安志萍：基于多头注意力机制的症状描述智能分诊模型构建

门诊分诊是患者就医的“第一道关口”，直接影响医疗效率和就医体验。2024年，全国诊疗超100亿人次，三级医院近30亿，日均门诊量甚至过万，分诊护士日处理约300-500人次问询，如此高强度的压力下分诊的准确率难以保证。

近年来，各类大语言模型在医疗领域备受关注，也有人尝试把它们用在分诊上。但现有方案有几个困惑：一是模型有时候会“编造”内容，跟医学事实不符，放在分诊场景里就可能推荐错科室；二是它的推理过程是个“黑箱”，用户根本看不懂为什么会推荐这个科室。在医疗这个场景里，可解释性不光是技术问题，更是医生敢不敢信的问题——医生只有看懂了模型的推理逻辑，才可能把它纳入决策流程。而注意力机制的优势就在于它天生具备可解释性——权重本身就是解释，可以沿着模型一层层追溯，形成完整的推理链，让决策过程变得透明、可查。这也是它与其他深度学习方法的本质区别。

综上，本研究将注意力机制引入智能分诊场景中，构建基于多头注意力机制的症状描述智能分诊模型，目的是实现从患者主诉到科室推荐的端到端智能推理。模型既保留了可解释性，又能做到实时响应，在厘清推理逻辑的同时保证分诊效率，希望能为医疗机构提供一套准确、高效、可解释的智能分诊方案。

一 注意力机制原理

1.注意力机制的核心思想

注意力机制（Attention Mechanism）的核心思想，在于模拟人类认知中的选择性关注能力——面对海量信息时，人类会本能地将有限的认知资源集中于对当前任务最关键的信息上，而非均匀分配。

在分诊场景中易于理解。比如患者说“发烧三天，最高39度，咳嗽有黄痰，不太想吃东西”，医生本能地会先抓“39度”“咳嗽”“黄痰”这些关键信号，而“没胃口”这种相对次要的信息就不会占太多注意力。注意力机制其实就是用数学方式模拟这个思维判断过程。

放到深度学习里，这个机制就是给输入信息打分：哪个信息对当前任务更重要，它的得分就更高，后续处理时也就会被更“关注”。

2.注意力机制的数学原理

注意力机制简单说，就是给输入信息算一个“相关性”分数，从而筛选出对当前任务最关键的线索。公式如下：

在分诊场景里，这个机制可以理解为：查询向量Q代表“这个症状该往哪个科室引”，键向量K是每个症状的语义特征，值向量V是症状本身携带的临床信息，而注意力权重αi则告诉我们哪个症状对科室推荐最重要。

单头注意力只能从一个角度抓特征，放到复杂的临床环境里容易考虑偏颇。因此本研究设计了三重视角的多头注意力，通过系统评估每个症状的临床意义，从而增强模型对复杂情境的感知与推理能力，分别从科室相关性、症状显著性和症状协同性三个维度综合评估，最后通过可学习的权重系数融合。其中：科室相关性看症状与哪个科室更匹配，显著性关注症状本身的紧急程度，协同性则捕捉症状组合带来的叠加效应。同时，充分体现临床“急危优先”的分诊原则，共同驱动最终科室推荐，且整个过程透明可追溯。

二 症状描述智能分诊模型构建

本模型在构建过程中，从业务实际需求出发进行层层落地：先对科室、诊断、症状等基础数据标准化，再通过定义权重关系构建知识体系，然后让三重视角的注意力机制模拟真实病例数据进行测试，最后把推理结果通过可视化工具呈现出来，方便医生理解和验证。

这种分层设计职责划分清晰，耦合度低，便于后续业务变更时快速调整，为模型将来在真实门诊环境中辅助分诊提供了可靠的技术支撑。更重要的是，这套流程能随着业务数据的积累不断迭代优化，让模型“越用越准”，真正具备落地价值。

1.基础字典功能

本模型涵盖三个标准化核心字典，共同构成模型的知识底座：科室字典（含28个标准化科室）；ICD-10诊断字典（收录150种常见疾病，每条记录包含疾病编码、名称、描述及权威参考来源）；症状字典（包含300种规范化症状）。图1所示为ICD-10诊断字典。

图1 ICD-10诊断字典

2.权重管理功能

注意力机制的核心在于权重的计算与分配，权重的赋值质量直接决定了算法的准确性与可靠性。本研究中，症状与权重值的关系则是基于《内科学》等权威医学资料及临床诊疗指南定义，同时结合临床专家咨询，采用五分位权重法，即将症状权重值按0.2为间隔划分为五个层级，逐级反映症状与疾病之间的关联强度。权重取值标准如表1所示。

表1 权重取值标准

权重管理功能主要用于表示科室-诊断-症状三者之间的权重关系，每条权重记录包含科室代码、疾病编码、症状名称、权重值（0-1）及核心症状标识。核心症状的定义则采用“权重阈值（≥0.7）+临床知识库”双重标准进行判定。满足任一标准即予识别，并赋予30%的权重加成。图2所示为症状权重字典界面，约560条权重记录。

图2 症状权重字典界面

图3则展示了科室-疾病-症状三元关系知识图谱，清晰地揭示了三者之间的拓扑结构与映射路径，辅助用户理解模型的推理逻辑，有效增强模型推理过程的可解释性。

图3 科室-疾病-症状三元关系知识图谱

3.实例演示

本研究以典型症状组合“发热、咳嗽、乏力”为输入案例进行完整推理演示，并对注意力机制在计算过程运用进行直观可视化。

首先，症状权重计算。通过三重注意力权重计算，最终模型输出的症状注意力权重分配为：发热0.365、咳嗽0.329、乏力0.305。分析表明，发热因科室匹配度高且显著性权重突出，获得最高注意力权重；咳嗽作为呼吸系统核心症状，权重次之；乏力虽在多科室中普遍存在，但协同性较低，权重相对偏低。计算结果如图4所示。

图4 症状注意力权重分布图

其次，疾病得分计算。疾病得分由症状注意力权重与症状-疾病权重的加权求和结果，再加上协同加成共同构成。本案例中，“发热+咳嗽”组合被识别为“呼吸道感染模式”，因此触发了协同加成。在候选疾病中，肺炎因匹配到的症状最多（发热、咳嗽、乏力均匹配），得分最高，急性上呼吸道感染次之，病毒性感染排在第三。计算结果如图5疾病诊断得分图所示。

图5 疾病诊断得分图

第三，科室推荐计算。科室推荐并非由症状直接映射得出，而是综合疾病得分、症状覆盖率与科室优先级因子三项指标共同计算。系统首先从权重字典中检索各疾病对应的全部关联科室，再结合上述三项指标计算各科室的最终得分。该机制能够有效处理疾病与科室之间的一对多映射关系，同时兼顾急诊、发热等特殊科室在临床上的优先性。

计算结果如图6所示。结果分析表明，发热门诊因疾病覆盖率高且优先级因子最高，最终得分3.054，位居首位；呼吸内科以1.425分排名第二，急诊科与感染科依次排序。该结果为“发热、咳嗽、乏力”症状提供了明确的分诊指引，提示此类症状在临床中应优先考虑发热门诊及呼吸内科，与实际医疗场景中的分诊习惯保持一致。

图6 科室推荐得分图

4.原型设计

为直观展示多头注意力机制在分诊场景中的应用，本研究设计并开发了症状描述智能分诊原型系统，如图7所示。系统采用Python 3.7开发，数据字典以CSV格式存储，兼顾了数据的可维护性与跨平台兼容性。

该系统页面仅需通过选择或输入症状即可启动智能分析。结果展示区清晰呈现初步诊断及参考来源，还按优先级列出推荐科室及相应得分，便于临床人员快速理解推理依据，有效提升分诊效率与准确性。

图7 症状描述智能分诊系统界面

三 结论

本研究基于三重视角多头注意力机制，通过全面建模症状与科室、疾病之间的关联，提升科室分诊推荐的准确性。当疾病对应多个科室时，模型能够准确识别所有关联科室，并优先推荐急危重症科室。同时，通过数据标准化治理保障模型输入质量，借助过程可视化提供计算的可解释性，为模型优化与临床决策理解提供有效支撑。此外，功能模块的低耦合设计便于独立运维，权重知识库的建立也为模型的临床推广与应用奠定了基础。

作者简介

安志萍，高级工程师，在职博士学历，专业技术上校退役。CHIMA委员，中国研究型医院学会医疗信息化分会理事，中国医疗保健国际交流促进会医学工程与信息学分会委员，中国医学装备协会医院物联网分会常务委员。长期从事医院信息化建设工作。作者观点纯属与同行做技术交流，欢迎批评指正。