(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利(10)授權(quán)公告號CN120108774B(21)申請?zhí)?02510595483.2(22)申請日2025.05.09(65)同一申請的已公布的文獻(xiàn)號申請公布號CN120108774A(43)申請公布日2025.06.06(73)專利權(quán)人北京圓心科技集團(tuán)股份有限公司路2號院2號樓1至18層101內(nèi)8層803-3室高翠翠梁軍營(74)專利代理機(jī)構(gòu)北京宏鐸知識產(chǎn)權(quán)代理有限公司34250專利代理師菅秀君GO6N3/08(2023.01)(56)對比文件審查員張皓靜(54)發(fā)明名稱一種基于人工智能的疾病科普糾錯方法及系統(tǒng)(57)摘要本申請?zhí)峁┮环N基于人工智能的疾病科普糾錯方法及系統(tǒng)。其中，本申請通過獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)訓(xùn)練語言模型動態(tài)識別語義焦點，生成上下文關(guān)聯(lián)的語義焦點分布圖譜?；趫D譜與多源異構(gòu)醫(yī)學(xué)表述的跨模態(tài)關(guān)聯(lián)分析，定位潛在認(rèn)知偏差區(qū)域，并結(jié)合醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異構(gòu)建糾錯優(yōu)先級隊列。進(jìn)一步根據(jù)隊列優(yōu)先級對錯誤表述實施增量式修正，保留用戶原始語義意圖的同時生成包含醫(yī)學(xué)溯源信息的糾錯反饋結(jié)果；本申請?zhí)峁┑募夹g(shù)方案實現(xiàn)疾病科普獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)先訓(xùn)獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)先訓(xùn)練好的的語言模型對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行動態(tài)識別，生成具有上下文關(guān)聯(lián)性的語義焦點分布圖譜基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位標(biāo)記根據(jù)潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果，結(jié)合所述科普文本數(shù)據(jù)源中不同醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異，構(gòu)建與所述語義焦點分布圖譜相匹配的糾錯優(yōu)先級隊列基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果21.一種基于人工智能的疾病科普糾錯方法，其特征獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)先訓(xùn)練好的語言模型對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行動態(tài)識別，生成具有上下文關(guān)聯(lián)性的語義焦點分布圖譜；基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位標(biāo)對所述科普文本數(shù)據(jù)源中的醫(yī)學(xué)知識節(jié)點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)威權(quán)重值；根據(jù)所述語義焦點分布圖譜中不同語義焦點的路徑密度和關(guān)聯(lián)強(qiáng)度，提取所述潛在認(rèn)知偏差區(qū)域?qū)?yīng)的語義焦點路徑密度和關(guān)聯(lián)強(qiáng)度，通過預(yù)設(shè)的融合層對所述語義焦點路徑密度、關(guān)聯(lián)強(qiáng)度與所述動態(tài)權(quán)威權(quán)重值進(jìn)行多維特征融合，生成包含路徑密度權(quán)重、關(guān)聯(lián)強(qiáng)度權(quán)重及動態(tài)權(quán)威權(quán)重的多維融合參數(shù)；基于所述多維融合參數(shù)，對所述潛在認(rèn)知偏差區(qū)域內(nèi)的錯誤表述進(jìn)行優(yōu)先級排序，生成與所述語義焦點分布圖譜中各語義焦點分支對應(yīng)的糾錯優(yōu)先級隊列；基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述科普文本數(shù)據(jù)源中的醫(yī)學(xué)知識節(jié)點對所述醫(yī)學(xué)知識節(jié)點的發(fā)布時間進(jìn)行時間戳解析，根據(jù)解析結(jié)果中當(dāng)前時間與所述醫(yī)學(xué)知識節(jié)點發(fā)布時間的差值生成時間間隔參數(shù)，基于所述時間間隔參數(shù)，通過預(yù)設(shè)的時間衰減函數(shù)計算時間衰減因子；獲取所述語義焦點分布圖譜中所有與所述醫(yī)學(xué)知識節(jié)點關(guān)聯(lián)的路徑觸發(fā)記錄，統(tǒng)計所述醫(yī)學(xué)知識節(jié)點在預(yù)設(shè)時間窗口內(nèi)的引用頻次；將所述時間衰減因子與所述引用頻次進(jìn)行歸一化處理，對歸一化后的時間衰減因子和引用頻次進(jìn)行加權(quán)乘積運算，生成動態(tài)權(quán)威權(quán)重值。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果，包按照所述糾錯優(yōu)先級隊列中各錯誤表述的優(yōu)先級順序，從所述科普文本數(shù)據(jù)源中提取與所述錯誤表述對應(yīng)的候選醫(yī)學(xué)知識節(jié)點集合；對所述候選醫(yī)學(xué)知識節(jié)點集合中的每個醫(yī)學(xué)知識節(jié)點進(jìn)行上下文語義匹配驗證，基于所述語義焦點分布圖譜的關(guān)聯(lián)強(qiáng)度閾值，保留與所述錯誤表述的原始語義意圖偏差值小于預(yù)設(shè)閾值的候選醫(yī)學(xué)知識節(jié)點，生成語義一致性修正候選集；根據(jù)所述語義一致性修正候選集中候選醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值和語義關(guān)聯(lián)強(qiáng)度，計算每個候選醫(yī)學(xué)知識節(jié)點的修正置信度，并基于所述修正置信度對所述候選醫(yī)學(xué)知識節(jié)點進(jìn)行排序，選取置信度最高的候選醫(yī)學(xué)知識節(jié)點作為目標(biāo)修正依據(jù)；基于所述目標(biāo)修正依據(jù)對所述錯誤表述進(jìn)行局部替換，生成增量修正后的疾病知識查詢內(nèi)容，同時為所述增量修正后的疾病知識查詢內(nèi)容添加與所述目標(biāo)修正依據(jù)對應(yīng)的醫(yī)學(xué)知識溯源標(biāo)記；3將所述增量修正后的疾病知識查詢內(nèi)容與所述語義焦點分布圖譜中的語義焦點路徑進(jìn)行邏輯一致性驗證，當(dāng)邏輯一致性驗證通過時，將所述醫(yī)學(xué)知識溯源標(biāo)記反向更新至所述語義焦點分布圖譜的關(guān)聯(lián)路徑中，生成包含醫(yī)學(xué)知識溯源標(biāo)記的糾錯反饋結(jié)果。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，根據(jù)所述語義一致性修正候選集中候選醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值和語義關(guān)聯(lián)強(qiáng)度，計算每個候選醫(yī)學(xué)知識節(jié)點的修正置信對所述動態(tài)權(quán)威權(quán)重值和所述語義關(guān)聯(lián)強(qiáng)度分別進(jìn)行歸一化處理，生成歸一化權(quán)威值以及歸一化關(guān)聯(lián)強(qiáng)度值；基于所述語義焦點分布圖譜中語義焦點路徑的上下文關(guān)聯(lián)密度，確定所述歸一化權(quán)威值與歸一化關(guān)聯(lián)強(qiáng)度值的融合權(quán)重比例；將所述歸一化權(quán)威值與所述歸一化關(guān)聯(lián)強(qiáng)度值按照所述融合權(quán)重比例進(jìn)行線性疊加，生成每個候選醫(yī)學(xué)知識節(jié)點的修正置信度。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位標(biāo)記，包括：對所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行模態(tài)分類，生成包含文本描述段、醫(yī)學(xué)影像標(biāo)注段以及結(jié)構(gòu)化數(shù)據(jù)表的模態(tài)分類結(jié)果，其中，所述模態(tài)分類結(jié)果中每個醫(yī)學(xué)表述單元攜帶對應(yīng)的醫(yī)學(xué)知識節(jié)點標(biāo)識；將所述語義焦點分布圖譜中的語義焦點路徑與所述模態(tài)分類結(jié)果進(jìn)行跨模態(tài)語義對齊，生成跨模態(tài)對齊參數(shù)，其中，所述跨模態(tài)對齊參數(shù)包括：文本描述段與語義焦點路徑的上下文覆蓋度、醫(yī)學(xué)影像標(biāo)注段與語義焦點的空間關(guān)聯(lián)度、結(jié)構(gòu)化數(shù)據(jù)表與語義焦點邏輯鏈的匹配完整度；根據(jù)所述跨模態(tài)對齊參數(shù)計算所述疾病知識查詢內(nèi)容中每個語義焦點與對應(yīng)醫(yī)學(xué)表述單元的語義相似度差異值；基于所述語義相似度差異值的分布特征，對所述疾病知識查詢內(nèi)容中超過預(yù)設(shè)差異閾值的語義焦點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)重分布矩陣；根據(jù)所述動態(tài)權(quán)重分布矩陣對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行區(qū)域聚類，將聚類后生成的連續(xù)高差異區(qū)域標(biāo)記為初始潛在認(rèn)知偏差區(qū)域；對所述初始潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果進(jìn)行跨模態(tài)邏輯驗證，當(dāng)所述醫(yī)學(xué)表述單元的模態(tài)分類結(jié)果中存在與標(biāo)記區(qū)域沖突的醫(yī)學(xué)知識節(jié)點時，根據(jù)沖突的醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值修正所述動態(tài)權(quán)重分布矩陣的聚類邊界參數(shù)，重新生成修正后的潛在認(rèn)知偏差區(qū)域標(biāo)記結(jié)果。6.根據(jù)權(quán)利要求5所述的方法，其特征在于，根據(jù)所述跨模態(tài)對齊參數(shù)計算所述疾病知識查詢內(nèi)容中每個語義焦點與對應(yīng)醫(yī)學(xué)表述單元的語義相似度差異值，包括：對所述跨模態(tài)對齊參數(shù)中的上下文覆蓋度、空間關(guān)聯(lián)度以及匹配完整度分別進(jìn)行歸一化處理，生成歸一化覆蓋度值、歸一化關(guān)聯(lián)度值以及歸一化完整度值；根據(jù)所述醫(yī)學(xué)表述單元的模態(tài)類型為所述歸一化覆蓋度值、歸一化關(guān)聯(lián)度值及歸一化完整度值分配模態(tài)權(quán)重比例；將所述歸一化覆蓋度值與文本描述段的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成文本覆蓋貢4獻(xiàn)值，將所述歸一化關(guān)聯(lián)度值與醫(yī)學(xué)影像標(biāo)注段的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成影像關(guān)聯(lián)貢獻(xiàn)值，將所述歸一化完整度值與結(jié)構(gòu)化數(shù)據(jù)表的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成數(shù)據(jù)完整貢獻(xiàn)值；對所述文本覆蓋貢獻(xiàn)值、影像關(guān)聯(lián)貢獻(xiàn)值及數(shù)據(jù)完整貢獻(xiàn)值進(jìn)行多模態(tài)聚合運算，生成初始差異值；基于所述語義焦點分布圖譜中語義焦點路徑的上下文密度對所述初始差異值進(jìn)行動態(tài)補(bǔ)償修正，生成語義相似度差異值。7.一種基于人工智能的疾病科普糾錯系統(tǒng)，其特征在于，包括：識別模塊，用于獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)先訓(xùn)練好的語言模型對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行動態(tài)識別，生成具有上下文關(guān)聯(lián)性的語義焦點分布圖譜；分析模塊，用于基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位標(biāo)記；構(gòu)建模塊，對所述科普文本數(shù)據(jù)源中的醫(yī)學(xué)知識節(jié)點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)威權(quán)重值；根據(jù)所述語義焦點分布圖譜中不同語義焦點的路徑密度和關(guān)聯(lián)強(qiáng)度，提取所述潛在認(rèn)知偏差區(qū)域?qū)?yīng)的語義焦點路徑密度和關(guān)聯(lián)強(qiáng)度，通過預(yù)設(shè)的融合層對所述語義焦點路徑密度、關(guān)聯(lián)強(qiáng)度與所述動態(tài)權(quán)威權(quán)重值進(jìn)行多維特征融合，生成包含路徑密度權(quán)重、關(guān)聯(lián)強(qiáng)度權(quán)重及動態(tài)權(quán)威權(quán)重的多維融合參數(shù)；基于所述多維融合參數(shù)，對所述潛在認(rèn)知偏差區(qū)域內(nèi)的錯誤表述進(jìn)行優(yōu)先級排序，生成與所述語義焦點分布圖譜中各語義焦點分支對應(yīng)的糾錯優(yōu)先級隊列；修正模塊，用于基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果。8.一種計算設(shè)備，其特征在于，包括處理組件以及存儲組件；所述存儲組件存儲一個或多個計算機(jī)指令；所述一個或多個計算機(jī)指令用以被所述處理組件調(diào)用執(zhí)行，實現(xiàn)如權(quán)利要求1~6任一項所述的一種基于人工智能的疾病科普糾錯方法。9.一種計算機(jī)存儲介質(zhì)，其特征在于，存儲有計算機(jī)程序，所述計算機(jī)程序被計算機(jī)執(zhí)行時，實現(xiàn)如權(quán)利要求1~6任一項所述的一種基于人工智能的疾病科普糾錯方法。5一種基于人工智能的疾病科普糾錯方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本申請涉及疾病科普技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的疾病科普糾錯方法及系統(tǒng)。背景技術(shù)[0002]在疾病科普場景中，用戶常通過互聯(lián)網(wǎng)獲取醫(yī)學(xué)知識，但海量信息中存在大量表述模糊、邏輯矛盾或過時錯誤的內(nèi)容，易引發(fā)認(rèn)知偏差。亟需一種能夠動態(tài)識別用戶查詢語義焦點、精準(zhǔn)定位認(rèn)知偏差區(qū)域，并基于權(quán)威醫(yī)學(xué)知識實現(xiàn)多模態(tài)協(xié)同糾錯的自動化方法，以保障科普內(nèi)容的準(zhǔn)確性、邏輯一致性及醫(yī)學(xué)證據(jù)可溯性。[0003]當(dāng)前主流方案采用單一文本模態(tài)的靜態(tài)匹配，無法有效整合影像、表格等多源異構(gòu)醫(yī)學(xué)數(shù)據(jù)，導(dǎo)致跨模態(tài)語義沖突無法識別(如文本描述與影像標(biāo)注邏輯矛盾);同時，其糾錯規(guī)則缺乏動態(tài)語義焦點分析，難以區(qū)分用戶表述的核心意圖與次要細(xì)節(jié)，易因上下文關(guān)聯(lián)缺失引發(fā)誤判；此外，糾錯建議未結(jié)合醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異，無法優(yōu)先推薦高可信度修正依據(jù)，導(dǎo)致用戶對糾錯結(jié)果的信任度不足。發(fā)明內(nèi)容[0004]本申請?zhí)峁┮环N基于人工智能的疾病科普糾錯方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中無法有效整合多源異構(gòu)醫(yī)學(xué)數(shù)據(jù)導(dǎo)致跨模態(tài)語義沖突、缺乏動態(tài)語義焦點分析引發(fā)的上下文關(guān)聯(lián)缺失誤判，以及未結(jié)合權(quán)威性權(quán)重差異導(dǎo)致的糾錯依據(jù)可信度不足的問題。[0006]獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)先訓(xùn)練好的的語言模型對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行動態(tài)識別，生成具有上下文關(guān)聯(lián)性的語義焦點分布圖譜；[0007]基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位[0008]根據(jù)潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果，結(jié)合所述科普文本數(shù)據(jù)源中不同醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異，構(gòu)建與所述語義焦點分布圖譜相匹配的糾錯優(yōu)先級隊列；[0009]基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果。[0010]可選地，根據(jù)潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果，結(jié)合所述科普文本數(shù)據(jù)源中不同醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異，構(gòu)建與所述語義焦點分布圖譜相匹配的糾錯優(yōu)先級隊列，[0011]對所述科普文本數(shù)據(jù)源中的醫(yī)學(xué)知識節(jié)點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)威權(quán)重[0012]根據(jù)所述語義焦點分布圖譜中不同語義焦點的路徑密度和關(guān)聯(lián)強(qiáng)度，提取所述潛6在認(rèn)知偏差區(qū)域?qū)?yīng)的語義焦點路徑密度和關(guān)聯(lián)強(qiáng)度，通過預(yù)設(shè)的融合層對所述語義焦點路徑密度、關(guān)聯(lián)強(qiáng)度與所述動態(tài)權(quán)威權(quán)重值進(jìn)行多維特征融合，生成包含路徑密度權(quán)重、關(guān)聯(lián)強(qiáng)度權(quán)重及動態(tài)權(quán)威權(quán)重的多維融合參數(shù)；[0013]基于所述多維融合參數(shù)，對所述潛在認(rèn)知偏差區(qū)域內(nèi)的錯誤表述進(jìn)行優(yōu)先級排序，生成與所述語義焦點分布圖譜中各語義焦點分支對應(yīng)的糾錯優(yōu)先級隊列。[0014]可選地，對所述科普文本數(shù)據(jù)源中的醫(yī)學(xué)知識節(jié)點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)[0015]對所述醫(yī)學(xué)知識節(jié)點的發(fā)布時間進(jìn)行時間戳解析，根據(jù)解析結(jié)果中當(dāng)前時間與所述醫(yī)學(xué)知識節(jié)點發(fā)布時間的差值生成時間間隔參數(shù)；[0016]獲取所述語義焦點分布圖譜中所有與所述醫(yī)學(xué)知識節(jié)點關(guān)聯(lián)的路徑觸發(fā)記錄，統(tǒng)計所述醫(yī)學(xué)知識節(jié)點在預(yù)設(shè)時間窗口內(nèi)的引用頻次；[0017]將所述時間衰減因子與所述引用頻次進(jìn)行歸一化處理，對歸一化后的時間衰減因子和引用頻次進(jìn)行加權(quán)乘積運算，生成動態(tài)權(quán)威權(quán)重值。[0018]可選地，基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果，包括：[0019]按照所述糾錯優(yōu)先級隊列中各錯誤表述的優(yōu)先級順序，從所述科普文本數(shù)據(jù)源中提取與所述錯誤表述對應(yīng)的候選醫(yī)學(xué)知識節(jié)點集合；[0020]對所述候選醫(yī)學(xué)知識節(jié)點集合中的每個醫(yī)學(xué)知識節(jié)點進(jìn)行上下文語義匹配驗證，基于所述語義焦點分布圖譜的關(guān)聯(lián)強(qiáng)度閾值，保留與所述錯誤表述的原始語義意圖偏差值小于預(yù)設(shè)閾值的候選醫(yī)學(xué)知識節(jié)點，生成語義一致性修正候選集；[0021]根據(jù)所述語義一致性修正候選集中候選醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值和語義關(guān)聯(lián)強(qiáng)度，計算每個候選醫(yī)學(xué)知識節(jié)點的修正置信度，并基于所述修正置信度對所述候選節(jié)點進(jìn)行排序，選取置信度最高的候選醫(yī)學(xué)知識節(jié)點作為目標(biāo)修正依據(jù)；[0022]基于所述目標(biāo)修正依據(jù)對所述錯誤表述進(jìn)行局部替換，生成增量修正后的疾病知識查詢內(nèi)容，同時為所述增量修正后的疾病知識查詢內(nèi)容添加與所述目標(biāo)修正依據(jù)對應(yīng)的醫(yī)學(xué)知識溯源標(biāo)記；[0023]將所述增量修正后的疾病知識查詢內(nèi)容與所述語義焦點分布圖譜中的語義焦點路徑進(jìn)行邏輯一致性驗證，當(dāng)邏輯一致性驗證通過時，將所述醫(yī)學(xué)知識溯源標(biāo)記反向更新至所述語義焦點分布圖譜的關(guān)聯(lián)路徑中，生成包含醫(yī)學(xué)知識溯源標(biāo)記的糾錯反饋結(jié)果。[0024]可選地，根據(jù)所述語義一致性修正候選集中候選醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值和語義關(guān)聯(lián)強(qiáng)度，計算每個候選醫(yī)學(xué)知識節(jié)點的修正置信度，包括：[0025]對所述動態(tài)權(quán)威權(quán)重值和所述語義關(guān)聯(lián)強(qiáng)度分別進(jìn)行歸一化處理，生成歸一化權(quán)威值以及歸一化關(guān)聯(lián)強(qiáng)度值；[0026]基于所述語義焦點分布圖譜中語義焦點路徑的上下文關(guān)聯(lián)密度，確定所述歸一化權(quán)威值與歸一化關(guān)聯(lián)強(qiáng)度值的融合權(quán)重比例；[0027]將所述歸一化權(quán)威值與所述歸一化關(guān)聯(lián)強(qiáng)度值按照所述融合權(quán)重比例進(jìn)行線性疊加，生成每個候選醫(yī)學(xué)知識節(jié)點的修正置信度。[0028]可選地，基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)7[0029]對所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行模態(tài)分類，生成包含文本描述段、醫(yī)學(xué)影像標(biāo)注段以及結(jié)構(gòu)化數(shù)據(jù)表的模態(tài)分類結(jié)果，其中，所述模態(tài)分類結(jié)果中每個醫(yī)學(xué)表述單元攜帶對應(yīng)的醫(yī)學(xué)知識節(jié)點標(biāo)識；[0030]將所述語義焦點分布圖譜中的語義焦點路徑與所述模態(tài)分類結(jié)果進(jìn)行跨模態(tài)語義對齊，生成跨模態(tài)對齊參數(shù)，其中，所述跨模態(tài)對齊參數(shù)包括：文本描述段與語義焦點路徑的上下文覆蓋度、醫(yī)學(xué)影像標(biāo)注段與語義焦點的空間關(guān)聯(lián)度、結(jié)構(gòu)化數(shù)據(jù)表與語義焦點邏輯鏈的匹配完整度；[0031]根據(jù)所述跨模態(tài)對齊參數(shù)計算所述疾病知識查詢內(nèi)容中每個語義焦點與對應(yīng)醫(yī)學(xué)表述單元的語義相似度差異值；[0032]基于所述語義相似度差異值的分布特征，對所述疾病知識查詢內(nèi)容中超過預(yù)設(shè)差異閾值的語義焦點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)重分布矩陣；[0033]根據(jù)所述動態(tài)權(quán)重分布矩陣對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行區(qū)域聚類，將聚類后生成的連續(xù)高差異區(qū)域標(biāo)記為初始潛在認(rèn)知偏差區(qū)域；[0034]對所述初始潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果進(jìn)行跨模態(tài)邏輯驗證，當(dāng)所述醫(yī)學(xué)表述單元的模態(tài)分類結(jié)果中存在與標(biāo)記區(qū)域沖突的醫(yī)學(xué)知識節(jié)點時，根據(jù)沖突的醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值修正所述動態(tài)權(quán)重分布矩陣的聚類邊界參數(shù)，重新生成修正后的潛在認(rèn)知偏差區(qū)域標(biāo)記結(jié)果。[0035]可選地，根據(jù)所述跨模態(tài)對齊參數(shù)計算所述疾病知識查詢內(nèi)容中每個語義焦點與對應(yīng)醫(yī)學(xué)表述單元的語義相似度差異值，包括：[0036]對所述跨模態(tài)對齊參數(shù)中的上下文覆蓋度、空間關(guān)聯(lián)度以及匹配完整度分別進(jìn)行歸一化處理，生成歸一化覆蓋度值、歸一化關(guān)聯(lián)度值以及歸一化完整度值；[0037]根據(jù)所述醫(yī)學(xué)表述單元的模態(tài)類型為所述歸一化覆蓋度值、歸一化關(guān)聯(lián)度值及歸一化完整度值分配模態(tài)權(quán)重比例；[0038]將所述歸一化覆蓋度值與文本描述段的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成文本覆蓋貢獻(xiàn)值，將所述歸一化關(guān)聯(lián)度值與醫(yī)學(xué)影像標(biāo)注段的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成影像關(guān)聯(lián)貢獻(xiàn)值，將所述歸一化完整度值與結(jié)構(gòu)化數(shù)據(jù)表的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成數(shù)據(jù)完整貢獻(xiàn)值；[0039]對所述文本覆蓋貢獻(xiàn)值、影像關(guān)聯(lián)貢獻(xiàn)值及數(shù)據(jù)完整貢獻(xiàn)值進(jìn)行多模態(tài)聚合運[0040]基于所述語義焦點分布圖譜中語義焦點路徑的上下文密度對所述初始差異值進(jìn)行動態(tài)補(bǔ)償修正，生成語義相似度差異值。[0041]第二方面，本申請?zhí)峁┝艘环N基于人工智能的疾病科普糾錯系統(tǒng)，包括：[0042]識別模塊，用于獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)先訓(xùn)練好的的語言模型對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行動態(tài)識別，生成具有上下文關(guān)聯(lián)性的語義焦點分布圖譜；[0043]分析模塊，用于基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位標(biāo)記；8[0044]構(gòu)建模塊，用于根據(jù)潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果，結(jié)合所述科普文本數(shù)據(jù)源中不同醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異，構(gòu)建與所述語義焦點分布圖譜相匹配的糾錯優(yōu)先級[0045]修正模塊，用于基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果。[0046]第三方面，本申請實施例提供了一種計算設(shè)備，包括處理組件以及存儲組件；所述存儲組件存儲一個或多個計算機(jī)指令；所述一個或多個計算機(jī)指令用以被所述處理組件調(diào)用執(zhí)行，實現(xiàn)如上述第一方面所述的一種基于人工智能的疾病科普糾錯方法。[0047]第四方面，本申請實施例提供了一種計算算機(jī)程序被計算機(jī)執(zhí)行時，實現(xiàn)如第一方面所述的一種基于人工智能的疾病科普糾錯方[0048]本申請實施例，通過獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，并利用預(yù)訓(xùn)練語言模型動態(tài)識別語義焦點生成上下文關(guān)聯(lián)的語義焦點分布圖譜，能夠精準(zhǔn)捕捉用戶查詢的核心意圖及醫(yī)學(xué)知識的邏輯關(guān)聯(lián)性；通過基于所述語義焦點分布圖譜與多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，能夠從文本、影像、表格等多模態(tài)數(shù)據(jù)中定位潛在認(rèn)知偏差區(qū)域，避免單一模態(tài)分析導(dǎo)致的語義沖突遺漏；通過結(jié)合醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異構(gòu)建糾錯優(yōu)先級隊列，能夠根據(jù)知識可信度動態(tài)優(yōu)化糾錯順序，提升修正依據(jù)的權(quán)威性和決策效率；通過基于優(yōu)先級隊列實施增量式修正并生成醫(yī)學(xué)溯源反饋結(jié)果，能夠在保留用戶原始表述意圖的同時，確保修正內(nèi)容的可追溯性和邏輯嚴(yán)謹(jǐn)性。[0049]進(jìn)一步地，在構(gòu)建糾錯優(yōu)先級隊列時，通過對醫(yī)學(xué)知識節(jié)點進(jìn)行動態(tài)權(quán)重分配生成動態(tài)權(quán)威權(quán)重值，能夠融合發(fā)布時間衰減因子與引用頻次動態(tài)調(diào)整知識可信度，避免靜態(tài)權(quán)重分配導(dǎo)致的過時知識誤用；通過提取語義焦點路徑密度和關(guān)聯(lián)強(qiáng)度并與動態(tài)權(quán)威權(quán)重進(jìn)行多維特征融合，能夠綜合語義上下文關(guān)聯(lián)度與知識權(quán)威性差異，生成與醫(yī)學(xué)糾錯場景強(qiáng)適配的融合參數(shù)；基于所述多維融合參數(shù)對錯誤表述進(jìn)行優(yōu)先級排序生成糾錯隊列，能夠依據(jù)路徑密度權(quán)重、關(guān)聯(lián)強(qiáng)度權(quán)重及權(quán)威權(quán)重的協(xié)同作用，優(yōu)先處理高密度關(guān)聯(lián)且權(quán)威性不足的偏差區(qū)域，顯著提升糾錯效率和準(zhǔn)確性。[0050]本申請的這些方面或其他方面在以下實施例的描述中會更加簡明易懂。附圖說明[0051]為了更清楚地說明本申請實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本申請的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。[0052]圖1示出了本申請?zhí)峁┑囊环N基于人工智能的疾病科普糾錯方法的流程圖；[0053]圖2示出了本申請?zhí)峁┑囊环N基于人工智能的疾病科普糾錯系統(tǒng)的結(jié)構(gòu)示意圖；[0054]圖3示出了本申請?zhí)峁┑囊环N計算設(shè)備的結(jié)構(gòu)示意圖。具體實施方式[0055]為了使本技術(shù)領(lǐng)域的人員更好地理解本申請方案，下面將結(jié)合本申請實施例中的9附圖，對本申請實施例中的技術(shù)方案進(jìn)行清楚、完整地描述。[0056]在本申請的說明書和權(quán)利要求書及上述附圖中的描述的一些流程中，包含了按照特定順序出現(xiàn)的多個操作，但是應(yīng)該清楚了解，這些操作可以不按照其在本文中出現(xiàn)的順序來執(zhí)行或并行執(zhí)行，操作的序號如101、102等，僅僅是用于區(qū)分開各個不同的操作，序號本身不代表任何的執(zhí)行順序。另外，這些流程可以包括更多或更少的操作，并且這些操作可[0057]研究人員發(fā)現(xiàn)，現(xiàn)有疾病科普糾錯技術(shù)因依賴單一文本模態(tài)的靜態(tài)匹配，無法有效整合多源異構(gòu)醫(yī)學(xué)數(shù)據(jù)(如文本、影像、表格),導(dǎo)致跨模態(tài)語義沖突難以識別；同時缺乏動態(tài)語義焦點分析，易因上下文關(guān)聯(lián)缺失引發(fā)誤判，且糾錯建議未結(jié)合權(quán)威性權(quán)重，導(dǎo)致可信度不足?；诖?，提供了一種基于人工智能的疾病科普糾錯方法，該方法能夠通過動態(tài)語義焦點分布圖譜捕捉用戶查詢意圖，結(jié)合多模態(tài)關(guān)聯(lián)分析定位認(rèn)知偏差區(qū)域，并基于權(quán)威權(quán)重差異構(gòu)建優(yōu)先級隊列實施增量修正，實現(xiàn)精準(zhǔn)糾錯與醫(yī)學(xué)溯源反饋。[0058]本申請的技術(shù)方案可適用于在線健康咨詢平臺、醫(yī)學(xué)知識庫內(nèi)容審核、用戶生成科普內(nèi)容糾錯等場景，尤其適用于需整合多源異構(gòu)醫(yī)學(xué)數(shù)據(jù)(如臨床指南、影像報告、科研文獻(xiàn))且對糾錯依據(jù)權(quán)威性要求高的場景。[0059]下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領(lǐng)域技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施[0060]圖1為本申請實施例提供一種基于人工智能的疾病科普糾錯方法的流程圖，如圖1[0061]步驟101,獲取用戶輸入的疾病知識查詢內(nèi)容及關(guān)聯(lián)的科普文本數(shù)據(jù)源，利用預(yù)先訓(xùn)練好的的語言模型對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行動態(tài)識別，生成具有上下文關(guān)聯(lián)性的語義焦點分布圖譜；[0062]在該步驟中，疾病知識查詢內(nèi)容指用戶通過交互界面輸入的與疾病相關(guān)的文字描述或問題(如癥狀描述、治療方案咨詢等);科普文本數(shù)據(jù)源包含醫(yī)學(xué)百科、臨床指南、科研論文等結(jié)構(gòu)化或非結(jié)構(gòu)化醫(yī)學(xué)知識庫；語義焦點指用戶在查詢中表達(dá)的核心醫(yī)學(xué)概念或意圖(如特定疾病名稱、檢查指標(biāo)等);具有上下文關(guān)聯(lián)性的語義焦點分布圖譜是以圖結(jié)構(gòu)動態(tài)表征語義焦點間的邏輯關(guān)系(如因果關(guān)系、并列關(guān)系)及上下文依賴強(qiáng)度的可視化知識網(wǎng)[0063]在本實施例中，通過預(yù)訓(xùn)練語言模型(如醫(yī)學(xué)領(lǐng)域微調(diào)的BERT)對用戶輸入的查詢內(nèi)容進(jìn)行分詞和注意力權(quán)重分析，識別高頻關(guān)注詞及共現(xiàn)詞作為候選語義焦點；基于圖神經(jīng)網(wǎng)絡(luò)構(gòu)建上下文關(guān)聯(lián)模型，將候選語義焦點及其在查詢語句中的依存句法關(guān)系映射為圖譜節(jié)點與邊，節(jié)點權(quán)重反映語義焦點的重要性，邊權(quán)重反映焦點間的邏輯關(guān)聯(lián)強(qiáng)度；最終生成包含核心疾病概念、相關(guān)癥狀、治療手段等節(jié)點及其多維關(guān)聯(lián)關(guān)系的動態(tài)圖譜。系邊(權(quán)重0.8)、“治療藥物-副作用”的因果藥”等擴(kuò)展節(jié)點，形成動態(tài)演化的語義關(guān)聯(lián)網(wǎng)絡(luò)。在后續(xù)步驟中，該圖譜將作為跨模態(tài)分析的基準(zhǔn)框架，用于定位用戶潛在認(rèn)知偏差(如誤將“胰島素”副作用等同于所有降糖藥物)。[0065]步驟102,基于所述語義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位標(biāo)記；[0066]在該步驟中，多源異構(gòu)醫(yī)學(xué)表述指包含文本描述段、醫(yī)學(xué)影像標(biāo)注段及結(jié)構(gòu)化數(shù)據(jù)表等不同模態(tài)的醫(yī)學(xué)知識表達(dá)形式；跨模態(tài)關(guān)聯(lián)分析指通過語義對齊、邏輯鏈匹配等技術(shù)手段，在多模態(tài)醫(yī)學(xué)數(shù)據(jù)間建立關(guān)聯(lián)關(guān)系并識別語義一致性的過程；潛在認(rèn)知偏差區(qū)域指用戶查詢內(nèi)容中與權(quán)威醫(yī)學(xué)知識存在邏輯沖突或表述模糊的語義焦點集合。[0067]在本實施例中，首先，通過所述科普文本數(shù)據(jù)源提取多源異構(gòu)醫(yī)學(xué)表述，包括文本描述段落(如疾病治療方案的文字說明)、醫(yī)學(xué)影像標(biāo)注段(如藥物副作用示意圖的標(biāo)注信息)、結(jié)構(gòu)化數(shù)據(jù)表(如藥品禁忌癥清單表格),并按模態(tài)類型分類存儲；其次，將語義焦點分布圖譜中的節(jié)點(如“糖尿病治療藥物”)與文本描述段落進(jìn)行關(guān)鍵詞覆蓋度計算(如匹配“胰島素”“SGLT2抑制劑”等關(guān)鍵詞覆蓋率85%),與醫(yī)學(xué)影像標(biāo)注段進(jìn)行空間特征匹配(如檢測示意圖中“低血糖癥狀”標(biāo)注區(qū)域與語義焦點的關(guān)聯(lián)性),與結(jié)構(gòu)化數(shù)據(jù)表進(jìn)行邏輯鏈完整性驗證(如校驗“禁忌癥”字段是否包含“肝腎功能不全”條目);接著，基于預(yù)設(shè)的跨模態(tài)權(quán)重分配策略(如文本權(quán)重40%、影像權(quán)重30%、表格權(quán)重30%),對上述計算結(jié)果進(jìn)行加權(quán)融合，生成每個語義焦點的跨模態(tài)差異值(如差異值=文本覆蓋度×0.4+影像關(guān)聯(lián)度×0.3+表格完整度×0.3),并對差異值超過閾值(如≥0.8)的焦點區(qū)域進(jìn)行高亮標(biāo)記；最后，將標(biāo)記結(jié)果與語義焦點分布圖譜的路徑關(guān)聯(lián)強(qiáng)度進(jìn)行疊加分析，篩選出關(guān)聯(lián)強(qiáng)度高且跨模態(tài)差異顯著的區(qū)域(如“所有降糖藥物均導(dǎo)致低血糖”),生成潛在認(rèn)知偏差區(qū)域坐標(biāo)及置信度參數(shù)，為后續(xù)糾錯優(yōu)先級隊列構(gòu)建提供輸入。[0068]步驟103,根據(jù)潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果，結(jié)合所述科普文本數(shù)據(jù)源中不同醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異，構(gòu)建與所述語義焦點分布圖譜相匹配的糾錯優(yōu)先級隊列；[0069]在該步驟中，醫(yī)學(xué)知識節(jié)點指科普文本數(shù)據(jù)源中具有獨立醫(yī)學(xué)語義的最小知識單元(如藥物名稱、副作用條目);權(quán)威性權(quán)重差異指不同醫(yī)學(xué)知識節(jié)點因發(fā)布時間、引用頻次、數(shù)據(jù)源權(quán)威等級等指標(biāo)動態(tài)計算得到的可信度差異；與所述語義焦點分布圖譜相匹配的糾錯優(yōu)先級隊列指根據(jù)語義焦點路徑關(guān)聯(lián)強(qiáng)度、知識節(jié)點權(quán)威性權(quán)重及認(rèn)知偏差區(qū)域標(biāo)記結(jié)果綜合生成的糾錯執(zhí)行順序列表。[0070]在本實施例中，首先，通過所述科普文本數(shù)據(jù)源中醫(yī)學(xué)知識節(jié)點的元數(shù)據(jù)(如發(fā)布時間、引用文獻(xiàn)數(shù)量)提取時間衰減因子與引用頻次參數(shù)，結(jié)合所述語義焦點分布圖譜中節(jié)點關(guān)聯(lián)路徑的觸發(fā)記錄，動態(tài)計算每個醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值(如“胰島素”節(jié)點權(quán)重0.63,“SGLT2抑制劑”節(jié)點權(quán)重0.72);其次，基于所述語義焦點分布圖譜中與潛在認(rèn)知偏差區(qū)域關(guān)聯(lián)的路徑密度(如“治療藥物-副作用”路徑密度0.9)和關(guān)聯(lián)強(qiáng)度(如與“胰島素”節(jié)點的關(guān)聯(lián)強(qiáng)度0.8),提取路徑密度貢獻(xiàn)度及關(guān)聯(lián)強(qiáng)度貢獻(xiàn)度參數(shù)；接著，將所述動態(tài)權(quán)威權(quán)重值、路徑密度貢獻(xiàn)度及關(guān)聯(lián)強(qiáng)度貢獻(xiàn)度輸入預(yù)設(shè)的融合計算模型，按預(yù)設(shè)權(quán)重比例(如權(quán)威權(quán)重占比40%、路徑密度占比30%、關(guān)聯(lián)強(qiáng)度占比30%)進(jìn)行線性疊加，生成每個醫(yī)學(xué)知識節(jié)點的糾錯優(yōu)先級參數(shù)(如“胰島素”優(yōu)先級參數(shù)1.287,“SGLT2抑制劑”優(yōu)先級參數(shù)1.296);最后，根據(jù)所述糾錯優(yōu)先級參數(shù)對關(guān)聯(lián)的醫(yī)學(xué)知識節(jié)點進(jìn)行降序排列，生成與語義焦點分11布圖譜中語義焦點分支(如“糖尿病治療藥物副作用”)匹配的糾錯優(yōu)先級隊列(如隊列首位為“SGLT2抑制劑”節(jié)點),并將所述隊列中優(yōu)先級參數(shù)差值超過預(yù)設(shè)閾值的節(jié)點標(biāo)記為高置信修正依據(jù)。[0071]步驟104,基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果；[0072]在該步驟中，增量式修正指在保留用戶原始查詢內(nèi)容主體結(jié)構(gòu)的前提下，對錯誤表述進(jìn)行局部替換或補(bǔ)充注釋的操作方式；錯誤表述指用戶查詢中與權(quán)威醫(yī)學(xué)知識存在沖突或表述不準(zhǔn)確的語義焦點集合(如“所有降糖藥物均導(dǎo)致低血糖”);知識溯源信息指修正依據(jù)對應(yīng)的醫(yī)學(xué)知識節(jié)點標(biāo)識及其權(quán)威數(shù)據(jù)來源。[0073]在本實施例中，首先，通過所述糾錯優(yōu)先級隊列獲取排序首位的高置信修正依據(jù)(如“SGLT2抑制劑”節(jié)點),從科普文本數(shù)據(jù)源中提取該節(jié)點的權(quán)威醫(yī)學(xué)表述(如“低血糖風(fēng)險低于1%”)及關(guān)聯(lián)的溯源標(biāo)識；其次，基于語義焦點分布圖譜定位錯誤表述的上下文邊界(如用戶查詢中“所有降糖藥物”所在的語句位置),采用局部替換算法將錯誤表述替換為"SGLT2抑制劑等新型藥物”,同時在替換位置插入懸浮注釋框，顯示補(bǔ)充說明“不同藥物類別風(fēng)險差異詳見下文”;接著將修正后的文本與語義焦點分布圖譜中的關(guān)聯(lián)路徑(如“治療藥物-副作用”)進(jìn)行邏輯一致性驗證，校驗替換后的節(jié)點(如“SGLT2抑制劑”)與路徑權(quán)重(0.8)的匹配度，若偏差值小于閾值(如<0.1)則判定驗證通過；最后，在糾錯反饋結(jié)果中嵌入可交互的溯源標(biāo)記，并將本次修正觸發(fā)的語義焦點路徑引用頻次更新(如“SGLT2抑制劑-低血糖”路徑頻次從8次增至9次),生成包含修正內(nèi)容、溯源信息及圖譜更新日志的完整反饋結(jié)果。[0074]由于現(xiàn)有糾錯方法在確定修正順序時，因未結(jié)合語義焦點上下文關(guān)聯(lián)度與醫(yī)學(xué)知識權(quán)威性動態(tài)變化，導(dǎo)致高關(guān)聯(lián)性錯誤無法優(yōu)先處理。基于此，一些所述，根據(jù)潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果，結(jié)合所述科普文本數(shù)據(jù)源中不同醫(yī)學(xué)知識節(jié)點的權(quán)威性權(quán)重差異，構(gòu)建與所述語義焦點分布圖譜相匹配的糾錯優(yōu)先級隊列，包括：[0075]步驟201,對所述科普文本數(shù)據(jù)源中的醫(yī)學(xué)知識節(jié)點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)威權(quán)重值；[0076]在該步驟中，動態(tài)權(quán)威權(quán)重值指通過融合醫(yī)學(xué)知識節(jié)點的時效性衰減因子與語義焦點引用頻次動態(tài)計算得到的可信度量化指標(biāo)，用于表征節(jié)點在當(dāng)前醫(yī)學(xué)知識網(wǎng)絡(luò)中的權(quán)威等級。[0077]在本實施例中，首先，通過所述科普文本數(shù)據(jù)源中醫(yī)學(xué)知識節(jié)點的元數(shù)據(jù)接口提取發(fā)布時間信息(如“胰島素”節(jié)點發(fā)布時間為2020年1月),計算當(dāng)前時間與發(fā)布時間的間隔天數(shù)(如間隔3年),采用指數(shù)衰減函數(shù)生成時間衰減因子(如0.7);其次，遍歷所述語義焦點分布圖譜中所有關(guān)聯(lián)路徑(如“糖尿病-胰島素-副作用”路徑),統(tǒng)計所述醫(yī)學(xué)知識節(jié)點在預(yù)設(shè)時間窗口內(nèi)(如最近1年)的引用頻次(如“胰島素”被15條路徑引用);接著，對所述時間衰減因子和引用頻次分別進(jìn)行歸一化處理，將時間衰減因子映射至[0,1]區(qū)間(如0.7→0.7),引用頻次按最大值100次歸一化(如15次→0.15);最后，將歸一化后的時間衰減因子與引用頻次按預(yù)設(shè)權(quán)重比例(如時間衰減占比60%、引用頻次占比40%)進(jìn)行加權(quán)乘積運算(如0.7×0.6+0.15×0.4=0.48),生成動態(tài)權(quán)威權(quán)重值，并寫入所述醫(yī)學(xué)知識節(jié)點的屬性字段。[0078]步驟202,根據(jù)所述語義焦點分布圖譜中不同語義焦點的路徑密度和關(guān)聯(lián)強(qiáng)度，提取所述潛在認(rèn)知偏差區(qū)域?qū)?yīng)的語義焦點路徑密度和關(guān)聯(lián)強(qiáng)度，通過預(yù)設(shè)的融合層對所述語義焦點路徑密度、關(guān)聯(lián)強(qiáng)度與所述動態(tài)權(quán)威權(quán)重值進(jìn)行多維特征融合，生成包含路徑密度權(quán)重、關(guān)聯(lián)強(qiáng)度權(quán)重及動態(tài)權(quán)威權(quán)重的多維融合參數(shù)；[0079]在該步驟中，路徑密度指語義焦點分布圖譜中與特定語義焦點關(guān)聯(lián)的路徑數(shù)量占圖譜總路徑數(shù)的比例；關(guān)聯(lián)強(qiáng)度指語義焦點之間邏輯關(guān)系的量化權(quán)重(如因果關(guān)系的權(quán)重為0.8);融合層指預(yù)設(shè)的多維特征加權(quán)計算模塊，用于整合不同維度的參數(shù)；多維融合參數(shù)指包含路徑密度貢獻(xiàn)度、關(guān)聯(lián)強(qiáng)度貢獻(xiàn)度及動態(tài)權(quán)威權(quán)重的綜合決策參數(shù)。[0080]在本實施例中，首先，遍歷所述語義焦點分布圖譜中與潛在認(rèn)知偏差區(qū)域關(guān)聯(lián)的語義焦點分支(如“治療藥物-副作用”分支),統(tǒng)計其路徑數(shù)量與圖譜總路徑數(shù)的比值，生成路徑密度權(quán)重(如路徑占比15%則權(quán)重0.15);其次，提取所述分支中每條路徑的關(guān)聯(lián)強(qiáng)度值(如“胰島素-低血糖”關(guān)聯(lián)強(qiáng)度0.8),計算其均值作為關(guān)聯(lián)強(qiáng)度權(quán)重(如分支內(nèi)3條路徑均值0.75);接著，將所述路徑密度權(quán)重、關(guān)聯(lián)強(qiáng)度權(quán)重與步驟201生成的動態(tài)權(quán)威權(quán)重值(如“胰島素”節(jié)點權(quán)重0.74)輸入融合層，按預(yù)設(shè)權(quán)重比例(如路徑密度30%、關(guān)聯(lián)強(qiáng)度30%、動態(tài)權(quán)威40%)進(jìn)行線性疊加，生成多維融合參數(shù)(如0.15×0.3+0.75×0.3+0.74×0.4=0.671);最后，將所述多維融合參數(shù)寫入所述語義焦點分支的屬性字段，為后續(xù)糾錯優(yōu)先級隊列的生成提供決策依據(jù)。[0081]步驟203,基于所述多維融合參數(shù)，對所述潛在認(rèn)知偏差區(qū)域內(nèi)的錯誤表述進(jìn)行優(yōu)先級排序，生成與所述語義焦點分布圖譜中各語義焦點分支對應(yīng)的糾錯優(yōu)先級隊列；[0082]在該步驟中，優(yōu)先級排序指根據(jù)多維融合參數(shù)對潛在認(rèn)知偏差區(qū)域內(nèi)的錯誤表述進(jìn)行重要性分級的過程；糾錯優(yōu)先級隊列指按優(yōu)先級排序結(jié)果生成的、與語義焦點分支一一對應(yīng)的修正執(zhí)行順序列表。[0083]在本實施例中，首先，遍歷所述語義焦點分布圖譜中所有關(guān)聯(lián)的語義焦點分支(如“糖尿病-治療藥物-副作用”分支),提取每個分支對應(yīng)的多維融合參數(shù)(如0.671);其次，根據(jù)所述多維融合參數(shù)計算排序參數(shù)，所述排序參數(shù)為多維融合參數(shù)與對應(yīng)分支的語義焦點路徑密度權(quán)重的乘積(如0.671×0.15=0.1007);接著將所述排序參數(shù)按降序排列，生成初始優(yōu)先級列表(如“胰島素”分支排序參數(shù)0.1007,“SGLT2抑制劑”分支0.1002);最后，根據(jù)所述語義焦點分布圖譜的拓?fù)浣Y(jié)構(gòu)，對初始列表進(jìn)行邏輯校驗，若相鄰分支的排序參數(shù)差值小于預(yù)設(shè)閾值(如<0.005),則按動態(tài)權(quán)威權(quán)重值二次排序，生成最終的糾錯優(yōu)先級隊[0084]為了解決現(xiàn)有醫(yī)學(xué)知識可信度評估無法融合時間衰減效應(yīng)與引用動態(tài)特征，導(dǎo)致過時知識干擾糾錯決策的問題，一些實施例中，根據(jù)步驟201所述，對所述科普文本數(shù)據(jù)源中的醫(yī)學(xué)知識節(jié)點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)威權(quán)重值，包括：[0085]步驟301,對所述醫(yī)學(xué)知識節(jié)點的發(fā)布時間進(jìn)行時間戳解析，根據(jù)解析結(jié)果中當(dāng)前時間與所述醫(yī)學(xué)知識節(jié)點發(fā)布時間的差值生成時間間隔參數(shù)；[0086]在該步驟中，時間戳解析指對醫(yī)學(xué)知識節(jié)點元數(shù)據(jù)中的發(fā)布時間進(jìn)行標(biāo)準(zhǔn)化格式轉(zhuǎn)換(如將“2020-01-15”轉(zhuǎn)為Unix時間戳),并計算與當(dāng)前時間的間隔天數(shù)；時間間隔參數(shù)指當(dāng)前時間與發(fā)布時間之間的天數(shù)差值，用于量化知識節(jié)點的時效性衰減程度。[0087]在本實施例中，首先，通過所述科普文本數(shù)據(jù)源的元數(shù)據(jù)接口提取醫(yī)學(xué)知識節(jié)點式(如1579046400秒);[0088]其次，獲取當(dāng)前系統(tǒng)時間戳(如2023-08-01對應(yīng)1690848000秒),計算兩者差值并轉(zhuǎn)換為間隔天數(shù)(如(1690848000-1579046400)/86400≈1095天);[0089]接著，根據(jù)預(yù)設(shè)的衰減系數(shù)表將時間間隔參數(shù)映射至指數(shù)衰減函數(shù)(如間隔1095天對應(yīng)衰減因子0.7),生成時間衰減因子；[0090]最后，將所述時間間隔參數(shù)與時間衰減因子寫入醫(yī)學(xué)知識節(jié)點的時效性屬性字段，供后續(xù)動態(tài)權(quán)威權(quán)重值計算調(diào)用。[0091]步驟302,獲取所述語義焦點分布圖譜中所有與所述醫(yī)學(xué)知識節(jié)點關(guān)聯(lián)的路徑觸發(fā)記錄，統(tǒng)計所述醫(yī)學(xué)知識節(jié)點在預(yù)設(shè)時間窗口內(nèi)的引用頻次；[0092]在該步驟中，路徑觸發(fā)記錄指所述語義焦點分布圖譜中記載的醫(yī)學(xué)知識節(jié)點被用戶查詢或系統(tǒng)分析觸發(fā)的歷史路徑信息；預(yù)設(shè)時間窗口指統(tǒng)計引用頻次時設(shè)定的時間范圍(如最近1年)。[0093]在本實施例中，首先，遍歷所述語義焦點分布圖譜中所有與目標(biāo)醫(yī)學(xué)知識節(jié)點(如“胰島素”)關(guān)聯(lián)的路徑(如“糖尿病-胰島素[0094]其次，篩選所述觸發(fā)時間戳落在預(yù)設(shè)時間窗口內(nèi)(如2022年8月1日至2023年8月1日)的記錄，統(tǒng)計有效觸發(fā)次數(shù)(如15次)作為引用頻次；[0095]接著，根據(jù)所述醫(yī)學(xué)知識節(jié)點的類型(如藥物類、檢查指標(biāo)類)調(diào)整統(tǒng)計粒度，對高頻節(jié)點(如引用頻次>10次/月)啟用滑動時間窗口統(tǒng)計(如按月滾動計算);[0096]最后，將所述引用頻次與對應(yīng)醫(yī)學(xué)知識節(jié)點的唯一標(biāo)識符綁定，生成引用頻次統(tǒng)計表，并寫入動態(tài)權(quán)威權(quán)重計算模塊的輸入?yún)?shù)隊列。[0097]步驟303,將所述時間衰減因子與所述引用頻次進(jìn)行歸一化處理，對歸一化后的時間衰減因子和引用頻次進(jìn)行加權(quán)乘積運算，生成動態(tài)權(quán)威權(quán)重值；[0098]在該步驟中，歸一化處理指將不同量綱的參數(shù)映射到統(tǒng)一數(shù)值區(qū)間(如[0,1])的標(biāo)準(zhǔn)化操作；加權(quán)乘積運算指對歸一化后的參數(shù)按預(yù)設(shè)權(quán)重比例進(jìn)行乘法與加法結(jié)合的混合計算。[0099]在本實施例中，首先，對步驟301生成的時間衰減因子(如0.7)與步驟302統(tǒng)計的引用頻次(如15次)分別進(jìn)行最大最小值歸一化：時間衰減因子按[0.5,1]區(qū)間線性映射(0.7→0.7),引用頻次按[0,100次]區(qū)間映射(15次→0.15);[0100]其次，根據(jù)預(yù)設(shè)的權(quán)重分配策略(如時間衰減因子權(quán)重60%、引用頻次權(quán)重40%),對歸一化后的參數(shù)進(jìn)行加權(quán)乘積運算(0.7×0.6+0.15×0.4=0.48);[0101]接著，將計算結(jié)果與醫(yī)學(xué)知識節(jié)點的類型系數(shù)(如藥物類節(jié)點系數(shù)1.2)相乘，生成動態(tài)權(quán)威權(quán)重值(0.48×1.2=0.576);[0102]最后，將所述動態(tài)權(quán)威權(quán)重值寫入對應(yīng)節(jié)點的屬性字段，并同步更新至語義焦點分布圖譜的關(guān)聯(lián)路徑元數(shù)據(jù)中。為了解決傳統(tǒng)糾錯方法采用全局替換策略破壞用戶原始語據(jù)步驟104所述，基于所述糾錯優(yōu)先級隊列對所述疾病知識查詢內(nèi)容中的錯誤表述實施增量式修正，生成包含醫(yī)學(xué)知識溯源信息的糾錯反饋結(jié)果，包括：[0103]步驟401,按照所述糾錯優(yōu)先級隊列中各錯誤表述的優(yōu)先級順序，從所述科普文本數(shù)據(jù)源中提取與所述錯誤表述對應(yīng)的候選醫(yī)學(xué)知識節(jié)點集合；[0104]在該步驟中，候選醫(yī)學(xué)知識節(jié)點集合指根據(jù)糾錯優(yōu)先級隊列的排序結(jié)果，從科普文本數(shù)據(jù)源中篩選出的與錯誤表述存在語義關(guān)聯(lián)且滿足權(quán)威性條件的醫(yī)學(xué)知識節(jié)點群組。[0105]在本實施例中，首先，按照所述糾錯優(yōu)先級隊列的排序結(jié)果(如“胰島素>SGLT2抑制劑”),依次遍歷隊列中的錯誤表述(如“所有降糖藥物均導(dǎo)致低血糖”),提取其對應(yīng)的語[0106]其次，根據(jù)所述語義焦點分支標(biāo)識符，從語義焦點分布圖譜中查詢關(guān)聯(lián)的醫(yī)學(xué)知預(yù)設(shè)閾值(如≥0.5)的節(jié)點；[0107]接著，基于所述節(jié)點的類型標(biāo)簽(如藥物類、禁忌癥類)與錯誤表述的語義范疇匹配度(如“副作用”匹配藥物類節(jié)點),剔除不相關(guān)節(jié)點(如“血糖監(jiān)測”節(jié)點),生成候選醫(yī)學(xué)知識節(jié)點集合；[0108]最后，將所述候選集合與錯誤表述的上下文語義進(jìn)行二次校驗，保留與原始查詢意圖偏差值小于容錯閾值(如<0.2)的節(jié)點，形成最終候選集并寫入修正決策模塊。[0109]步驟402,對所述候選醫(yī)學(xué)知識節(jié)點集合中的每個醫(yī)學(xué)知識節(jié)點進(jìn)行上下文語義匹配驗證，基于所述語義焦點分布圖譜的關(guān)聯(lián)強(qiáng)度閾值，保留與所述錯誤表述的原始語義意圖偏差值小于預(yù)設(shè)閾值的候選醫(yī)學(xué)知識節(jié)點，生成語義一致性修正候選集；[0110]在該步驟中，上下文語義匹配驗證指通過對比候選醫(yī)學(xué)知識節(jié)點的語義描述與錯誤表述的上下文邏輯，計算兩者在醫(yī)學(xué)概念覆蓋度、邏輯鏈一致性等方面的偏差值；語義一致性修正候選集指通過偏差值篩選后保留的與用戶原始意圖高度適配的候選節(jié)點集合。描述文本(如“胰島素可能導(dǎo)致低血糖”),將其與錯誤表述的上下文(如“所有降糖藥物均導(dǎo)致低血糖”)進(jìn)行語義嵌入向量化處理，生成向量表示；其次，計算所述向量間的余弦相似度，結(jié)合語義焦點分布圖譜中節(jié)點關(guān)聯(lián)強(qiáng)度閾值(如“治療藥物-副作用”路徑強(qiáng)度閾值0.7),對相似度進(jìn)行加權(quán)修正，生成綜合偏差值(如“胰島素”節(jié)點偏差值0.15,“SGLT2抑制劑”節(jié)點偏差值0.12);接著，根據(jù)預(yù)設(shè)的偏差閾值(如<0.2),篩選保留符合條件的候選節(jié)點(如上述兩節(jié)點均滿足),剔除偏差值超限節(jié)點(如“二甲雙胍”節(jié)點偏差值0.25);最后，將篩選后的節(jié)點按偏差值升序排列，生成語義一致性修正候選集，并附加各節(jié)點的動態(tài)權(quán)威權(quán)重值(如“SGLT2抑制劑”權(quán)重0.73>“胰島素”0.74),供后續(xù)修正置信度計算使用。[0112]步驟403,根據(jù)所述語義一致性修正候選集中候選醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值和語義關(guān)聯(lián)強(qiáng)度，計算每個候選醫(yī)學(xué)知識節(jié)點的修正置信度，并基于所述修正置信度對所述候選節(jié)點進(jìn)行排序，選取置信度最高的候選醫(yī)學(xué)知識節(jié)點作為目標(biāo)修正依據(jù)；[0113]在該步驟中，修正置信度指候選醫(yī)學(xué)知識節(jié)點同時滿足權(quán)威性要求與語義關(guān)聯(lián)性要求的綜合可信度量化指標(biāo)；語義關(guān)聯(lián)強(qiáng)度指候選節(jié)點與錯誤表述所在語義焦點路徑的邏輯匹配程度(如因果關(guān)聯(lián)強(qiáng)度0.8)。[0114]在本實施例中，首先，對所述語義一致性修正候選集中的每個節(jié)點(如“SGLT2抑制劑”),提取其動態(tài)權(quán)威權(quán)重值(0.73)和語義關(guān)聯(lián)強(qiáng)度(0.88);其次，將所述動態(tài)權(quán)威權(quán)重值與語義關(guān)聯(lián)強(qiáng)度分別進(jìn)行最大最小值歸一化處理，生成歸一化權(quán)威值(0.73→0.8)和歸一化關(guān)聯(lián)強(qiáng)度值(0.88→0.9);接著，基于所述語義焦點分布圖譜中對應(yīng)路徑的上下文關(guān)聯(lián)密度(如路徑節(jié)點數(shù)/路徑長度=5/3≈1.67),確定融合權(quán)重比例(如權(quán)威值權(quán)重60%、關(guān)聯(lián)強(qiáng)度權(quán)重40%);然后，將歸一化權(quán)威值與歸一化關(guān)聯(lián)強(qiáng)度值按所述比例進(jìn)行線性疊加(0.8×0.6+0.9×0.4=0.84),生成修正置信度；最后，對所有候選節(jié)點的修正置信度進(jìn)行降序排列(如“SGLT2抑制劑”0.84>“胰島素”0.82),選取置信度最高的節(jié)點作為目標(biāo)修正依據(jù)，并記錄其醫(yī)學(xué)知識溯源標(biāo)識符。[0115]步驟404,基于所述目標(biāo)修正依據(jù)對所述錯誤表述進(jìn)行局部替換，生成增量修正后的疾病知識查詢內(nèi)容，同時為所述增量修正后的疾病知識查詢內(nèi)容添加與所述目標(biāo)修正依據(jù)對應(yīng)的醫(yī)學(xué)知識溯源標(biāo)記；[0116]在該步驟中，局部替換指在用戶原始查詢內(nèi)容中精準(zhǔn)定位錯誤表述的文本范圍，并替換為權(quán)威醫(yī)學(xué)表述的文本編輯操作；醫(yī)學(xué)知識溯源標(biāo)記指以可視化標(biāo)簽形式標(biāo)注修正依據(jù)來源的可交互元數(shù)據(jù)。[0117]在本實施例中，首先，基于目標(biāo)修正依據(jù)(如“SGLT2抑制劑”節(jié)點)的權(quán)威描述文本(如“低血糖風(fēng)險低于1%"),在用戶查詢內(nèi)容中定位錯誤表述的起始和結(jié)束位置(如“所有降糖藥物”對應(yīng)的字符區(qū)間);其次，采用最小化替換策略，將錯誤文本替換為目標(biāo)節(jié)點的標(biāo)準(zhǔn)表述(如替換為“SGLT2抑制劑等新型降糖藥物”),保留原句其他部分的語義結(jié)構(gòu)；接著，在替換位置插入懸浮注釋框，展示溯源標(biāo)記內(nèi)容(如“依據(jù)《2023年糖尿病診療指南》第5.2節(jié)”),并關(guān)聯(lián)至科普文本數(shù)據(jù)源中的完整出處信息；最后，對修正后的文本進(jìn)行語法校驗和邏輯沖突檢測，若檢測通過則生成增量修正版本，否則觸發(fā)回滾機(jī)制重新選擇候選節(jié)點。[0118]步驟405,將所述增量修正后的疾病知識查詢內(nèi)容與所述語義焦點分布圖譜中的語義焦點路徑進(jìn)行邏輯一致性驗證，當(dāng)邏輯一致性驗證通過時，將所述醫(yī)學(xué)知識溯源標(biāo)記反向更新至所述語義焦點分布圖譜的關(guān)聯(lián)路徑中，生成包含醫(yī)學(xué)知識溯源標(biāo)記的糾錯反饋[0119]在該步驟中，邏輯一致性驗證指通過對比增量修正后的查詢內(nèi)容與語義焦點分布圖譜的路徑邏輯關(guān)系，檢測是否存在語義沖突或權(quán)重不匹配的過程；反向更新指將修正操作觸發(fā)的溯源標(biāo)記與路徑引用信息回寫至語義焦點分布圖譜的關(guān)聯(lián)元數(shù)據(jù)中。[0120]在本實施例中，首先，提取增量修正后的查詢內(nèi)容(如“SGLT2抑制劑等新型降糖藥物可能導(dǎo)致低血糖，但風(fēng)險等級較低”)中的關(guān)鍵語義焦點(如“SGLT2抑制劑”“低血糖風(fēng)險”),匹配語義焦點分布圖譜中對應(yīng)的路徑(如“治療藥物-副作用”路徑);其次，校驗修正后的語義焦點路徑關(guān)聯(lián)強(qiáng)度(如“SGLT2抑制劑-低血糖”路徑強(qiáng)度0.8)是否與動態(tài)權(quán)威權(quán)重值(0.73)及引用頻次(8次)的邏輯約束一致，若偏差值小于容錯閾值(如<0.1),則判定驗證通過；接著，將所述醫(yī)學(xué)知識溯源標(biāo)記(如“指南D-2023-5.2”)與驗證通過的語義焦點路徑進(jìn)行關(guān)聯(lián)，更新路徑的引用頻次(從8次增至9次)及溯源標(biāo)識符列表；最后，生成包含修正后內(nèi)容、溯源標(biāo)記及路徑更新日志的糾錯反饋結(jié)果，并將更新后的語義焦點分布圖譜同步至知識庫。[0121]由于現(xiàn)有修正置信度計算僅依賴單一特征(如關(guān)鍵詞匹配度),忽略權(quán)威性與語義關(guān)聯(lián)的協(xié)同作用，導(dǎo)致修正依據(jù)可靠性不足。基于此，一些實施據(jù)所述語義一致性修正候選集中候選醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值和語義關(guān)聯(lián)強(qiáng)度，計算每個候選醫(yī)學(xué)知識節(jié)點的修正置信度，包括：[0122]步驟501,對所述動態(tài)權(quán)威權(quán)重值和所述語義關(guān)聯(lián)強(qiáng)度分別進(jìn)行歸一化處理，生成歸一化權(quán)威值以及歸一化關(guān)聯(lián)強(qiáng)度值；[0123]在該步驟中，歸一化權(quán)威值指將動態(tài)權(quán)威權(quán)重值按預(yù)設(shè)數(shù)值區(qū)間線性映射后的標(biāo)準(zhǔn)化參數(shù)；歸一化關(guān)聯(lián)強(qiáng)度值指將語義關(guān)聯(lián)強(qiáng)度按相同規(guī)則處理后的標(biāo)準(zhǔn)化參數(shù)。[0124]在本實施例中，首先，對步驟201生成的動態(tài)權(quán)威權(quán)重值(如“胰島素”節(jié)點0.74,“SGLT2抑制劑”節(jié)點0.73)進(jìn)行最大最小值歸一化處理，將其映射至[0,1]區(qū)間(如胰島素0.74→0.8,SGLT2抑制劑0.73→0.78);其次，對步驟202提取的語義關(guān)聯(lián)強(qiáng)度值(如“胰島素-低血糖”路徑強(qiáng)度0.8,“SGLT2抑制劑-低血糖”路徑強(qiáng)度0.88)進(jìn)行相同歸一化處理(0.8→0.8,0.88→0.9);接著，根據(jù)醫(yī)學(xué)知識節(jié)點的類型(如藥物類、檢查類)調(diào)整映射規(guī)則，對高頻節(jié)點(如引用頻次>10次/月)采用對數(shù)歸一化以平衡數(shù)值分布；最后，將歸一化后的權(quán)威值與關(guān)聯(lián)強(qiáng)度值寫入臨時緩存隊列，供后續(xù)修正置信度計算模塊調(diào)用。[0125]步驟502,基于所述語義焦點分布圖譜中語義焦點路徑的上下文關(guān)聯(lián)密度，確定所述歸一化權(quán)威值與歸一化關(guān)聯(lián)強(qiáng)度值的融合權(quán)重比例；[0126]在該步驟中，上下文關(guān)聯(lián)密度指語義焦點路徑中節(jié)點間的邏輯關(guān)聯(lián)數(shù)量與路徑長度的比值，用于量化路徑的語義復(fù)雜性；融合權(quán)重比例指歸一化權(quán)威值與歸一化關(guān)聯(lián)強(qiáng)度值在置信度計算中的動態(tài)權(quán)重分配策略。[0127]在本實施例中，首先，提取所述語義焦點分布圖譜中目標(biāo)路徑(如“治療藥物-副作用”路徑)的上下文關(guān)聯(lián)密度參數(shù)(如路徑包含5個節(jié)點且長度3,密度=5/3≈1.67);其次，根據(jù)所述密度參數(shù)查詢預(yù)設(shè)的權(quán)重分配策略表(如密度≥1.5時，權(quán)威值權(quán)重60%、關(guān)聯(lián)強(qiáng)度權(quán)重40%),確定融合權(quán)重比例；接著，對特殊醫(yī)學(xué)場景(如藥物副作用描述)啟用自適應(yīng)調(diào)整機(jī)制，若路徑中包含高風(fēng)險語義焦點(如“肝毒性”),則增加權(quán)威值權(quán)重比定的融合權(quán)重比例寫入修正置信度計算引擎的配置參數(shù)，觸發(fā)后續(xù)線性疊加運算。[0128]步驟503,將所述歸一化權(quán)威值與所述歸一化關(guān)聯(lián)強(qiáng)度值按照所述融合權(quán)重比例進(jìn)行線性疊加，生成每個候選醫(yī)學(xué)知識節(jié)點的修正置信度；[0129]在該步驟中，線性疊加指按預(yù)設(shè)權(quán)重比例對多個參數(shù)進(jìn)行加權(quán)求和的運算方式；修正置信度指通過線性疊加生成的、用于量化候選節(jié)點作為修正依據(jù)的可信程度的綜合評[0130]在本實施例中，首先，從步驟501獲取歸一化權(quán)威值(如“SGLT2抑制劑”節(jié)點0.78)和歸一化關(guān)聯(lián)強(qiáng)度值(0.9),從步驟502獲取融合權(quán)重比例(權(quán)威值70%、關(guān)聯(lián)強(qiáng)度30%);其次，將所述歸一化權(quán)威值與關(guān)聯(lián)強(qiáng)度值按權(quán)重比例進(jìn)行加權(quán)求和(0.78×0.7+0.9×0.3=0.546+0.27=0.816),生成修正置信度；接著，對同一語義焦點分支下的所有候選節(jié)點(如“胰島素”節(jié)點0.8×0.7+0.8×0度寫入候選節(jié)點屬性字段，并觸發(fā)后續(xù)排序模塊生成優(yōu)先級隊列。[0131]為了解決現(xiàn)有認(rèn)知偏差檢測方法因未整合文本、影像、表格等多模態(tài)醫(yī)學(xué)數(shù)據(jù)的一致性驗證，導(dǎo)致跨模態(tài)語義沖突無法識別。一些實施例中，根義焦點分布圖譜與所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行跨模態(tài)關(guān)聯(lián)分析，根據(jù)分析結(jié)果對所述疾病知識查詢內(nèi)容中的潛在認(rèn)知偏差區(qū)域進(jìn)行定位標(biāo)記，包括：[0132]步驟601,對所述科普文本數(shù)據(jù)源中的多源異構(gòu)醫(yī)學(xué)表述進(jìn)行模態(tài)分類，生成包含文本描述段、醫(yī)學(xué)影像標(biāo)注段以及結(jié)構(gòu)化數(shù)據(jù)表的模態(tài)分類結(jié)果，其中，所述模態(tài)分類結(jié)果中每個醫(yī)學(xué)表述單元攜帶對應(yīng)的醫(yī)學(xué)知識節(jié)點標(biāo)識；[0133]在該步驟中，模態(tài)分類結(jié)果指將多源異構(gòu)醫(yī)學(xué)表述按數(shù)據(jù)形態(tài)(文劃分后的結(jié)構(gòu)化數(shù)據(jù)集；醫(yī)學(xué)知識節(jié)點標(biāo)識指唯一標(biāo)記醫(yī)學(xué)表述單元與知識圖譜節(jié)點關(guān)聯(lián)關(guān)系的編碼標(biāo)簽。[0134]在本實施例中，首先，通過所述科普文本數(shù)據(jù)源的元數(shù)據(jù)接口提取原始醫(yī)學(xué)表述單元(如藥品說明書段落、CT影像標(biāo)注字段、臨床試驗數(shù)據(jù)表),基于預(yù)訓(xùn)練的模態(tài)分類模型(如Vision-LanguageBERT)進(jìn)行形態(tài)識別：文本描述段通過句法特征識別(如段落標(biāo)點分布)、醫(yī)學(xué)影像標(biāo)注段通過圖像OCR提取文字區(qū)域、結(jié)構(gòu)化數(shù)據(jù)表通過表格行列解析；其次，對分類后的醫(yī)學(xué)表述單元進(jìn)行知識節(jié)點映射：文本段通過實體鏈接技術(shù)關(guān)聯(lián)至醫(yī)學(xué)知識節(jié)點(如“胰島素”節(jié)點ID:M001)、影像標(biāo)注段通過空間坐標(biāo)匹配關(guān)聯(lián)至對應(yīng)節(jié)點(如“低血糖癥狀”節(jié)點ID:S023)、結(jié)構(gòu)化數(shù)據(jù)表通過字段映射關(guān)聯(lián)至節(jié)點屬性(如“禁忌癥”字段映射至節(jié)點屬性表);最后，生成包含模態(tài)類型標(biāo)簽(文本/影像/表格)、內(nèi)容原文及節(jié)點ID的模態(tài)分類結(jié)果表，并寫入跨模態(tài)分析引擎的輸入隊列。[0135]步驟602,將所述語義焦點分布圖譜中的語義焦點路徑與所述模態(tài)分類結(jié)果進(jìn)行跨模態(tài)語義對齊，生成跨模態(tài)對齊參數(shù)，其中，所述跨模態(tài)對齊參數(shù)包括：文本描述段與語義焦點路徑的上下文覆蓋度、醫(yī)學(xué)影像標(biāo)注段與語義焦點的空間關(guān)聯(lián)度、結(jié)構(gòu)化數(shù)據(jù)表與語義焦點邏輯鏈的匹配完整度；[0136]在該步驟中，上下文覆蓋度指文本描述段與語義焦點路徑中關(guān)鍵詞的匹配比例；空間關(guān)聯(lián)度指醫(yī)學(xué)影像標(biāo)注區(qū)域與語義焦點在空間分布上的邏輯對應(yīng)程度；匹配完整度指結(jié)構(gòu)化數(shù)據(jù)表的字段覆蓋語義焦點邏輯鏈所需數(shù)據(jù)的完整比例。[0137]在本實施例中，首先，提取語義焦點分布圖譜中目標(biāo)路徑(如“治療藥物-副作用”路徑)的關(guān)鍵詞集合(如“胰島素”“低血糖”),計算其在文本描述本段含8個關(guān)鍵詞中的6個，覆蓋度75%);其次，對醫(yī)學(xué)影像標(biāo)注段進(jìn)行空間語義解析，檢測標(biāo)注區(qū)域(如腦部MRI低血糖區(qū)域)與語義焦點(“低血糖”)的空間坐標(biāo)重疊率(如標(biāo)注區(qū)域80%在焦點關(guān)聯(lián)范圍內(nèi)，空間關(guān)聯(lián)度0.8);接著，解析結(jié)構(gòu)化數(shù)據(jù)表的作用等級”),計算其覆蓋語義焦點邏輯鏈(如“藥物-副作用-風(fēng)險等級”)的字段完整率(如缺失“風(fēng)險等級”字段，完整度66%);最后，將上下文覆蓋度、空間關(guān)設(shè)權(quán)重(40%、30%、30%)加權(quán)聚合，生成跨模態(tài)對齊參數(shù)(0.75×0.4+0.8×0.3+0.66×0.3=0.738),并寫入偏差分析隊列。[0138]步驟603,根據(jù)所述跨模態(tài)對齊參數(shù)計算所述疾病知識查詢內(nèi)容中每個語義焦點與對應(yīng)醫(yī)學(xué)表述單元的語義相似度差異值；[0139]在該步驟中，語義相似度差異值指通過跨模態(tài)對齊參數(shù)加權(quán)聚合生成的、用于量化用戶查詢語義焦點與權(quán)威醫(yī)學(xué)表述單元間一致性程度的數(shù)值指標(biāo)，數(shù)值越高表明認(rèn)知偏差風(fēng)險越大。[0140]在本實施例中，首先，提取步驟602生成的跨模態(tài)對齊參數(shù)(如上下文覆蓋度0.75、空間關(guān)聯(lián)度0.8、匹配完整度0.66),根據(jù)預(yù)設(shè)的模態(tài)權(quán)重比例(文本40%、影像30%、表格30%)進(jìn)行加權(quán)聚合計算，生成初始差異值(0.75×0.4+0.8×0.3+0.66×0.3=0.738);其次，基于語義焦點分布圖譜中目標(biāo)路徑的上下文密度(如路徑節(jié)點數(shù)/路徑長度=5/3≈1.67)進(jìn)行動態(tài)補(bǔ)償修正：密度越高(語義關(guān)聯(lián)越復(fù)雜)則對初始差異值進(jìn)行負(fù)向補(bǔ)償(如密度1.67對應(yīng)補(bǔ)償系數(shù)0.9,修正后差異值=0.738×0.9=0.664);接著，將補(bǔ)償修正后的差異值與醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值(如“胰島素”節(jié)點0.74)進(jìn)行乘積運算，生成最終語義相似度差異值(0.664×0.74≈0.491);最后，將所述差異值與預(yù)設(shè)閾值(如≥0.5)比對，判定是否標(biāo)記為潛在認(rèn)知偏差區(qū)域，并將差異值寫入語義焦點分布圖譜的路徑屬性字段。[0141]步驟604,基于所述語義相似度差異值的分布特征，對所述疾病知識查詢內(nèi)容中超過預(yù)設(shè)差異閾值的語義焦點進(jìn)行動態(tài)權(quán)重分配，生成動態(tài)權(quán)重分布矩陣；[0142]在該步驟中，動態(tài)權(quán)重分布矩陣指以二維矩陣形式記錄語義焦點區(qū)域及其動態(tài)權(quán)重值的結(jié)構(gòu)化數(shù)據(jù)表，用于量化不同語義焦點在認(rèn)知偏差判定中的優(yōu)先級。[0143]在本實施例中，首先，遍歷疾病知識查詢內(nèi)容中的所有語義焦點(如“降糖藥物”“低血糖風(fēng)險”),提取其語義相似度差異值(如0.68、0.55);其次，根據(jù)預(yù)設(shè)差異閾值(如≥0.5)篩選出高偏差焦點(如“降糖藥物”差異值0.68),并為每個高偏差焦點分配動態(tài)權(quán)重值：差異值每超過閾值0.1,權(quán)重增加0.2(如0.68-0.5=0.18→權(quán)重增幅0.36,最終權(quán)重=1.0+0.36=1.36);接著，對未超閾值的焦點(如“低血糖風(fēng)險”差異值0.55)按線性比例分配基礎(chǔ)權(quán)重(如0.55/0.5=1.1→權(quán)重1.1);最后，將語義焦點名稱、權(quán)重值及關(guān)聯(lián)路徑標(biāo)識符按矩陣格式存儲，生成動態(tài)權(quán)重分布矩陣，并為后續(xù)聚類分析提供輸入。[0144]步驟605,根據(jù)所述動態(tài)權(quán)重分布矩陣對所述疾病知識查詢內(nèi)容中的語義焦點進(jìn)行區(qū)域聚類，將聚類后生成的連續(xù)高差異區(qū)域標(biāo)記為初始潛在認(rèn)知偏差區(qū)域；[0145]在該步驟中，區(qū)域聚類指根據(jù)動態(tài)權(quán)重分布矩陣中的權(quán)重值及語義焦點的上下文位置關(guān)系，將高權(quán)重焦點聚合為連續(xù)語義偏差區(qū)域的過程；初始潛在認(rèn)知偏差區(qū)域指通過聚類生成的、需優(yōu)先處理的用戶認(rèn)知偏差集合。[0146]在本實施例中，首先，基于動態(tài)權(quán)重分布矩陣中的權(quán)重值(如“降糖藥物”權(quán)重焦點分布圖譜中的路徑拓?fù)浣Y(jié)構(gòu)，計算焦點間的空間鄰近性(如“降糖藥物”與“低血糖風(fēng)險”路徑距離2跳),按鄰近性閾值(如≤3跳)將鄰近焦點合并為候選區(qū)域；接著，對候選區(qū)域進(jìn)行密度校驗，若區(qū)域內(nèi)焦點密度(焦點數(shù)/區(qū)域長度)超過預(yù)設(shè)值(如≥0.5),則標(biāo)記為初始潛在認(rèn)知偏差區(qū)域；最后，將標(biāo)記區(qū)域的邊界坐標(biāo)、核心焦點列表及權(quán)重均值寫入偏差分[0147]步驟606,對所述初始潛在認(rèn)知偏差區(qū)域的標(biāo)記結(jié)果進(jìn)行跨模態(tài)邏輯驗證，當(dāng)所述醫(yī)學(xué)表述單元的模態(tài)分類結(jié)果中存在與標(biāo)記區(qū)域沖突的醫(yī)學(xué)知識節(jié)點時，根據(jù)沖突的醫(yī)學(xué)知識節(jié)點的動態(tài)權(quán)威權(quán)重值修正所述動態(tài)權(quán)重分布矩陣的聚類邊界參數(shù)，重新生成修正后的潛在認(rèn)知偏差區(qū)域標(biāo)記結(jié)果；[0148]在該步驟中，聚類邊界參數(shù)指定義潛在認(rèn)知偏差區(qū)域范圍的空間坐標(biāo)及權(quán)重閾值的集合；跨模態(tài)邏輯驗證指通過對比醫(yī)學(xué)表述單元的多模態(tài)證據(jù)一致性，檢測聚類區(qū)域是否與權(quán)威知識沖突的過程。[0149]在本實施例中，首先，提取初始偏差區(qū)域關(guān)聯(lián)的醫(yī)學(xué)表述單元(如文本段“胰島素輯一致性；其次，若發(fā)現(xiàn)模態(tài)沖突(如影像標(biāo)注中無“SGLT2抑制劑”相關(guān)低血糖圖示),則根據(jù)沖突節(jié)點的動態(tài)權(quán)威權(quán)重值(如“SGLT2抑制劑”權(quán)重0.73)調(diào)整聚類邊界參數(shù)：權(quán)重閾值從1.2提升至1.3,空間鄰近性從3跳縮減至2跳；接著，基于修正后的參數(shù)重新執(zhí)行聚類，生成新的潛在認(rèn)知偏差區(qū)域(如僅保留“胰島素”焦點區(qū)域);最后，將修正后的區(qū)域標(biāo)記結(jié)果與跨模態(tài)對齊參數(shù)(如影像關(guān)聯(lián)度0→文本覆蓋度0.75)關(guān)聯(lián)，更新偏差分析報告。[0150]由于現(xiàn)有跨模態(tài)差異值計算采用固定權(quán)重分配策略，未考慮不同模態(tài)在醫(yī)學(xué)場景跨模態(tài)對齊參數(shù)計算所述疾病知識查詢內(nèi)容中每個語義焦點與對應(yīng)醫(yī)學(xué)表述單元的語義[0151]步驟701,對所述跨模態(tài)對齊參數(shù)中的上下文覆蓋度、空間關(guān)聯(lián)度以及匹配完整度分別進(jìn)行歸一化處理，生成歸一化覆蓋度值、歸一化關(guān)聯(lián)度值以及歸一化完整度值；[0152]在該步驟中，歸一化覆蓋度值/關(guān)聯(lián)度值/完整度值指將不同量綱的跨模態(tài)對齊參數(shù)(上下文覆蓋度、空間關(guān)聯(lián)度、匹配完整度)通過線性映射轉(zhuǎn)換為[0,1]區(qū)間的標(biāo)準(zhǔn)化數(shù)值。[0153]在本實施例中，首先，對上下文覆蓋度(如0.75)進(jìn)行最大最小值歸一化：若數(shù)據(jù)源中文本描述段的最大覆蓋度為0.9、最小為0.6,則歸一化值=(0.75-0.6)/(0.9-0.6)=0.5;其次，對空間關(guān)聯(lián)度(如0.8)按影像標(biāo)注庫中歷史最大值1.0歸一化，生成歸一化關(guān)聯(lián)度值0.8;接著，對匹配完整度(如0.66)按結(jié)構(gòu)化數(shù)據(jù)表字段完整度閾值(完整度≥0.7為合格)調(diào)整：若最大完整度0.9,則歸一化值=0.66/0.9≈0.73;最后，將歸一化后的參數(shù)(0.5、0.8、0.73)寫入中間計算隊列，[0154]步驟702,根據(jù)所述醫(yī)學(xué)表述單元的模態(tài)類型為所述歸一化覆蓋度值、歸一化關(guān)聯(lián)度值及歸一化完整度值分配模態(tài)權(quán)重比例；[0155]在該步驟中，模態(tài)權(quán)重比例指根據(jù)醫(yī)學(xué)表述單元的模態(tài)類型(文本/影像/表格)為其歸一化參數(shù)分配的權(quán)重系數(shù)，用于反映不同模態(tài)在醫(yī)學(xué)場景中的證據(jù)等級差異。[0156]在本實施例中，首先，識別醫(yī)學(xué)表述單元的模態(tài)類型(如文本描述段映射為“文本類權(quán)重40%(因直接描述疾病機(jī)制)、影像類30%(需結(jié)合臨床解讀)、表格類30%(結(jié)構(gòu)化但可能缺失上下文);接著，若醫(yī)學(xué)知識節(jié)點為高風(fēng)險類型(如“禁忌癥”),則動態(tài)提升表格模態(tài)權(quán)重至40%、文本權(quán)重降至30%;最后，將分配結(jié)果(如文本0.4、影像0.3、表格0.3)寫入融合計算模塊。[0157]步驟703,將所述歸一化覆蓋度值與文本描述段的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成文本覆蓋貢獻(xiàn)值，將所述歸一化關(guān)聯(lián)度值與醫(yī)學(xué)影像標(biāo)注段的模態(tài)權(quán)重比例進(jìn)行加權(quán)計算，生成影像關(guān)聯(lián)貢獻(xiàn)值，將所述歸一化完整度值與結(jié)構(gòu)化數(shù)據(jù)表的模態(tài)權(quán)重比例進(jìn)行加[0158]在該步驟中，文本覆蓋貢獻(xiàn)值指歸一化覆蓋度值與文本模態(tài)權(quán)重比例的乘積結(jié)果，用于量化文本描述對語義一致性的貢獻(xiàn)程度；影像關(guān)聯(lián)貢獻(xiàn)值指歸一化關(guān)聯(lián)度值與影像模態(tài)權(quán)重比例的乘積結(jié)果，用于量化影像標(biāo)注的空間關(guān)聯(lián)貢獻(xiàn)；數(shù)據(jù)完整貢獻(xiàn)值指歸一化完整度值與表格模態(tài)權(quán)重比例的乘積結(jié)果，用于量化結(jié)構(gòu)化數(shù)據(jù)的邏輯完整性貢獻(xiàn)。[0159]在本實施例中，首先，獲取歸一化覆蓋度值(0.5)、歸一化關(guān)聯(lián)度值(0.8)、歸一化完整度值(0.73),以及模態(tài)權(quán)重比例(文本30%、影像30%、表格40%)中，文本覆蓋貢獻(xiàn)值=0.5(覆蓋度)×0.3(文本權(quán)重)=0.15;影像關(guān)聯(lián)貢獻(xiàn)值=0.8(關(guān)聯(lián)度)×0.3(影像權(quán)重)=0.24;數(shù)據(jù)完整貢獻(xiàn)值=0.73(完整度)×0.4(表格權(quán)重)=0.292;接著，將各貢獻(xiàn)值寫入多模態(tài)貢獻(xiàn)參數(shù)表，并觸發(fā)后續(xù)聚合運算模塊；最后，校驗貢獻(xiàn)值是否超過預(yù)設(shè)閾值(如單模態(tài)貢獻(xiàn)值≥0.1),剔除低貢獻(xiàn)模態(tài)(如文本貢獻(xiàn)0.15>0.1,保留),生成有效貢獻(xiàn)值集合。[0160]步驟704,對所述文本覆蓋貢獻(xiàn)值、影像關(guān)聯(lián)貢獻(xiàn)值及數(shù)據(jù)完整貢獻(xiàn)值進(jìn)行多模態(tài)[0161]在該步驟中，多模態(tài)聚合運算指將文本、影像、表格三種模態(tài)的貢獻(xiàn)值整合為綜合偏差指標(biāo)的過程；初始差異值指未經(jīng)上