1.一种分诊融合模型训练方法，其特征在于，包括：获取就诊样本集；所述就诊样本集包括多个就诊样本，每个所述就诊样本与一个分诊标签关联；

将所述就诊样本输入含有初始参数的多融合神经网络模型；

通过所述多融合神经网络模型对所述就诊样本进行预测，获取至少两个分诊结果；

对各所述分诊结果进行标准化转换，得到与各所述分诊结果对应的标准化结果；

将所有所述标准化结果进行权重融合，得到样本分诊结果；

通过所述多融合神经网络模型中的损失模型，对所述样本分诊结果和所述分诊标签进行损失分析，得到总损失值；

在所述总损失值未达到预设的收敛条件时，迭代更新所述多融合神经网络模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述多融合神经网络模型记录为分诊融合模型；

所述对各所述分诊结果进行标准化转换，得到与各所述分诊结果对应的标准化结果，包括：将各所述分诊结果中的分诊类别由大到小进行排序，并获取排序后序列在先的预设提取数量的分诊类别，将获取后的各所述分诊结果确定为与各所述分诊结果对应的排序结果；所述分诊结果包括所述分诊类别；

通过标准化技术，对各所述排序结果中的各个分诊类别进行标准化赋值；

将赋值后的各所述排序结果确定为与各所述排序结果一一对应的标准化结果；

所述标准化技术为通过标准化函数根据所述排序结果中的各个分诊类别所在的序列位数确定出赋予各个分诊类别的可比值，所述标准化函数为：其中，h为所述预设提取数量，j为所述排序结果中序列为第j位的分诊类别的序列位数，Yj为所述排序结果中序列为第j位的分诊类别的可比值。

2.如权利要求1所述的分诊融合模型训练方法，其特征在于，所述将所有所述标准化结果进行权重融合，得到样本分诊结果，包括：将各所述标准化结果进行预设维度的分诊向量转换，得到与各所述标准化结果对应的分诊向量；

根据各所述分诊结果和所述分诊标签，确定出与各所述分诊结果对应的准确率；

根据所有所述准确率，生成与各所述分诊向量对应的权重；

根据各所述分诊向量和各所述权重，得到所述样本分诊结果。

3.如权利要求1所述的分诊融合模型训练方法，其特征在于，所述通过所述多融合神经网络模型中的损失模型，对所述样本分诊结果和所述分诊标签进行损失分析，得到总损失值，包括：将所述样本分诊结果由大到小顺序进行排序，并获取排序后的所述样本分诊结果中序列在先的预设数量的分诊类别，将获取后的所述样本分诊结果确定为过滤分诊结果；所述样本分诊结果包括所述分诊类别和与所述分诊类别对应的概率值；

给所述过滤分诊结果中的各所述分诊类别赋予顺序相关值；

若存在与所述分诊标签相同的所述分诊类别，将概率总和值替代与所述分诊标签相同的所述分诊类别对应的所述概率值，所述概率总和值为所有所述概率值之和；

将与所述过滤分诊结果中的各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中，通过所述损失模型进行损失分析，得到所述总损失值。

4.如权利要求3所述的分诊融合模型训练方法，其特征在于，所述将与所述过滤分诊结果中的各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中，通过所述损失模型进行损失分析，得到所述总损失值，包括：将与各所述分诊类别对应的所述顺序相关值和所述概率值输入所述损失模型中的损失函数中，通过所述损失函数计算出所述总损失值；所述损失函数为：L＝―(p1×ln(k)+…+pi×ln(k―i+1)+…+pk×ln(1))其中，

L为总损失值；

k为所述预设数量；

p1为与所述过滤分诊结果中序列为第一位的分诊类别对应的概率值；

ln(k)为与所述过滤分诊结果中序列为第一位的分诊类别对应的顺序相关值；

pi为与所述过滤分诊结果中序列为第i位的分诊类别对应的概率值；

ln(k‑i+1)为与所述过滤分诊结果中序列为第i位的分诊类别对应的顺序相关值；

pk为与所述过滤分诊结果中序列为第k位的分诊类别对应的概率值；

ln(1)为与所述过滤分诊结果中序列为第k位的分诊类别对应的顺序相关值。

5.一种分诊方法，其特征在于，包括：

接收患者的分诊请求，获取所述分诊请求中的患者就诊信息；

将所述患者就诊信息输入如权利要求1至4任一项所述分诊融合模型训练方法训练完成的分诊融合模型，获取所述分诊融合模型输出的最终分诊结果。

6.一种分诊融合模型训练装置，其特征在于，包括：获取模块，用于获取就诊样本集；所述就诊样本集包括多个就诊样本，每个所述就诊样本与一个分诊标签关联；

输入模块，用于将所述就诊样本输入含有初始参数的多融合神经网络模型；

预测模块，用于通过所述多融合神经网络模型对所述就诊样本进行预测，获取至少两个分诊结果；

标准化模块，用于对各所述分诊结果进行标准化转换，得到与各所述分诊结果对应的标准化结果；

权重模块，用于将所有所述标准化结果进行权重融合，得到样本分诊结果；

损失模块，用于通过所述多融合神经网络模型中的损失模型，对所述样本分诊结果和所述分诊标签进行损失分析，得到总损失值；

迭代模块，用于在所述总损失值未达到预设的收敛条件时，迭代更新所述多融合神经网络模型的初始参数，直至所述总损失值达到所述预设的收敛条件时，将收敛之后的所述多融合神经网络模型记录为分诊融合模型；

所述标准化模块还用于：

将各所述分诊结果中的分诊类别由大到小进行排序，并获取排序后序列在先的预设提取数量的分诊类别，将获取后的各所述分诊结果确定为与各所述分诊结果对应的排序结果；所述分诊结果包括所述分诊类别；

通过标准化技术，对各所述排序结果中的各个分诊类别进行标准化赋值；

将赋值后的各所述排序结果确定为与各所述排序结果一一对应的标准化结果；

所述标准化技术为通过标准化函数根据所述排序结果中的各个分诊类别所在的序列位数确定出赋予各个分诊类别的可比值，所述标准化函数为：其中，h为所述预设提取数量，j为所述排序结果中序列为第j位的分诊类别的序列位数，Yj为所述排序结果中序列为第j位的分诊类别的可比值。

7.一种分诊装置，其特征在于，包括：

接收模块，用于接收患者的分诊请求，获取所述分诊请求中的患者就诊信息；

分诊模块，用于将所述患者就诊信息输入如权利要求1至4任一项所述分诊融合模型训练方法训练完成的分诊融合模型，获取所述分诊融合模型输出的最终分诊结果。

8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中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

4任一项所述分诊融合模型训练方法，或者所述处理器执行所述计算机程序时实现如权利要求5所述分诊方法。

9.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述分诊融合模型训练方法，或者所述处理器执行所述计算机程序时实现如权利要求5所述分诊方法。