基于专家经验的诊疗辅助决策方法及系统

本发明属于计算机，特别是涉及基于专家经验的诊疗辅助决策方法及系统。

背景技术：

1、妇科内分泌疾病（以早发性卵巢功能不全为典型代表）的临床诊疗具有高度的经验依赖性。这类疾病的症状表现多样、病情进展个体差异显著、治疗方案选择涉及患者年龄、生育需求、症状严重程度等多重因素的综合权衡，导致其诊疗过程高度依赖临床医师的长期经验积累与决策思维水平。领域内资深专家在长期临床实践中形成的诊疗思路、方案选择逻辑与病情判断依据，是极为稀缺且难以量化的优质医疗资源。然而，这类专家经验传统的传承方式主要依赖师承模式下的言传身教与长期跟诊学习，传播范围极为有限，基层与年轻医师获取专家级诊疗参考的成本极高，难以满足广泛的临床需求。

2、随着医疗信息化与人工智能技术的快速发展，临床辅助决策支持系统逐渐成为提升基层诊疗水平的重要手段。现有的临床辅助决策支持系统主要分为两类技术路线。第一类是基于规则引擎的系统，可以将临床指南、医学文献中的知识归纳为若干条“if-then”形式的产生式规则，通过规则匹配对输入的患者特征进行推理并输出决策建议。第二类是基于深度学习模型的系统，该类系统通过深度神经网络（如卷积神经网络、循环神经网络、transformer等）对大规模标注病例数据进行端到端的训练，学习从患者临床特征到诊断结论或治疗方案的非线性映射关系，从而实现诊疗决策的自动推理。

3、然而，上述现有临床辅助技术在实现专家经验的有效数字化传承方面均存在显著的缺陷。具体的，其一，现有基于规则引擎的系统通常将专家文本资料或临床指南中的知识归纳为扁平化的产生式规则集，每条规则独立存在，规则之间缺乏层级递进关系，并且专家在针对妇科内分泌疾病患者进行诊疗决策时，并非一次性输出最终结论，而是依次经历“症状特征评估-影像学与实验室检查判读-患者个体属性综合考量-治疗方案筛选与确认”等多个层级的递进判断过程。现有临床辅助技术无法对这种多层级、序贯性的专家决策思维进行结构化建模与表征，导致所提取的决策规则丢失了专家决策过程中的关键递进逻辑。其二，现有基于规则引擎的系统采用精确匹配机制，只有当患者临床特征与规则前件完全匹配时才能触发对应的决策结论。然而，临床实践中患者的症状组合、检查结果和个体属性呈现高度多样性，极少有患者与专家历史病例或规则预设条件完全一致，进而无法根据患者特征向量在决策语义空间中的位置动态匹配最相似的专家决策路径，导致系统在面对特征不完全匹配的患者时，要么无法输出任何建议，要么输出僵化的单一结论，缺乏根据患者具体情况柔性调整推荐结果的能力。其三，基于深度学习模型的系统虽然能够实现端到端的诊疗决策输出，但其决策过程以隐式方式编码于神经网络的数百万个参数之中，呈现“黑箱”状态。临床医生无法追溯系统为何推荐某个特定的诊疗方案、依据了患者的哪些具体特征、参考了何种决策逻辑。在医疗场景中，决策的可解释性不仅是临床信任建立的基础，更是医疗合规性的基本要求，现有深度学习模型的不可解释性严重制约了其在临床实践中的接受度和应用范围。

4、此外，现有临床辅助技术中，从专家经验中提取的决策知识通常以符号化的知识图谱结构或产生式规则形式存储，而待诊患者的临床特征数据则以数值化的特征向量形式表示。符号化的知识与数值化的特征分属不同的语义表征空间，两者之间缺乏统一的、可度量的语义对齐框架。这导致“患者呈现何种临床状况”与“专家在类似状况下如何决策”之间无法建立精确的数学对应关系，从根本上制约了患者特征与专家决策知识之间进行相似性比较和动态匹配的精度与可靠性。

技术实现思路

1、基于此，有必要针对上述技术问题，提供基于专家经验的诊疗辅助决策方法及系统，旨在对专家序贯决策思维进行结构化建模，实现患者特征与专家决策知识的语义对齐，提升诊疗决策的可解释性以及复杂临床场景下推荐结果的柔性适配能力。

2、第一方面，本技术提供了基于专家经验的诊疗辅助决策方法，包括：

3、s1、获取预设的多个历史病例数据，对各历史病例数据进行结构化标注，得到对应的结构化病例数据；结构化病例数据包含患者临床特征字段、专家推理记录字段以及决策结果字段；

4、s2、基于各结构化病例数据，抽取诊疗过程中的决策节点，并根据各决策节点之间的时序跳转关系构建有向加权边，将决策节点和有向加权边组合为有向无环决策路径，基于决策节点、有向加权边和决策路径构成多粒度决策路径图谱；多粒度决策路径图谱中的每个决策节点、每条有向加权边和每条决策路径均关联对应的历史病例标识；

5、s3、对多粒度决策路径图谱中的决策节点、有向加权边和决策路径分别进行语义向量编码，得到位于同一连续向量空间中的节点向量、边向量和路径向量；

6、s4、获取待诊患者的临床特征数据，并从临床特征数据中提取临床特征向量，基于对比学习算法训练语义映射模型，将临床特征向量通过训练后的语义映射模型映射至连续向量空间，得到患者查询向量；计算患者查询向量与各路径向量之间的相似度，根据相似度从全部决策路径中选取候选决策路径集合；

7、s5、基于临床特征数据评估候选决策路径集合中各条候选决策路径的路径完整度，根据相似度和路径完整度从候选决策路径集合中选取最优决策路径，对最优决策路径中与临床特征数据不匹配的决策节点进行调整，得到调整后的路径，并基于多粒度决策路径图谱对调整后的路径进行补全处理，得到推荐决策路径。

8、第二方面，本技术还提供了基于专家经验的诊疗辅助决策系统，包括：

9、病例结构化模块，用于获取预设的多个历史病例数据，对各历史病例数据进行结构化标注，得到对应的结构化病例数据；结构化病例数据包含患者临床特征字段、专家推理记录字段以及决策结果字段；

10、图谱构建模块，用于基于各结构化病例数据，抽取诊疗过程中的决策节点，并根据各决策节点之间的时序跳转关系构建有向加权边，将决策节点和有向加权边组合为有向无环决策路径，基于决策节点、有向加权边和决策路径构成多粒度决策路径图谱；多粒度决策路径图谱中的每个决策节点、每条有向加权边和每条决策路径均关联对应的历史病例标识；

11、图谱向量化模块，用于对多粒度决策路径图谱中的决策节点、有向加权边和决策路径分别进行语义向量编码，得到位于同一连续向量空间中的节点向量、边向量和路径向量；

12、向量匹配模块，用于获取待诊患者的临床特征数据，并从临床特征数据中提取临床特征向量，基于对比学习算法训练语义映射模型，将临床特征向量通过训练后的语义映射模型映射至连续向量空间，得到患者查询向量；计算患者查询向量与各路径向量之间的相似度，根据相似度从全部决策路径中选取候选决策路径集合；

13、路径优化模块，用于基于临床特征数据评估候选决策路径集合中各条候选决策路径的路径完整度，根据相似度和路径完整度从候选决策路径集合中选取最优决策路径，对最优决策路径中与临床特征数据不匹配的决策节点进行调整，得到调整后的路径，并基于多粒度决策路径图谱对调整后的路径进行补全处理，得到推荐决策路径。

14、第三方面，本技术还提供了一种计算机设备，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第一方面中的步骤。

15、第四方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中的步骤。

16、上述基于专家经验的诊疗辅助决策方法及系统，首先获取历史病例数据并进行结构化标注得到结构化病例数据，为分析专家诊疗逻辑提供了标准化数据。其次，从结构化病例数据抽取决策节点、构建有向加权边与有向无环决策路径，生成多粒度决策路径图谱，解决了专家序贯诊疗思维难以结构化建模表征的问题。进一步的，对图谱内决策节点、有向加权边及决策路径分别执行语义向量编码，使各类图谱元素映射至同一连续向量空间，能够解决专家符号化决策知识与患者数值化特征分属不同语义空间的对齐难题，并且利用对比学习算法训练语义映射模型得到患者查询向量，通过向量相似度筛选候选决策路径集合，实现了待诊患者特征与专家历史决策路径的量化匹配。最后，结合路径完整度选出最优决策路径，对不匹配决策节点进行调整，并基于图谱进行路径补全，得到推荐决策路径，解决了患者特征无法完全匹配历史病例时输出结论僵化的技术问题，提升了诊疗推荐的柔性适配能力与决策过程可解释性。