面向醫(yī)療設(shè)備的深度問答系統(tǒng)的設(shè)計(jì)

饒林尚 吳 怡 馮前進(jìn)

(南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院 廣東 廣州 510515)(廣東省醫(yī)學(xué)圖像處理重點(diǎn)實(shí)驗(yàn)室 廣東 廣州 510515)

0 引 言

近年來隨著中國經(jīng)濟(jì)高速發(fā)展及社會老齡化加劇，人們對醫(yī)療資源的需求不斷增長。醫(yī)院巨資引進(jìn)大量先進(jìn)醫(yī)療設(shè)備，但是同時(shí)，醫(yī)院用于對設(shè)備售后管理的費(fèi)用也以更高的速度增長[1]。主要原因有：(1) 大型醫(yī)療設(shè)備例如CT、MRI設(shè)備，屬于集成度較高的精密電子設(shè)備,隨著設(shè)備的復(fù)雜化、模塊化，及廠家提供的資料有限，設(shè)備工程師越難以找出故障和短時(shí)間內(nèi)給出合適的解決方案。因此，相對于醫(yī)療儀器技術(shù)的發(fā)展，醫(yī)院對設(shè)備的自主保養(yǎng)維修能力反而下降。設(shè)備不能及時(shí)維修影響到醫(yī)院的運(yùn)營和甚至引發(fā)不良的醫(yī)患糾紛。(2) 醫(yī)療設(shè)備銷售市場競爭激烈,設(shè)備的售后市場的利潤也逐漸引起了設(shè)備廠商的注意,導(dǎo)致醫(yī)院對設(shè)備的保養(yǎng)和維修成本隨之增加[2]。

近年來，深度學(xué)習(xí)被應(yīng)用于各行各業(yè)，在問答系統(tǒng)方面也有很廣泛的研究和應(yīng)用。自2011年，IBM的深度問答系統(tǒng)(Deep QA System)在美國電視競答節(jié)目Jeopardy中，以絕對優(yōu)勢擊敗該節(jié)目的兩位前冠軍以來，越來越多的企業(yè)開始重視研究Deep QA System，紛紛把自身的業(yè)務(wù)與自然語言處理、深度學(xué)習(xí)結(jié)合起來[3]。2014年，微軟推出“微軟小冰”，實(shí)現(xiàn)開放領(lǐng)域人工智能對話。它衍生的產(chǎn)品形態(tài)涉及對話式人工智能機(jī)器人、智能語音助手和一系列垂直領(lǐng)域解決方案。2016年3月,京東推出京東JIMI客服機(jī)器人，能夠代替人工客服完成一般的咨詢服務(wù)，涵蓋售前咨詢、售后服務(wù)等電子商務(wù)環(huán)節(jié)。2016年，百度推出百度醫(yī)療大腦，結(jié)合深度學(xué)習(xí)和大數(shù)據(jù)實(shí)現(xiàn)在線的健康問題咨詢。隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和網(wǎng)絡(luò)信息量的大爆炸，人們快速獲取資料并準(zhǔn)確定位信息的愿望促進(jìn)了自動問答系統(tǒng)的發(fā)展[4]。但是目前還沒有發(fā)現(xiàn)有關(guān)針對醫(yī)療設(shè)備信息檢索方面的數(shù)據(jù)分析和應(yīng)用系統(tǒng)的研究。

本文提出一個(gè)面向醫(yī)療設(shè)備和基于深度學(xué)習(xí)的問答系統(tǒng)的設(shè)計(jì)方案，第一，實(shí)現(xiàn)了醫(yī)療設(shè)備信息的資源共享，第二，可以給工程師提供專業(yè)的輔助信息。對醫(yī)院來說，設(shè)備投入增加，其設(shè)備售后產(chǎn)生的花銷倍受重視。同時(shí)，醫(yī)療設(shè)備能夠及時(shí)、合理地維修與保養(yǎng)，可以延長設(shè)備的使用壽命，增加醫(yī)院的經(jīng)濟(jì)效益，降低醫(yī)院的運(yùn)行成本。目前，大部分醫(yī)院通過以下方式加強(qiáng)設(shè)備管理和節(jié)省設(shè)備的開銷：(1) 協(xié)商設(shè)備購買合同，在購買設(shè)備前盡可能保證自身利益；(2) 加強(qiáng)設(shè)備工程師隊(duì)伍建設(shè)；(3) 構(gòu)建醫(yī)療設(shè)備信息資源共享平臺等[5]。但現(xiàn)實(shí)是醫(yī)療設(shè)備行業(yè)內(nèi)信息的交流和工程師可以咨詢的途徑非常少。而本文提出的問答系統(tǒng)借助當(dāng)前信息化和深度學(xué)習(xí)技術(shù)的優(yōu)勢，既實(shí)現(xiàn)設(shè)備信息共享,也給工程師開辟了一條專業(yè)化咨詢的途徑。文獻(xiàn)[6]介紹了六種基于深度學(xué)習(xí)的問答系統(tǒng)算法框架。本文在此基礎(chǔ)上設(shè)計(jì)模型，通過實(shí)驗(yàn)證明深度學(xué)習(xí)可以有效應(yīng)用在醫(yī)療設(shè)備文本數(shù)據(jù)上。

面向醫(yī)療設(shè)備的深度問答系統(tǒng)的出現(xiàn)可以幫助醫(yī)院的工程師從醫(yī)療設(shè)備大數(shù)據(jù)分析中得到相似的參考方法或者解決方案。通過線上獲取設(shè)備維修保養(yǎng)經(jīng)驗(yàn)交流的方式，及時(shí)對設(shè)備進(jìn)行合理的保養(yǎng)或維修，避免醫(yī)院因?yàn)樵O(shè)備故障導(dǎo)致的經(jīng)濟(jì)和聲譽(yù)上的損失，增加了設(shè)備的可使用價(jià)值和效益。另一方面，設(shè)備工程師也有一個(gè)學(xué)習(xí)和咨詢的平臺，從中學(xué)習(xí)技術(shù)和經(jīng)驗(yàn)，提高醫(yī)院工程師隊(duì)伍的實(shí)力，一定程度避免通過設(shè)備廠商提供的高額售后服務(wù)，節(jié)省醫(yī)院開支。

1 系統(tǒng)可行性分析

對醫(yī)療設(shè)備實(shí)行現(xiàn)代信息化管理，保證了醫(yī)療設(shè)備的使用年限和提高醫(yī)院工作效率，增加了醫(yī)院的經(jīng)濟(jì)效益[7]。醫(yī)院引入數(shù)字化、信息化的設(shè)備管理系統(tǒng)是大趨勢，并在該背景下產(chǎn)生了大量的有關(guān)設(shè)備的數(shù)據(jù)，如設(shè)備檢測時(shí)產(chǎn)生的大量的記錄?？衫么髷?shù)據(jù)手段充分挖掘這些數(shù)據(jù)背后的潛在價(jià)值，可以給醫(yī)院帶來更大的效益[8]。隨著人工智能的發(fā)展，借助自然語言處理和深度學(xué)習(xí)的手段更深層次分析和處理這些數(shù)據(jù)，可實(shí)現(xiàn)更準(zhǔn)確的智能信息檢索。

1.1 基于深度學(xué)習(xí)的問答系統(tǒng)

深度問答系統(tǒng)本質(zhì)上是一個(gè)信息檢索(IR)系統(tǒng)，只是它從文本數(shù)據(jù)中獲取更多深層的語義信息，返回更加精準(zhǔn)化的答案。這樣的問答系統(tǒng)功能上與現(xiàn)在的搜索引擎，如百度、搜狐基本類似，但是在性能上優(yōu)于搜索引擎?，F(xiàn)在甚至有人認(rèn)為深度問答系統(tǒng)會成為以后搜索引擎的新型態(tài)[9]。

以往的搜索引擎實(shí)現(xiàn)方式一般利用網(wǎng)頁中所標(biāo)注的關(guān)鍵詞匹配出得分高的數(shù)據(jù)資源，它并沒有揭示出這些數(shù)據(jù)之間深層的關(guān)系，所以難以把檢索過程與用戶實(shí)際想要的答案結(jié)合起來。因此，需要反饋大量相關(guān)的信息給到用戶，由用戶自己篩選[10]。隨著深度學(xué)習(xí)的發(fā)展,加深了計(jì)算機(jī)對語言文字的理解和分析的能力。問答系統(tǒng)中采用深度學(xué)習(xí)對目標(biāo)文本進(jìn)行更細(xì)致的語義分析，從中抽取出知識，并根據(jù)用戶的問題準(zhǔn)確匹配、推理相對應(yīng)的答案，實(shí)現(xiàn)為用戶提供更高精度的搜索反饋[11]。深度學(xué)習(xí)理論和技術(shù)的發(fā)展日益成熟,并且被應(yīng)用到各行各業(yè)中。因此，利用深度學(xué)習(xí)算法實(shí)現(xiàn)醫(yī)療設(shè)備的面向限定域的信息搜索具備可行性。

1.2 Spring MVC框架

Spring MVC是一個(gè)分層的Java Web應(yīng)用開發(fā)框架，為Web應(yīng)用開發(fā)人員提供了一個(gè)快速、方便開發(fā)的分層體系結(jié)構(gòu)。分層體系結(jié)構(gòu)既能保證代碼的整潔性，又能保證代碼的可維護(hù)性。框架也具有高解耦性，所以系統(tǒng)下不同功能模塊之間耦合性低，降低了算法模型嵌入到其他已開發(fā)醫(yī)療設(shè)備管理系統(tǒng)的難度。該框架突出了HTTP協(xié)議中的請求/響應(yīng)特性，在該框架中，用戶的每一個(gè)請求都聲明了一個(gè)需要執(zhí)行的動作。主要是通過將每個(gè)請求URI映射到一個(gè)可執(zhí)行的方法來實(shí)現(xiàn)。同時(shí)，也將請求參數(shù)映射到對應(yīng)方法的參數(shù)列表中。在該框架下，用戶以對話形似在前端輸入問題，生成對應(yīng)問答服務(wù)的URL(統(tǒng)一資源定位符)，后臺根據(jù)該URL執(zhí)行算法模型，再將答案反饋到前端推薦給用戶，即完成一次問答行為?；赟pring MVC框架實(shí)現(xiàn)問答的需求，現(xiàn)已經(jīng)不成問題。

2 系統(tǒng)設(shè)計(jì)

2.1 整體設(shè)計(jì)

本文提出的深度問答系統(tǒng)包含算法模塊和應(yīng)用模塊兩部分。算法模塊是系統(tǒng)的核心部分，實(shí)現(xiàn)基于深度學(xué)習(xí)的信息檢索策略。算法模塊的實(shí)現(xiàn)需要數(shù)據(jù)的支持，通過爬蟲技術(shù)，從網(wǎng)站“影像之家”爬取有關(guān)醫(yī)療設(shè)備的數(shù)據(jù)，例如CT、MRI和DR等設(shè)備的維修保養(yǎng)等記錄。應(yīng)用模塊將算法模塊嵌入到基于Spring MVC框架下的Java Web應(yīng)用中，前端實(shí)現(xiàn)與用戶的交互操作，后臺實(shí)現(xiàn)算法的運(yùn)行和信息檢索及反饋。應(yīng)用模塊Spring MVC框架由6個(gè)核心組件組成：前端控制器扮演樞紐角色完成請求的接收和分發(fā)，視圖數(shù)據(jù)的包裝和傳輸；處理器映射器匹配服務(wù)URL地址；處理器適配器通過服務(wù)URL地址調(diào)用算法模塊的Handler處理器，Handler執(zhí)行程序并返回結(jié)果數(shù)據(jù)；視圖解析器及視圖負(fù)責(zé)視圖的構(gòu)建和向用戶顯示計(jì)算結(jié)果[12]。各個(gè)組件在一次問答行為的業(yè)務(wù)流程如圖1所示。

圖1 Web應(yīng)用框架示意圖

2.2 算法流程設(shè)計(jì)

整個(gè)算法模型的流程包括：醫(yī)療設(shè)備相關(guān)數(shù)據(jù)獲取，文本預(yù)處理，文本分詞和量化，模型實(shí)現(xiàn)。具體的步驟說明如圖2所示。

圖2 文本數(shù)據(jù)處理流程

通過網(wǎng)絡(luò)爬蟲框架Scrapy從網(wǎng)站“影像之家”挖取228條有效醫(yī)療設(shè)備的記錄數(shù)據(jù)，并將爬取到的數(shù)據(jù)整理成如圖3所示的格式。

圖3 醫(yī)療設(shè)備樣本數(shù)據(jù)示例

實(shí)驗(yàn)假設(shè)爬取到的每一個(gè)答案只與其配對的答案相關(guān)，認(rèn)為是正答案，其他答案認(rèn)為是負(fù)答案，并且問題之間不存在相關(guān)性。每一個(gè)訓(xùn)練樣本由一個(gè)問題描述匹配一個(gè)正答案和一個(gè)從答案集合中隨機(jī)采樣得到的負(fù)答案組成。按照這樣的方式，訓(xùn)練集中每一個(gè)問題描述隨機(jī)采樣不同的負(fù)答案匹配生成訓(xùn)練樣本。

數(shù)據(jù)清洗：文本數(shù)據(jù)中任何與數(shù)據(jù)上下文和最終輸出無關(guān)的文本都可被判作噪聲。例如停止符號(/n)，標(biāo)點(diǎn)符號和URL地址，HTML符號等。因?yàn)椴煌擞涗浀牧?xí)慣不一樣，導(dǎo)致可利用的文本數(shù)據(jù)的絕大多數(shù)具有不規(guī)范性。同時(shí)也因?yàn)槿擞涗浀碾S意性，導(dǎo)致文本數(shù)據(jù)夾雜噪聲,例如錯(cuò)別字，無意義字符等。為了訓(xùn)練得到更好的算法模型，對數(shù)據(jù)進(jìn)行預(yù)處理非常必要。

詞向量化：文本分詞基于開源的使用廣泛的中文分詞工具Jieba。對面向限定域的數(shù)據(jù)構(gòu)建專有的詞典，可以提高分詞的準(zhǔn)確率和模型的泛化能力。針對挖取到的文本數(shù)據(jù)構(gòu)建專屬詞典，以提高分詞的準(zhǔn)確性。但是構(gòu)建完備的基于醫(yī)療設(shè)備的詞典需要花費(fèi)大量的人力，而且并不一定保證能收錄所有詞。因此如何識別未登錄詞是分詞中的一個(gè)重要問題。Jieba采用的是Unigram+HMM(隱馬爾科夫模型)的方法實(shí)現(xiàn)分詞。Unigram Model原理通過求解下式，實(shí)現(xiàn)最優(yōu)的分詞效果：

(1)

在Unigram分詞后，HMM以序列標(biāo)注的方式識別未登錄詞，在一定程度上修正分詞結(jié)果。詞向量化基于Word2Vec實(shí)現(xiàn)，Word2Vec是Google在2013年推出的一個(gè)NLP工具，應(yīng)用深度神經(jīng)網(wǎng)絡(luò)算法,轉(zhuǎn)化為對應(yīng)的詞向量。中文文字?jǐn)?shù)量龐大，使用一般的bag of words模型表達(dá)文本，很容易造成維度災(zāi)難，并且語義信息無法準(zhǔn)確表示，無法揭示詞與詞之間的潛在聯(lián)系[13]。而采用Word2Vec基于神經(jīng)網(wǎng)絡(luò)的方式得到的空間詞語的語義表達(dá)，不僅解決了維度災(zāi)難的問題，而且挖掘了詞語之間的關(guān)聯(lián)屬性，從而提高了詞向量語義上的表示準(zhǔn)確度。一般Word2Vec包含兩種訓(xùn)練模式，一種是基于CBOW(Continous Bag of Words Model)框架，另外一種是Skip-gram框架[14]。本文采用CBOW模式，其原理如圖4所示。

圖4 CBOW原理示意圖

通過上下文預(yù)測中心詞w(t)的向量表達(dá)。w表示每個(gè)詞的one-hot expresentations。one-hot expresentations是對每個(gè)詞在詞典位置的向量表示，例如“設(shè)備”在詞典中的位置為1，則其對應(yīng)的向量為{1，0，0，0，…}，除了第一位為1，其余位置全部取0。這種表示的缺點(diǎn)是只考慮了詞的位置關(guān)系，忽略了詞與詞之間的語義關(guān)系。CBOW經(jīng)過累加過程，將上下文每一個(gè)詞的one-hot expresentations相加求平均后，經(jīng)過Sigmoid將數(shù)據(jù)映射到0-1區(qū)間，最后得到預(yù)測詞w(t)的向量表達(dá)。此時(shí)的向量表達(dá)加強(qiáng)了詞與詞之間的語義關(guān)系。

2.3 算法框架設(shè)計(jì)

Deep QA框架如圖5所示。

圖5 Deep QA卷積神經(jīng)網(wǎng)絡(luò)框架

Q表示序列化的問題描述；A表示序列化的答案A選項(xiàng)，B表示序列化的答案B選項(xiàng)。Word Embedding層表示詞向量層，經(jīng)過Word Embedding層以后，Q、A、B分別轉(zhuǎn)換成詞向量矩陣。CNN層表示卷積神經(jīng)網(wǎng)絡(luò)層，P表示池化層，T表示激活層。算法均采用Relu函數(shù)作為激活函數(shù)。Q、A、B的詞向量化矩陣經(jīng)過CNN層、P層和T層以后，分別得到維度一樣的問題Q，選項(xiàng)A和選項(xiàng)B的向量化表示。求取問題Q分別和選項(xiàng)A和選項(xiàng)B的歐式距離，表示它們之間的相似性。最后，經(jīng)過全連接層得到Z輸出，再由如下Sigmoid函數(shù)得到概率值最大的選項(xiàng)，作為模型最后的預(yù)測：

(2)

分別以0,1代表結(jié)果A和B。實(shí)驗(yàn)設(shè)計(jì)的原理在于，通過不斷迭代，實(shí)現(xiàn)模型對關(guān)聯(lián)答案的識別能力的同時(shí)提高模型對非關(guān)聯(lián)答案的辨別能力。

對問題和答案文本序列化，是指將已分詞文本的每個(gè)詞用其在字典中的索引表示。Word Embedding層通過詞索引，得到詞向量。具體步驟如圖6所示。

圖6 文本量化過程

文本中每個(gè)詞在字典中對應(yīng)一個(gè)位置索引，將文本中每個(gè)詞用索引代替實(shí)現(xiàn)序列化。文本經(jīng)過Word2Vec向量化以后，每個(gè)詞也會對應(yīng)一個(gè)詞向量，詞向量按字典順序存儲。在向量化過程中，每個(gè)詞按照字典索引獲取到對應(yīng)的詞向量。最后，文本量化成矩陣。按照該方式向量化文本大大節(jié)省了存儲空間。

CNN對序列化向量的空間卷積實(shí)現(xiàn)原理如圖7所示。在卷積層，每個(gè)卷積核分別對文本向量化矩陣卷積，得到feature map向量。在池化層，取feature map全局最大值，將多個(gè)feature map的全局最大值連接，通過全連接層，得到文本的向量表達(dá)。

圖7 文本序列卷積原理示意圖

3 實(shí)驗(yàn)和分析

3.1 模型訓(xùn)練結(jié)果和分析

實(shí)驗(yàn)一共生成13 300個(gè)訓(xùn)練樣本,其中驗(yàn)證樣本2 872個(gè)。訓(xùn)練過程采用交叉熵作為調(diào)整模型的代價(jià)函數(shù)：

(3)

使用Cosine Similarity來度量問題和答案之間的相關(guān)性，其中Ai、Bi分別表示問題和選項(xiàng)的向量表達(dá)。

(4)

Cosine Similarity通過向量夾角的余弦值衡量兩個(gè)文本間的相似度，相比歐式距離度量，更加注重向量在方向上的差異。

通過算法框架，預(yù)測出答案A或者B。若預(yù)測結(jié)果與實(shí)際的答案選項(xiàng)相符，認(rèn)為預(yù)測正確;若預(yù)測結(jié)果與實(shí)際答案不一致，則認(rèn)為預(yù)測錯(cuò)誤，反向傳播錯(cuò)誤率，調(diào)整模型參數(shù)。再通過迭代訓(xùn)練，正負(fù)選項(xiàng)的方式有利于模型預(yù)測結(jié)果更加偏向正答案，遠(yuǎn)離負(fù)答案，以此提高模型對文本數(shù)據(jù)的認(rèn)知和辨別能力。

由圖8可知，訓(xùn)練集和驗(yàn)證集的acc和loss曲線趨勢一致。訓(xùn)練迭代350次以后，訓(xùn)練集和驗(yàn)證集的acc和loss曲線也達(dá)到收斂，并且acc可以達(dá)到90%以上，同時(shí)loss降低到0.05。在測試集的準(zhǔn)確率也達(dá)到90%。實(shí)驗(yàn)結(jié)果證明了模型從醫(yī)療器械文本數(shù)據(jù)中學(xué)習(xí)到了知識，具有一定的分析和辨別能力。

(a) 訓(xùn)練集acc曲線

(b) 訓(xùn)練集loss曲線

(d) 驗(yàn)證集loss曲線圖8 模型訓(xùn)練acc和loss情況

在信息搜索測試中,需要對訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行修改，具體的框架如圖9所示。實(shí)際應(yīng)用中，我們只需要計(jì)算每個(gè)問題和答案的相似性，然后根據(jù)得到的相似度進(jìn)行排序，將相似性程度高的信息反饋回來。通過將228條問答分別輸入系統(tǒng),測試反饋的回答的準(zhǔn)確性。模型預(yù)測相似性程度前三的回答里面，包含目標(biāo)答案的準(zhǔn)確度是65%，而預(yù)測相似性程度前五的回答包含目標(biāo)答案的準(zhǔn)確度可以達(dá)到82%。進(jìn)一步證明了系統(tǒng)在實(shí)際的問答任務(wù)中可以反饋給用戶有效的信息。

圖9 系統(tǒng)算法框架

3.2 應(yīng)用模塊設(shè)計(jì)

前端頁面基于Javascript開發(fā),并采用Ajax技術(shù)連接后臺。用戶在前端頁面提交請求后，前端控制器接收，并訪問處理器映射器獲取到QA服務(wù)的對應(yīng)的URL地址。前端控制器再通過該URL服務(wù)地址，命令處理器適配器調(diào)用Handler處理器執(zhí)行QA服務(wù)。Handler處理器與數(shù)據(jù)庫交互，執(zhí)行算法模塊服務(wù)，執(zhí)行完將檢索結(jié)果返回到前端控制器。前端控制器將交由視圖處理層，包裝數(shù)據(jù)成視圖，并展示給用戶，完成一次問答行為。

根據(jù)算法模塊設(shè)計(jì)，數(shù)據(jù)存儲基于MySQL數(shù)據(jù)庫，數(shù)據(jù)庫表格式以鍵值匹配原始答案文本記錄方式存儲，鍵值設(shè)計(jì)為以0、1、2、…的遞增形式。算法模塊檢索答案時(shí)，SQL語句通過鍵值逐條訪問文本記錄。詞典及Word Embedding矩陣以文本格式存儲在本地電腦磁盤。計(jì)算機(jī)訪問數(shù)據(jù)庫獲取文本記錄后，文本記錄通過匹配詞典和Word Embedding矩陣實(shí)現(xiàn)向量化。

數(shù)據(jù)訪問層設(shè)計(jì)依賴Hibernate框架。Hibernate是一個(gè)輕量級JavaEE應(yīng)用的持久化層解決方案，它提供了強(qiáng)大、高性能的對象到關(guān)系數(shù)據(jù)庫的持久化服務(wù)。它能將實(shí)體對象與數(shù)據(jù)庫表建立映射關(guān)系，無需寫SQL語句，就完成答案實(shí)體對象到對應(yīng)的數(shù)據(jù)庫表的映射[15]。

最終將設(shè)備問答的功能作為一個(gè)模塊嵌入到設(shè)備管理系統(tǒng)中,效果示例界面如圖10所示。

圖10 問答界面簡圖

4 結(jié) 語

醫(yī)院設(shè)備管理的效率和成本問題將越來越得到醫(yī)院的重視。如何借助目前的深度學(xué)習(xí)技術(shù)提高醫(yī)院設(shè)備管理的效率和成本,輔助醫(yī)院設(shè)備工程師完成設(shè)備管理的任務(wù)，在未來將會是更多醫(yī)院去研究和挖掘的方向。設(shè)計(jì)基于深度學(xué)習(xí)算法框架的問答實(shí)驗(yàn)，證明了深度學(xué)習(xí)算法應(yīng)用于醫(yī)療設(shè)備文本數(shù)據(jù)的可行性。并且將算法模型與互聯(lián)網(wǎng)技術(shù)整合起來，提出一個(gè)面向限定域的輔助問答系統(tǒng)設(shè)計(jì)方案。目前算法模型尚存在的問題是因?yàn)獒t(yī)院設(shè)備管理相關(guān)的數(shù)據(jù)不足，上述算法訓(xùn)練得到的模型泛化能力有限，尚不能廣泛應(yīng)用于實(shí)際工程應(yīng)用當(dāng)中。在未來，隨著醫(yī)院信息云平臺的發(fā)展，越來越多的醫(yī)院參與其中，利用數(shù)據(jù)分析等技術(shù)挖掘和處理平臺產(chǎn)生的設(shè)備管理數(shù)據(jù)，將會大大節(jié)省醫(yī)院的設(shè)備成本，產(chǎn)生不可估量的價(jià)值。