239 / 2024-09-10 21:43:50

蓝图慧医-基于深度学习的医疗问答系统

互联网的普及带来了信息的爆炸式增长，人们对信息检索的需求也随之不断提高。针对用户的提问，传统的信息检索返回若干相关文档，检索的效果严重依赖于用户的关键词选择，且用户需要自己从中提取答案，这种形式越来越无法满足用户需求。问答系统接受自然语言形式的问题作为输入，输出简洁的答案或可能答案的列表。问答系统因其发展的巨大潜力，近年来受到了学术界和工业界的广泛重视。语义理解、对话管理等问答系统中的核心技术随着深度学习的快速发展不断革新；应用产品也层出不穷。

很多领域都在呼唤问答系统技术的普及，医疗领域便是其中之一。由于当下中国公共医疗资源的紧缺，很多患者会选择在网上寻求医疗咨询。以中国最大的在线诊断和咨询平台平安好医生为例，拥有超过2亿注册用户，平均每日流量超过50万。在线健康论坛120ask上有超过7100万与药物相关的查询。依靠专家对此进行回复，效率低下、价格昂贵，且难以应对如此庞大的问诊需求。依据专业知识库，且基于自然语言的自动问答系统无疑非常适合解决这个问题。同时，线上问答系统可以很好的缓解医疗资源不足的压力，作为线下问诊医疗资源的补充。

本设计提出了一种基于深度语义匹配模型的问答系统框架，并将该框架应用在一份儿科护理数据中，实现一个儿科护理问答系统。主要研究内容如下：①提出了一种基于深度语义匹配模型的问答系统框架，该框架模块化程度高，具有良好的迁移能力，兼顾响应质量和响应速度；②针对系统中的核心技术——语义匹配进行深入研究，基于BERT模型搭建深度语义匹配模型，并尝试通过加入关键词信息提升模型效果；在加入关键词后模型效果没有显著提升，通过查阅文献，添加注意力机制、更换损失函数等操作，最终使模型效果有所提升。③应用本工作所提出的框架，实现一个具体细分医学领域的问答系统应用，并部署Web服务。

在创新方面本设计提出了一种基于深度语义匹配模型的问答系统框架，并将该框架应用在一份儿科护理数据中，实现一个儿科护理问答系统。应用的方法，场景以及提出的框架模型较为新颖。

在创新方面我们的项目不仅加入了数据可视化模型，可以让用户更加直观的看到所搜索的医疗问题的答案与体系，在搭配深度语义匹配模型后，框架模块程度高，更加的精确

在未来随着我国国情不断变好，人们会越来越注意健康方面的问题，而医疗资源紧缺的问题在现在就有所存在，所以一种无需人前往医院，而就能分析出详细或让人知道大概信息的软件就显得尤为重要于实用

现代医院的排号及签到功能也让大多数中老年人望而止步，我们的项目可以帮助改变这一缺陷，使更多的中老年人及青少年了解并使用医疗知识。

本次设计的配置环境为：电脑系统版本：Window11；CUDA版本：11.6；python版本：3.7.16；Pytorch版本：1.12.1；显卡是否可用：可用；显卡数量:1；是否支持BF16数字格式：支持；当前显卡型号:NVIDIA GeForce RTX 3050 Ti Laptop GPU；当前显卡的CUDA算力：(8，6)；当前显卡的总显存：3.99951171875GB；是否支持TensorCore：支持；当前显卡的显存使用率：0.0%；transformers版本：4.18.0。

利用Flask进行BERT模型部署，如图所示。具体流程如下：准备工作，安装必要的库（Flask、TensorFlow、Transformers、和NumPy库）。编写请求处理函数，根据 Flask 的要求，编写请求处理函数。这个函数包含了接受相应的请求、处理请求所带来的参数；对请求中的文本进行预处理，包括对文本进行分词、转化成模型所需的输入格式等操作。调用模型进行推理，对模型输出进行后处理，将结果转化成用户友好的格式。返回推理结果，编写模型推理函数：编写模型推理函数，该函数接收模型输入并返回模型输出。同时，需要TensorFlow和Transformers库加载预训练好的BERT模型，并在推理函数中使用该模型进行推理。加载模型，将训练好的BERT模型加载到内存中，以备在请求处理函数中使用。运行Flask应用，将请求处理函数注册到Flask应用中，并启动应用。测试，使用浏览器或其它请求发送工具（如Postman），发送请求到Flask应用中，验证模型部署是否正确。

在部署时，可以使用GPU环境来提高模型推理速度，同时可使用TensorFlow Serving或者以ONNX格式保存模型并使用ONNX Runtime进行推理，以提高部署的性能和稳定性。