一种基于多模态融合与全流程质控无纸化病案管理系统的制作方法
本发明涉及无纸化病案管理,具体为一种基于多模态融合与全流程质控无纸化病案管理系统。
背景技术:
1、在病案无纸化归档进程中,异构系统产生的大量原生电子文书与纸质扫描件需交汇整合,现有的数据采集架构普遍依赖粗放的静态覆盖逻辑进行去重,当发生跨业务线的数据更新时,底层库仅留存末态副本,这种无状态的数据留痕模式导致质控引擎在捕获到跨文书或跨时序的逻辑冲突时,只能僵化地抛出阻断异常,系统完全丧失了穿透历史版本以追溯冲突归因的能力。
2、并且常规的多模态病案解析管线严格遵循从图像预处理、字符识别到语义分类的单向数据流,一旦扫描件局部极度模糊或存在草书手写落款,字符解析模块便会失效并导致下游语义模型陷入置信度死锁,使得后端无法通过注意力权重逆向调度前端执行局部重构,且纯文本的正则探查机制在面对物理墨迹形态时极易发生误拦截,频繁导致合法归档流程被异常截断。
3、在规则执行层面,传统质控引擎对各类数据施加无差别的硬性匹配策略,剥离了数据本身的模态血缘与置信度属性,当面对识别组件输出的波动性转换数据时,静态死锁的拦截阈值极易引发假阳性阻断,侵入并干扰了常态化的临床流转,同时既有方案的统计探针通常仅能汇聚表层的校验结果,未能下沉至算法引擎内部去捕获规则降级或算子干预频次,导致病案管理系统在质量探查与系统负荷评估上长期缺乏底层态势数据的支撑。
技术实现思路
1、针对现有技术的不足,本发明提供了一种基于多模态融合与全流程质控无纸化病案管理系统,解决了传统病案系统中数据静态覆盖导致冲突无法溯源,单向解析遇局部模糊会陷入语义置信度死锁,以及硬性质控缺乏模态血缘感知从而频繁误阻合法业务流的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:一种基于多模态融合与全流程质控无纸化病案管理系统,包括:
3、数据采集整合模块,获取病案,提取跨源数据的文本特征,在相似度达标且存在局部内容差异时,依据时间戳和事件标识构建多版本关联的映射树并截留历史文本;
4、图像质控分级模块,对病案图像执行透视校正,通过计算像素空间二阶导数响应的方差来评估模糊度,并依据阈值执行分流;
5、多模态分类模块,提取图像文本并经语言模型输出类别与置信度,当置信度落入复核区间时,提取模型注意力权重极值对应的文本坐标,向原图逆向映射生成边界框,对框内图像超分重建后二次分类;
6、完整性校验模块,遍历文本探查签名要素,若未命中,依据文书模板裁切物理签名区,基于有效墨迹像素占比与连通域判定签名有效性;
7、实时质控引擎,获取待测数据的模态溯源及所述置信度,针对置信度低于容忍值的图像转换数据,降级其一致性校验拦截规则,当文书发生逻辑冲突时,调用所述映射树的前序版本比对并输出异常归因;
8、统计分析模块,提取异常归因与逆向映射频次构建多维数据立方体。
9、优选的,所述数据采集整合模块中的相似度比对与映射树构建过程包括:
10、提取原生文本与经光学字符识别转换文本的特征向量,计算两者的内积与各自模长乘积的比值作为文本相似度;
11、若该文本相似度大于预设匹配阈值且字符序列存在差异,则按就近时间规则选取主版本,并将未被选中的上一版本数据实体、生成时间戳及对应的医疗事件标识进行关联,作为隐式节点挂载于当前主版本下以生成所述映射树。
12、优选的,所述图像质控分级模块中评估模糊度的具体方式包括:
13、计算校正后图像各像素点水平与垂直方向的拉普拉斯算子响应值;
14、求取所述图像全局的响应均值,并将各像素点的响应值与所述全局响应均值差值的平方和的平均数,作为表征图像模糊度的方差结果。
15、优选的,所述依据阈值执行分流的具体执行逻辑包括:
16、设定第一模糊阈值与第二模糊阈值,且第一模糊阈值大于第二模糊阈值;
17、当所述方差结果大于或等于第一模糊阈值时,判定图像合格,当所述方差结果介于两阈值之间时,将图像输入反卷积网络执行去模糊处理,当所述方差结果小于第二模糊阈值时,触发重新采集指令。
18、优选的,所述多模态分类模块在生成边界框时具体执行:
19、设定自动采纳上限阈值与退回下限阈值,当所述置信度处于两阈值之间时,从预训练语言模型的最后一层提取注意力权重矩阵;
20、筛选出该矩阵中最高权重值对应的关键文本子序列,提取该序列在原始图像中的物理空间顶点坐标,据此生成包含局部异常信息的边界框。
21、优选的,所述超分重建后二次分类的具体逻辑包括:
22、按所述边界框的尺寸裁切局部图像张量,输入超分辨率重建网络获取分辨率放大的局部增强特征映射;
23、仅对所述局部增强特征映射所在区域重新执行光学字符识别,并将其文本特征再次输入预训练语言模型进行语义特征融合,以更新所述置信度。
24、优选的,所述完整性校验模块基于有效墨迹像素占比与连通域判定签名有效性的具体方式包括:
25、将裁切得到的物理签名区图像转化为二值化矩阵,提取灰度值符合预设墨迹阈值的像素点作为有效墨迹像素;
26、统计有效墨迹像素的总数并除以该物理签名区图像的总面积,得到有效墨迹像素占比;
27、当所述有效墨迹像素占比大于预设密度阈值,且提取到的独立连通域数量落在预设的手写笔迹拓扑结构形态学数量区间内时,判定签名校验通过。
28、优选的,所述实时质控引擎在降级其一致性校验拦截规则时具体执行:
29、提取待测数据所附带的模态标签,所述模态标签包括标识为原生电子数据的第一标签和标识为图像转换数据的第二标签;
30、当识别到待测数据为第二标签,且所述多模态分类模块输出的最终置信度低于质控容忍阈值时,将触发一致性冲突时的系统强制阻断指令修改为允许保存的弹窗警告指令。
31、优选的,所述调用映射树的前序版本比对的具体逻辑包括:
32、提取当前触发逻辑冲突的文书实体,并自所述映射树中提取其对应的最近一次未修改的上一版本数据实体;
33、将两实体分别输入一致性校验函数得出当前校验状态与历史校验状态,若当前校验状态未通过且历史校验状态通过,则提取所述映射树中记录的事件标识,将当前逻辑冲突归因为近期数据修改事件,并将历史校验状态数据向应用端反向推送以供比对。
34、优选的,所述统计分析模块构建多维数据立方体的具体方式包括:
35、实时捕捉步骤全流程中的处理时延、所述一致性校验拦截规则的降级频次、以及所述边界框逆向映射的触发率;
36、将上述运行状态特征与科室归属、生成时间轴及病案类型标识进行结构化映射封装,构建支持向上卷取与向下钻取查询的多维数据立方体。
37、本发明提供了一种基于多模态融合与全流程质控无纸化病案管理系统。具备以下有益效果:
38、1、本发明通过在跨源数据去重整合阶段,针对局部序列存在差异的文本抽取历史净副本并与时间戳和事件标识打包,在内存中隐式挂载生成多版本关联的映射树,使得后续全流程质控在遭遇跨文书或跨时序的逻辑冲突时,无需人工介入即可调度底层映射的前序净数据副本执行平行质控比对,精准定位导致异常的变更操作事件,弥补了无状态校验无法确定性溯源归因的底层逻辑缺陷。
39、2、本发明通过提取预训练语言模型最后一层的注意力权重矩阵寻找关键文本序列,并根据物理空间顶点坐标逆向映射生成边界框,进而对框内图像执行超分重建与二次字符融合,打破了传统系统中图像处理先于语义识别且单向流转的僵化管线,利用后端语义特征自适应地反向指导前端图形计算资源的局部倾斜,击穿因扫描件局部模糊导致的文本分类置信度死锁,避免了全图盲目重建带来的算力浪费。
40、3、本发明通过在完整性校验环节引入跨模态兜底机制,当纯文本逻辑探查无法在正则匹配层面命中有效签名要素时,依据版式先验坐标直接裁切物理落款区,在形态学层面计算墨迹像素占比并圈定有效连通域数量,将对签名完整性的核验从字符级逻辑比对下沉至底层的墨迹分布探查,抑制了因光学字符识别组件无法解析草书手写体导致的误拦截现象,保障了合规病案的顺利流转。
41、4、本发明通过提取待测数据的模态血缘标签与分类置信度,并注入底层规则守护进程,使实时质控引擎具备了根据上游数据来源及其特征可靠性进行自我调节的能力,针对置信度击穿容忍阈值的图像转换类数据,自动将涉及强一致性比对的拦截规则降维至允许保存的提示级别,避免了因外部光学识别模块本身的置信度振荡,导致的误伤合法临床业务数据写入的技术风险,赋予了静态的质控网络以动态鲁棒性。
42、5、本发明通过在全周期管线的出口端深度埋点,持续捕获包含校验规则降级频次、局部逆向重构干预次数在内的底层算法运行态势特征,并将其与科室归属及时间轴进行结构化封装对齐,构建出支持向上卷取与向下钻取操作的星型多维数据立方体,使得病案质量统计不再局限于表层的校验通过率,为医疗质控架构的深度下钻探查提供了高维度的数据资产支撑。
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