本發(fā)明涉及語音識別領域、圖像識別領域、醫(yī)學領域、數(shù)據(jù)庫云計算等技術領域，特別是涉及一種醫(yī)療診斷機器人系統(tǒng)。
背景技術：
目前，隨著人類科學技術的不斷發(fā)展，深度學習(Deep Learning)正在成為機器學習領域的一個新興領域。近幾年，有關深度學習的應用越來越廣，已經涉及到語音識別、圖像識別、自然語言處理等領域。深度學習并將繼續(xù)影響到機器學習和人工智能的其它關鍵領域。
在人工智能和大數(shù)據(jù)云計算這兩個領域中，首先深度學習模型的出現(xiàn)帶來了眾多領域的變革，以往許多所不能解決的問題如無人駕駛都已經成為現(xiàn)實，醫(yī)療領域也不例外，深度學習已經在向醫(yī)療診斷領域邁進，另外大數(shù)據(jù)云計算也同樣為其他各領域提供了各種實現(xiàn)的可能。
目前，我國擁有的高水平的良醫(yī)與我國廣大的人口數(shù)量相比較，相對較少，醫(yī)生和護士的醫(yī)療資源十分緊缺，而且主要的專家一般集中在中心城市的少數(shù)幾個大醫(yī)院，由于他們需要面對來自全國各地的患者，患者數(shù)量多，導致有時在一些醫(yī)院，普通患者甚至可能要排上幾周甚至幾個月，才能得到診治。而在偏遠地區(qū)的醫(yī)院，所擁有的醫(yī)生資源就更加的稀少了，時常出現(xiàn)因無法及時進行醫(yī)療的情況，無法及時為患者生命健康提供有效的醫(yī)療保障。
因此，目前迫切需要開發(fā)出一種技術，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質。
技術實現(xiàn)要素：
有鑒于此，本發(fā)明的目的是提供一種醫(yī)療診斷機器人系統(tǒng)，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質，具有重大的生產實踐意義。
為此，本發(fā)明提供了一種醫(yī)療診斷機器人系統(tǒng)，包括：
語音系統(tǒng)模塊，用于采集需要診斷的病人的語言信息，并將病人的語音信息轉化成預設的語音特征數(shù)據(jù)，然后發(fā)送給醫(yī)學知識庫云服務系統(tǒng)模塊；
圖像處理系統(tǒng)模塊，用于接收外部圖像采集設備所采集的病人的患病部位圖像，然后執(zhí)行預處理操作后，將經過預處理的所述病人的患病部位圖像發(fā)送給圖像識別檢測模塊；
圖像識別檢測系統(tǒng)模塊，其作為深度學習的系統(tǒng)模塊，與圖像處理系統(tǒng)模塊相連接，用于接收所述圖像處理系統(tǒng)模塊發(fā)來的所述病人的患病部位圖像，并提取和識別出其中需要診斷的病人的患病部位圖像信息，然后發(fā)送給醫(yī)學知識庫云服務系統(tǒng)模塊；
醫(yī)學知識庫云服務系統(tǒng)模塊，分別與語音系統(tǒng)模塊和圖像識別檢測系統(tǒng)模塊相連接，用于存儲預設的醫(yī)學知識庫，并在接收到所述語音系統(tǒng)模塊發(fā)來的預設的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊發(fā)來的病人的患病部位圖像信息后，在所述醫(yī)學知識庫中篩選出對應的診斷數(shù)據(jù)并發(fā)送給用戶。
其中，所述醫(yī)學知識庫包括醫(yī)學專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學診斷知識數(shù)據(jù)庫以及它們之間的對應關系；
所述醫(yī)學專家數(shù)據(jù)庫包括預設多個醫(yī)學專家數(shù)據(jù)；
所述醫(yī)療案例數(shù)據(jù)庫包括預設多個醫(yī)療案例數(shù)據(jù)，所述醫(yī)療案例數(shù)據(jù)包括預先存儲的多個語音特征數(shù)據(jù)和患病部位圖像信息；
所述醫(yī)學診斷知識數(shù)據(jù)庫包括中醫(yī)診斷數(shù)據(jù)和西醫(yī)診斷數(shù)據(jù)，所述診斷數(shù)據(jù)包括診斷結果和治療方案。
其中，在所述圖像處理系統(tǒng)模塊中，所述預處理操作為光照補償操作。
其中，所述圖像識別檢測系統(tǒng)模塊包括神經網(wǎng)絡建立子模塊、神經網(wǎng)絡訓練子模塊和圖像檢測識別子模塊，其中：
神經網(wǎng)絡建立子模塊，用于建立預設卷積神經網(wǎng)絡，所述預設卷積神經網(wǎng)絡包括依次對所輸入的圖像進行處理的輸入層、第一層隱藏層、第二層隱藏層、第三層隱藏層和輸出層；
神經網(wǎng)絡訓練子模塊，與神經網(wǎng)絡建立子模塊相連接，用于預先采集多個預設標準患病部位圖像輸入到所述預設卷積神經網(wǎng)絡中，對所述預設卷積神經網(wǎng)絡進行訓練，直到使得所述預設卷積神經網(wǎng)絡的模型收斂，完成所述預設卷積神經網(wǎng)絡的訓練；
圖像檢測識別子模塊，分別與圖像處理系統(tǒng)模塊和神經網(wǎng)絡訓練子模塊相連接，用于將經過所述圖像處理系統(tǒng)模塊預處理的所述病人的患病部位圖像，輸入到所述神經網(wǎng)絡訓練子模塊完成訓練的所述預設卷積神經網(wǎng)絡中，識別獲得所述病人的患病部位圖像對應的深度卷積特征，然后將該深度卷積特征輸入到所述輸出層的預設分類器中進行病狀部位分類，區(qū)分出所述病人的患病部位圖像中與診斷有關的病癥信息和與診斷無關的圖像信息，并將所述病人的患病部位圖像中與診斷有關的病癥信息作為需要診斷的病人的患病部位圖像信息。
其中，所述醫(yī)學知識庫云服務系統(tǒng)模塊包括醫(yī)學知識庫存儲子模塊、病人診斷信息預處理子模塊，檢索對比子模塊和診斷數(shù)據(jù)識別輸出子模塊，其中：
醫(yī)學知識庫存儲子模塊，用于預先存儲醫(yī)學知識庫，所述醫(yī)學知識庫包括醫(yī)學專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學診斷知識數(shù)據(jù)庫以及它們之間的對應關系；
檢索對比子模塊，分別與語音系統(tǒng)模塊、圖像識別檢測系統(tǒng)模塊和醫(yī)學知識庫存儲子模塊相連接，用于接收所述語音系統(tǒng)模塊發(fā)來的預設的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊發(fā)來的病人的患病部位圖像信息，并從所述醫(yī)學知識庫存儲子模塊存儲的醫(yī)學知識庫中進行醫(yī)療案例數(shù)據(jù)的檢索與比對，獲得與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應的所述醫(yī)療案例數(shù)據(jù)庫中的全部醫(yī)療案例數(shù)據(jù)；
診斷數(shù)據(jù)識別輸出子模塊，與檢索對比子模塊相連接，用于根據(jù)所述檢索對比子模塊輸出的與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應的全部醫(yī)療案例數(shù)據(jù)，選擇其中相似度最高的醫(yī)療案例數(shù)據(jù)，然后在所述醫(yī)學知識庫存儲子模塊存儲的醫(yī)學知識庫中的醫(yī)學診斷知識數(shù)據(jù)庫中，篩選出與該相似度最高的醫(yī)療案例數(shù)據(jù)所對應的診斷數(shù)據(jù)，即獲得對應的診斷結果和治療方案，然后反饋給用戶。
其中，所述檢索對比子模塊，用于把經過病人診斷信息預處理子模塊處理后獲得的診斷信息與所述醫(yī)療案例數(shù)據(jù)庫中的預設多個醫(yī)療案例數(shù)據(jù)進行對比，匹配出其中相似度大于預設數(shù)值的全部醫(yī)療案例數(shù)據(jù)，以作為與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應的所述醫(yī)療案例數(shù)據(jù)庫中的全部醫(yī)療案例數(shù)據(jù)，并輸出給診斷數(shù)據(jù)識別輸出子模塊。
其中，還包括醫(yī)療案例更新系統(tǒng)模塊，與所述診斷數(shù)據(jù)識別輸出子模塊相連接，用于將所述檢索對比子模塊輸出的與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息作為新的一個醫(yī)療案例數(shù)據(jù)添加到所述醫(yī)療案例數(shù)據(jù)庫中，并將所述診斷數(shù)據(jù)識別輸出子模塊篩選出的對應的診斷數(shù)據(jù)作為新的診斷數(shù)據(jù)添加到所述醫(yī)學診斷知識數(shù)據(jù)庫中，并存儲該新的一個醫(yī)療案例數(shù)據(jù)和該新的診斷數(shù)據(jù)之間的映射關系。
其中，所述醫(yī)學知識庫云服務系統(tǒng)模塊為云端服務器。
由以上本發(fā)明提供的技術方案可見，與現(xiàn)有技術相比較，本發(fā)明提供了一種醫(yī)療診斷機器人系統(tǒng)，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質，具有重大的生產實踐意義。
附圖說明
圖1為本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)的結構方框圖。
具體實施方式
為了使本技術領域的人員更好地理解本發(fā)明方案，下面結合附圖和實施方式對本發(fā)明作進一步的詳細說明。
圖1為本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)的結構方框圖。
參見圖1，本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)，包括語音系統(tǒng)模塊100、圖像處理系統(tǒng)模塊200、圖像識別檢測系統(tǒng)模塊300、醫(yī)學知識庫云服務系統(tǒng)模塊400，其中：
語音系統(tǒng)模塊100，用于采集需要診斷的病人的語言信息(一般通過病人和病人的家屬、朋友采集)，并將病人的語音信息轉化成預設的語音特征數(shù)據(jù)(即本發(fā)明系統(tǒng)所需要的語音特征數(shù)據(jù)，例如為MP3或者WAV格式的語言文件)，然后發(fā)送給醫(yī)學知識庫云服務系統(tǒng)模塊400；
圖像處理系統(tǒng)模塊200，用于接收外部圖像采集設備(例如手機或者計算機)所采集的病人的患病部位圖像，然后執(zhí)行預處理操作后，將經過預處理的所述病人的患病部位圖像發(fā)送給圖像識別檢測模塊300；
圖像識別檢測系統(tǒng)模塊300，其作為深度學習的系統(tǒng)模塊，與圖像處理系統(tǒng)模塊200相連接，用于接收所述圖像處理系統(tǒng)模塊200發(fā)來的所述病人的患病部位圖像，并提取和識別出其中需要診斷的病人的患病部位圖像信息，然后發(fā)送給醫(yī)學知識庫云服務系統(tǒng)模塊400；
醫(yī)學知識庫云服務系統(tǒng)模塊400，分別與語音系統(tǒng)模塊100和圖像識別檢測系統(tǒng)模塊300相連接，用于存儲預設的醫(yī)學知識庫，并在接收到所述語音系統(tǒng)模塊100發(fā)來的預設的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊300發(fā)來的病人的患病部位圖像信息(所述預設的病人語音特征數(shù)據(jù)和病人的患病部位圖像信息一起可以統(tǒng)稱為病人病癥信息)后，在所述醫(yī)學知識庫中篩選出對應的診斷數(shù)據(jù)并發(fā)送給用戶(例如直接發(fā)送給用戶的手機、平板電腦等移動終端)；
其中，所述醫(yī)學知識庫優(yōu)選為預先存儲在云端服務器中，所述醫(yī)學知識庫包括醫(yī)學專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學診斷知識數(shù)據(jù)庫以及它們之間的對應關系(即映射關系，例如一一對應關系或者一對多的關系)；
所述醫(yī)學專家數(shù)據(jù)庫包括預設多個醫(yī)學專家數(shù)據(jù)；
所述醫(yī)療案例數(shù)據(jù)庫包括預設多個醫(yī)療案例數(shù)據(jù)，所述醫(yī)療案例數(shù)據(jù)包括預先存儲的多個語音特征數(shù)據(jù)和患病部位圖像信息(具體可以包括全國現(xiàn)有醫(yī)院具有的所有病人的語音特征數(shù)據(jù)和患病部位圖像信息)；
所述醫(yī)學診斷知識數(shù)據(jù)庫包括中醫(yī)診斷數(shù)據(jù)和西醫(yī)診斷數(shù)據(jù)，所述診斷數(shù)據(jù)包括診斷結果和治療方案。
在本發(fā)明中，語音系統(tǒng)模塊100可以為現(xiàn)有任意一種能夠將病人的語言信息轉換為預設的語音特征數(shù)據(jù)(例如為MP3或者WAV格式的語言文件)的語言模塊，例如可以為連接有麥克風的音頻模塊。因此，所述語音系統(tǒng)模塊100可以接收所需診斷的病人從移動端或PC端傳來的語音信號，通過對語音信號進行語意解析，將病人的語音信號轉化成系統(tǒng)所需要的語音特征特征數(shù)據(jù)，再將這些語音特征數(shù)據(jù)直接傳送到醫(yī)學知識庫云服務系統(tǒng)模塊400，由醫(yī)學知識庫云服務系統(tǒng)模塊400進行識別與比對。
在本發(fā)明中，所述外部圖像采集設備可以為任意一種具有圖像采集并傳輸功能的設備，例如手機、平板電腦或者計算機。
在本發(fā)明中，在所述圖像處理系統(tǒng)模塊200中，所述預處理操作優(yōu)選為光照補償操作，因此，通過光照補償來提高病人患病部位圖像的質量，最后再把預處理后的圖像傳送到圖像識別檢測系統(tǒng)模塊300，在圖像識別檢測系統(tǒng)模塊300中進行識別與特征提取。
在本發(fā)明中，對于所述圖像識別檢測系統(tǒng)模塊300，其包括神經網(wǎng)絡建立子模塊、神經網(wǎng)絡訓練子模塊和圖像檢測識別子模塊，這三個子模塊分別進行神經網(wǎng)絡各層的建立過程、神經網(wǎng)絡訓練過程和視頻圖像檢測識別過程三部分的處理操作，其中：
神經網(wǎng)絡建立子模塊，用于建立預設卷積神經網(wǎng)絡(Convolutional Neural Network，CNN)，所述預設卷積神經網(wǎng)絡包括依次對所輸入的圖像進行處理的輸入層、第一層隱藏層、第二層隱藏層、第三層隱藏層和輸出層；
神經網(wǎng)絡訓練子模塊，與神經網(wǎng)絡建立子模塊相連接，用于預先采集多個預設標準的患病部位圖像(例如用戶指定的尺寸大小的患病部位圖像)輸入到所述預設卷積神經網(wǎng)絡中，對所述預設卷積神經網(wǎng)絡進行訓練，直到使得所述預設卷積神經網(wǎng)絡的模型收斂，完成所述預設卷積神經網(wǎng)絡的訓練；
圖像檢測識別子模塊，分別與圖像處理系統(tǒng)模塊200和神經網(wǎng)絡訓練子模塊相連接，用于將經過所述圖像處理系統(tǒng)模塊200預處理的所述病人的患病部位圖像，輸入到所述神經網(wǎng)絡訓練子模塊完成訓練的所述預設卷積神經網(wǎng)絡中，識別獲得所述病人的患病部位圖像對應的深度卷積特征，然后將該深度卷積特征輸入到所述輸出層的預設分類器中進行病狀部位分類，區(qū)分出所述病人的患病部位圖像中與診斷有關的病癥信息和與診斷無關的圖像信息，并將所述病人的患病部位圖像中與診斷有關的病癥信息作為需要診斷的病人的患病部位圖像信息。
在本發(fā)明中，具體實現(xiàn)上，分類器的作用是根據(jù)前面卷積神經網(wǎng)絡提取的特征，對所述病人的患病部位圖像的類別進行病狀部位分類。具體實現(xiàn)上，本發(fā)明可以采用softmax分類器。所述病人的患病部位圖像的類別可以根據(jù)用戶的需要在本發(fā)明的系統(tǒng)中預先設置，類別可以包括手部類、腳部類、頭部、背部類和胸部類，當然還可以為其他的病狀部位分類。
對于softmax分類器，其可以計算不同類別的深度卷積特征的概率分布，根據(jù)不同概率分布來判斷病人的患病部位圖像的類別。具體的操作過程是前一層的輸出是一系特征值，通過將這些特征值乘以不同的權重然后進行歸一化處理，即可得到不同表情的概率分布。
在本發(fā)明中，具體實現(xiàn)上，對于神經網(wǎng)絡建立子模塊(這句話同時刪掉)，其根據(jù)要訓練大量的醫(yī)療診斷數(shù)據(jù)和時間效率兩方面的因素考慮，建立一個包含輸入層、中間三個隱藏層、一個輸出層的BP神經網(wǎng)絡模型，其中輸入層包含有近百個(或者其他任意多個)含有醫(yī)療診斷數(shù)據(jù)特征的節(jié)點，第一層隱藏層含有的節(jié)點數(shù)可以為55個(或者其他預設多個)，第二層隱藏層的節(jié)點數(shù)可以為35個(或者其他預設多個)，第三層隱藏層的節(jié)點數(shù)為35個(或者其他預設多個)，其中每個隱藏層的節(jié)點與上層的輸出值都具有映射關系，輸出層可以包含有20個(或者其他預設多個)具有醫(yī)療診斷數(shù)據(jù)特征(如上述的病狀部位分類)的節(jié)點，另外，本發(fā)明的預設卷積神經網(wǎng)絡中，可以利用softmax分類器做輸出層，以進行最后病人的患病部位圖像特征的識別與分類(如上述的病狀部位分類)。
在本發(fā)明中，具體實現(xiàn)上，在預設卷積神經網(wǎng)絡中，各層的各節(jié)點可以采用人工或隨機方法的設定相應的數(shù)學模型和相關參數(shù)，在輸入層中，各節(jié)點設定的輸入值為所需相應的醫(yī)療診斷數(shù)據(jù)特征，兩個隱藏層還有最后的輸出層中對應節(jié)點的輸入值分別為上一層輸出的醫(yī)療診斷特征對應的值，另外每層都設置好相應的權值參數(shù)ω和偏置參數(shù)κ，進而各層之間的輸入和輸出關系表示為：y＝ωx+κ，其中，x表示輸入神經元，y表示輸出神經元，w為權重，κ為偏置。
在本發(fā)明中，具體實現(xiàn)上，對于神經網(wǎng)絡訓練子模塊，其采用優(yōu)化的BP算法進行對預設卷積神經網(wǎng)絡的訓練，首先在訓練之前，通過設定閾值和權值，使閾值和權值進行從-1到1范圍內的隨機初始化，在數(shù)據(jù)擬合時，本發(fā)明利用Sigmoid雙余弦正切函數(shù)作為激勵函數(shù)，把它放到中間層輸出之后，來保證輸出節(jié)點的值能在(0，1)這個范圍內，另外，本發(fā)明可以通過設置一個損失函數(shù)loss來判斷誤差，損失函數(shù)的計算公式為：
其中，Y0為預設卷積神經網(wǎng)絡的預測輸出，而Ytrue為對應的標定輸出，當最后的標定輸出Ytrue與預測輸出Y0相差很遠時，這時對應的損失函數(shù)loss就會很大，預設卷積神經網(wǎng)絡就會進行誤差反傳來更新網(wǎng)絡的模型參數(shù)，當預設卷積神經網(wǎng)絡每訓練一次，對應的各層的權值參數(shù)ω和偏置參數(shù)κ就會更新一次，進而使最后的標定輸出Ytrue與預測輸出Y0差值越來越小，當預設卷積神經網(wǎng)絡經過多次訓練后，這時loss就會小于一定閾值，預設卷積神經網(wǎng)絡中止訓練，此時的訓練過程結束，完成所述預設卷積神經網(wǎng)絡的訓練。
在本發(fā)明中，具體實現(xiàn)上，對于圖像檢測識別子模塊，其基于神經網(wǎng)絡訓練子模塊訓練好的所述預設卷積神經網(wǎng)絡，來對經過所述圖像處理系統(tǒng)模塊200預處理的所述病人的患病部位圖像進行檢測，識別獲取病人的患病部位圖像對應的深度卷積特征，再把這些病人的深度卷積特征輸入到輸出層softmax分類器中，區(qū)分出所述病人的患病部位圖像中與診斷有關的病癥信息和與診斷無關的圖像信息，并將所述病人的患病部位圖像中與診斷有關的病癥信息作為需要診斷的病人的患病部位圖像信息，從而得到最終病人的患病部位圖像的分類與識別結果。
需要說明的是，對于本發(fā)明，圖像識別檢測系統(tǒng)模塊300的作用過程包括神經網(wǎng)絡各層的建立過程、神經網(wǎng)絡訓練過程和視頻圖像檢測識別過程，本發(fā)明可以通過采用優(yōu)化的誤差反向傳播(BP)算法來加快訓練過程的收斂速度，進而避免因訓練大量醫(yī)學方面的樣本而陷入局部極小的情況，通過模型訓練來自動學習醫(yī)生或醫(yī)療診斷的病理的分析過程；另外本發(fā)明通過設計恰當?shù)恼`差反向傳播BP網(wǎng)絡結構和初始權值范圍，來優(yōu)化加速整個醫(yī)療診斷模型，最后做出針對大量醫(yī)療診斷數(shù)據(jù)的正確及時分析。
在本發(fā)明中，對于所述醫(yī)學知識庫云服務系統(tǒng)模塊400，其包括醫(yī)學知識庫存儲子模塊、檢索對比子模塊和診斷數(shù)據(jù)識別輸出子模塊，其中，檢索對比子模塊和診斷數(shù)據(jù)識別輸出子模塊這兩個子模塊分別從云端數(shù)據(jù)庫中進行醫(yī)療案例檢索與比對和診斷治療方案輸出兩個部分的處理操作，其中：
醫(yī)學知識庫存儲子模塊，用于預先存儲醫(yī)學知識庫(優(yōu)選為預先存儲在云端服務器中)，所述醫(yī)學知識庫包括醫(yī)學專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學診斷知識數(shù)據(jù)庫以及它們之間的對應關系(例如一一對應關系或者一對多的關系)；
在本發(fā)明中，需要說明的是，如前所述，可以通過圖像識別檢測系統(tǒng)模塊300(作為深度學習系統(tǒng)模塊)設計優(yōu)化訓練好的預設卷積神經網(wǎng)絡(即深度卷積模型)來區(qū)分過濾:在訓練預設卷積神經網(wǎng)絡模型時，本發(fā)明可以把多個預設標準患病部位圖像中存在的各種大量的病癥信息與同時對應的無關圖像特征信息分別進行正負分類(即分別作為正樣本和負樣本)進行訓練，訓練時，將預先獲取學習各種病癥信息所有關與無關的深度卷積特征，再將該深度卷積特征輸入到預設卷積神經網(wǎng)絡模型的輸出層中預設的分類器中，以進行病狀部位分類，最終獲得能夠有效地把病癥信息(即與診斷有關信息)和與診斷無關的其他圖像信息進行區(qū)分，以判斷分類的卷積神經網(wǎng)絡模型，在接受到病人傳來的患病部位圖像信息后送到預設卷積神經網(wǎng)絡模型中，進而過濾掉與診斷無關的圖像特征信息，輸出與診斷有關的病人的病癥信息(即需要診斷的患病部位圖像信息)。
檢索對比子模塊，分別與語音系統(tǒng)模塊100、圖像識別檢測系統(tǒng)模塊300和醫(yī)學知識庫存儲子模塊相連接，用于接收所述語音系統(tǒng)模塊100發(fā)來的預設的病人語音特征數(shù)據(jù)或所述圖像識別檢測系統(tǒng)模塊300發(fā)來的病人的患病部位圖像信息(所述預設的病人語音特征數(shù)據(jù)和病人的患病部位圖像信息一起可以統(tǒng)稱為病人病癥信息)，并從所述醫(yī)學知識庫存儲子模塊存儲的醫(yī)學知識庫中進行醫(yī)療案例的檢索與比對，獲得與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應的所述醫(yī)療案例數(shù)據(jù)庫中的醫(yī)療案例數(shù)據(jù)；
需要說明的是，對于本發(fā)明，具體實現(xiàn)上，可以預先在云端服務器中建立醫(yī)學知識庫，所述醫(yī)學知識庫包括醫(yī)學專家數(shù)據(jù)庫、醫(yī)療案例數(shù)據(jù)庫和醫(yī)學診斷知識數(shù)據(jù)庫以及它們之間的對應關系(例如一一對應關系或者一對多的關系)；然后，通過檢索對比子模塊把所需診斷的特征數(shù)據(jù)(如語音特征數(shù)據(jù)和患病部位圖像信息)與所述醫(yī)療案例數(shù)據(jù)庫中的預設多個醫(yī)療案例數(shù)據(jù)(例如可以包含全國現(xiàn)有醫(yī)院具有的所有病人的語音特征數(shù)據(jù)和患病部位圖像信息)進行對比，匹配出其中相似度大于預設數(shù)值(例如為99％)的全部醫(yī)療案例數(shù)據(jù)，以作為與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應的所述醫(yī)療案例數(shù)據(jù)庫中的全部醫(yī)療案例數(shù)據(jù)，并輸出給診斷數(shù)據(jù)識別輸出子模塊；
診斷數(shù)據(jù)識別輸出子模塊，與檢索對比子模塊相連接，用于根據(jù)所述檢索對比子模塊輸出的與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息對應的全部醫(yī)療案例數(shù)據(jù)，選擇其中相似度最高的醫(yī)療案例數(shù)據(jù)，然后在所述醫(yī)學知識庫存儲子模塊存儲的醫(yī)學知識庫中的醫(yī)學診斷知識數(shù)據(jù)庫中，篩選出與該相似度最高的醫(yī)療案例數(shù)據(jù)所對應的診斷數(shù)據(jù)(即為所述醫(yī)學知識庫中存儲的治療效果最佳的診斷數(shù)據(jù))，即獲得對應的診斷結果和治療方案，然后反饋給用戶。
對于本發(fā)明，具體實現(xiàn)上，本發(fā)明提供的醫(yī)療診斷機器人系統(tǒng)還包括醫(yī)療案例更新系統(tǒng)模塊，與所述診斷數(shù)據(jù)識別輸出子模塊相連接，用于將所述檢索對比子模塊輸出的與預設的病人語音特征數(shù)據(jù)或者病人的患病部位圖像信息作為新的一個醫(yī)療案例數(shù)據(jù)添加到所述醫(yī)療案例數(shù)據(jù)庫中，并將所述診斷數(shù)據(jù)識別輸出子模塊篩選出的對應的診斷數(shù)據(jù)作為新的診斷數(shù)據(jù)添加到所述醫(yī)學診斷知識數(shù)據(jù)庫中，并存儲該新的一個醫(yī)療案例數(shù)據(jù)和該新的診斷數(shù)據(jù)之間的映射關系。
因此，本發(fā)明提供的醫(yī)療診斷機器人系統(tǒng)中，可以讓醫(yī)學知識庫云服務系統(tǒng)又具有自我學習的功能，能夠把剛剛診斷的新的案例進行學習，并把學習的新的診斷案例添加到云端數(shù)據(jù)庫中。
需要說明的是，對于本發(fā)明，醫(yī)學知識庫云服務系統(tǒng)模塊400可以對語音系統(tǒng)模塊100和圖像識別檢測系統(tǒng)模塊300傳來的病人的病癥信息來進行分析與比對，本發(fā)明的醫(yī)學知識庫云服務系統(tǒng)模塊的數(shù)據(jù)庫中涵蓋了海量的醫(yī)學專家數(shù)據(jù)、醫(yī)學知識數(shù)據(jù)(中醫(yī)診斷數(shù)據(jù)與西醫(yī)診斷數(shù)據(jù))、醫(yī)療案例數(shù)據(jù)，從而能夠實時有效對傳來的病癥信息進行篩選與比對分析，同時具有自我學習、自我管理、并能接受來自大量移動端請求的功能，進行及時有效地醫(yī)療診斷與反饋。
對于本發(fā)明提供的一種醫(yī)療診斷機器人系統(tǒng)，其為用戶進行服務的整體流程如下：
首先，病人患者可以根據(jù)自己的情況選擇是在PC端還是在移動端登錄本發(fā)明的醫(yī)學診斷機器人系統(tǒng)，登錄成功后患者需要對是否是初診病情進行選擇判斷，然后病人患者需要自我描述病情且錄音，并且上傳相關病情或患病部位的圖像等。
然后，系統(tǒng)會把病人患者自述的語音信息傳送到語音系統(tǒng)模塊，語音系統(tǒng)模塊先對語音信號進行語意解析，實現(xiàn)將病人的語音信號轉化成系統(tǒng)所需要的語音特征信息，再將這些語音特征直接傳送到醫(yī)學知識庫云服務系統(tǒng)模塊進行識別與比對；
此外，本發(fā)明的系統(tǒng)可以先將病人上傳的的相關病情或患病部位的圖像進行預處理操作，主要進行光照補償操作來增強圖像的質量，然后把預處理后的圖像傳送到圖像識別檢測系統(tǒng)模塊，在本此模塊的神經網(wǎng)絡中進行對圖像特征的識別分類，最后在把識別到的病人圖像特征(具體為患病部位圖像信息)傳送到醫(yī)學知識庫云服務系統(tǒng)模塊中進行篩選與比對分析；
在本發(fā)明中，事先由所述語音系統(tǒng)模塊100和所述圖像識別檢測系統(tǒng)模塊300是對傳來的病人病癥信息((所述預設的病人語音特征數(shù)據(jù)和病人的患病部位圖像信息一起可以統(tǒng)稱為病人病癥信息)進行預處理操作，過濾掉跟診斷無關的特征信息；接著從醫(yī)學知識庫云服務系統(tǒng)模塊建立的醫(yī)學知識庫(是云端數(shù)據(jù)庫)中進行醫(yī)療診斷案例檢索與比對，通過相似度計算，把相似度高于99％的案例與病人的診斷的特征數(shù)據(jù)進行匹配，得到對應的診斷結果(即對應的所述醫(yī)療案例數(shù)據(jù)庫中的醫(yī)療案例數(shù)據(jù))
最后，把得到的診斷結果輸送到醫(yī)學知識庫云服務系統(tǒng)模塊建立的醫(yī)學知識庫中的醫(yī)學專家數(shù)據(jù)庫和醫(yī)療案例數(shù)據(jù)庫中進行檢索和比對，把相似度最高的和治療效果最佳的相似案例進行篩檢，最后做相應的調整，輸出最后的診斷結果和治療方案，并將結果及時反饋給診斷病人，同時醫(yī)學知識庫云服務系統(tǒng)模塊又具有自我學習的功能，把剛剛診斷的新的案例進行學習，并把學習的新的診斷案例添加到云端數(shù)據(jù)庫中。
因此，基于以上技術方案可知，本發(fā)明包括以下的有益效果：
首先，本發(fā)明擺脫了病人必需到醫(yī)院找醫(yī)生就醫(yī)診斷的傳統(tǒng)診斷模式，發(fā)明了病人本人可以在PC和移動端自助進行醫(yī)療診斷的醫(yī)療診斷機器人系統(tǒng)；
其次，本發(fā)明的系統(tǒng)加入了圖像識別檢測系統(tǒng)模塊，其作為深度學習的系統(tǒng)模塊，可以實時準確的識別出病人的圖像特征信息，進而方便了病人案例的判斷；
最后，本發(fā)明又添加了醫(yī)學知識庫云服務系統(tǒng)模塊，可以利用大數(shù)據(jù)與云計算進行輔助，對提取出來了特征信息進行篩選與分析比對，及時準確地分析出診斷出病人的病因，并將最佳診斷治療方案反饋給病人；
另外，本發(fā)明的基于深度學習的醫(yī)療診斷機器人系統(tǒng)，其可以在移動端(Android平臺或者ISO平臺)或PC端上運行，可以通過通訊設施與后臺的醫(yī)學知識庫云服務系統(tǒng)模塊完成數(shù)據(jù)交互；同時具有自我學習、自我管理、并能接受來自大量移動端請求的功能，進行及時有效地醫(yī)療診斷與反饋。
在本發(fā)明中，具體實現(xiàn)上，所述圖像處理系統(tǒng)模塊200和圖像識別檢測系統(tǒng)模塊300可以為中央處理器CPU、數(shù)字信號處理器DSP或者單片機MCU，或者為云端服務器。
在本發(fā)明中，具體實現(xiàn)上，所述醫(yī)學知識庫云服務系統(tǒng)模塊400可以為云端服務器，由云端服務器的數(shù)據(jù)存儲器(例如硬盤)來預先存儲所述醫(yī)學知識庫。
綜上所述，與現(xiàn)有技術相比較，本發(fā)明提供了一種醫(yī)療診斷機器人系統(tǒng)，其可以準確地對患者的病狀和病因進行診斷，為患者提出理想的診斷治療方案，能夠節(jié)約患者寶貴的治療時間，保證患者及時得到治療，滿足廣大患者對就醫(yī)診斷的迫切要求，提高人們的生活品質，具有重大的生產實踐意義。
通過使用本發(fā)明提供的技術，可以使得人們工作和生活的便利性得到很大的提高，極大地提高了人們的生活水平。
以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。