-
公开(公告)号：CN119849436A
公开(公告)日：2025-04-18
申请号：CN202411912226.9
申请日：2024-12-24
Applicant: 神州医疗科技股份有限公司
IPC: G06F40/126 , G06N3/045 , G06F16/31 , G06F16/334
Abstract: 本发明涉及一种文本向量表示方法、装置、电子设备及存储介质，该方法包括：获取待表示文本，所述待表示文本中包括多个文本片段；确定每个所述文本片段的静态嵌入向量以及位置向量；根据所有文本片段的静态嵌入向量和位置向量，确定各个所述文本片段之间的关联关系；根据所有文本片段的静态嵌入向量、位置向量和关联关系，确定所述待表示文本的文本向量。通过本发明的方法，不但保留了文本片段本身所表征的文本特征，还结合了文本片段之间的关联关系，可更加准确的对待表示文本进行准确的文本向量表示。
-
公开(公告)号：CN119557410A
公开(公告)日：2025-03-04
申请号：CN202510122166.9
申请日：2025-01-26
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/3329
Abstract: 本发明公开了一种结合功能函数和槽填充的大模型问答优化系统及方法，本发明通过槽位填充识别并填充查询中关键信息（如时间、地点、人物等）结合查询意图调用相应的功能函数或执行特定逻辑以完成任务，有效地解决现有大语言模型应用场景中经常出现的固执坚持己见、针对同一问题的多次提问反复做出同样的错误回答而无法理解用户意图的问题，使得大模型在处理用户提问时可以更准确地理解用户提问的意图，并更专业的调用功能函数回答用户的问题，可以在多轮问答中保持连贯性和一致性，提供更加流畅的用户体验，优化了整体的问答效果。
-
公开(公告)号：CN119557390A
公开(公告)日：2025-03-04
申请号：CN202510114181.9
申请日：2025-01-24
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/332 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于自训练范式模型的自然语言查询数据库方法及系统，通过本方法自训练的方式得到的范式模型，能够在应对其他领域的数据时就保证预测的准确度；无需数据库专业人员将这些提问转换为对应的查询语句、清洗或整理，可直接将自然语言输入模型提取语句转换信息，根据语句转换信息按照规则模板拼接生成对应的sql语句，使用sql语句在数据库中进行查询，返回给用户查询的结果，降低数据查询的难度并提高效率。
-
公开(公告)号：CN116955576B
公开(公告)日：2024-07-02
申请号：CN202311218911.7
申请日：2023-09-21
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/332 , G06F18/214 , G06F40/289 , G06F40/30 , G16H70/40 , G16H80/00
Abstract: 本发明涉及语言处理技术领域，特别提供一种基于人类反馈与强化学习的问答回复方法、系统及设备，该方法包括：基于目标数据，构造数据集，并基于数据集，对预训练模型进行继续预训练，得到初始问答模型；基于目标数据，构造三元组指令集数据；利用三元组指令集数据对初始问答模型进行优化，得到问答模型；基于目标数据，构造人类偏好指令集数据；基于人类偏好指令集数据，对问答模型进行训练，得到奖励模型；利用人类反馈强化学习机制，对奖励模型进行强化，得到问答回复模型，从而实现具备专业度较高的问答能力，以及具有回复人性化且专业准确性更高的特点。
-
公开(公告)号：CN117764204B
公开(公告)日：2024-06-07
申请号：CN202410191910.6
申请日：2024-02-21
Applicant: 神州医疗科技股份有限公司
Abstract: 本发明涉及医学数据构建技术领域，尤其涉及一种医学领域中的强化学习数据构建方法及系统；该方法包括：获取原始电子病例；对原始电子病例进行数据脱敏处理，得到脱敏数据集；对脱敏数据集进行实体标注和关系标注，构建状态集；构建预测集；对症状词语/症状关系词组与开源大模型答案进行人工校验，将正确的校验结果和对应的检查项价格进行标注，构建核对集；对检查项价格进行规整处理；构建强化学习数据集；基于该强化学习数据集，便于开展后续相关的强化学习，同时能够根据给定的病症或其它结果推荐价格较低的检查项目，以便为医生和患者在医学辅助诊断推荐决策中提供合适的推荐选择，降低医疗成本，提高医疗效果。
-
Patent Agency Ranking
公开(公告)号：CN117809792A
公开(公告)日：2024-04-02
申请号：CN202410221624.X
申请日：2024-02-28
Applicant: 神州医疗科技股份有限公司
IPC: G16H10/60 , G06F16/31 , G06F16/35 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种跨病种迁移时病种数据结构化的方法及系统；该方法包括：S1、构建问题库；S2、输出目标病种BERT语言模型和其它病种BERT语言模型；S3、过滤出目标病种句；S4、将目标病种句输入至目标病种BERT语言模型中，输出目标病种句向量；S5、得到目标病种已标注语料；S6、构造训练数据，将训练数据输入至初始分类模型中进行训练，得到训练分类模型；S7、得到目标病种结构化数据。本发明通过设置问题库，将病历和问题库结合输入至训练分类模型中，根据训练分类模型中的预测结果来提供结构化信息，从而得到较为精确和一致的病历数据整合结果，通过小批量样本标注以实现大批量样本标注的技术效果，能够满足跨病种迁移时的需求。
-
公开(公告)号：CN117708306A
公开(公告)日：2024-03-15
申请号：CN202410168381.8
申请日：2024-02-06
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/332 , G06F16/33 , G06F16/35 , G16H50/20 , G16H10/60 , G06F40/295 , G06F18/24 , G06N3/044 , G06N3/0442 , G06N3/0455
Abstract: 本发明公开了基于层进式问答结构的医学问答架构生成方法及系统，本方案利用电子病历文本结合层进式问答结构来进行医学问题和答案生成的技术框架，通过模仿医生层层递进式的提问方式，构建了一套完整的问题生成及问题回答框架，通过本方案提出的问答架构可以稳定准确的提取电子病历中的关键信息，并做出判断，然后送入后续的疾病诊断框架，提高医生获取患者关键信息的效率和准确率，降低误诊风险。
-
公开(公告)号：CN117349676A
公开(公告)日：2024-01-05
申请号：CN202311650060.3
申请日：2023-12-05
Applicant: 神州医疗科技股份有限公司
IPC: G06F18/214 , G06F18/2415 , G06F18/2431 , G06F16/25
Abstract: 本发明提供了基于mq端口和redis数据库的模型训练方法及系统，该方法包括以下步骤：将现有医疗数据的数据格式进行统一，并作为训练集；利用训练集对预测模型进行训练；利用预测模型输出预测结果，将预测结果和审核结果存储于数据库并进行对比；若预测结果进行过修改，则将审核结果作为正例数据，预测结果作为负例数据，并将所述正例数据和对应的负例数据作为一条样本存储于积存数据库中；将积存数据库中的样本作为自训练集输入预测模型，对预测模型重新训练，并将积存数据量重置为零。本发明将预测模型的输出结果进行存储以及发送人工审核，同时利用审核结果以及预测结果的对比，生成新的训练集，并对原预测模型进行重新训练。
-
公开(公告)号：CN116913459B
公开(公告)日：2023-12-15
申请号：CN202311171207.0
申请日：2023-09-12
Applicant: 神州医疗科技股份有限公司
IPC: G16H20/10 , G16H50/20 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/0442 , G06N3/08
Abstract: 本发明提供了基于深度卷积网络控制门模型的用药推荐方法及系统，该方法包括以下步骤：S1：获取现有的患者诊疗检查信息以及对应的最终用药数据；S2：根据患者诊疗检查信息与最终用药数据的对应关系，将每一条患者诊疗检查信息与最终用药数据进行数字ID映射的转化；S3：将转化为数字ID的患者诊疗信息作为输入，最终用药数据作为标签，输入控制门模型进行训练；S4：将实际患者诊疗信息输入控制门模型，输出建议用药概率。本发明通过深度卷积网络控制门模型学习已有的用户诊断检查数据，在训练完毕后，可以使用训练完毕的模型基于新的患者诊断检查检测指标对患者用药进行推荐，最终推荐出患者的最佳用药。
-
公开(公告)号：CN116955576A
公开(公告)日：2023-10-27
申请号：CN202311218911.7
申请日：2023-09-21
Applicant: 神州医疗科技股份有限公司
IPC: G06F16/332 , G06F18/214 , G06F40/289 , G06F40/30 , G16H70/40 , G16H80/00
Abstract: 本发明涉及语言处理技术领域，特别提供一种基于人类反馈与强化学习的问答回复方法、系统及设备，该方法包括：基于目标数据，构造数据集，并基于数据集，对预训练模型进行继续预训练，得到初始问答模型；基于目标数据，构造三元组指令集数据；利用三元组指令集数据对初始问答模型进行优化，得到问答模型；基于目标数据，构造人类偏好指令集数据；基于人类偏好指令集数据，对问答模型进行训练，得到奖励模型；利用人类反馈强化学习机制，对奖励模型进行强化，得到问答回复模型，从而实现具备专业度较高的问答能力，以及具有回复人性化且专业准确性更高的特点。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.039 seconds)
