一种基于不确定性驱动的问诊方法及系统
本发明涉及医疗信息数据处理,尤其涉及一种基于不确定性驱动的问诊方法及系统。
背景技术:
1、在医疗智能诊断系统中,问诊阶段的质量直接决定症状采集效率和诊断准确性。理想的问诊问题应具备鉴别指向性,患者的选择直接提供指向特定疾病方向的鉴别证据,从而在有限的问诊轮次内最大化信息增益。从信息论的角度,多轮问诊的本质是一个不确定性消减过程:初始时系统对患者疾病的判断存在高度不确定性(多个候选疾病得分接近),每轮问诊通过采集新的症状信息降低这一不确定性。因此,问诊问题生成的核心目标是:在每轮选择能够最大程度降低疾病分布不确定性的问题。
2、现有方案在问诊问题生成方面存在以下技术不足:
3、第一种是单个大模型或智能体驱动方案,模型基于参数中的隐式知识自由生成问题文本和选项内容,问题选项与候选疾病之间缺乏显式的数据关联。这导致几个问题:(1)存在幻觉风险;(2)缺乏对疾病分布不确定性的显式量化,无法衡量每个候选问题对不确定性的消减效果,多轮问诊中可能重复探索已知维度。 (3)训练数据构造成本非常高。
4、第二种是检索增强生成(rag)方案,将检索片段作为上下文提供给大模型生成问诊问题。该类方法能够在一定程度上缓解纯参数化知识带来的幻觉风险,但检索召回与重排通常以文本相关性为目标,难以保证每轮问题对不确定性具有最大消减作用。
5、第三种是基于信息增益的问题选择方案,但未能能体现不同症状在鉴别诊断中的证据强度与贡献差异,也未充分整合阳性症状、否定症状、缺失症状等全部临床证据;同时,其知识基础往往要么缺乏外部医学知识约束,要么依赖静态、浅层的知识图谱,难以动态适配复杂真实临床场景;此外,这类方法普遍未将个体化人群特征纳入诊断先验,导致推理过程缺乏分层诊疗和个体化判断能力,因此在证据利用完整性、信息增益估计精准性、知识约束可靠性以及个体化推理能力方面均存在明显局限。
技术实现思路
1、本发明的目的在于克服现有技术中存在的技术问题,包括:1.如何量化多轮问诊过程中候选疾病分布的不确定性,并利用不确定性度量指导问诊阶段切换、候选范围动态调整和问诊终止判断,使问诊问题的生成方向始终朝着不确定性消减的方向演进;2.如何基于疾病知识构造问诊约束空间,使每个问题或选项与候选疾病之间建立显式的数据关联,将语言模型的问题生成过程从自由发挥转变为在约束空间内的定向问诊问题生成;3.如何对候选疾病的临床表现数据执行多级过滤处理,使每轮问诊问题聚焦于尚未探索的、对不确定性消减贡献最大的鉴别维度。提供了一种基于不确定性驱动的智能问诊方法及系统。
2、本发明的目的是通过以下技术方案来实现的:
3、本发明的第一方面,提供一种基于不确定性驱动的问诊方法,包括以下步骤:
4、s1.持续记录患者已确认的症状和已否定的症状,分别维护已确认症状集合和已否定症状集合;
5、s2.在当前问诊中,基于已确认的症状在疾病知识库中执行语义检索获取候选疾病;
6、s3.基于已确认症状集合和已否定症状集合双向计算所述候选疾病的置信度;
7、s4.将所述置信度归一化为概率分布并计算信息熵,以信息熵量化候选疾病分布的不确定性;并在top-k候选疾病分布下计算期望覆盖率和期望剩余待探索症状量,作为覆盖导向指标;
8、s5.当不确定性高于预设阈值或覆盖导向指标低于预设阈值时,进入广度探索阶段:
9、基于候选疾病构建约束空间:明确问诊问题与候选疾病之间的关联关系,并对每个候选疾病的临床表现执行层级过滤以缩小各候选疾病的候选症状范围;
10、基于确定的候选症状范围,在所述约束空间内生成问诊问题;
11、当不确定性低于预设阈值且覆盖导向指标达到预设阈值后,进入深度探索阶段:
12、基于已确认症状集合执行症状矛盾检测和深层状态评估,生成澄清问题或病情评估问题;
13、s6.根据患者对步骤s5中问题的回答,更新已确认症状集合和已否定症状集合,重复步骤s2至s5直至满足问诊终止条件。
14、在一些实施例中,步骤s3具体包括:
15、对于每个候选疾病,将其临床表现拆分为多个独立症状片段,通过语义匹配判断每个独立症状片段是否被已确认症状集合或已否定症状集合中的某个症状覆盖;其中,根据已确认症状集合计算得出正向覆盖率,根据已否定症状集合计算得出反向覆盖率;
16、将所述正向覆盖率与反向覆盖率融合为最终置信度得分:
17、
18、其中,表示置信度得分,表示正向覆盖率,表示反向覆盖率,为有效否定惩罚权重,为惩罚下限因子。
19、在一些实施例中,所述信息熵通过下式计算:
20、
21、其中,表示候选疾病集合,表示当前问诊轮次的信息熵,表示候选疾病,表示当前候选疾病置信度归一化后的概率分布,k表示候选疾病的数量。
22、在一些实施例中,所述期望覆盖率通过下式计算:
23、
24、其中,为疾病基于确认症状集合的正向片段覆盖比例,是排序权重概率,k表示候选疾病的数量。
25、所述期望剩余待探索症状量通过下式计算:
26、
27、其中,是排序权重概率,表示剩余待探索症状量。
28、在一些实施例中,所述层级过滤包括文本分隔与去重、已知症状匹配过滤、患者适用性过滤、语义相似度过滤。
29、在一些实施例中,步骤s5中还包括:
30、采用双目标效用函数对候选症状进行排序:
31、
32、其中,表示确认增益,表示鉴别增益,表示确认增益的权重,表示鉴别增益的权重。
33、本发明的第二方面,提供一种基于不确定性驱动的问诊系统,包括:
34、记忆模块,用于持续记录患者已确认的症状和已否定的症状,分别维护已确认症状集合和已否定症状集合;
35、候选疾病获取模块,用于在当前问诊中,基于已确认的症状在疾病知识库中执行语义检索获取候选疾病;
36、置信度计算模块,用于基于已确认症状集合和已否定症状集合双向计算所述候选疾病的置信度;
37、不确定性量化模块,用于将所述置信度归一化为概率分布并计算信息熵,以信息熵量化候选疾病分布的不确定性;并在top-k候选疾病分布下计算期望覆盖率和期望剩余待探索症状量,作为覆盖导向指标;
38、阶段决策和执行模块,用于当不确定性高于预设阈值或覆盖导向指标低于预设阈值时,进入广度探索阶段:
39、基于候选疾病构建约束空间:明确问诊问题与候选疾病之间的关联关系,并对每个候选疾病的临床表现执行层级过滤以缩小各候选疾病的候选症状范围;
40、基于确定的候选症状范围,在所述约束空间内生成问诊问题;
41、当不确定性低于预设阈值且覆盖导向指标达到预设阈值后,进入深度探索阶段:
42、基于已确认症状集合执行症状矛盾检测和深层状态评估,生成澄清问题或病情评估问题;
43、状态更新模块,用于根据患者对阶段决策和执行模块中问题的回答,更新已确认症状集合和已否定症状集合,直至满足问诊终止条件。
44、需要进一步说明的是,上述各选项实施例对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
45、与现有技术相比,本发明有益效果是:
46、1.本发明通过引入反向覆盖率和惩罚因子,否定症状通过反向约束直接参与疾病置信度计算,使得无论患者选择确认选项还是否定选项,每轮信息增益均趋向于正值。经实测,本发明方法4轮问诊累计信息增益(0.201),否定症状的利用率从0%提升至有效参与置信度计算,问诊收敛速度显著提升。
47、2.本发明不仅使用信息熵显式量化不确定性水平,还引入top-k期望覆盖率和期望未探索症状量作为联合决策指标。使问诊进度可度量、阶段切换和终止判断同时面向“辨证收敛”和“症状覆盖”。与仅依赖信息熵的现有方案相比,本发明的阶段切换同时受不确定性约束和症状覆盖进度约束,避免了因仅依赖top1候选导致的决策偏置,使问诊终止判断更为准确,临床覆盖更全面。
48、3.本发明在语言模型生成前,基于疾病知识构造结构化约束空间(候选列表与过滤后症状集合),并将候选评分排序结果用于控制疾病优先级和症状预选。语言模型在约束空间内执行受约束生成。该方法保证了选项-疾病关联的确定性、候选症状的可追溯性和信息增益的结构性保障,区别于现有"先自由生成后过滤"方案。
49、4.本发明的确认症状和否定症状共同驱动疾病得分分布分化,候选症状范围随已探索症状的增加而逐轮缩小。该收敛是数据处理架构的内在性质,配合总轮次预算和分阶段预算的工程控制,使问诊问题从广泛筛查自然收敛为精准鉴别,无需人为设计收敛规则。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com