CN113724095B - 图片信息预测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了图片信息预测方法、装置、计算机设备及存储介质，涉及人工智能技术，先是获取理赔账单图片中的账单信息，然后基于其中的已知信息对缺失的理赔项目名称和国际疾病分类码进行预测，最终确认预测的理赔项目名称和国际疾病分类码可信度高时将理赔项目名称的空值取值更新为预测项目名称，并将国际疾病分类码的空值取值更新为预测项目名称相应的国际疾病分类码。实现了基于药品清单中的药品名称集输入至预测模型进行运算，得到预测项目名称，并获取预测项目名称相应的国际疾病分类码，可以基于已识别出的文字信息预测出未准确识别的关键信息，无需人工操作补录，提高数据录入效率。还涉及数字医疗技术，应用于医学应用场景中。

Description

图片信息预测方法、装置、计算机设备及存储介质

技术领域

本发明涉及人工智能的图像识别技术领域，尤其涉及一种图片信息预测方法、装置、计算机设备及存储介质。

背景技术

目前，保险理赔案件中自助理赔的案件占比越来越高，也就是用户操作用户端上安装的应用程序并打开自助理赔的操作界面并上传各种理赔数据和信息。这样用户可随时随地提交理赔申请。而且随着人工智能及数字医疗技术的兴起，人工智能技术和数字医疗技术可以支持疾病辅助诊断、健康管理、远程会诊等功能。而且人工智能及数字医疗技术也能应用于理赔环节。

用户在填写理赔申请中的理赔信息时，一般是要上传理赔账单图片，并人工填写理赔账单图片上的一些关键信息，无法基于所上传理赔账单图片自动完成理赔核心信息的填充，降低了数据录入的效率，同样使得数据交互效率受到影响。

发明内容

本发明实施例提供了一种图片信息预测方法、装置、计算机设备及存储介质，旨在解决现有技术中在线填写理赔信息时要上传理赔账单图片，并人工填写理赔账单图片上的一些关键信息，无法基于所上传理赔账单图片自动完成理赔核心信息的填充，降低了数据录入的效率的问题。

第一方面，本发明实施例提供了一种图片信息预测方法，其包括：

响应于理赔图片上传指令，获取与所述理赔图片上传指令相应的理赔账单图片；

通过图像识别获取所述理赔账单图片中包括的账单信息；其中，所述账单信息至少包括理赔项目名称、国际疾病分类码、理赔类型和药品清单；

若确定所述国际疾病分类码和理赔项目名称均为空值，将所述药品清单中的药品名称集输入至预先训练的预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码；

获取与所述理赔图片上传指令相应的用户账户信息，根据所述用户账户信息获取历史理赔项目名称集，及所述历史理赔项目名称集中各历史理赔项目名称相应的历史药品清单；

若所述历史理赔项目名称集具有所述预测项目名称，获取相应的历史理赔项目名称作为目标理赔项目名称；

若确定具有所述目标理赔项目名称的目标药品清单与所述药品清单相同，将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码；以及获取更新后账单信息，将所述更新后账单信息进行保存。

第二方面，本发明实施例提供了一种图片信息预测装置，其包括：

图片获取单元，用于响应于理赔图片上传指令，获取与所述理赔图片上传指令相应的理赔账单图片；

图像识别单元，用于通过图像识别获取所述理赔账单图片中包括的账单信息；其中，所述账单信息至少包括理赔项目名称、国际疾病分类码、理赔类型和药品清单；

项目名称预测单元，用于若确定所述国际疾病分类码和理赔项目名称均为空值，将所述药品清单中的药品名称集输入至预先训练的预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码；

历史数据获取单元，用于获取与所述理赔图片上传指令相应的用户账户信息，根据所述用户账户信息获取历史理赔项目名称集，及所述历史理赔项目名称集中各历史理赔项目名称相应的历史药品清单；

目标项目名称获取单元，用于若所述历史理赔项目名称集具有所述预测项目名称，获取相应的历史理赔项目名称作为目标理赔项目名称；

取值更新单元，用于若确定具有所述目标理赔项目名称的目标药品清单与所述药品清单相同，将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码；以及

信息保存单元，用于获取更新后账单信息，将所述更新后账单信息进行保存。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的图片信息预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的图片信息预测方法。

本发明实施例提供了一种图片信息预测方法、装置、计算机设备及存储介质，先是获取理赔账单图片中的账单信息，然后基于账单信息中的已知信息对缺失的理赔项目名称和国际疾病分类码进行预测得到预测项目名称，最终确认预测的理赔项目名称和国际疾病分类码可信度高时将理赔项目名称的空值取值更新为预测项目名称，并将国际疾病分类码的空值取值更新为预测项目名称相应的国际疾病分类码从得到获取更新后账单信息。实现了基于药品清单中的药品名称集输入至预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码，可以基于已识别出的文字信息预测出未准确识别的关键信息，无需用户人工操作补充录入，提高了数据录入效率。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的图片信息预测方法的应用场景示意图；

图2为本发明实施例提供的图片信息预测方法的流程示意图；

图3为本发明实施例提供的图片信息预测装置的示意性框图；

图4为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1为本发明实施例提供的图片信息预测方法的应用场景示意图；图2为本发明实施例提供的图片信息预测方法的流程示意图，该图片信息预测方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。

如图2所示，该方法包括步骤S101～S107。

S101、响应于理赔图片上传指令，获取与所述理赔图片上传指令相应的理赔账单图片。

在本实施例中，是以服务器为执行主体来描述技术方案。用户可以操作其使用的用户端并打开相应的APP(即应用程序)上传理赔信息，例如上传的理赔信息包括理赔账单图片、理赔用户信息等。理赔账单信息可以是医院(或者诊)所开具收据的扫描图片(或拍照图片)，理赔用户信息包括被保险人姓名、理赔申请类型、受理保单号等信息。当理赔账单图片被上传至服务器后，由服务器进行后续的图像识别处理。

S102、通过图像识别获取所述理赔账单图片中包括的账单信息；其中，所述账单信息至少包括理赔项目名称、国际疾病分类码、理赔类型和药品清单。

在本实施例中，可通过预先存储的OCR模型或卷积神经网络模型(即CNN模型)来获取所述理赔账单图片中包括的账单信息。由于用户上传图片的质量可能不是太高，会存在对理赔项目名称(也可以理解为用户此次理赔所针对的具体疾病名称)、国际疾病分类码(也可以理解为国际ICD-10疾病代码，例如A01.0表示伤寒，A01.4表示未特指副伤寒，A02.0表示沙门氏菌病等)等信息识别不到或者识别不准的情况存在，而为了更加快速的完成对理赔账单图片中关键信息的补充，可以在后续处理中采用预测关键信息取值的方式进行，从而提高快速完成对理赔完整信息填充的效率。

S103、若确定所述国际疾病分类码和理赔项目名称均为空值，将所述药品清单中的药品名称集输入至预先训练的预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码。

在本实施例中，可以先判断从所述理赔账单图片中是否识别到国际疾病分类码和理赔项目名称的具体取值，若确定所述国际疾病分类码和理赔项目名称均为空值，则表示无法基于该理赔账单图片通过图像识别而直接获取到取值，可能存在需要基于理赔账单图片中的其他识别信息来预测出理赔项目名称的具体取值，并基于理赔项目名称的具体取值并结合国际ICD-10疾病代码表来获取相应的国际疾病分类码。通过这一基于现有关键信息取值预测其他关键信息取值的方式，可以实现快速完成完整关键信息的获取。

在一实施例中，步骤S103包括：

获取所述预测模型；

若确定所述药品清单中的药品名称集中药品名称超出预设数量，根据预设的药品名称选取策略从所述药品名称集中选择相应的药品名字组成多个药品名称子集，将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，组成第一预测项目名称集；

获取所述第一预测项目名称集中频次最高的第一预测项目名称作为预测项目名称。

在本实施例中，可在服务器中预先训练可基于药品名称集对应语义向量预测得到预测项目名称编号的预测模型(如反向传播神经网络模型等)，之后一旦获取到多个药品名称子集，则可将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集。其中，可以将预设数量设置为2。

例如所述药品清单中的药品名称集中药品名称为3个，分别记为药品名称1、药品名称2及药品名称3，所述药品名称选取策略则是从药品名称集中任意取2个药品名称组成药品名称子集或者是任意取3个药品名称组成药品名称子集，故通过药品名称选取策略从所述药品名称集中选择相应的药品名字组成如下4个药品名称子集{药品名称1、药品名称2}、{药品名称1、药品名称3}、{药品名称2、药品名称3}、{药品名称1、药品名称2、药品名称3}。将上述4个药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，如{药品名称1、药品名称2}对应的预测值是2(表示其对应的第一预测项目名称是伤寒)，{药品名称2、药品名称3}对应的预测值是4(表示其对应的第一预测项目名称是发烧)，{药品名称2、药品名称3}对应的预测值是2(表示其对应的第一预测项目名称是伤寒)、{药品名称1、药品名称2、药品名称3}对应的预测值是2(表示其对应的第一预测项目名称是伤寒)，此时得到的第一预测项目名称集是{伤寒、发烧、伤寒、伤寒}。通过这一方式可以基于药品名称子集初步预测出预测项目名称子集。由于第一预测项目名称集中伤寒的频次最高，故将伤寒这一频次最高的第一预测项目名称作为预测项目名称。

在一实施例中，所述将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，包括：

获取各药品名称子集分别对应的语义向量；

将语义向量输入至所述预测模型进行运算，得到预测值；

根据预设的预测值-项目名称对应清单及所述预测值，获取所述预测值相应的第一预测项目名称子集。

在本实施例中，通过预测模型及所输入的药品名称子集进行预测项目名称的获取时，具体是先获取各药品名称子集分别对应的语义向量，例如{药品名称1、药品名称2}这一药品名称子集中药品名称1对应1个词向量，药品名称2对应另1个词向量，将这两个词向量通过加权求和得到语义向量。之后再将所述语义向量输入至所述预测模型进行运算，得到预测值(如上述列举的2)，此时在预设的预测值-项目名称对应清单中查询2这一取值对应的项目名称为伤寒，此时将伤寒作为2相应的第一预测项目名称子集。同样的，其他药品名称子集相应的第一预测项目名称子集也是参照上述方式进行获取，直至获取完所有药品名称子集相应的第一预测项目名称子集。

在一实施例中，步骤S103还包括：

若确定所述药品清单中的药品名称集中药品名称未超出预设数量，将所述药品名称集输入至所述预测模型进行运算，得到第二预测项目名称作为预测项目名称。

在本实施例中，例如所述药品清单中的药品名称集中药品名称为2个，分别记为药品名称1及药品名称2，此时直接获取药品名称1及药品名称2对应的语义向量，例如{药品名称1、药品名称2}这一药品名称集中药品名称1对应1个词向量，药品名称2对应另1个词向量，将这两个词向量通过加权求和得到语义向量。之后再将所述语义向量输入至所述预测模型进行运算，得到预测值(如上述列举的2)，此时在预设的预测值-项目名称对应清单中查询2这一取值对应的项目名称为伤寒，此时将伤寒作为2相应的第二预测项目名称作为预测项目名称。

S104、获取与所述理赔图片上传指令相应的用户账户信息，根据所述用户账户信息获取历史理赔项目名称集，及所述历史理赔项目名称集中各历史理赔项目名称相应的历史药品清单。

在本实施例中，由于基于理赔账单图片中药品名称所预测得到的预测项目名称(也可以理解为预测疾病名称)是一个可信度较高的预测值，为了进一步提高其可信度，可以结合该用户的历史理赔项目名称集来进一步确认预测值是否准确。当用户通过输入用户账号和密码登录服务器之后，可以基于用户的用户账户信息获取该用户的历史理赔项目名称集，例如该用户之前针对伤寒、急性肠炎、胃溃疡等这些历史理赔项目名称分别发起过理赔申请，故每针对一个历史理赔项目名称发起一次理赔申请时均会上传理赔账单图片，这样每一历史理赔项目名称对应的国际疾病分类码和药品清单名称都是已知的(因为历史数据都是基于历史理赔账单图片完成了预测或识别的数据)。此时，可以先获取前3次的历史理赔项目名称以组成历史理赔项目名称集，而且获取每一个历史理赔项目名称相应的历史药品清单。由于用户有些理赔项目名称的重复性较高，故可以判断历史理赔项目名称集是否存在有所述预测项目名称，若历史理赔项目名称集存在有所述预测项目名称，则表示用户针对该理赔项目名称发起过相同的理赔申请，此时可以基于历史理赔项目名称集的详细识别信息来核对本次的预测项目名称等预测信息。

S105、若所述历史理赔项目名称集具有所述预测项目名称，获取相应的历史理赔项目名称作为目标理赔项目名称。

在本实施例中，若所述历史理赔项目名称集具有所述预测项目名称，则表示用户之前针对该理赔项目名称发起过相同的理赔申请，此时可以直接选择将该历史理赔项目名称作为目标理赔项目名称，从而进行下一步的药品清单的比较。

S106、若确定具有所述目标理赔项目名称的目标药品清单与所述药品清单相同，将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码。

在本实施例中，当进一步确定了所述目标理赔项目名称的目标药品清单与所述药品清单相同，则表示此次的账单信息中关键信息(如理赔项目名称、国际疾病分类码)可以参考所述目标理赔项目名称对应的目标历史账单信息，从而将预测项目名称及国际疾病分类码与目标历史账单信息中获取到的目标理赔项目名称及目标国际疾病分类码分别进行比对，若预测项目名称与目标理赔项目名称相同且国际疾病分类码与目标国际疾病分类码，直接可以确定账单信息中将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码。

在一实施例中，步骤S106之后还包括：

若确定接收到用户端上传的项目描述文本，将所述项目描述文本输入至预先训练的文本预测模型，得到描述文本预测项目名称。

在本实施例中，除了基于用户上传的理赔账单图片可以补全理赔信息中所需的赔项目名称、国际疾病分类码、理赔类型和药品清单等，还可以基于用户自己编辑的描述文本进行预测以得到描述文本预测项目名称。例如用户上传一段自身身体情况的描述文本(即项目描述文本)并上传至服务器后，此时基于这一项目描述文本可以获取相应的语义向量，然后将语义向量输入至预先训练的文本预测模型(如反向传播神经网络模型等)，得到描述文本预测项目名称。也就是可以通过增加人工描述的方式来进一步预测用户的理赔项目名称。

在一实施例中，所述若确定接收到用户端上传的项目描述文本，将所述项目描述文本输入至预先训练的文本预测模型，得到描述文本预测项目名称之后，还包括：

将所述描述文本预测项目名称通过增加文本下划线及文字浮窗显示的文本属性，并添加至用户描述信息区域进行显示。

在本实施例中，为了更加直接在服务器所提供理赔系统的理赔信息上传页面中直观的显示基于用户自身编辑的项目描述文本得到描述文本预测项目名称，可以将所述描述文本预测项目名称通过增加文本下划线及文字浮窗显示的文本属性，并添加至用户描述信息区域进行显示，同时也可以将用户端上传的项目描述文本也以相同的方式在理赔信息上传页面中进行标记后显示。这样服务器识别和预测得到的账单信息中关键信息(如理赔项目名称、国际疾病分类码)以及基于用户自身编辑的项目描述文本得到描述文本预测项目名称均可以及时且明显的显示在理赔信息上传页面中，便于用户确认信息是否正确，无需用户人工补充账单信息中关键信息，提高了数据处理效率。

S107、获取更新后账单信息，将所述更新后账单信息进行保存。

在本实施例中，当账单信息中的关键信息(如理赔项目名称、国际疾病分类码)得到了补充后，即得到更新后账单信息，此时将所述更新后账单信息在服务器本地进行保存，以表示此次理赔信息的资料上传和识别过程结束，可以进行后一步的数据处理(如进行资料审核)。

在一实施例中，步骤S107之后还包括：

将所述更新后账单信息上传至区块链节点。

在本实施例中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

该方法应用于医学应用场景中，在医学应用场景中，理赔账单图片包括有由医学影像或诊断结果对应分析得到的预测项目名称和国际疾病分类码，医学影像包含的对象所属类型为病灶，即机体上发生病变的部分。医学影像是指为了医疗或医学研究，以非侵入方式取得的内部组织，例如，胃部、腹部、心脏、膝盖、脑部的影像，比如，CT(ComputedTomography，电子计算机断层扫描)、MRI(Magnetic Resonance Imaging，磁共振成像)、US(ultrasonic，超声)、X光图像、脑电图以及光学摄影灯由医学仪器生成的图像。

该方法实现了基于药品清单中的药品名称集输入至预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码，可以基于已识别出的文字信息预测出未准确识别的关键信息，无需用户人工操作补充录入，提高了数据录入效率。

本发明实施例还提供一种图片信息预测装置，该图片信息预测装置用于执行前述图片信息预测方法的任一实施例。具体地，请参阅图3，图3是本发明实施例提供的图片信息预测装置的示意性框图。该图片信息预测装置100可以配置于服务器中。

如图3所示，图片信息预测装置100包括：图片获取单元101、图像识别单元102、项目名称预测单元103、历史数据获取单元104、目标项目名称获取单元105、取值更新单元106、信息保存单元107。

图片获取单元101，用于响应于理赔图片上传指令，获取与所述理赔图片上传指令相应的理赔账单图片。

在本实施例中，是以服务器为执行主体来描述技术方案。用户可以操作其使用的用户端并打开相应的APP(即应用程序)上传理赔信息，例如上传的理赔信息包括理赔账单图片、理赔用户信息等。理赔账单信息可以是医院(或者诊)所开具收据的扫描图片(或拍照图片)，理赔用户信息包括被保险人姓名、理赔申请类型、受理保单号等信息。当理赔账单图片被上传至服务器后，由服务器进行后续的图像识别处理。

图像识别单元102，用于通过图像识别获取所述理赔账单图片中包括的账单信息；其中，所述账单信息至少包括理赔项目名称、国际疾病分类码、理赔类型和药品清单。

在本实施例中，可通过预先存储的OCR模型或卷积神经网络模型(即CNN模型)来获取所述理赔账单图片中包括的账单信息。由于用户上传图片的质量可能不是太高，会存在对理赔项目名称(也可以理解为用户此次理赔所针对的具体疾病名称)、国际疾病分类码(也可以理解为国际ICD-10疾病代码，例如A01.0表示伤寒，A01.4表示未特指副伤寒，A02.0表示沙门氏菌病等)等信息识别不到或者识别不准的情况存在，而为了更加快速的完成对理赔账单图片中关键信息的补充，可以在后续处理中采用预测关键信息取值的方式进行，从而提高快速完成对理赔完整信息填充的效率。

项目名称预测单元103，用于若确定所述国际疾病分类码和理赔项目名称均为空值，将所述药品清单中的药品名称集输入至预先训练的预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码。

在本实施例中，可以先判断从所述理赔账单图片中是否识别到国际疾病分类码和理赔项目名称的具体取值，若确定所述国际疾病分类码和理赔项目名称均为空值，则表示无法基于该理赔账单图片通过图像识别而直接获取到取值，可能存在需要基于理赔账单图片中的其他识别信息来预测出理赔项目名称的具体取值，并基于理赔项目名称的具体取值并结合国际ICD-10疾病代码表来获取相应的国际疾病分类码。通过这一基于现有关键信息取值预测其他关键信息取值的方式，可以实现快速完成完整关键信息的获取。

在一实施例中，项目名称预测单元103包括：

模型获取单元，用于获取所述预测模型；

第一预测项目名称集获取单元，用于若确定所述药品清单中的药品名称集中药品名称超出预设数量，根据预设的药品名称选取策略从所述药品名称集中选择相应的药品名字组成多个药品名称子集，将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，组成第一预测项目名称集；

第一预测名称获取单元，用于获取所述第一预测项目名称集中频次最高的第一预测项目名称作为预测项目名称。

在本实施例中，可在服务器中预先训练可基于药品名称集对应语义向量预测得到预测项目名称编号的预测模型(如反向传播神经网络模型等)，之后一旦获取到多个药品名称子集，则可将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集。

例如所述药品清单中的药品名称集中药品名称为3个，分别记为药品名称1、药品名称2及药品名称3，所述药品名称选取策略则是从药品名称集中任意取2个药品名称组成药品名称子集或者是任意取3个药品名称组成药品名称子集，故通过药品名称选取策略从所述药品名称集中选择相应的药品名字组成如下4个药品名称子集{药品名称1、药品名称2}、{药品名称1、药品名称3}、{药品名称2、药品名称3}、{药品名称1、药品名称2、药品名称3}。将上述4个药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，如{药品名称1、药品名称2}对应的预测值是2(表示其对应的第一预测项目名称是伤寒)，{药品名称2、药品名称3}对应的预测值是4(表示其对应的第一预测项目名称是发烧)，{药品名称2、药品名称3}对应的预测值是2(表示其对应的第一预测项目名称是伤寒)、{药品名称1、药品名称2、药品名称3}对应的预测值是2(表示其对应的第一预测项目名称是伤寒)，此时得到的第一预测项目名称集是{伤寒、发烧、伤寒、伤寒}。通过这一方式可以基于药品名称子集初步预测出预测项目名称子集。由于第一预测项目名称集中伤寒的频次最高，故将伤寒这一频次最高的第一预测项目名称作为预测项目名称。

在一实施例中，所述第一预测项目名称集获取单元，包括：

语义向量获取单元，用于获取各药品名称子集分别对应的语义向量；

预测值获取单元，用于将语义向量输入至所述预测模型进行运算，得到预测值；

第一子集获取单元，用于根据预设的预测值-项目名称对应清单及所述预测值，获取所述预测值相应的第一预测项目名称子集。

在本实施例中，通过预测模型及所输入的药品名称子集进行预测项目名称的获取时，具体是先获取各药品名称子集分别对应的语义向量，例如{药品名称1、药品名称2}这一药品名称子集中药品名称1对应1个词向量，药品名称2对应另1个词向量，将这两个词向量通过加权求和得到语义向量。之后再将所述语义向量输入至所述预测模型进行运算，得到预测值(如上述列举的2)，此时在预设的预测值-项目名称对应清单中查询2这一取值对应的项目名称为伤寒，此时将伤寒作为2相应的第一预测项目名称子集。同样的，其他药品名称子集相应的第一预测项目名称子集也是参照上述方式进行获取，直至获取完所有药品名称子集相应的第一预测项目名称子集。

在一实施例中，项目名称预测单元103还包括：

第二预测项目名称集获取单元，用于若确定所述药品清单中的药品名称集中药品名称未超出预设数量，将所述药品名称集输入至所述预测模型进行运算，得到第二预测项目名称作为预测项目名称。

在本实施例中，例如所述药品清单中的药品名称集中药品名称为2个，分别记为药品名称1及药品名称2，此时直接获取药品名称1及药品名称2对应的语义向量，例如{药品名称1、药品名称2}这一药品名称集中药品名称1对应1个词向量，药品名称2对应另1个词向量，将这两个词向量通过加权求和得到语义向量。之后再将所述语义向量输入至所述预测模型进行运算，得到预测值(如上述列举的2)，此时在预设的预测值-项目名称对应清单中查询2这一取值对应的项目名称为伤寒，此时将伤寒作为2相应的第二预测项目名称作为预测项目名称。

历史数据获取单元104，用于获取与所述理赔图片上传指令相应的用户账户信息，根据所述用户账户信息获取历史理赔项目名称集，及所述历史理赔项目名称集中各历史理赔项目名称相应的历史药品清单。

在本实施例中，由于基于理赔账单图片中药品名称所预测得到的预测项目名称(也可以理解为预测疾病名称)是一个可信度较高的预测值，为了进一步提高其可信度，可以结合该用户的历史理赔项目名称集来进一步确认预测值是否准确。当用户通过输入用户账号和密码登录服务器之后，可以基于用户的用户账户信息获取该用户的历史理赔项目名称集，例如该用户之前针对伤寒、急性肠炎、胃溃疡等这些历史理赔项目名称分别发起过理赔申请，故每针对一个历史理赔项目名称发起一次理赔申请时均会上传理赔账单图片，这样每一历史理赔项目名称对应的国际疾病分类码和药品清单名称都是已知的(因为历史数据都是基于历史理赔账单图片完成了预测或识别的数据)。此时，可以先获取前3次的历史理赔项目名称以组成历史理赔项目名称集，而且获取每一个历史理赔项目名称相应的历史药品清单。由于用户有些理赔项目名称的重复性较高，故可以判断历史理赔项目名称集是否存在有所述预测项目名称，若历史理赔项目名称集存在有所述预测项目名称，则表示用户针对该理赔项目名称发起过相同的理赔申请，此时可以基于历史理赔项目名称集的详细识别信息来核对本次的预测项目名称等预测信息。

目标项目名称获取单元105，用于若所述历史理赔项目名称集具有所述预测项目名称，获取相应的历史理赔项目名称作为目标理赔项目名称。

在本实施例中，若所述历史理赔项目名称集具有所述预测项目名称，则表示用户之前针对该理赔项目名称发起过相同的理赔申请，此时可以直接选择将该历史理赔项目名称作为目标理赔项目名称，从而进行下一步的药品清单的比较。

取值更新单元106，用于若确定具有所述目标理赔项目名称的目标药品清单与所述药品清单相同，将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码。

在本实施例中，当进一步确定了所述目标理赔项目名称的目标药品清单与所述药品清单相同，则表示此次的账单信息中关键信息(如理赔项目名称、国际疾病分类码)可以参考所述目标理赔项目名称对应的目标历史账单信息，从而将预测项目名称及国际疾病分类码与目标历史账单信息中获取到的目标理赔项目名称及目标国际疾病分类码分别进行比对，若预测项目名称与目标理赔项目名称相同且国际疾病分类码与目标国际疾病分类码，直接可以确定账单信息中将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码。

在一实施例中，图片信息预测装置100还包括：

描述文本预测单元，用于若确定接收到用户端上传的项目描述文本，将所述项目描述文本输入至预先训练的文本预测模型，得到描述文本预测项目名称。

在本实施例中，除了基于用户上传的理赔账单图片可以补全理赔信息中所需的赔项目名称、国际疾病分类码、理赔类型和药品清单等，还可以基于用户自己编辑的描述文本进行预测以得到描述文本预测项目名称。例如用户上传一段自身身体情况的描述文本(即项目描述文本)并上传至服务器后，此时基于这一项目描述文本可以获取相应的语义向量，然后将语义向量输入至预先训练的文本预测模型(如反向传播神经网络模型等)，得到描述文本预测项目名称。也就是可以通过增加人工描述的方式来进一步预测用户的理赔项目名称。

在一实施例中，图片信息预测装置100还包括：

文本属性设置单元，用于将所述描述文本预测项目名称通过增加文本下划线及文字浮窗显示的文本属性，并添加至用户描述信息区域进行显示。

在本实施例中，为了更加直接在服务器所提供理赔系统的理赔信息上传页面中直观的显示基于用户自身编辑的项目描述文本得到描述文本预测项目名称，可以将所述描述文本预测项目名称通过增加文本下划线及文字浮窗显示的文本属性，并添加至用户描述信息区域进行显示，同时也可以将用户端上传的项目描述文本也以相同的方式在理赔信息上传页面中进行标记后显示。这样服务器识别和预测得到的账单信息中关键信息(如理赔项目名称、国际疾病分类码)以及基于用户自身编辑的项目描述文本得到描述文本预测项目名称均可以及时且明显的显示在理赔信息上传页面中，便于用户确认信息是否正确，无需用户人工补充账单信息中关键信息，提高了数据处理效率。

信息保存单元107，用于获取更新后账单信息，将所述更新后账单信息进行保存。

在本实施例中，当账单信息中的关键信息(如理赔项目名称、国际疾病分类码)得到了补充后，即得到更新后账单信息，此时将所述更新后账单信息在服务器本地进行保存，以表示此次理赔信息的资料上传和识别过程结束，可以进行后一步的数据处理(如进行资料审核)。

在一实施例中，图片信息预测装置100还包括：

数据上链单元，用于将所述更新后账单信息上传至区块链节点。

在本实施例中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

该装置实现了基于药品清单中的药品名称集输入至预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码，可以基于已识别出的文字信息预测出未准确识别的关键信息，无需用户人工操作补充录入，提高了数据录入效率。

上述图片信息预测装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。

请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图4，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。

该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行图片信息预测方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行图片信息预测方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现本发明实施例公开的图片信息预测方法。

本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质，也可以是易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现本发明实施例公开的图片信息预测方法。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种图片信息预测方法，其特征在于，包括：

响应于理赔图片上传指令，获取与所述理赔图片上传指令相应的理赔账单图片；

通过图像识别获取所述理赔账单图片中包括的账单信息；其中，所述账单信息至少包括理赔项目名称、国际疾病分类码、理赔类型和药品清单；

若确定所述国际疾病分类码和理赔项目名称均为空值，将所述药品清单中的药品名称集输入至预先训练的预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码；

获取与所述理赔图片上传指令相应的用户账户信息，根据所述用户账户信息获取历史理赔项目名称集，及所述历史理赔项目名称集中各历史理赔项目名称相应的历史药品清单；

若所述历史理赔项目名称集具有所述预测项目名称，获取相应的历史理赔项目名称作为目标理赔项目名称；

若确定具有所述目标理赔项目名称的目标药品清单与所述药品清单相同，将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码；以及获取更新后账单信息，将所述更新后账单信息进行保存；

所述将所述药品清单中的药品名称集输入至预先训练的预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码，包括：获取所述预测模型；

若确定所述药品清单中的药品名称集中药品名称超出预设数量，根据预设的药品名称选取策略从所述药品名称集中选择相应的药品名字组成多个药品名称子集，将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，组成第一预测项目名称集；

获取所述第一预测项目名称集中频次最高的第一预测项目名称作为预测项目名称；

所述将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，包括：获取各药品名称子集分别对应的语义向量；

将语义向量输入至所述预测模型进行运算，得到预测值；

根据预设的预测值-项目名称对应清单及所述预测值，获取所述预测值相应的第一预测项目名称子集；

所述若确定具有所述目标理赔项目名称的目标药品清单与所述药品清单相同，将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码之后，还包括：若确定接收到用户端上传的项目描述文本，将所述项目描述文本输入至预先训练的文本预测模型，得到描述文本预测项目名称；

所述若确定接收到用户端上传的项目描述文本，将所述项目描述文本输入至预先训练的文本预测模型，得到描述文本预测项目名称之后，还包括：将所述描述文本预测项目名称通过增加文本下划线及文字浮窗显示的文本属性，并添加至用户描述信息区域进行显示。

2.根据权利要求1所述的图片信息预测方法，其特征在于，所述获取所述预测模型之后，还包括：若确定所述药品清单中的药品名称集中药品名称未超出预设数量，将所述药品名称集输入至所述预测模型进行运算，得到第二预测项目名称作为预测项目名称。

3.根据权利要求1所述的图片信息预测方法，其特征在于，所述获取更新后账单信息，将所述更新后账单信息进行保存之后，还包括：将所述更新后账单信息上传至区块链节点。

4.一种图片信息预测装置，其特征在于，包括：

图片获取单元，用于响应于理赔图片上传指令，获取与所述理赔图片上传指令相应的理赔账单图片；

图像识别单元，用于通过图像识别获取所述理赔账单图片中包括的账单信息；其中，所述账单信息至少包括理赔项目名称、国际疾病分类码、理赔类型和药品清单；

项目名称预测单元，用于若确定所述国际疾病分类码和理赔项目名称均为空值，将所述药品清单中的药品名称集输入至预先训练的预测模型进行运算，得到预测项目名称，并获取所述预测项目名称相应的国际疾病分类码；

历史数据获取单元，用于获取与所述理赔图片上传指令相应的用户账户信息，根据所述用户账户信息获取历史理赔项目名称集，及所述历史理赔项目名称集中各历史理赔项目名称相应的历史药品清单；

目标项目名称获取单元，用于若所述历史理赔项目名称集具有所述预测项目名称，获取相应的历史理赔项目名称作为目标理赔项目名称；

取值更新单元，用于若确定具有所述目标理赔项目名称的目标药品清单与所述药品清单相同，将所述理赔项目名称的空值取值更新为所述预测项目名称，并将所述国际疾病分类码的空值取值更新为所述预测项目名称相应的国际疾病分类码；以及信息保存单元，用于获取更新后账单信息，将所述更新后账单信息进行保存；

项目名称预测单元包括：

模型获取单元，用于获取所述预测模型；

第一预测项目名称集获取单元，用于若确定所述药品清单中的药品名称集中药品名称超出预设数量，根据预设的药品名称选取策略从所述药品名称集中选择相应的药品名字组成多个药品名称子集，将各药品名称子集输入至所述预测模型进行运算，得到各药品名称子集分别相应的第一预测项目名称子集，组成第一预测项目名称集；

第一预测名称获取单元，用于获取所述第一预测项目名称集中频次最高的第一预测项目名称作为预测项目名称；

所述第一预测项目名称集获取单元，包括：

语义向量获取单元，用于获取各药品名称子集分别对应的语义向量；

预测值获取单元，用于将语义向量输入至所述预测模型进行运算，得到预测值；

第一子集获取单元，用于根据预设的预测值-项目名称对应清单及所述预测值，获取所述预测值相应的第一预测项目名称子集；

图片信息预测装置还包括：

描述文本预测单元，用于若确定接收到用户端上传的项目描述文本，将所述项目描述文本输入至预先训练的文本预测模型，得到描述文本预测项目名称；

图片信息预测装置还包括：

文本属性设置单元，用于将所述描述文本预测项目名称通过增加文本下划线及文字浮窗显示的文本属性，并添加至用户描述信息区域进行显示。

5.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的图片信息预测方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至3任一项所述的图片信息预测方法。