一种基于医疗大数据及人工智能的医疗决策系统

摘要

本发明提供一种基于医疗大数据及人工智能的医疗决策系统，属于医学数据挖掘技术领域，具体包括：医疗大数据系统、数据上传模块、院内系统；医疗大数据系统负责对所述数据上传模块的上传数据进行处理，并生成待就诊病人的病状关键词，与历史临床病状的病状关键词进行相似度匹配，并得到相似诊疗案例；提取临床诊疗检验信息数据，并与相似诊疗案例的临床诊疗检验信息数据进行匹配，并得到符合诊疗案例；提取待就诊病人的临床诊疗影像信息，并与符合诊疗案例的临床诊疗影像信息进行匹配，并得到匹配诊疗案例；数据上传模块负责将所述上传数据进行上传；院内系统负责生成上传数据，并将匹配诊疗案例推送给诊断医生，实现了准确快速的病历匹配。

说明书

技术领域

本发明属于医学数据挖掘技术领域，具体涉及一种基于医疗大数据及人工智能的医疗决策系统。

背景技术

IBM公司于2007 年正式提出“云计算”概念，自此以后云计算、人工智能、互联网+等信息化技术飞速发展，“大数据(Big Data)”逐渐出现在大众日常生活之中，快速在各行各业间展开应用，并且成了发展进程中必不可缺的一环。医疗行业是数据密集型行业之一，也是最早实现数字信息化的行业之一，正确合理地利用医疗大数据资源，可以使医疗机构做出更合理、更科学的决策和规划。与此同时，普通人群也可以更简单更方便地了解并评估自身健康情况，将卫生资源最大化利用，使民众生活走向健康化。医疗大数据和每个人的日常生活都有着密切的关系，对日常防控、疾病预测、新药研发、辅助精准医疗等方面都将产生有利的影响。

中国发明专利公开号CN104915561B公开了一种疾病特征智能匹配方法，为了解决医生在诊断时需要参考相似病例，而相似病例的搜索意味着从庞大的病例数据库中找到相匹配的特征向量，显然传统的基于关键词的搜索方式无法满足多维特征快速匹配的需求的技术问题，采用了对电子病例库中已有的患者数据按照事先建立的疾病体征集和检验检查指标集提取相应的值构成每位患者的特征向量，以相似度为权值，计算待匹配患者的各疾病体征指标和检验检查指标的得分，选取排序后得分贡献度在一定百分比以上的疾病体征指标和/或检验检查指标作为判断病症的主要特征，用于辅助诊断，但是上述专利计算工程量大，计算速度慢，此外对于医生来说，医生的医学知识储备量和诊疗经验积累量，极大程度上决定了对病人病状的判断、诊疗建议的选择以及病人后续的治疗康复程度，从而导致就诊医生对病人病症的主观判断不够准确，使得病人后续诊疗存在偏差，增加对病人病情健康等结论判断的误差性。

现有技术问题概括：病例匹配计算量大且速度慢，缺乏分步骤进行病例匹配的系统和方法。

针对上述技术问题，本发明提供了一种基于医疗大数据及人工智能的医疗决策系统。

发明内容

为实现本发明目的，本发明采用如下技术方案：

根据本发明的一个方面，提供了一种基于医疗大数据及人工智能的医疗决策系统。

一种基于医疗大数据及人工智能的医疗决策系统，其特征在于，具体包括：

医疗大数据系统、数据上传模块、院内系统；

所述医疗大数据系统负责对所述数据上传模块的上传数据进行处理，并根据待就诊病人的临床病状描述信息，生成待就诊病人的临床病状信息报告，并提取所述报告中的病状关键词；根据所述病状关键词与所述上传数据中诊疗案例的历史临床病状信息报告中的病状关键词进行相似度匹配，并将相似度高于第一阈值的诊疗病例作为相似诊疗案例；提取待就诊病人的临床诊疗检验信息数据，并与所述相似诊疗案例的临床诊疗检验信息数据进行匹配，并将符合度大于第二阈值的所述相似诊疗案例作为符合诊疗案例；提取待就诊病人的临床诊疗影像信息，并与所述符合诊疗案例的临床诊疗影像信息进行匹配，并将匹配度大于第三阈值的所述符合诊疗案例作为匹配诊疗案例；

所述数据上传模块负责将所述上传数据进行上传，所述上传数据包括待就诊病人以及诊疗病例的数据，所述数据包括历史临床病状信息报告、临床诊疗检验信息数据、临床诊疗影像信息；

所述院内系统负责生成所述上传数据，并将所述医疗大数据系统得到的所述匹配诊疗案例推送给诊断医生。

院内系统生成上传数据包括待就诊病人以及诊疗病例的数据，所述数据包括历史临床病状信息报告、临床诊疗检验信息数据、临床诊疗影像信息，并将所述上传数据通过数据上传模块上传至医疗大数据系统，医疗大数据系统首先通过对临床病状描述信息，生成待就诊病人的临床病状信息报告，并提取所述报告中的病状关键词；根据所述病状关键词与所述上传数据中的病状关键词进行相似度匹配，确定相似诊疗案例；再通过临床诊疗检验信息数据，确定所述相似诊疗案例中的符合诊疗案例；通过临床诊疗影像信息确定所述符合诊疗案例中的匹配诊疗案例，并将匹配诊疗案例推送给医生，辅助进行诊断，通过三步确认，使得筛选的数据维度逐渐降低，提高了筛选效率，降低了筛选难度。

医疗大数据首先通过待就诊病人的临床病状描述信息，生成待就诊病人的临床病状信息报告，并提取所述报告中的病状关键词，根据所述病状关键词与所述上传数据中诊疗案例的病状关键词的相似度比对结果，确定此时的相似诊疗案例，由于不同的病症其临床诊疗检验信息和临床诊疗影像信息会有一定的重复性，因此效率不会很高，因此通过首先对临床病状信息报告中的病状关键词进行相似度对比，可以极大的筛选出来类似临床病状指标的诊疗病例，避免由于首先采用临床诊疗检验信息和临床诊疗影像信息或者同时采用临床诊疗检验信息和临床诊疗影像信息以及临床病状信息报告，导致的效率不高的问题出现；在得到相似诊疗案例后，通过对临床诊疗检验信息的判断，筛选得到此时的符合诊疗案例，由于临床诊疗检验信息与临床诊疗影像信息相比，更加直观准确，在进行对比时，可以更快的筛选得到符合诊疗案例，从而进一步的降低了最后进行临床诊疗影像信息的数据量，最后通过临床医疗影响信息可以得到最终的匹配诊疗案例，匹配诊疗案例可以推送给医生，提高诊断可靠性，通过分步骤进行判断，将识别效率最低的临床诊疗影像信息放到最后一步，将区分能力最强的临床病状信息报告放在第一位，可以极大提升识别效率，速度较快，用户体验度得到明显提升，从而确保就诊医生在诊疗病人过程中能够结合多个诊疗案例进行参考分析，有效避免就诊医生的医学知识储备和诊疗经验积累不足的问题，提高就诊医生对病人病症的判断准确性，降低对病人病情健康等结论判断的误差性，进而辅助就诊医生更加快速、准确、合理地做出诊断。

进一步的技术方案在于，病状关键词匹配、临床诊疗检验信息数据匹配、临床诊疗影像信息匹配可以采用其中任意一项或者任意两项进行病例的筛选。

根据病状和种类的不同，有时不需要进行临床诊疗检验或者临床诊疗影像检验，或者两者都不需要，因此在实际操作中，可以选择三种匹配中仅选择其中一项或者两项，同样可以实现对匹配诊疗案例的提取。

进一步的技术方案在于，病状关键词匹配、临床诊疗检验信息数据匹配、临床诊疗影像信息匹配的先后顺序，可以按照病状的不同，进行调整。

进一步的技术方案在于，所述基于医疗大数据及人工智能的医疗决策系统还包括院外服务模块，提供辅助医疗服务，有针对实时跟踪用户的诊疗情况以及服药情况。

通过设置院外服务模块，解决了原先病人在经过就诊和治疗后，医生对病人治疗后的恢复信息不能很好地跟踪的问题，由于无法实时跟踪，导致无法实现医生在病人恢复期间与病人的实时交互，从而使得医生无法实时掌握病人恢复情况，可能会给患者后续的治疗与随访带来极大的影响，通过设置员外服务模块，医生可以实现对病人恢复情况的掌握，从而提升病人的获得感和满足感，更有益于病人的康复。

进一步的技术方案在于，所述基于医疗大数据及人工智能的医疗决策系统还包括：云服务器、云计算处理平台、数据接收模块、数据处理控制模块、基础系统模块、基础系统模块、用户端。

所述的医疗大数据系统、云计算处理平台、数据上传模块、数据接收模块、数据处理控制模块、基础系统模块、用户端、院内系统以及院外服务模块均与所述的云服务器网络连接；所述的医疗大数据系统与数据上传模块连接，数据上传模块与数据接收模块与数据处理控制模块通信连接；医疗大数据系统对数据上传模块上传的数据进行处理，将数据处理控制模块处理完成的数据进行压缩在通过数据上传模块上传至医疗大数据系统，最后将压缩完成后的数据通过数据处理控制模块进行简单处理并储存在医疗大数据系统中；所述云计算处理平台包括用户认证模块、服务请求管理模块、大规模数据计算处理中心模块，大规模数据计算处理中心模块由若干物理计算机器组成，计算资源分派模块用于进行计算资源内的分派工作；所述的基础系统模块，关联患者看病的重要医疗数据，并传送给云服务器；所述的院内系统，提供医院内部的医疗服务，方便患者就医；所述的云服务器，综合基础系统模块、院内系统以及院外服务模块的服务，并向用户端提供接口；所述的用户端，与云服务器对接，实时了解医疗服务情况、跟进医疗程序，最优化地进行医疗服务，及时给用户反馈最新医疗信息。

进一步的技术方案在于，所述病状关键词的提取方法为:

S11 通过分词工具将临床病状信息报告进行分词处理得到经过分词处理过的临床病状信息报告的词；

S12 将所述经过分词处理过的临床病状信息报告的词送入到已训练完成的基于LSTM算法的分类器进行关键词提取，并通过TF-IDF 算法进行关键词的提取；

S13 通过专家打分的形式分别对基于LSTM算法的分类器提取得到的关键词赋予第一权值和通过TF-IDF 算法提取得到的关键词赋予第二权值，并将两种算法提取得到的相同的关键词进行权值相加，不同的关键词则赋予其所对应的提取算法相对应的权值，提取权值大于第五阈值的关键词作为提取得到的关键词。

通过将有监督学习和无监督学习两种算法对关键词的提取的方式结合起来，并通过专家打分的形式对基于LSTM算法的分类器提取得到的关键词赋予第一权值，对通过TF-IDF 算法提取得到的关键词赋予第二权值，根据权值的高低选取最合适的关键词，使得关键词的提取更能与医学背景相结合，更能提取到临床病状信息报告中对于临床信息病状最为重要的关键词。

进一步的技术方案在于，其特征在于，对病状关键词进行所述相似度匹配的具体步骤为：

S21通过聚类算法将所述病状关键词进行聚类处理，包括多个复合聚类节点，其中每个复合聚类节点对应多个关键词；

S22 获取所述病状关键词，并将所述病状关键词与所述复合聚类节点进行匹配，并最终得到匹配复合聚类节点，从而实现关键词的相似度匹配。

由于不同病人或者不同医生对于同样的症状的表达方式和习惯各不相同，因此通过复合聚类节点的方式可以极大的提升匹配的准确性和效率，能够更好的筛选得到最终的相似诊疗案例。

进一步的技术方案在于，其特征在于，将所述病状关键词包括基本信息关键词和疾病信息关键词，所述相似度为基本信息关键词相似度和疾病信息关键词相似度的加权和，所述基本信息关键词相似度和所述疾病信息关键词相似度的权值由专家算法确定。

通过将病状关键词划分为基本信息关键词和疾病信息关键词，分别计算上述两种关键词的相似度，由于基本信息关键词的相似度和疾病信息关键词的相似度在最终确定疾病相似度时具有不同的意义，因此通过专家算法确认不同关键词相似度的权值，使其能够更加准确反应最终的病例的相似程度。

进一步的技术方案在于，其特征在于，所述基本信息关键词相似度和疾病信息关键词相似度的计算步骤为：

S31 通过专家算法赋予所述的复合聚类节点不同的权值；

S32通过所述基本信息关键词和所述疾病信息关键词分别与复合聚类节点进行匹配，根据匹配成功的复合聚类节点的权值以及匹配成功的数量，计算所述基本信息关键词相似度和疾病信息关键词相似度。

由于不同复合聚类节点对于最终的疾病判断，其作用不相同，通过专家算法确认不同复合聚类节点的权值，并根据关键匹配成功的复合聚类节点的权值和数量，计算最终的相似度，从而可以通过相似度判断两个病例之间的相似程度，也为最终确认得到相似病例奠定了基础。

进一步的技术方案在于，其特征在于，所述提取待就诊病人的临床诊疗影像信息，并与所述符合诊疗案例的临床诊疗影像信息进行匹配的具体步骤为：

S41 根据临床诊疗影像获取方式的不同以及身体部位的不同将其进行分类；

S42 将上述经过分类完成的临床诊疗影像通过聚类算法进行聚类，分别形成不同的图像聚类中心，并通过专家算法赋予其对应的疾病状态，通过HOG算法实现不同的图像聚类中心的关联特征量的提取。

S43基于HOG算法对所述的图像进行特征的提取，并将所述特征与所述图像聚类中心的关联特征量进行比对，从而得到与其关联的图像聚类中心；

S44 根据所述图像聚类中心得到的多个病例，并根据基于ResNet 网络构建的图像识别方法，实现对所述待就诊病人的临床诊疗影像的识别，得到疾病状态，并根据所述的疾病状态对所述的多个病例进一步进行匹配，得出匹配度，直到匹配度大于第三阈值时，确定此时的匹配诊疗案例。

由于不同的临床诊疗影像的监测设备形成的图像其标准和清晰度都有很大的区别，不同的身体部位的图像也不具有参考价值，因此通过进行分类，可以极大的降低图像识别的数量，提升识别速度。通过采用聚类算法，使得同一部位的不同角度用来判定同样的疾病的图像可以形成聚类，从而提升图像的识别准确率。通过首先采用特征提取的方式，接着采用神经网络的图像识别，通过两步的判断，使得最终的判断结果准确可靠。

附图说明

通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。

图1是根据实施例1中一种基于医疗大数据及人工智能的医疗决策系统的构成图。

图2是实施例1中病状关键词的提取方法的具体步骤的流程图。

图3是实施例1中的对病状关键词进行所述相似度匹配的具体步骤的流程图。

图4是实施例1中的基本信息关键词相似度和疾病信息关键词相似度的计算步骤的流程图。

图5是实施例1中的提取待就诊病人的临床诊疗影像信息，并与所述符合诊疗案例的临床诊疗影像信息进行匹配的具体步骤的流程图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。

用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。

实施例1

如图1所示，根据本发明的一个方面，提供了根据本发明的一个方面，提供了一种基于医疗大数据及人工智能的医疗决策系统。

一种基于医疗大数据及人工智能的医疗决策系统，其特征在于，具体包括：

医疗大数据系统、数据上传模块、院内系统；

所述医疗大数据系统负责对所述数据上传模块的上传数据进行处理，并根据待就诊病人的临床病状描述信息，生成待就诊病人的临床病状信息报告，并提取所述报告中的病状关键词；根据所述病状关键词与所述上传数据中诊疗案例的历史临床病状信息报告中的病状关键词进行相似度匹配，并将相似度高于第一阈值的诊疗病例作为相似诊疗案例；提取待就诊病人的临床诊疗检验信息数据，并与所述相似诊疗案例的临床诊疗检验信息数据进行匹配，并将符合度大于第二阈值的所述相似诊疗案例作为符合诊疗案例；提取待就诊病人的临床诊疗影像信息，并与所述符合诊疗案例的临床诊疗影像信息进行匹配，并将匹配度大于第三阈值的所述符合诊疗案例作为匹配诊疗案例；

所述数据上传模块负责将所述上传数据进行上传，所述上传数据包括待就诊病人以及诊疗病例的数据，所述数据包括历史临床病状信息报告、临床诊疗检验信息数据、临床诊疗影像信息；

所述院内系统负责生成所述上传数据，并将所述医疗大数据系统得到的所述匹配诊疗案例推送给诊断医生。

院内系统生成上传数据包括待就诊病人以及诊疗病例的数据，所述数据包括历史临床病状信息报告、临床诊疗检验信息数据、临床诊疗影像信息，并将所述上传数据通过数据上传模块上传至医疗大数据系统，医疗大数据系统首先通过对临床病状描述信息，生成待就诊病人的临床病状信息报告，并提取所述报告中的病状关键词；根据所述病状关键词与所述上传数据中的病状关键词进行相似度匹配，确定相似诊疗案例；再通过临床诊疗检验信息数据，确定所述相似诊疗案例中的符合诊疗案例；通过临床诊疗影像信息确定所述符合诊疗案例中的匹配诊疗案例，并将匹配诊疗案例推送给医生，辅助进行诊断，通过三步确认，使得筛选的数据维度逐渐降低，提高了筛选效率，降低了筛选难度。

医疗大数据首先通过待就诊病人的临床病状描述信息，生成待就诊病人的临床病状信息报告，并提取所述报告中的病状关键词，根据所述病状关键词与所述上传数据中诊疗案例的病状关键词的相似度比对结果，确定此时的相似诊疗案例，由于不同的病症其临床诊疗检验信息和临床诊疗影像信息会有一定的重复性，因此效率不会很高，因此通过首先对临床病状信息报告中的病状关键词进行相似度对比，可以极大的筛选出来类似临床病状指标的诊疗病例，避免由于首先采用临床诊疗检验信息和临床诊疗影像信息或者同时采用临床诊疗检验信息和临床诊疗影像信息以及临床病状信息报告，导致的效率不高的问题出现；在得到相似诊疗案例后，通过对临床诊疗检验信息的判断，筛选得到此时的符合诊疗案例，由于临床诊疗检验信息与临床诊疗影像信息相比，更加直观准确，在进行对比时，可以更快的筛选得到符合诊疗案例，从而进一步的降低了最后进行临床诊疗影像信息的数据量，最后通过临床医疗影响信息可以得到最终的匹配诊疗案例，匹配诊疗案例可以推送给医生，提高诊断可靠性，通过分步骤进行判断，将识别效率最低的临床诊疗影像信息放到最后一步，将区分能力最强的临床病状信息报告放在第一位，可以极大提升识别效率，速度较快，用户体验度得到明显提升，从而确保就诊医生在诊疗病人过程中能够结合多个诊疗案例进行参考分析，有效避免就诊医生的医学知识储备和诊疗经验积累不足的问题，提高就诊医生对病人病症的判断准确性，降低对病人病情健康等结论判断的误差性，进而辅助就诊医生更加快速、准确、合理地做出诊断。

在另外的一种可能的实施例中，病状关键词匹配、临床诊疗检验信息数据匹配、临床诊疗影像信息匹配可以采用其中任意一项或者任意两项进行病例的筛选。

根据病状和种类的不同，有时不需要进行临床诊疗检验或者临床诊疗影像检验，或者两者都不需要，因此在实际操作中，可以选择三种匹配中仅选择其中一项或者两项，同样可以实现对匹配诊疗案例的提取。

在另外的一种可能的实施例中，病状关键词匹配、临床诊疗检验信息数据匹配、临床诊疗影像信息匹配的先后顺序，可以按照病状的不同，进行调整。

在另外的一种可能的实施例中，所述基于医疗大数据及人工智能的医疗决策系统还包括院外服务模块，提供辅助医疗服务，有针对实时跟踪用户的诊疗情况以及服药情况。

通过设置院外服务模块，解决了原先病人在经过就诊和治疗后，医生对病人治疗后的恢复信息不能很好地跟踪的问题，由于无法实时跟踪，导致无法实现医生在病人恢复期间与病人的实时交互，从而使得医生无法实时掌握病人恢复情况，可能会给患者后续的治疗与随访带来极大的影响，通过设置员外服务模块，医生可以实现对病人恢复情况的掌握，从而提升病人的获得感和满足感，更有益于病人的康复。

在另外的一种可能的实施例中，所述基于医疗大数据及人工智能的医疗决策系统还包括：云服务器、云计算处理平台、数据接收模块、数据处理控制模块、基础系统模块、基础系统模块、用户端。

所述的医疗大数据系统、云计算处理平台、数据上传模块、数据接收模块、数据处理控制模块、基础系统模块、用户端、院内系统以及院外服务模块均与所述的云服务器网络连接；所述的医疗大数据系统与数据上传模块连接，数据上传模块与数据接收模块与数据处理控制模块通信连接；医疗大数据系统对数据上传模块上传的数据进行处理，将数据处理控制模块处理完成的数据进行压缩在通过数据上传模块上传至医疗大数据系统，最后将压缩完成后的数据通过数据处理控制模块进行简单处理并储存在医疗大数据系统中；所述云计算处理平台包括用户认证模块、服务请求管理模块、大规模数据计算处理中心模块，大规模数据计算处理中心模块由若干物理计算机器组成，计算资源分派模块用于进行计算资源内的分派工作；所述的基础系统模块，关联患者看病的重要医疗数据，并传送给云服务器；所述的院内系统，提供医院内部的医疗服务，方便患者就医；所述的云服务器，综合基础系统模块、院内系统以及院外服务模块的服务，并向用户端提供接口；所述的用户端，与云服务器对接，实时了解医疗服务情况、跟进医疗程序，最优化地进行医疗服务，及时给用户反馈最新医疗信息。

在另外的一种可能的实施例中，所述病状关键词的提取方法为:

S11 通过分词工具将临床病状信息报告进行分词处理得到经过分词处理过的临床病状信息报告的词；

S12 将所述经过分词处理过的临床病状信息报告的词送入到已训练完成的基于LSTM算法的分类器进行关键词提取，并通过TF-IDF 算法进行关键词的提取；

S13 通过专家打分的形式分别对基于LSTM算法的分类器提取得到的关键词赋予第一权值和通过TF-IDF 算法提取得到的关键词赋予第二权值，并将两种算法提取得到的相同的关键词进行权值相加，不同的关键词则赋予其所对应的提取算法相对应的权值，提取权值大于第五阈值的关键词作为提取得到的关键词。

通过将有监督学习和无监督学习两种算法对关键词的提取的方式结合起来，并通过专家打分的形式对基于LSTM算法的分类器提取得到的关键词赋予第一权值，对通过TF-IDF 算法提取得到的关键词赋予第二权值，根据权值的高低选取最合适的关键词，使得关键词的提取更能与医学背景相结合，更能提取到临床病状信息报告中对于临床信息病状最为重要的关键词。

在另外的一种可能的实施例中，其特征在于，对病状关键词进行所述相似度匹配的具体步骤为：

S21通过聚类算法将所述病状关键词进行聚类处理，包括多个复合聚类节点，其中每个复合聚类节点对应多个关键词；

S22 获取所述病状关键词，并将所述病状关键词与所述复合聚类节点进行匹配，并最终得到匹配复合聚类节点，从而实现关键词的相似度匹配。

由于不同病人或者不同医生对于同样的症状的表达方式和习惯各不相同，因此通过复合聚类节点的方式可以极大的提升匹配的准确性和效率，能够更好的筛选得到最终的相似诊疗案例。

在另外的一种可能的实施例中，其特征在于，将所述病状关键词包括基本信息关键词和疾病信息关键词，所述相似度为基本信息关键词相似度和疾病信息关键词相似度的加权和，所述基本信息关键词相似度和所述疾病信息关键词相似度的权值由专家算法确定。

通过将病状关键词划分为基本信息关键词和疾病信息关键词，分别计算上述两种关键词的相似度，由于基本信息关键词的相似度和疾病信息关键词的相似度在最终确定疾病相似度时具有不同的意义，因此通过专家算法确认不同关键词相似度的权值，使其能够更加准确反应最终的病例的相似程度。

在另外的一种可能的实施例中，其特征在于，所述基本信息关键词相似度和疾病信息关键词相似度的计算步骤为：

S31 通过专家算法赋予所述的复合聚类节点不同的权值；

S32通过所述基本信息关键词和所述疾病信息关键词分别与复合聚类节点进行匹配，根据匹配成功的复合聚类节点的权值以及匹配成功的数量，计算所述基本信息关键词相似度和疾病信息关键词相似度。

由于不同复合聚类节点对于最终的疾病判断，其作用不相同，通过专家算法确认不同复合聚类节点的权值，并根据关键匹配成功的复合聚类节点的权值和数量，计算最终的相似度，从而可以通过相似度判断两个病例之间的相似程度，也为最终确认得到相似病例奠定了基础。

在另外的一种可能的实施例中，其特征在于，所述提取待就诊病人的临床诊疗影像信息，并与所述符合诊疗案例的临床诊疗影像信息进行匹配的具体步骤为：

S41 根据临床诊疗影像获取方式的不同以及身体部位的不同将其进行分类；

S42 将上述经过分类完成的临床诊疗影像通过聚类算法进行聚类，分别形成不同的图像聚类中心，并通过专家算法赋予其对应的疾病状态，通过HOG算法实现不同的图像聚类中心的关联特征量的提取。

S43基于HOG算法对所述的图像进行特征的提取，并将所述特征与所述图像聚类中心的关联特征量进行比对，从而得到与其关联的图像聚类中心；

S44 根据所述图像聚类中心得到的多个病例，并根据基于ResNet 网络构建的图像识别方法，实现对所述待就诊病人的临床诊疗影像的识别，得到疾病状态，并根据所述的疾病状态对所述的多个病例进一步进行匹配，得出匹配度，直到匹配度大于第三阈值时，确定此时的匹配诊疗案例。

在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。

本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。

在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

可如下所述地配置本发明：

1）、一种基于医疗大数据及人工智能的医疗决策系统，具体包括：

医疗大数据系统、数据上传模块、院内系统；

医疗大数据系统负责对数据上传模块的上传数据进行处理，并根据待就诊病人的临床病状描述信息，生成待就诊病人的临床病状信息报告，并提取报告中的病状关键词；根据病状关键词与上传数据中诊疗案例的历史临床病状信息报告中的病状关键词进行相似度匹配，并将相似度高于第一阈值的诊疗病例作为相似诊疗案例；提取待就诊病人的临床诊疗检验信息数据，并与相似诊疗案例的临床诊疗检验信息数据进行匹配，并将符合度大于第二阈值的相似诊疗案例作为符合诊疗案例；提取待就诊病人的临床诊疗影像信息，并与符合诊疗案例的临床诊疗影像信息进行匹配，并将匹配度大于第三阈值的符合诊疗案例作为匹配诊疗案例；

数据上传模块负责将上传数据进行上传，上传数据包括待就诊病人以及诊疗病例的数据，数据包括历史临床病状信息报告、临床诊疗检验信息数据、临床诊疗影像信息；

院内系统负责生成上传数据，并将医疗大数据系统得到的匹配诊疗案例推送给诊断医生。

2）、根据1）的基于医疗大数据及人工智能的医疗决策系统，病状关键词匹配、临床诊疗检验信息数据匹配、临床诊疗影像信息匹配可以采用其中任意一项或者任意两项进行病例的筛选。

3）、根据1）或2）的基于医疗大数据及人工智能的医疗决策系统，病状关键词匹配、临床诊疗检验信息数据匹配、临床诊疗影像信息匹配的先后顺序，可以按照病状的不同，进行调整。

4）、根据1）-3）中任一项的基于医疗大数据及人工智能的医疗决策系统，基于医疗大数据及人工智能的医疗决策系统还包括院外服务模块，提供辅助医疗服务，有针对地实时跟踪用户的诊疗情况以及服药情况。

5）、根据1）-4）中任一项的基于医疗大数据及人工智能的医疗决策系统，基于医疗大数据及人工智能的医疗决策系统还包括：云服务器、云计算处理平台、数据接收模块、数据处理控制模块、基础系统模块、基础系统模块、用户端。

6）、根据1）-5）中任一项的基于医疗大数据及人工智能的医疗决策系统，病状关键词的提取方法为:

S11 通过分词工具将临床病状信息报告进行分词处理得到经过分词处理过的临床病状信息报告的词；

S12 将经过分词处理过的临床病状信息报告的词送入到已训练完成的基于LSTM算法的分类器进行关键词提取，并通过TF-IDF 算法进行关键词的提取；

S13 通过专家打分的形式分别对基于LSTM算法的分类器提取得到的关键词赋予第一权值和通过TF-IDF 算法提取得到的关键词赋予第二权值，并将两种算法提取得到的相同的关键词进行权值相加，不同的关键词则赋予其所对应的提取算法相对应的权值，提取权值大于第五阈值的关键词作为提取得到的关键词。

7、根据1）-6）中任一项的基于医疗大数据及人工智能的医疗决策系统，对病状关键词进行相似度匹配的具体步骤为：

S21通过聚类算法将病状关键词进行聚类处理，包括多个复合聚类节点，其中每个复合聚类节点对应多个关键词；

S22 获取病状关键词，并将病状关键词与复合聚类节点进行匹配，并最终得到匹配复合聚类节点，从而实现关键词的相似度匹配。

8、根据7）的基于医疗大数据及人工智能的医疗决策系统，将病状关键词包括基本信息关键词和疾病信息关键词，相似度为基本信息关键词相似度和疾病信息关键词相似度的加权和，基本信息关键词相似度和疾病信息关键词相似度的权值由专家算法确定。

9、根据8）的基于医疗大数据及人工智能的医疗决策系统，基本信息关键词相似度和疾病信息关键词相似度的计算步骤为：

S31 通过专家算法赋予的复合聚类节点不同的权值；

S32通过基本信息关键词和疾病信息关键词分别与复合聚类节点进行匹配，根据匹配成功的复合聚类节点的权值以及匹配成功的数量，计算基本信息关键词相似度和疾病信息关键词相似度。

10、根据1）-9）的基于医疗大数据及人工智能的医疗决策系统，提取待就诊病人的临床诊疗影像信息，并与符合诊疗案例的临床诊疗影像信息进行匹配的具体步骤为：

S41 根据临床诊疗影像获取方式的不同以及身体部位的不同将其进行分类；

S42 将上述经过分类完成的临床诊疗影像通过聚类算法进行聚类，分别形成不同的图像聚类中心，并通过专家算法赋予其对应的疾病状态，通过HOG算法实现不同的图像聚类中心的关联特征量的提取。

S43基于HOG算法对的图像进行特征的提取，并将特征与图像聚类中心的关联特征量进行比对，从而得到与其关联的图像聚类中心；

S44 根据图像聚类中心得到的多个病例，并根据基于ResNet 网络构建的图像识别方法，实现对待就诊病人的临床诊疗影像的识别，得到疾病状态，并根据的疾病状态对的多个病例进一步进行匹配，得出匹配度，直到匹配度大于第三阈值时，确定此时的匹配诊疗案例。

以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。