本發(fā)明涉及數(shù)據(jù)處理，具體為基于人工智能的臨床研究報告自動撰寫系統(tǒng)及方法。
背景技術(shù)：
1、臨床研究報告（csr）是一份全面的監(jiān)管報告，描述了臨床研究中觀察到的數(shù)據(jù)和結(jié)果，一般要求在研究結(jié)束時撰寫，也有可能在研究過程中的其他時間產(chǎn)生；目前報告自動生成技術(shù)是一項廣泛應(yīng)用的技術(shù)，在臨床醫(yī)學(xué)領(lǐng)域，大多數(shù)臨床研究報告生成模型在初始步驟中僅考慮醫(yī)學(xué)影像或醫(yī)學(xué)報告、醫(yī)學(xué)影像和醫(yī)學(xué)報告特征信息匹配度不高的問題，導(dǎo)致對關(guān)鍵語義提取不足與模型魯棒性下降的問題；
2、近年來，隨著人工智能技術(shù)的快速發(fā)展，特別是大語言模型在自然語言處理各類任務(wù)上的成功應(yīng)用，報告的自動撰寫也得到了新的發(fā)展機(jī)遇；通過大語言模型，能夠根據(jù)自然語言表達(dá)的自動生成相應(yīng)的報告，在生成臨床研究報告的過程中，通常提出大語言模型進(jìn)行訓(xùn)練，并提出跨模態(tài)注意力機(jī)制，從而進(jìn)行全參數(shù)微調(diào)，這種方法消耗大量計算資源，且易破壞預(yù)訓(xùn)練的大語言模型的知識完整性，缺乏對不良反應(yīng)特征的顯式約束機(jī)制，誤檢率高，最終導(dǎo)致生成的報告不準(zhǔn)確；
3、另外，現(xiàn)代臨床醫(yī)學(xué)報告的生成高度依賴醫(yī)療設(shè)備輸出的檢測數(shù)據(jù)，包括影像學(xué)設(shè)備（ct、mri）、體外診斷設(shè)備（生化分析儀、血細(xì)胞儀）及生命體征監(jiān)測設(shè)備（心電監(jiān)護(hù)儀、呼吸機(jī)）等，這些設(shè)備理論上應(yīng)為臨床研究報告生成提供客觀、實時的數(shù)據(jù)支撐；然而，現(xiàn)有報告生成流程存在顯著的設(shè)備數(shù)據(jù)脫節(jié)問題，導(dǎo)致診斷準(zhǔn)確性受損，進(jìn)而影響臨床研究報告的準(zhǔn)確性，在一定程度上會引發(fā)醫(yī)療差錯。
技術(shù)實現(xiàn)思路
1、（一）解決的技術(shù)問題
2、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于人工智能的臨床研究報告自動撰寫系統(tǒng)及方法，解決了背景技術(shù)中提出的問題。
3、（二）技術(shù)方案
4、為實現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：
5、第一方面，本技術(shù)提供了一種基于人工智能的臨床研究報告自動撰寫系統(tǒng)，包括：
6、數(shù)據(jù)采集模塊，采集用戶上傳的臨床研究數(shù)據(jù)和設(shè)備畫像數(shù)據(jù)，并提煉報告要素；
7、關(guān)系映射模塊，基于報告要素，獲取臨床研究過程與報告要素具有映射關(guān)系的實體、實體類型以及對應(yīng)的參數(shù)點，獲取臨床研究過程與報告要素具有映射關(guān)系的不良反應(yīng)類型、病灶區(qū)域，從臨床研究過程中獲取與報告要素具有映射關(guān)系的研究設(shè)備內(nèi)部結(jié)構(gòu)；
8、訓(xùn)練微調(diào)模塊，基于映射關(guān)系，設(shè)置多條件編碼器，構(gòu)建對應(yīng)的微調(diào)指令，對大語言模型進(jìn)行多條件微調(diào)，并訓(xùn)練更新，獲得優(yōu)化的大語言模型。
9、進(jìn)一步地，提煉報告要素的步驟，包括：
10、從用戶上傳的臨床研究數(shù)據(jù)中提取研究要求，包括研究文獻(xiàn)、研究課題、研究方案、研究進(jìn)展、目標(biāo)病癥、目標(biāo)病狀；
11、從設(shè)備畫像數(shù)據(jù)中提取設(shè)備要求，包括設(shè)備老化要求和設(shè)備性能要求；
12、將研究要求和設(shè)備要求相結(jié)合，生成報告要素。
13、進(jìn)一步地，在獲取映射關(guān)系中，還包括：
14、解析報告要素，至少包括數(shù)據(jù)清洗和數(shù)據(jù)轉(zhuǎn)換；
15、確定待上傳的若干研究類型，采用biobert模型提取病狀、癥狀以及藥物實體，并獲取對應(yīng)的參數(shù)點，通過規(guī)則引擎匹配維度，執(zhí)行量化評估策略，獲取對應(yīng)的評估特征集和訓(xùn)練樣本量，并采用預(yù)設(shè)的大語言模型進(jìn)行預(yù)訓(xùn)練；其中，評估數(shù)據(jù)集包括匹配效率、匹配準(zhǔn)確率以及融合覆蓋率；
16、以各實體為節(jié)點，調(diào)取各實體類型，構(gòu)建包含目標(biāo)疾病－目標(biāo)癥狀－目標(biāo)藥物－研究類型的醫(yī)學(xué)知識圖譜；基于醫(yī)學(xué)知識圖譜獲取任一實體對應(yīng)的參數(shù)點，將參數(shù)點對應(yīng)的數(shù)值標(biāo)準(zhǔn)化為相對位置指標(biāo)，繪制參數(shù)變化曲線并疊加顯示動態(tài)標(biāo)準(zhǔn)區(qū)間，當(dāng)檢測至少兩個參數(shù)點超出動態(tài)標(biāo)準(zhǔn)區(qū)間時生成預(yù)警信號，并作為動態(tài)屬性注入至醫(yī)學(xué)知識圖譜上；
17、獲取病灶區(qū)域與報告要素具有映射關(guān)系的權(quán)重；
18、獲取研究設(shè)備內(nèi)部結(jié)構(gòu)與報告要素具有映射關(guān)系的超限閾值。
19、進(jìn)一步地，執(zhí)行量化評估策略，所依據(jù)的公式為：
20、；
21、式中，n表示訓(xùn)練樣本量，dtype表示研究類型，包括平行設(shè)計、析因設(shè)計、交叉設(shè)計以及混合設(shè)計，φ（·）表示對應(yīng)研究類型的特征指數(shù)的非線性加權(quán)結(jié)果，特征指數(shù)至少包括均衡性特征、交互強(qiáng)度特征以及個體差異特征中的一種，h表示標(biāo)準(zhǔn)化因子，βtype表示特征指數(shù)對應(yīng)的權(quán)重系數(shù)，es表示基礎(chǔ)樣本量，λ表示調(diào)節(jié)因子。
22、進(jìn)一步地，構(gòu)建微調(diào)指令的步驟，包括：
23、一次微調(diào)：基于評估特征集計算出價值指數(shù)，將價值指數(shù)與預(yù)設(shè)的標(biāo)準(zhǔn)價值區(qū)間[jz1，jz2]對比分析，自動匹配模板段落，且在觸發(fā)段落基礎(chǔ)模板和段落標(biāo)準(zhǔn)模板的條件下，調(diào)用nlp解釋性段落生成器，并自動標(biāo)注；
24、二次微調(diào)：建立聯(lián)合嵌入空間，包括視覺編碼器和文本編碼器，將病灶區(qū)域與報告要素具有映射關(guān)系的權(quán)重輸入至聯(lián)合嵌入空間中，為病灶區(qū)域設(shè)置場景特征矩陣并保留對齊損失度；建立條件編碼器，將權(quán)重和場景特征矩陣輸入至條件編碼器中，當(dāng)檢測到不良反應(yīng)類型則強(qiáng)制約束；
25、三次微調(diào)：獲取超過超限閾值的時間戳，隨機(jī)提取該時間戳對應(yīng)時刻前后的若干時刻以組成時序，且時序為動態(tài)變化量；提取該時序中相關(guān)聯(lián)的參數(shù)點對應(yīng)數(shù)值的平均值和波動值，并加權(quán)求和，計算出風(fēng)險等級，并調(diào)取醫(yī)學(xué)知識圖譜，判定參數(shù)點對應(yīng)的數(shù)值結(jié)果是否正確；
26、基于不同的風(fēng)險等級進(jìn)行內(nèi)容識別并標(biāo)簽分類，且風(fēng)險等級分為三級，每一級的風(fēng)險等級對應(yīng)的數(shù)值與生成報告內(nèi)容標(biāo)簽進(jìn)行數(shù)據(jù)綁定，并提供互聯(lián)網(wǎng)大數(shù)據(jù)對風(fēng)險標(biāo)簽進(jìn)行深度學(xué)習(xí)；對低于兩級的參數(shù)點，提供參數(shù)點對應(yīng)的校準(zhǔn)數(shù)值，反之，則標(biāo)記為參數(shù)點對應(yīng)的數(shù)值無效，并生成設(shè)備維修指令。
27、進(jìn)一步地，將價值指數(shù)與預(yù)設(shè)的標(biāo)準(zhǔn)價值區(qū)間[jz1，jz2]對比分析：
28、將價值指數(shù)標(biāo)記為value；
29、當(dāng)value＜jz1時，匹配段落基礎(chǔ)模板；
30、當(dāng)jz1≤value＜jz2時，匹配段落標(biāo)準(zhǔn)模板；
31、當(dāng)value≥jz2時，匹配段落頂級模板。
32、進(jìn)一步地，二次微調(diào)的步驟，包括：
33、建立聯(lián)合嵌入空間，利用視覺編碼器提取病灶區(qū)域的圖像特征，利用文本編碼器提取文本特征，將病灶區(qū)域和報告要素對應(yīng)的特征以及病灶區(qū)域與報告要素具有映射關(guān)系的權(quán)重映射到統(tǒng)一的空間；
34、將每個病灶區(qū)域的圖像特征和文本特征拼接為聯(lián)合特征向量，為病灶區(qū)域設(shè)置場景特征矩陣并保留對齊損失度；
35、當(dāng)檢測到不良反應(yīng)類型時，強(qiáng)制施加約束：loa=max（loa，1.5）；
36、式中，loa表示對齊損失度。
37、進(jìn)一步地，提取該時序中相關(guān)聯(lián)的參數(shù)點的步驟中，包括：在組建時序與參數(shù)點的關(guān)聯(lián)關(guān)系時，首先為每個參數(shù)點對應(yīng)的數(shù)值提供判斷標(biāo)準(zhǔn)，然后提取每條判斷標(biāo)準(zhǔn)與報告要素的對應(yīng)觸發(fā)關(guān)系。
38、第二方面，本技術(shù)提供了基于人工智能的臨床研究報告自動撰寫方法，包括以下步驟：
39、接收生成報告指令；
40、確定生成報告指令的設(shè)備畫像數(shù)據(jù)和臨床研究數(shù)據(jù)，并從中提煉報告要素；
41、基于報告要素，獲取臨床研究過程與報告要素具有映射關(guān)系的實體、實體類型以及對應(yīng)的參數(shù)點，和獲取臨床研究過程與報告要素具有映射關(guān)系的不良反應(yīng)類型、病灶區(qū)域，還從臨床研究過程中獲取與報告要素具有映射關(guān)系的研究設(shè)備內(nèi)部結(jié)構(gòu)；
42、基于映射關(guān)系，設(shè)置多條件編碼器，構(gòu)建對應(yīng)的微調(diào)指令，對大語言模型進(jìn)行多條件微調(diào)，并訓(xùn)練更新，獲得優(yōu)化的大語言模型。
43、（三）有益效果
44、本發(fā)明提供了基于人工智能的臨床研究報告自動撰寫系統(tǒng)及方法，具備以下有益效果：
45、1、本發(fā)明通過獲取臨床研究過程與報告要素具有映射關(guān)系的實體、實體類型以及對應(yīng)的參數(shù)點，和獲取臨床研究過程與報告要素具有映射關(guān)系的不良反應(yīng)類型、病灶區(qū)域，還從臨床研究過程中獲取與報告要素具有映射關(guān)系的研究設(shè)備內(nèi)部結(jié)構(gòu)；不僅實現(xiàn)了從文本到結(jié)構(gòu)化維度的自動化映射，還能通過動態(tài)學(xué)習(xí)和多模態(tài)融合持續(xù)提升匹配精度，形成具有臨床決策價值的智能分析引擎；通過建立醫(yī)學(xué)知識圖譜，提取實體對應(yīng)的參數(shù)點，繪制參數(shù)變化曲線并疊加顯示動態(tài)標(biāo)準(zhǔn)區(qū)間，對醫(yī)學(xué)知識圖譜動態(tài)更新，可實現(xiàn)臨床研究質(zhì)量的智能化、標(biāo)準(zhǔn)化監(jiān)控，顯著提升異常檢測效率與準(zhǔn)確性；
46、2、本發(fā)明先預(yù)訓(xùn)練大語言模型，并基于映射關(guān)系，設(shè)置多條件編碼器，構(gòu)建對應(yīng)的微調(diào)指令，對特定參數(shù)微調(diào)，實現(xiàn)大語言模型的優(yōu)化，不僅保證大語言模型的知識完整性，還提高了計算效率；在一次微調(diào)中，基于匹配效率、匹配準(zhǔn)確率以及融合覆蓋率構(gòu)建評估特征集，并計算出價值指數(shù)，自動匹配模板段落；在二次微調(diào)中，建立聯(lián)合嵌入空間，為病灶區(qū)域設(shè)置場景特征矩陣并保留對齊損失度，強(qiáng)化病灶，方便后期提取對診斷至關(guān)重要的局部特征，顯著提升對不良反應(yīng)特征的敏感性，對生成報告的語義理解更加深刻；在三次微調(diào)中，將設(shè)備內(nèi)部結(jié)構(gòu)、超限閾值融合于大語言模型中，解決了臨床研究中長期存在的設(shè)備狀態(tài)影響不可見、不可控難題。