的概率越大。因此，可以比较风险评分数据和风险阈值的大小关系，根据大小关系来确定目标对象是否存在目标疾病。
[0139]
上述步骤s601至步骤s602能够较为方便地利用预设函数计算出目标对象存在目标疾病的风险程度，得到风险评分数据，并且利用阈值比较的方式和风险评分数据来识别目标对象是否存在目标疾病，能够提高疾病识别准确性。
[0140]
请参阅图7，在一些实施例中，步骤s602可以包括但不限于包括步骤s701至步骤s703：
[0141]
步骤s701，比较风险评分数据和风险阈值；
[0142]
步骤s702，若风险评分数据大于风险阈值，则将疾病识别数据确定为目标对象存在目标疾病；
[0143]
步骤s703，若风险评分数据小于或者等于风险阈值，则将疾病识别数据确定为目标对象不存在目标疾病。
[0144]
在一些实施例的步骤s701中，由于风险评分数据能够反映目标对象存在目标疾病的风险程度，风险评分数据的数值越大，则目标对象存在目标疾病的概率越大。因此，可以比较风险评分数据和风险阈值的大小关系，根据大小关系来确定目标对象是否存在目标疾病。
[0145]
在一些实施例的步骤s702中，若风险评分数据大于风险阈值，则表明目标对象存在目标疾病的可能性越高，将疾病识别数据确定为目标对象存在目标疾病。
[0146]
在一些实施例的步骤s703中，若风险评分数据小于或者等于风险阈值，则表明目标对象存在目标疾病的可能性越低，将疾病识别数据确定为目标对象不存在目标疾病。
[0147]
上述步骤s701至步骤s703能够较为方便地利用阈值比较的方式确定目标对象是否存在目标疾病，能够实现对目标对象的疾病识别，提高了疾病识别的准确性。
[0148]
本技术实施例的基于注意力机制的疾病辅助识别方法，其通过获取目标对象的医疗档案数据，其中，医疗档案数据包括目标对象的历史疾病数据、历史用药数据和历史手术数据；对医疗档案数据进行编码处理，得到目标医学特征向量；基于预设的第一注意力网络对目标医学特征向量进行相关性评分，得到第一评分数据，其中，第一评分数据用于表征目标医学特征向量与目标疾病之间的相关程度，这一方式能够较为方便地确定出每个医疗档案数据与目标疾病之间的相关程度，使得能够选取与目标疾病之间的相关程度更高的医疗档案数据进行疾病识别。同时，基于预设的第二注意力网络对目标医学特征向量进行时效
性评分，得到第二评分数据，其中，第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度，这一方式能够较为方便地确定每个医疗档案数据的新旧程度，使得能够选取最新产生的医疗档案数据进行疾病识别。最后，基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合，得到综合医学特征向量；基于预设函数和综合医学特征向量进行疾病识别，得到疾病识别数据，其中，疾病识别数据用于表征目标对象存在目标疾病或者表征目标对象不存在目标疾病，这一方式采用第一注意力网络来计算每个医疗档案数据与目标疾病的相关程度，采用第二注意力网络来计算每个医疗档案数据的产生时间与当前时间的接近程度，基于双重注意力机制来评估每个医疗档案数据，有助于确定每个医疗档案数据对疾病识别的重要程度，能够提高疾病识别的准确性和合理性。
[0149]
请参阅图8，本技术实施例还提供一种基于注意力机制的疾病辅助识别装置，可以实现上述基于注意力机制的疾病辅助识别方法，该装置包括：
[0150]
数据获取模块801，用于获取目标对象的医疗档案数据，其中，医疗档案数据包括目标对象的历史疾病数据、历史用药数据和历史手术数据；
[0151]
数据编码模块802，用于对医疗档案数据进行编码处理，得到目标医学特征向量；
[0152]
相关性评分模块803，用于基于预设的第一注意力网络对目标医学特征向量进行相关性评分，得到第一评分数据，其中，第一评分数据用于表征目标医学特征向量与目标疾病之间的相关程度；
[0153]
时效性评分模块804，用于基于预设的第二注意力网络对目标医学特征向量进行时效性评分，得到第二评分数据，其中，第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度；
[0154]
特征融合模块805，用于基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合，得到综合医学特征向量；
[0155]
疾病识别模块806，用于基于预设函数和综合医学特征向量进行疾病识别，得到疾病识别数据，其中，疾病识别数据用于表征目标对象存在目标疾病或者表征目标对象不存在目标疾病。
[0156]
该基于注意力机制的疾病辅助识别装置的具体实施方式与上述基于注意力机制的疾病辅助识别方法的具体实施例基本相同，在此不再赘述。
[0157]
本技术实施例还提供了一种电子设备，电子设备包括：存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线，程序被处理器执行时实现上述基于注意力机制的疾病辅助识别方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
[0158]
请参阅图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
[0159]
处理器901，可以采用通用的cpu(central processingunit，中央处理器)、微处理器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本技术实施例所提供的技术方案；
[0160]
存储器902，可以采用只读存储器(readonlymemory，rom)、静态存储设备、动态存储设备或者随机存取存储器(randomaccessmemory，ram)等形式实现。存储器902可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案
时，相关的程序代码保存在存储器902中，并由处理器901来调用执行本技术实施例的基于注意力机制的疾病辅助识别方法；
[0161]
输入/输出接口903，用于实现信息输入及输出；
[0162]
通信接口904，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信；
[0163]
总线905，在设备的各个组件(例如处理器901、存储器902、输入/输出接口903和通信接口904)之间传输信息；
[0164]
其中处理器901、存储器902、输入/输出接口903和通信接口904通过总线905实现彼此之间在设备内部的通信连接。
[0165]
本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现上述基于注意力机制的疾病辅助识别方法。
[0166]
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0167]
本技术实施例提供的基于注意力机制的疾病辅助识别方法、基于注意力机制的疾病辅助识别装置、电子设备及计算机可读存储介质，其通过获取目标对象的医疗档案数据，其中，医疗档案数据包括目标对象的历史疾病数据、历史用药数据和历史手术数据；对医疗档案数据进行编码处理，得到目标医学特征向量；基于预设的第一注意力网络对目标医学特征向量进行相关性评分，得到第一评分数据，其中，第一评分数据用于表征目标医学特征向量与目标疾病之间的相关程度，这一方式能够较为方便地确定出每个医疗档案数据与目标疾病之间的相关程度，使得能够选取与目标疾病之间的相关程度更高的医疗档案数据进行疾病识别。同时，基于预设的第二注意力网络对目标医学特征向量进行时效性评分，得到第二评分数据，其中，第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度，这一方式能够较为方便地确定每个医疗档案数据的新旧程度，使得能够选取最新产生的医疗档案数据进行疾病识别。最后，基于第一评分数据和第二评分数据对目标医学特征向量进行特征融合，得到综合医学特征向量；基于预设函数和综合医学特征向量进行疾病识别，得到疾病识别数据，其中，疾病识别数据用于表征目标对象存在目标疾病或者表征目标对象不存在目标疾病，这一方式采用第一注意力网络来计算每个医疗档案数据与目标疾病的相关程度，采用第二注意力网络来计算每个医疗档案数据的产生时间与当前时间的接近程度，基于双重注意力机制来评估每个医疗档案数据，有助于确定每个医疗档案数据对疾病识别的重要程度，能够提高疾病识别的准确性和合理性。
[0168]
本技术实施例描述的实施例是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
[0169]
本领域技术人员可以理解的是，图1-7中示出的技术方案并不构成对本技术实施
例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
[0170]
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0171]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
[0172]
本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0173]
应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
[0174]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0175]
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0176]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0177]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例的方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，简称rom)、随
机存取存储器(random access memory，简称ram)、磁碟或者光盘等各种可以存储程序的介质。
[0178]
以上参照附图说明了本技术实施例的优选实施例，并非因此局限本技术实施例的权利范围。本领域技术人员不脱离本技术实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本技术实施例的权利范围之内。

技术特征：
1.一种基于注意力机制的疾病辅助识别方法，其特征在于，所述方法包括：获取目标对象的医疗档案数据，其中，所述医疗档案数据包括所述目标对象的历史疾病数据、历史用药数据和历史手术数据；对所述医疗档案数据进行编码处理，得到目标医学特征向量；基于预设的第一注意力网络对所述目标医学特征向量进行相关性评分，得到第一评分数据，其中，所述第一评分数据用于表征所述目标医学特征向量与目标疾病之间的相关程度；基于预设的第二注意力网络对所述目标医学特征向量进行时效性评分，得到第二评分数据，其中，所述第二评分数据用于表征所述目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度；基于所述第一评分数据和所述第二评分数据对所述目标医学特征向量进行特征融合，得到综合医学特征向量；基于预设函数和所述综合医学特征向量进行疾病识别，得到疾病识别数据，其中，所述疾病识别数据用于表征所述目标对象存在所述目标疾病或者表征所述目标对象不存在所述目标疾病。2.根据权利要求1所述的基于注意力机制的疾病辅助识别方法，其特征在于，所述基于预设的第一注意力网络对所述目标医学特征向量进行相关性评分，得到第一评分数据，包括：基于所述第一注意力网络对所述目标医学特征向量进行特征提取，得到第一隐藏层医学特征；对所述第一隐藏层医学特征进行特征转换，得到第二隐藏层医学特征；基于所述第一注意力网络的第一函数对所述第二隐藏层医学特征进行相关性评分，得到所述第一评分数据。3.根据权利要求1所述的基于注意力机制的疾病辅助识别方法，其特征在于，所述基于预设的第二注意力网络对所述目标医学特征向量进行时效性评分，得到第二评分数据，包括：基于所述第二注意力网络对所述目标医学特征向量进行特征提取，得到第三隐藏层医学特征；对所述第三隐藏层医学特征进行特征转换，得到第四隐藏层医学特征；基于所述第二注意力网络的第二函数对所述第四隐藏层医学特征进行时效性评分，得到所述第二评分数据。4.根据权利要求1所述的基于注意力机制的疾病辅助识别方法，其特征在于，所述对所述医疗档案数据进行编码处理，得到目标医学特征向量，包括：对所述医疗档案数据进行独热编码，得到初步医学特征向量；基于预设的转换矩阵对所述初步医学特征向量进行向量转换，得到所述目标医学特征向量。5.根据权利要求4所述的基于注意力机制的疾病辅助识别方法，其特征在于，所述对所述医疗档案数据进行独热编码，得到初步医学特征向量，包括：对所述历史疾病数据进行独热编码，得到疾病编码向量；
对所述历史用药数据进行独热编码，得到药方编码向量；对所述历史手术数据进行独热编码，得到手术编码向量；根据所述疾病编码向量、所述药方编码向量、所述手术编码向量，得到所述初步医学特征向量。6.根据权利要求1至5任一项所述的基于注意力机制的疾病辅助识别方法，其特征在于，所述基于预设函数和所述综合医学特征向量进行疾病识别，得到疾病识别数据，包括：基于所述预设函数和所述综合医学特征向量进行疾病风险评分，得到风险评分数据；基于所述风险评分数据和预设的风险阈值，得到所述疾病识别数据。7.根据权利要求6所述的基于注意力机制的疾病辅助识别方法，其特征在于，所述基于所述风险评分数据和预设的风险阈值，得到所述疾病识别数据，包括：比较所述风险评分数据和所述风险阈值；若所述风险评分数据大于所述风险阈值，则将所述疾病识别数据确定为所述目标对象存在所述目标疾病；若所述风险评分数据小于或者等于所述风险阈值，则将所述疾病识别数据确定为所述目标对象不存在所述目标疾病。8.一种基于注意力机制的疾病辅助识别装置，其特征在于，所述装置包括：数据获取模块，用于获取目标对象的医疗档案数据，其中，所述医疗档案数据包括所述目标对象的历史疾病数据、历史用药数据和历史手术数据；数据编码模块，用于对所述医疗档案数据进行编码处理，得到目标医学特征向量；相关性评分模块，用于基于预设的第一注意力网络对所述目标医学特征向量进行相关性评分，得到第一评分数据，其中，所述第一评分数据用于表征所述目标医学特征向量与目标疾病之间的相关程度；时效性评分模块，用于基于预设的第二注意力网络对所述目标医学特征向量进行时效性评分，得到第二评分数据，其中，所述第二评分数据用于表征所述目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度；特征融合模块，用于基于所述第一评分数据和所述第二评分数据对所述目标医学特征向量进行特征融合，得到综合医学特征向量；疾病识别模块，用于基于预设函数和所述综合医学特征向量进行疾病识别，得到疾病识别数据，其中，所述疾病识别数据用于表征所述目标对象存在所述目标疾病或者表征所述目标对象不存在所述目标疾病。9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的基于注意力机制的疾病辅助识别方法。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权利要求1至7中任一项所述的基于注意力机制的疾病辅助识别方法。

技术总结
本申请提供了一种基于注意力机制的疾病辅助识别方法和装置、设备及介质，属于人工智能技术领域。方法包括：获取目标对象的医疗档案数据；对医疗档案数据进行编码，得到目标医学特征向量；基于第一注意力网络对目标医学特征向量进行相关性评分，得到第一评分数据，第一评分数据用于表征目标医学特征向量与目标疾病的相关程度；基于第二注意力网络对目标医学特征向量进行时效性评分，得到第二评分数据，第二评分数据用于表征目标医学特征向量对应的医疗档案数据的产生时间与当前时间的接近程度；基于第一评分数据和第二评分数据进行特征融合，得到综合医学特征向量；基于综合医学特征向量得到疾病识别数据。本申请能够提高疾病识别的准确性。疾病识别的准确性。疾病识别的准确性。


技术研发人员：瞿晓阳 王健宗 曾尘杰
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2023.05.06
技术公布日：2023/7/25