基于大语言模型的阿尔兹海默症识别方法、设备

本技术涉及自然语言生成，特别涉及一种基于大语言模型的阿尔兹海默症识别方法、计算机设备及计算机可读存储介质。背景技术：1、阿尔兹海默症(alzheimer's disease，ad)相关技术中阿尔兹海默症的诊断流程通常包括核磁共振成像(magnetic resonance imaging，mri)、量表及医师问诊，诊断流程复杂并且侵入式较强，难以大面积普及。技术实现思路1、本技术提供一种基于大语言模型的阿尔兹海默症识别方法、计算机设备及计算机可读存储介质。2、本技术实施方式提供的一种基于大语言模型的阿尔兹海默症识别方法，包括：3、获取目标图像的第一描述信息，及当前受测用户针对所述目标图像的第二描述信息，其中，所述第一描述信息为预先存储的所述目标图像的标椎描述信息；4、基于生成式大语言模型，根据所述第一描述信息的语义对所述第二描述信息进行补全处理，生成第三描述信息，其中，所述生成式大语言模型预先训练完成，且能够根据描述信息样本完成所述描述信息样本的所述补全处理；5、根据所述第二描述信息和所述第三描述信息，确定所述当前受测用户的阿尔兹海默症识别结果。6、本技术实施方式提供的基于大语言模型的阿尔兹海默症识别方法中，可获取目标图像的第一描述信息，以及当前受测用户针对目标图像的第二描述信息。并且，可基于预先训练完成的生成式大语言模型，根据第一描述信息的语义对第二描述信息进行补全处理，从而生成第三描述信息。以及，可根据第二描述信息和第三描述信息，确定当前受测用户的阿尔兹海默症识别结果。7、如此，在本技术实施方式中，可使当前受测用户的阿尔兹海默症识别结果根据当前受测用户针对目标图像所表述的第二描述信息，以及对第二描述信息进行补全处理所生成的第三描述信息来确定，一定程度提升了阿尔兹海默症识别结果的确定效率，并能使阿尔兹海默症识别流程得到一定程度的优化。以及，本技术实施方式可基于生成式大语言模型，根据目标图像的第一描述信息的语义，对当前受测用户针对目标图像所表述的第二描述信息进行补全，以生成第三描述信息，从而可在一定程度上模拟出非疑似患有阿尔兹海默症的当前受测用户针对目标图像所可能给出的描述信息，使得通过第三描述信息所得到的识别结果的可信程度得以保障。8、在本技术某些实施方式中，所述根据所述第二描述信息和所述第三描述信息，确定所述当前受测用户的阿尔兹海默症识别结果，包括：9、根据所述第二描述信息、所述第三描述信息及预先训练完成的阿尔兹海默症识别模型，确定所述阿尔兹海默症识别结果。10、如此，在本技术某些实施方式中，当前受测用户的阿尔兹海默症识别结果可根据预先训练完成的神经网络模型，即阿尔兹海默症识别模型所确定，由此使阿尔兹海默症识别结果的可信度能够得到保障。11、在本技术某些实施方式中，所述阿尔兹海默症识别模型包括特征提取模块和分类模块，所述根据所述第二描述信息、所述第三描述信息及预先训练完成的阿尔兹海默症识别模型，确定所述阿尔兹海默症识别结果，包括：12、基于所述特征提取模块，对所述第二描述信息和所述第三描述信息进行特征提取，得到描述信息特征数据；13、根据所述分类模块和所述描述信息特征数据，确定所述阿尔兹海默症识别结果。14、如此，在本技术某些实施方式中，可基于特征提取模块，对第二描述信息和第三描述信息进行特征提取以得到描述信息特征数据，及基于分类模型对描述信息特征数据分类，以得到阿尔兹海默症识别结果。15、在本技术某些实施方式中，所述阿尔兹海默症识别模型的训练步骤包括：16、获取第一图像样本的第一描述信息样本、第二描述信息样本、第三描述信息样本以及第一受测用户的阿尔兹海默症标签，其中，所述第一描述信息样本为预先存储的所述第一图像样本的标椎描述信息，所述第二描述信息样本为所述第一受测用户针对所述第一图像样本反馈的，所述第三描述信息样本为基于所述生成式大语言模型，根据所述第一描述信息样本的语义对所述第二描述信息样本进行补全处理所生成的；17、根据所述阿尔兹海默症标签，以及所述第一图像样本的所述第二描述信息样本和所述第三描述信息样本，训练预设设置的候选识别模型，得到所述阿尔兹海默症识别模型。18、如此，在本技术实施方式中，可通过获取到的第一图像样本的第一描述信息样本、第二描述信息样本、第三描述信息样本及第一受测用户的阿尔兹海默症标签，训练候选识别模型以得到阿尔兹海默症识别模型。19、在本技术某些实施方式中，所述根据所述阿尔兹海默症标签，以及所述第一图像样本的所述第二描述信息样本和所述第三描述信息样本，训练预设设置的候选识别模型，得到所述阿尔兹海默症识别模型，包括：20、根据所述候选识别模型、所述第二描述信息样本及所述第三描述信息样本，确定所述第一受测用户的阿尔兹海默症预测结果；21、根据所述阿尔兹海默症预测结果和所述阿尔兹海默症标签间的差异，训练所述候选识别模型，得到所述阿尔兹海默症识别模型。22、如此，在本技术实施方式中，可基于候选识别模型确定的第一受测用户的阿尔兹海默症预测结果，与第一受测用户的阿尔兹海默症标签之间的差异，进行候选识别模型的训练。23、在本技术某些实施方式中，所述基于生成式大语言模型，根据所述第一描述信息的语义对所述第二描述信息进行补全处理，生成第三描述信息，包括：24、基于所述第一描述信息、所述第二描述信息、所述生成式大语言模型及预先配置的提示信息模板，通过所述第一描述信息的语义对所述第二描述信息进行补全处理，生成所述第三描述信息。25、如此，在本技术某些实施方式中，生成式大语言模型可根据提示信息模板所指示的处理方式生成第三描述信息，一定程度上保障了第三描述信息的可靠程度。26、在本技术某些实施方式中，所述生成式大语言模型的训练步骤包括：27、获取第二图像样本的第四描述信息样本、第五描述信息样本及第三描述信息标签，其中，所述第四描述信息样本为预先存储的所述第二图像样本的标椎描述信息，所述第五描述信息样本为第二受测用户针对所述第二图像样本反馈的；28、根据所述第四描述信息样本、所述第五描述信息样本及第三描述信息标签，训练预设设置的候选大语言模型，确定所述生成式大语言模型。29、如此，在本技术某些实施方式中，可通过获取到的第二图像样本的第四描述信息样本、第五描述信息样本及第三描述信息标签，训练候选大语言模型，以得到适用于第三描述信息生成任务的生成式大语言模型。30、在本技术某些实施方式中，所述根据所述第四描述信息样本、所述第五描述信息样本及第三描述信息标签，训练预设设置的候选大语言模型，确定所述生成式大语言模型，包括：31、基于所述候选大语言模型，根据所述第四描述信息样本的语义对所述第五描述信息样本进行补全处理，生成第三描述信息预测结果；32、根据所述第三描述信息预测结果和所述第三描述信息标签的差异，训练所述候选大语言模型，确定所述生成式大语言模型。33、如此，在本技术某些实施方式中，可基于候选大语言模型确定的第二受测用户的第三描述信息预测结果，与第二受测用户的第三描述信息标签之间的差异，进行候选大语言模型的训练。34、本技术实施方式提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，实现上述基于大语言模型的阿尔兹海默症识别方法。35、本技术实施方式提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被一个或多个处理器执行时，实现上述基于大语言模型的阿尔兹海默症识别方法。36、本技术实施方式提供的计算机设备和计算机可读存储介质，可使当前受测用户的阿尔兹海默症识别结果根据当前受测用户针对目标图像所表述的第二描述信息，以及对第二描述信息进行补全处理所生成的第三描述信息来确定，一定程度提升了阿尔兹海默症识别结果的确定效率，并能使阿尔兹海默症识别流程得到一定程度的优化。以及，本技术实施方式可基于生成式大语言模型，根据目标图像的第一描述信息的语义，对当前受测用户针对目标图像所表述的第二描述信息进行补全，以生成第三描述信息，从而可在一定程度上模拟出非疑似患有阿尔兹海默症的当前受测用户针对目标图像所可能给出的描述信息，使得通过第三描述信息所得到的识别结果的可信程度得以保障。37、本技术的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实施方式的实践了解到。