基于时空注意力机制模型的儿科挂号智能管理方法和装置与流程

本说明书涉及人工智能领域，具体涉及一种基于时空注意力机制模型的儿科挂号智能管理方法和装置。

背景技术：

1、在儿科挂号管理中，患儿病情多变、表达不清，家长主观判断易导致误挂、转诊。现有技术缺乏对病历文本、影像、音频等多源异构数据的深度融合，难以精准表征病情；忽视医院科室空间拓扑与疾病时间周期规律，号源分配僵化，患者无效移动与候诊时间长；模型对噪声、数据缺失及病情突变鲁棒性差，无法根据就诊需求动态调整挂号策略，易延误急症患儿救治。

2、因此，如何自动生成包含科室、医生、时段及最优路径的个性化挂号建议，并通过动态自适应门控机制实现资源调度的实时纠偏，已成为智慧医疗与儿科智能分诊领域亟待解决的技术难题。

技术实现思路

1、本发明描述一种基于时空注意力机制模型的儿科挂号智能管理方法和装置，可以解决上述技术问题。

2、第一方面，提供了一种基于时空注意力机制模型的儿科挂号智能管理方法，包括：

3、获取患儿的原始多源数据，原始多源数据至少包括反映儿童健康背景、当前病情状态及生活环境的多维度信息；

4、将原始多源数据输入已训练的时空注意力机制模型，由模型通过跨模态注意力机制对多源数据进行融合，并依据数据自身特征动态调整不同数据源的注意力权重，输出融合后的病情表征特征；

5、由模型分别从空间维度和时间维度对病情表征特征进行深度提取，得到空间拓扑特征和时间周期特征，其中空间拓扑特征是融合医院科室拓扑结构、医学知识图谱及临床专家经验后，反映科室资源分布与关联的特征；时间周期特征是基于疾病周期性波动规律及历史就诊数据的长期依赖关系，反映就诊需求随时间变化的特征；

6、通过自适应门控网络将空间拓扑特征与时间周期特征进行动态关联，并根据当前就诊需求实时调整二者的融合权重，生成综合决策特征；

7、基于综合决策特征，生成挂号建议，挂号建议包括推荐科室、推荐医生、推荐就诊时段以及从入口到科室的最优路径信息。

8、这样，通过跨模态注意力机制融合多源异构数据，实现了对患儿病情的精准表征；通过空间维度的拓扑图注意力网络融合科室拓扑结构与专家经验，时间维度的分层编码与递归机制捕捉疾病周期规律，克服了传统方法忽视时空联合建模的缺陷；进一步通过自适应门控网络动态调整时空特征融合权重，实现了挂号决策的个性化与实时性；最终生成四维挂号建议，显著提升了儿科挂号的精准度与资源调度效率。

9、在一些可能的实现方式中，时空注意力机制模型包括：

10、多模态注意力融合单元，用于对不同模态的输入数据进行跨模态特征融合并动态调整注意力权重；

11、空间维度提取单元，空间维度提取单元包括拓扑图注意力网络，用于将融合后的特征与医院科室拓扑结构、医学知识图谱及专家经验进行图注意力计算，输出空间拓扑特征；

12、时间维度提取单元，时间维度提取单元包括分层时空编码结构和递归连接，用于将融合后的特征与历史时序数据对齐后提取不同时间跨度的依赖关系，输出时间周期特征；

13、自适应门控融合单元，用于根据当前就诊需求动态关联空间拓扑特征与时间周期特征并调整融合权重，生成综合决策特征；

14、输出单元，用于基于综合决策特征生成挂号建议。

15、这样，将模型划分为功能独立的单元，便于模块化实现与优化，同时保证了各单元之间的低耦合与高内聚。

16、在一些可能的实现方式中，将原始多源数据输入已训练的时空注意力机制模型，由模型通过跨模态注意力机制对多源数据进行融合，并依据数据自身特征动态调整不同数据源的注意力权重，输出融合后的病情表征特征，包括：

17、将原始多源数据划分为文本模态数据、影像模态数据和音频模态数据；

18、针对文本模态数据，通过文本编码器提取文本语义特征；

19、针对影像模态数据，通过影像编码器提取视觉特征，并对视觉特征施加自注意力权重以聚焦图像中的特定区域；

20、针对音频模态数据，将音频信号转换为频谱图后通过音频编码器提取声学特征；

21、将文本语义特征作为查询向量，将视觉特征和声学特征作为键值对，通过跨模态注意力机制计算各模态特征的注意力权重，得到初步融合特征；

22、通过注意力头门控网络根据文本语义特征、视觉特征和声学特征的序列长度或复杂度，动态调整跨模态注意力机制中各注意力头的激活强度，输出经过动态加权后的融合特征作为病情表征特征。

23、这样，通过以文本为主导的跨模态注意力融合，并利用门控网络动态调整注意力头强度，有效解决了多源异构数据对齐难、关键信息易淹没的问题，提升了病情表征的准确性。

24、在一些可能的实现方式中，由模型分别从空间维度和时间维度对病情表征特征进行深度提取，得到空间拓扑特征和时间周期特征，包括：将病情表征特征分别输入空间维度提取单元和时间维度提取单元；

25、在空间维度提取单元中，获取预构建的医院科室拓扑图结构，拓扑图的节点为科室或医疗区域，边表示科室间的空间关联与业务联系；将病情表征特征与拓扑图结构、外部医学知识图谱及专家经验嵌入向量共同输入拓扑图注意力网络，由拓扑图注意力网络对每个节点的邻居节点计算注意力权重，输出聚合了空间关联信息的空间拓扑特征；

26、在时间维度提取单元中，获取历史挂号数据和疾病监测数据构成的时序序列，将病情表征特征与时序序列输入分层时空编码结构，输出时间周期特征。

27、这样，将患儿个体病情分别与静态空间拓扑和动态时间序列联合建模，使得空间特征能够反映科室间的真实协作关系与实时负载，时间特征能够捕捉疾病演变的周期性规律，为后续动态融合提供了高质量的时空特征基础。

28、在一些可能的实现方式中，将病情表征特征与时序序列输入分层时空编码结构，输出时间周期特征，包括：

29、将病情表征特征复制为与时序序列时间步数量相同的向量，并将每个复制向量与对应时间步的历史数据向量进行拼接，形成对齐后的输入序列；

30、将对齐后的输入序列按时间顺序送入分层时空编码结构的底层，底层通过时间戳编码对每个时间步进行位置编码，输出底层特征序列；

31、将底层特征序列输入分层时空编码结构的高层，高层通过卷积神经网络提取局部时间窗口内的特征，再通过自注意力机制计算不同时间步之间的依赖权重，输出高层特征序列；

32、在分层时空编码结构的编码器层间设置递归连接，将当前层的前一隐藏状态传递至下一时间步的同一层，更新隐藏状态；

33、将经过递归连接后的最终隐藏状态作为时间周期特征输出。

34、这样，通过底层细粒度记录与高层抽象提取相结合，并引入跨层递归连接，使得模型既能捕捉短期波动细节，又能学习长期依赖趋势，显著提升了时间周期特征的表达能力。

35、在一些可能的实现方式中，通过自适应门控网络将空间拓扑特征与时间周期特征进行动态关联，并根据当前就诊需求实时调整二者的融合权重，生成综合决策特征，包括：

36、获取当前就诊需求的特征表示，当前就诊需求包括患儿病情紧急程度和所选科室的实时繁忙状态；

37、将空间拓扑特征与时间周期特征分别输入特征融合门控网络，特征融合门控网络根据当前就诊需求的特征表示计算空间融合权重和时间融合权重；

38、按照空间融合权重和时间融合权重对空间拓扑特征与时间周期特征进行加权求和，生成综合决策特征。

39、这样，利用门控网络根据实时候诊需求动态调整空间与时间特征的融合比例，使得急重症患儿能够优先获得空间最近资源，常规患儿则更注重时间规律，实现了挂号决策的个性化与自适应。

40、在一些可能的实现方式中，基于综合决策特征，生成挂号建议，包括：

41、将综合决策特征输入输出单元，输出单元包括科室推荐部分、医生推荐部分、时段推荐部分和路径规划部分；

42、其中，科室推荐部分基于科室对口专业与当前接诊饱和度输出科室推荐得分；

43、医生推荐部分基于医生的专业领域、擅长病症与患儿症状的匹配度、患者评价及当日排班输出医生推荐得分；

44、时段推荐部分基于未来各时段的繁忙程度评分及检查设备空闲状态输出时段排序；

45、路径规划部分基于医院三维空间布局数据，以当前入口为起点、推荐科室位置为终点，通过路径搜索算法生成最优路径；

46、将科室推荐部分、医生推荐部分、时段推荐部分和路径规划部分的输出组合为挂号建议。

47、这样，将四维推荐结果并行输出，为家长提供一站式挂号决策信息，避免了家长在多信息源之间反复比对，显著提升了挂号效率与就医体验。

48、在一些可能的实现方式中，已训练的时空注意力机制模型通过以下方式训练得到：

49、获取无标注时空数据，所述无标注时空数据包括历史挂号数据、医院科室拓扑结构数据和疾病监测数据；

50、采用自监督学习策略对初始时空注意力机制模型进行预训练。具体地，对所述医院科室拓扑结构数据进行掩码处理，随机掩码部分科室节点或边关系，将掩码后的拓扑结构数据输入空间维度提取单元，由空间维度提取单元中的拓扑图注意力网络基于其余可见的节点和边信息预测被掩码的节点或边关系，根据预测结果与原始数据的差异计算第一损失，更新空间维度提取单元的参数，使模型学习到医院科室间的潜在空间关联与协作模式；对历史挂号数据进行掩码处理，随机掩码未来时段的挂号数据，将掩码后的历史挂号数据输入时间维度提取单元，由时间维度提取单元中的分层时空编码结构和递归连接基于历史可见数据预测被掩码时段的挂号数据，根据预测结果与原始数据的差异计算第二损失，更新时间维度提取单元的参数，使模型学习到疾病周期波动和就诊需求的时序演变规律；根据第一损失和第二损失对初始时空注意力机制模型的参数进行联合优化，得到预训练模型。

51、通过自监督学习策略，模型能够从海量无标注数据中挖掘出通用的时空特征表示，从而在后续实际挂号任务中具备更强的泛化能力和特征理解能力；

52、采用对抗训练机制对所述预训练模型进行增强训练。具体地，构建生成器和判别器，将无标注时空数据输入生成器，由生成器生成包含噪声干扰或数据缺失的异常时空数据样本，将异常时空数据样本输入预训练模型，由预训练模型提取时空特征，将预训练模型提取的时空特征和从真实数据提取的时空特征分别输入判别器，由判别器区分输入特征的来源，根据判别器的判别结果计算对抗损失，根据预训练模型在挂号建议生成任务上的表现计算任务损失，根据对抗损失和任务损失对预训练模型和生成器进行联合优化，得到已训练的时空注意力机制模型。通过对抗训练机制，模型在数据异常、信息缺失等复杂场景下的鲁棒性和特征辨别力得到显著增强。

53、这样，通过自监督学习策略挖掘无标注时空数据中隐藏的时空特征规律，为模型提供充分的预训练知识储备，再结合对抗训练机制提升模型对异常数据、噪声干扰的抵御能力，使得训练得到的时空注意力机制模型在数据稀缺、场景动态多变的儿科挂号场景下，仍能保持稳定的特征提取和决策能力，从而保障挂号建议的准确性和可靠性。

54、第二方面，提供了一种基于时空注意力机制模型的儿科挂号智能管理装置，包括：

55、第一处理模块，用于获取患儿的原始多源数据，原始多源数据至少包括反映儿童健康背景、当前病情状态及生活环境的多维度信息；

56、第二处理模块，用于将原始多源数据输入已训练的时空注意力机制模型，通过跨模态注意力机制对多源数据进行融合，并依据数据自身特征动态调整不同数据源的注意力权重，输出融合后的病情表征特征；

57、第三处理模块，用于由模型分别从空间维度和时间维度对病情表征特征进行深度提取，得到空间拓扑特征和时间周期特征，其中空间拓扑特征是融合医院科室拓扑结构、医学知识图谱及临床专家经验后，反映科室资源分布与关联的特征；时间周期特征是基于疾病周期性波动规律及历史就诊数据的长期依赖关系，反映就诊需求随时间变化的特征；

58、第四处理模块，用于通过自适应门控网络将空间拓扑特征与时间周期特征进行动态关联，并根据当前就诊需求实时调整二者的融合权重，生成综合决策特征；基于综合决策特征，生成挂号建议，挂号建议包括推荐科室、推荐医生、推荐就诊时段以及从入口到科室的最优路径信息。

59、第三方面，提供了一种电子设备，包括：一个或多个处理器；一个或多个存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述一个或多个存储器中，所述一个或多个程序包括指令，当所述指令被所述一个或多个处理器执行时，使得所述配置设备执行如第一方面所述的方法。

60、第四方面，提供了一种计算机存储介质，所述计算机存储介质存储有指令，所述指令在由计算机执行时使得所述计算机实施第一方面或第二方面所述的方法。

61、第五方面，提供了一种计算机程序产品，所述计算机程序产品存储有指令，所述指令在由计算机执行时使得所述计算机实施第一方面或第二方面所述的方法。

62、第二方面至第五方面的有益效果可参考上文对第一方面的有益效果的介绍，在此不再赘述。