CN108231189A - 基于双深度神经学习网络的数据处理方法和疾病诊断装置 - Google Patents

Abstract

本发明提供一种基于双深度学习神经网络的数据处理方法，该方法包括：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。此外，还提供了一种基于深度学习神经网络的疾病诊断装置、一种计算机设备和计算机可读存储介质。

Description

基于双深度神经学习网络的数据处理方法和疾病诊断装置

技术领域

本发明涉及机器学习领域，特别是涉及一种基于双深度神经学习网络的数据处理方法、疾病诊断装置、计算机设备和存储介质。

背景技术

人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。

传统技术中，采用神经网络对患者进行诊断时，需要对神经网络的输入变量集合进行采集，将所有的输入变量输入到对应的神经网络中通过计算得到输出数据才能够诊断出具体的疾病类型，而输入变量中很多数据都是非必需项，采集过多的输入变量(例如，体重、血压、血液检查结果等)不仅给患者带来了负担，而且给紧缺的医疗资源带来更大的压力和浪费。

发明内容

基于此，有必要针对上述问题，提供一种能够有效避免需要采集过多的数据才能诊断出疾病类型的基于深度神经学习网络的数据处理方法、疾病诊断装置、计算机设备和存储介质。

一种基于深度学习神经网络的数据处理方法，该方法包括：

根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；

当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；

其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

在其中一个实施例中，根据第一深度学习神经网络的输入变量获取对应的第一输入数据之前，还包括：从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络；根据训练第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练；对训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在其中一个实施例中，根据训练第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练，包括：将第二深度学习神经网络的无监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练；将第二深度学习神经网络的有监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。

在其中一个实施例中，从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络，包括：对训练好的多个第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率；根据测试成功率从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在其中一个实施例中，对训练好的多个第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率，包括：将第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值通过计算得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。

在其中一个实施例中，变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和所述预期输出数据一致的测试次数与总测试次数的比值。

在其中一个实施例中，预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。

在一个具体实施例中，将第一深度学习神经网络作为用于初诊的深度学习神经网络，将第二深度学习神经网络作为用于确诊的深度学习神经网络。通过用于初诊的第一深度学习神经网络进行初步诊断，用于初诊的第一深度学习神经网络只需要少量的患者数据项，只需要进行少量的检查，如果用于初诊的第一深度学习神经网络诊断的结果是病人没有该科的病，则不需要再使用该科用于确诊的深度学习神经网络进行检测。如果用于初诊的第一深度学习神经网络诊断的结果是病人有该科的病，再通过该科用于确诊的第二深度学习神经网络进行进一步诊断具体得了该科的什么类型的病，而用于初诊的第一深度学习神经网络输入变量只占用于确诊的第二深度学习神经网络输入变量的一部分，降低没有换该科病的病人的检查成本和额外检查给身体造成的伤害。

一种基于深度学习神经网络的疾病诊断装置，该装置包括：

第一输出结果生成模块，用于根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；

第二输出结果生成模块，用于当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；

其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行所述程序时实现以下步骤：

根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；

当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；

其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：

根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；

当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；

其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

上述基于深度神经学习网络的数据处理方法、疾病诊断装置、计算机设备和存储介质，通过预先训练好的第一深度学习神经网络可通过计算得到第一输出结果，可根据第一输出结果中是否包含标识有疾病的标签，如果没有包含疾病时，则无需通过第二深度学习神经网络进行进一步的判断；如果有包含疾病时，则再根据预先训练好的第二深度学习神经网络通过计算得到第二输出结果，可先根据第一深度学习神经网络得知是否患病，再根据第二深度学习神经网络得知具体患病的类型，其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集，可以有效避免需要采集过多的数据才能诊断出具体的疾病类型，减轻患者的负担以及给紧缺的医疗资源减轻压力。

附图说明

图1为一个实施例中基于深度学习神经网络的数据处理方法的应用环境图；

图2为一个实施例中计算机设备的内部结构图；

图3为一个实施例中基于深度学习神经网络的数据处理方法的流程图；

图4为另一个实施例中基于深度学习神经网络的数据处理方法的流程图；

图5为一个实施例中每个变量子集对应的第一深度学习神经网络的进行训练的流程图；

图6为一个实施例中对训练好的多个第一深度学习神经网络选取符合预设条件的第一深度学习神经网络的流程图；

图7为又一个实施例中基于深度学习神经网络的数据处理方法的流程图；

图8为一个实施例中基于深度学习神经网络的疾病诊断装置的结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了一个实施例中基于深度学习神经网络的数据处理方法的应用环境图。参照图1，该基于深度学习神经网络的数据处理方法可应用于基于深度学习神经网络的数据处理的系统中，该系统包括多个终端110和服务器120，终端110通过网络与服务器120连接。终端110可以是但不限于各种能运行游戏应用的个人计算机、笔记本电脑、个人数字助理、智能手机、平板电脑等。服务器120可以是实现单一功能的服务器，也可以是实现多种功能的服务器，具体可以是独立的物理服务器，也可以是物理服务器集群。终端110上可通过特定的应用显示数据输入界面，服务器120可大量接收由终端110上传的用户资料，服务器120从用户资料中提取样本数据，并根据样本数据获取对应的输入数据等。具体的，当服务器120根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据时，服务器120将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果等，再判断第一输出结果中是否包含标识有疾病的标签时，将第一输出结果发送至终端110，再根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果。服务器120输出第二输出结果返回至终端110。

图2为一个实施例中计算机设备的内部结构示意图。该计算机设备具体可以是如图1中的服务器120。如图2所示，计算机设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器、网络接口、显示屏和输入装置。其中，该处理器用于提供计算和控制能力，支撑整个终端的运行。计算机设备的存储介质存储有操作系统以及计算机程序，该计算机程序被处理器执行时，使得处理器实现一种基于深度学习神经网络的数据处理方法。计算机设备中的内存储器也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种基于深度学习神经网络的数据处理方法。计算机设备的网络接口用于与服务器120通信。计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是外接的键盘、触控板或鼠标等，输入装置可获取用户使用手指对显示屏显示的操作界面产生的指令，例如获取用户通过点击终端上的特定选项输入待预测用户的数据等。显示屏可用于显示输入界面或输出变量的数据结果。

本领域技术人员可以理解，图2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服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者变量子集某些部件，或者具有不同的部件布置。

如图3所示，在一个实施例中，提供了一种基于深度神经学习网络的数据处理方法，该方法以应用于如图1所示的服务器中进行举例说明。包括：

步骤302，根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果。

由于可以根据已经训练好的第一深度学习神经网络进行预测，已经训练好的第一深度学习神经网络会获取输入变量对应的第一输入数据，将第一输入数据作为已经预先训练好的第一深度学习神经网络的输入，根据第一输入数据通过计算得到对应的第一输出结果。

步骤304，当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

已经训练好的第一深度学习神经网络根据第一输入数据通过计算得到第一输出结果，判断第一输出结果是否包含标识有疾病的标签，当第一输出结果携带疾病标签时，则继续依据已经训练好的第二深度学习神经网络进行预测，已经训练好的第二深度学习神经网络会获取输入变量对应的第二输入数据，将第二输入数据作为已经训练好的第二深度学习神经网络的输入，通过计算得到对应的第二输出结果。其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集；疾病标签是指标记是否患有与第一输出结果对应的疾病，第一输出结果可得知是否患有对应的疾病，第二输出结果可具体得知疾病的类型。

例如，第二深度学习神经网络的输入变量包括病情、检查结果。第二深度学习神经网络的输出变量包括该科各类疾病标签(例如，用标签值0来表示无该科该类病,标签值1表示有该科该类病)。

又例如，第二深度学习神经网络输入变量为：体重、血压、血液检查结果、尿液检查结果；第二深度学习神经网络输出变量是1型糖尿病、2型糖尿病、妊娠糖尿病、特殊类型的糖尿病(例如，用标签值0来表示无该类糖尿病,标签值1表示有该类糖尿病)

例如，

1、根据第一深度学习神经网络的输入变量集合“体重、尿液检查结果”获取患者相应的数据为：体重数据k、尿液检查结果数据k，输入第一深度学习神经网络，计算通过计算得到第一深度学习神经网络的输出。

2、如果第一深度学习神经网络的输出为0，则返回无该科疾病给用户；如果第一深度学习神经网络的输出为1则进行下一步

3、将第一深度学习神经网络的输入变量对应的输入数据作为第二深度学习神经网络中相同的输入变量对应的输入数据，获取第二深度学习神经网络的剩余输入变量对应的输入数据，输入第二深度学习神经网络，计算通过计算得到第二深度学习神经网络的输出，作为疾病类型，并返回给用户。

说明：这里的用户可以是患者，也可以是医生或家属等。

例如，将优选第一深度学习神经网络的输入变量对应的输入数据作为第二深度学习神经网络中相同的输入变量对应的输入数据:体重数据k、尿液检查结果数据k，获取第二深度学习神经网络的剩余输入变量对应的输入数据：血压数据k、血液检查结果数据k，输入第二深度学习神经网络，计算通过计算得到第二深度学习神经网络的输出1型糖尿病为1、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为0，并返回给用户。

本实施例中，可根据预先训练好的第一深度学习神经网络或第二深度学习神经网络进行预测，根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据作为已经训练好的第一深度学习神经网络的输入通过计算得到第一输出结果，可根据第一输出结果判断是否标识有疾病的标签，如果没有，则无需通过第二深度学习神经网络进行进一步的判断；如果有，则在根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据作为第二深度学习神经网络的输入通过第二深度学习神经网络计算得到第二输出结果，可根据第二输出结果得知具体的疾病类型，其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。可以有效避免需要采集过多的数据才能诊断出具体的疾病类型，不仅可以减轻患者的负担，而且能给紧缺的医疗资源减轻压力。

在一个实施例中，根据第一深度学习神经网络的输入变量获取对应的第一输入数据之前，还包括：从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络；根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练；从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络。

如图4所示，在一个实施例中，提供了一种基于深度神经学习网络的数据处理方法，该方法以应用于如图1所示的服务器中进行举例说明。包括：

步骤402，从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络。

第二深度学习神经网络的输入变量集合是由第一深度学习神经网络的输入变量集合中元素组成的，即第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集，将第二深度学习神经网络的输入变量集合中的元素变量组合成多个变量子集，其中，变量子集方式包括但不限于两个输入变量的变量子集、三个输入变量的变量子集、单个输入变量的变量子集等等，根据多个变量子集初始化每个变量子集对应的第一深度学习神经网络，例如，第二深度学习神经网络的输入变量集合为：体重、血压、血液检查结果、尿液检查结果；

输入变量集合的多个子集为：

变量子集1:体重、血压、血液检查结果、尿液检查结果；

变量子集2:血压、血液检查结果、尿液检查结果；

变量子集3:体重、血液检查结果、尿液检查结果；

变量子集4:体重、血压、尿液检查结果；

变量子集5:体重、血压、血液检查结果

变量子集6:体重、尿液检查结果

变量子集7:体重、血压

变量子集8:体重、血液检查结果

变量子集9:血压、血液检查结果

变量子集10:血压、尿液检查结果

变量子集11:血液检查结果、尿液检查结果

变量子集12:体重

变量子集13:血压

变量子集14:血液检查结果

变量子集15:尿液检查结果。

步骤404，根据训练第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练。

由于训练第二深度学习神经网络需要使用输入数据和输出数据对第二深度学习神经网络进行训练，同样的，对该变量子集对应的第一深度学习神经网络进行训练才能进行预测，具体的，根据训练第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练。

步骤406，对训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在多个已经训练好的第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为已经训练好的第一深度学习神经网络进行预测，其中，优选的可包括但不限于预测准确率较大的第一深度学习神经网络。

步骤408，根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果。

根据选取的作为预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据作为第一深度学习神经网络的输入通过计算得到对应的第一输出结果，其中，第一输入数据为与第一深度学习神经网络的输入变量对应的各种输入数据，例如血压、体重、血液检查结果、尿液检查结果等，第一输出结果根据这些数据预测是否患有糖尿病等。

步骤410，当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

由于第一深度学习神经网络的输入变量集合中元素组成第二深度学习神经网络的输入变量集合，即第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集，可根据第一输出结果中是否包含标识有疾病的标签选择是否继续进行预测。具体的，当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将获取到的第二输入数据作为第二深度学习神经网络的输入通过第二深度学习神经网络计算得到第二输出结果。例如，根据第一深度学习神经网络的输入变量为体重和尿液检查结果获取输入数据，通过第一深度学习神经网络计算得到的第一输出结果为患有糖尿病，则根据第二深度学习神经网络的输入变量体重、尿液检查结果、血压、血液检查结果获取输入数据，通过第二深度学习神经网络计算可预测患有糖尿病的类型。

本实施例中，从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络，对每个变量子集对应的第一深度学习神经网络进行训练，在训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络，在根据预先训练好的第一深度学习神经网络进行预测可得知是否患有疾病，在根据预先训练好的第二深度学习神经网络进行预测可得知具体的疾病的类型。可避免患者需要采集所有的数据才能得知是否患有疾病，减轻患者的负担，也避免浪费紧缺的医疗资源。

如图5所示，在一个实施例中，提供了根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练，包括：

步骤502，将第二深度学习神经网络的无监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练。

这里的无监督训练指的是只包含很多输入数据，无监督训练是为了学习输入数据的特征，将第二深度学习神经网络在进行无监督训练时使用的输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练。例如，第二深度学习神经网络的无监督训练使用的输入数据为：

训练输入数据1：体重1、血压1、血液检查结果1、尿液检查结果1；

训练输入数据2：体重2、血压2、血液检查结果2、尿液检查结果2；

训练输入数据3：体重3、血压3、血液检查结果3、尿液检查结果3；

当变量子集为体重、尿液检查结果，则该变量子集对应的第一深度学习神经网络的无监督训练数据为：

训练输入数据1：体重1、尿液检查结果1；

训练输入数据2：体重2、尿液检查结果2；

训练输入数据3：体重3、尿液检查结果3。

步骤504，将第二深度学习神经网络的有监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。

这里的有监督训练的训练数据是指在众多训练数据中既有输入数据、又有预期输出数据，才可以用来作为有监督训练数据，将第二深度学习神经网络的有监督训练时所使用的输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的输出数据，其中所述计算可以是求并，求并指的是只要疾病标签输出的值有一个为1，则总输出值为1(1代表患有疾病)，要是疾病标签输出的值全为0，则总输出值才为0(0代表未患病)。例如，第二深度学习神经网络的有监督训练使用的输入数据为：

训练输入数据2：体重2、血压2、血液检查结果2、尿液检查结果2；

有监督训练预期输出数据2：1型糖尿病为0、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为0

训练输入数据5：体重5、血压5、血液检查结果5、尿液检查结果5；

有监督训练预期输出数据5：1型糖尿病为1、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为1

训练输入数据6：体重6、血压6、血液检查结果6、尿液检查结果6；

有监督训练预期输出数据6：1型糖尿病为0、2型糖尿病为0、妊娠糖尿病为0、特殊类型的糖尿病为0

……

当变量子集为体重、尿液检查结果，则该变量子集对应的第一深度学习神经网络的有监督训练数据为：

训练输入数据2：体重2、尿液检查结果2；

有监督训练预期输出数据2：0∪1∪0∪0＝1

训练输入数据5：体重5、尿液检查结果5；

有监督训练预期输出数据5：1∪1∪0∪1＝1

训练输入数据6：体重6、尿液检查结果6；

有监督训练预期输出数据6：0∪0∪0∪0＝0

……

如图6所示，在一个实施例中，对训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络，包括：

步骤602，对训练好的多个第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。

由于需要根据训练好的第一深度学习神经网络进行预测，即需要对已经进行无监督训练和有监督训练通过计算得到的每个变量子集对应的第一深度学习神经网络进行测试，测试的目的是为了通过计算得到变量子集对应的第一深度学习神经网络的测试成功率，其中，测试成功率越大说明预测的准确性越高。

步骤604，根据测试成功率从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在通过计算得到每个变量子集对应的第一深度学习神经网络的测试成功率，在多个第一深度学习神经网络中选取测试成功率最大的第一深度学习神经网络作为预先训练好的第一深度学习神经网络，测试成功率越大说明对应的第一深度学习神经网络的预测准确率越高，其中，在选取测试成功率最大的第一深度学习神经网络时，会碰到测试成功率相同的情况，此时，在选取的时候可依据患者的其他条件进行选取。

在一个实施例中，对训练好的多个第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率，包括：将第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值通过计算得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。

在一个实施例中，变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和所述预期输出数据一致的测试次数与总测试次数的比值。

本实施例中，在第二深度学习神经网络经过无监督训练和有监督训练得到训练后的第二深度学习神经网络，为了获得预测准确率更高的第二深度学习神经网络需要对第二深度学习神经网络进行测试，将第二深度学习神经网络的进行测试时所使用的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值求并得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据。其中，测试预期输出数据是指第二深度学习神经网络在进行测试时预期输出的数据，在对该变量子集对应的第一深度学习神经网络进行测试得到对应的测试成功率，同样的，变量子集对应的第一深度学习神经网络的测试成功率越大相对应的第一深度学习神经网络的预测准确率越高。

得到测试成功率具体是根据变量子集对应的第一深度学习神经网络的测试实际输出和所述预期输出数据一致的测试次数与总测试次数的比值。其中，测试实际输出指的是将变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据通过计算得到的对应的测试实际输出数据。

例如，第二深度学习神经网络的测试数据为：

测试输入数据1：体重1’、血压1’、血液检查结果1’、尿液检查结果1’；

测试预期输出数据1：1型糖尿病为1、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为0

输入数据2：体重2’、血压2’、血液检查结果2’、尿液检查结果2’；

测试预期输出数据2：1型糖尿病为0、2型糖尿病为1、妊娠糖尿病为1、特殊类型的糖尿病为0

……

当变量子集为体重、尿液检查结果，则该变量子集对应的第一深度学习神经网络的测试数据为：

测试输入数据1：体重1’、尿液检查结果1’；

测试预期输出数据1：1∪1∪0∪0＝1(对第二深度学习神经网络的测试训练的预期输出数据进行求并计算)

测试实际输出数据1：1

此次测试实际输出与同次测试的测试预期输出一致

输入数据2：体重2’、尿液检查结果2’；

测试预期输出数据2：0∪1∪1∪0＝1

测试实际输出数据2：0

此次测试实际输出与同次测试的测试预期输出不一致

……

测试预期输出数据与测试实际输出数据一致的次数为90次，总次数为100次，则该一种变量子集对应的第一深度学习神经网络的测试成功率为90％。

在一个实施例中，根据测试成功率从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络，包括：

从多个变量子集对应的多个第一深度学习神经网络中选取测试成功率最大的第一深度学习神经网络作为预先训练好的第一深度学习神经网络；

或从多个变量子集对应的多个第一深度学习神经网络中选取测试成功率大于测试成功率预设值且变量子集中的变量数量最少的第一深度学习神经网络作为预先训练好的第一深度学习神经网络；

或从多个变量子集对应的多个第一深度学习神经网络中选取测试成功率大于测试成功率预设值且变量子集中的变量数量小于变量数量预设值且变量子集中的变量对应的数据采集成本最低的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

其中，预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。

另一实施例中，对多个第一深度学习神经网络中进行测试通过计算得到每个第一深度学习神经网络的测试成功率，此时，如果出现测试成功率相同的多个变量子集对应的多个第一深度学习神经网络，在这些测试成功率相同的多个变量子集对应的多个第一深度学习神经网络中，选取变量子集中数量最少而且变量子集对应的数据采集成本最低的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。例如：

医学检查及采集的成本：体重为免费、血压为免费、血液检查结果为200元、尿液检查结果为50元。

变量子集1:体重、血压、血液检查结果、尿液检查结果；

对应的第一深度学习神经网络的成功率为100％；

医学检查及采集的成本为0+0+200+50＝250

变量子集2:血压、血液检查结果、尿液检查结果；

对应的第一深度学习神经网络的成功率为96％；

医学检查及采集的成本为0+200+50＝250

变量子集3:体重、血液检查结果、尿液检查结果；

对应的第一深度学习神经网络的成功率为99％；

医学检查及采集的成本为0+200+50＝250

变量子集4:体重、血压、尿液检查结果；

对应的第一深度学习神经网络的成功率为100％；

医学检查及采集的成本为0+0+50＝50

变量子集5:体重、血压、血液检查结果

对应的第一深度学习神经网络的成功率为98％；

医学检查及采集的成本为0+0+200＝200

变量子集6:体重、尿液检查结果

对应的第一深度学习神经网络的成功率为90％；

医学检查及采集的成本为0+50＝50

变量子集7:体重、血压

对应的第一深度学习神经网络的成功率为10％；

医学检查及采集的成本为0+0＝0

变量子集8:体重、血液检查结果

对应的第一深度学习神经网络的成功率为80％；医学检查及采集的成本为0+200＝200

变量子集9:血压、血液检查结果

对应的第一深度学习神经网络的成功率为70％；

医学检查及采集的成本为0+200＝200

变量子集10:血压、尿液检查结果

对应的第一深度学习神经网络的成功率为80％；

医学检查及采集的成本为0+50＝50

变量子集11:血液检查结果、尿液检查结果

对应的第一深度学习神经网络的成功率为90％；

医学检查及采集的成本为200+50＝250

变量子集12:体重

对应的第一深度学习神经网络的成功率为2％；

医学检查及采集的成本为0

变量子集13:血压

对应的第一深度学习神经网络的成功率为1％；

医学检查及采集的成本为0

变量子集14:血液检查结果

对应的第一深度学习神经网络的成功率为20％；

医学检查及采集的成本为200

变量子集15:尿液检查结果

对应的第一深度学习神经网络的成功率为70％；

医学检查及采集的成本为50

从多个第一深度学习神经网络中选取测试成功率最大的变量子集对应的第一深度学习神经网络有：变量子集1对应的第一深度学习神经网络和变量子集4对应的第一深度学习神经网络，这两个变量子集对应的第一深度学习神经网络的测试成功率都为100％，在根据变量子集中数量最少而且变量子集对应的数据采集成本最低的变量子集4对应的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

还可以获取用户关注点。当用户关注点为准确率优先时，从所有变量子集对应的第一深度学习神经网络中，选取测试成功率最大的且变量子集中各输入变量的数据所需医学检查及采集的成本之和最低的且输入变量数最少的一种变量子集对应的第一深度学习神经网络，作为优选第一深度学习神经网络返回给用户；当用户关注点为成本优先时，选取测试成功率大于预设成功率阈值的且变量子集中各输入变量的数据所需医学检查及采集的成本之和最小的且输入变量数最少的一种变量子集对应的第一深度学习神经网络，作为优选第一深度学习神经网络返回给用户。

例如：

如果用户关注点为准确率优先，则测试成功率最大的变量子集对应的第一深度学习神经网络包括变量子集1对应的第一深度学习神经网络、变量子集4对应的第一深度学习神经网络，成功率均为100％，在这2种变量子集对应的第一深度学习神经网络中变量子集4对应的第一深度学习神经网络的成本为50最小，所以选择变量子集4对应的第一深度学习神经网络作为优选第一深度学习神经网络返回给用户。

如果用户关注点为成本优先，且预设成功率阈值为90％，则测试成功率大于90％的变量子集对应的第一深度学习神经网络包括变量子集1、2、3、4、5、6、11对应的第一深度学习神经网络，在这7种变量子集对应的第一深度学习神经网络中变量子集4、6对应的第一深度学习神经网络的成本为50最小，其中6对应的第一深度学习神经网络的输入变量数最少，所以选择变量子集6对应的第一深度学习神经网络作为优选第一深度学习神经网络返回给用户。在一个具体实施例中，将第一深度学习神经网络作为用于初诊的深度学习神经网络，将第二深度学习神经网络作为用于确诊的深度学习神经网络。通过用于初诊的深度学习神经网络进行初步诊断，用于初诊的深度学习神经网络只需要少量的患者数据项，只需要进行少量的检查，如果用于初诊的深度学习神经网络诊断的结果是病人没有该科的病，则不需要再使用该科用于确诊的深度学习神经网络进行检测。如果用于初诊的深度学习神经网络诊断的结果是病人有该科的病，再通过该科用于确诊的深度学习神经网络进行进一步诊断具体得了该科的什么类型的病，而用于初诊的深度学习神经网络输入变量只占用于确诊的深度学习神经网络输入变量的一部分，降低没有换该科病的病人的检查成本和额外检查给身体造成的伤害。

如图7所示，在一个实施方式中，提供了一种基于深度神经学习网络的数据处理方法，该方法以应用于如图1所示的服务器中进行举例说明。包括：

步骤702，从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络。

由于第二深度学习神经网络的输入变量集合是由第一深度学习神经网络的输入变量集合中元素组成的。将第二深度学习神经网络的输入变量集合中的元素变量组合成多个变量子集，其中，变量子集方式包括但不限于两个输入变量的变量子集、三个输入变量的变量子集、单个输入变量的变量子集等等，根据多个变量子集确定每个变量子集对应的第一深度学习神经网络，例如，第二深度学习神经网络的输入变量集合为：体重、血压、血液检查结果、尿液检查结果；

输入变量集合的多个子集为：

变量子集1:体重、血压、血液检查结果、尿液检查结果；

变量子集2:血压、血液检查结果、尿液检查结果；

变量子集3:体重、血液检查结果、尿液检查结果；

变量子集4:体重、血压、尿液检查结果；

变量子集5:体重、血压、血液检查结果

变量子集6:体重、尿液检查结果

变量子集7:体重、血压

变量子集8:体重、血液检查结果

变量子集9:血压、血液检查结果

变量子集10:血压、尿液检查结果

变量子集11:血液检查结果、尿液检查结果

变量子集12:体重

变量子集13:血压

变量子集14:血液检查结果

变量子集15:尿液检查结果。

步骤704，将第二深度学习神经网络的无监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练。

如上所述，无监督训练指的是只包含很多输入数据，无监督训练是为了学习输入数据的特征，将第二深度学习神经网络在进行无监督训练时使用的输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练。

例如，第二深度学习神经网络的无监督训练使用的输入数据为：

训练输入数据1：体重1、血压1、血液检查结果1、尿液检查结果1；

训练输入数据2：体重2、血压2、血液检查结果2、尿液检查结果2；

训练输入数据3：体重3、血压3、血液检查结果3、尿液检查结果3；

当变量子集为体重、尿液检查结果，则该变量子集对应的第一深度学习神经网络的无监督训练数据为：

训练输入数据1：体重1、尿液检查结果1；

训练输入数据2：体重2、尿液检查结果2；

训练输入数据3：体重3、尿液检查结果3。

步骤706，将第二深度学习神经网络的有监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。

如上所述，有监督训练的训练数据是指在众多训练数据中既有输入数据、又有预期输出数据，才可以用来作为有监督训练数据，因此需将第二深度学习神经网络的有监督训练时所使用的输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的输出数据。其中计算可以是求并，求并指的是只要疾病标签输出的值有一个为1，即总输出值为1(1代表患有疾病)，要是疾病标签输出的值全为0，即总输出值才为0(0代表未患病)。例如，第二深度学习神经网络的有监督训练使用的输入数据为：

训练输入数据2：体重2、血压2、血液检查结果2、尿液检查结果2；

有监督训练预期输出数据2：1型糖尿病为0、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为0

训练输入数据5：体重5、血压5、血液检查结果5、尿液检查结果5；

有监督训练预期输出数据5：1型糖尿病为1、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为1

训练输入数据6：体重6、血压6、血液检查结果6、尿液检查结果6；

有监督训练预期输出数据6：1型糖尿病为0、2型糖尿病为0、妊娠糖尿病为0、特殊类型的糖尿病为0

……

当变量子集为体重、尿液检查结果，则该变量子集对应的第一深度学习神经网络的有监督训练数据为：

训练输入数据2：体重2、尿液检查结果2；

有监督训练预期输出数据2：0∪1∪0∪0＝1

训练输入数据5：体重5、尿液检查结果5；

有监督训练预期输出数据5：1∪1∪0∪1＝1

训练输入数据6：体重6、尿液检查结果6；

有监督训练预期输出数据6：0∪0∪0∪0＝0

……

步骤708，将第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值通过计算得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率，其中，变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和预期输出数据一致的测试次数与总测试次数的比值。

在第二深度学习神经网络经过无监督训练和有监督训练得到训练后的第二深度学习神经网络，为了获得预测准确率更高的第二深度学习神经网络需要对第二深度学习神经网络进行测试，将第二深度学习神经网络的进行测试时所使用的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值求并得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据。其中，测试预期输出数据是指第二深度学习神经网络在进行测试时预期输出的数据，在对该变量子集对应的第一深度学习神经网络进行测试得到对应的测试成功率，同样的，变量子集对应的第一深度学习神经网络的测试成功率越大相对应的第一深度学习神经网络的预测准确率越高。

得到测试成功率具体是根据变量子集对应的第一深度学习神经网络的测试实际输出和所述预期输出数据一致的测试次数与总测试次数的比值。其中，测试实际输出指的是将变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据通过计算得到的对应的测试实际输出数据。

例如，第二深度学习神经网络的测试数据为：

测试输入数据1：体重1’、血压1’、血液检查结果1’、尿液检查结果1’；

测试预期输出数据1：1型糖尿病为1、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为0

输入数据2：体重2’、血压2’、血液检查结果2’、尿液检查结果2’；

测试预期输出数据2：1型糖尿病为0、2型糖尿病为1、妊娠糖尿病为1、特殊类型的糖尿病为0

……

当变量子集为体重、尿液检查结果，则该变量子集对应的第一深度学习神经网络的测试数据为：

测试输入数据1：体重1’、尿液检查结果1’；

测试预期输出数据1：1∪1∪0∪0＝1(对第二深度学习神经网络的测试训练的预期输出数据进行求并计算)

测试实际输出数据1：1

此次测试实际输出与同次测试的测试预期输出一致

输入数据2：体重2’、尿液检查结果2’；

测试预期输出数据2：0∪1∪1∪0＝1

测试实际输出数据2：0

此次测试实际输出与同次测试的测试预期输出不一致

……

测试预期输出数据与测试实际输出数据一致的次数为90次，总次数为100次，则该一种变量子集对应的第一深度学习神经网络的测试成功率为90％。

步骤710，从多个变量子集对应的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。其中，预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。

由于可从多个变量子集对应的多个第一深度学习神经网络中选取测试成功率最大的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。或从多个变量子集对应的多个第一深度学习神经网络中选取测试成功率大于测试成功率预设值且变量子集中的变量数量最少的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。或从多个变量子集对应的多个第一深度学习神经网络中选取测试成功率大于测试成功率预设值且变量子集中的变量数量小于变量数量预设值且变量子集中的变量对应的数据采集成本最低的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

另一实施例中，对多个第一深度学习神经网络中进行测试通过计算得到每个第一深度学习神经网络的测试成功率，此时，如果出现测试成功率相同的多个变量子集对应的多个第一深度学习神经网络，在这些测试成功率相同的多个变量子集对应的多个第一深度学习神经网络中，选取变量子集中数量最少而且变量子集对应的数据采集成本最低的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。例如：医学检查及采集的成本：体重为免费、血压为免费、血液检查结果为200元、尿液检查结果为50元。

变量子集1:体重、血压、血液检查结果、尿液检查结果；

对应的第一深度学习神经网络的成功率为100％；

医学检查及采集的成本为0+0+200+50＝250

变量子集2:血压、血液检查结果、尿液检查结果；

对应的第一深度学习神经网络的成功率为96％；

医学检查及采集的成本为0+200+50＝250

变量子集3:体重、血液检查结果、尿液检查结果；

对应的第一深度学习神经网络的成功率为99％；

医学检查及采集的成本为0+200+50＝250

变量子集4:体重、血压、尿液检查结果；

对应的第一深度学习神经网络的成功率为100％；

医学检查及采集的成本为0+0+50＝50

变量子集5:体重、血压、血液检查结果

对应的第一深度学习神经网络的成功率为98％；

医学检查及采集的成本为0+0+200＝200

变量子集6:体重、尿液检查结果

对应的第一深度学习神经网络的成功率为90％；

医学检查及采集的成本为0+50＝50

变量子集7:体重、血压

对应的第一深度学习神经网络的成功率为10％；

医学检查及采集的成本为0+0＝0

变量子集8:体重、血液检查结果

对应的第一深度学习神经网络的成功率为80％；

医学检查及采集的成本为0+200＝200

变量子集9:血压、血液检查结果

对应的第一深度学习神经网络的成功率为70％；

医学检查及采集的成本为0+200＝200

变量子集10:血压、尿液检查结果

对应的第一深度学习神经网络的成功率为80％；

医学检查及采集的成本为0+50＝50

变量子集11:血液检查结果、尿液检查结果

对应的第一深度学习神经网络的成功率为90％；

医学检查及采集的成本为200+50＝250

变量子集12:体重

对应的第一深度学习神经网络的成功率为2％；

医学检查及采集的成本为0

变量子集13:血压

对应的第一深度学习神经网络的成功率为1％；

医学检查及采集的成本为0

变量子集14:血液检查结果

对应的第一深度学习神经网络的成功率为20％；

医学检查及采集的成本为200

变量子集15:尿液检查结果

对应的第一深度学习神经网络的成功率为70％；

医学检查及采集的成本为50

从多个第一深度学习神经网络中选取测试成功率最大的变量子集对应的第一深度学习神经网络有：变量子集1对应的第一深度学习神经网络和变量子集4对应的第一深度学习神经网络，这两个变量子集对应的第一深度学习神经网络的测试成功率都为100％，在根据变量子集中数量最少而且变量子集对应的数据采集成本最低的变量子集4对应的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

还可以获取用户关注点。当用户关注点为准确率优先时，从所有变量子集对应的第一深度学习神经网络中，选取测试成功率最大的且变量子集中各输入变量的数据所需医学检查及采集的成本之和最低的且输入变量数最少的一种变量子集对应的第一深度学习神经网络，作为优选第一深度学习神经网络返回给用户；当用户关注点为成本优先时，选取测试成功率大于预设成功率阈值的且变量子集中各输入变量的数据所需医学检查及采集的成本之和最小的且输入变量数最少的一种变量子集对应的第一深度学习神经网络，作为优选第一深度学习神经网络返回给用户。

例如：

如果用户关注点为准确率优先，则测试成功率最大的变量子集对应的第一深度学习神经网络包括变量子集1对应的第一深度学习神经网络、变量子集4对应的第一深度学习神经网络，成功率均为100％，在这2种变量子集对应的第一深度学习神经网络中变量子集4对应的第一深度学习神经网络的成本为50最小，所以选择变量子集4对应的第一深度学习神经网络作为优选第一深度学习神经网络返回给用户。

如果用户关注点为成本优先，且预设成功率阈值为90％，则测试成功率大于90％的变量子集对应的第一深度学习神经网络包括变量子集1、2、3、4、5、6、11对应的第一深度学习神经网络，在这7种变量子集对应的第一深度学习神经网络中变量子集4、6对应的第一深度学习神经网络的成本为50最小，其中6对应的第一深度学习神经网络的输入变量数最少，所以选择变量子集6对应的第一深度学习神经网络作为优选第一深度学习神经网络返回给用户

步骤712，根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果。

由于可以根据已经训练好的第一深度学习神经网络进行预测，已经训练好的第一深度学习神经网络会获取输入变量对应的第一输入数据，将第一输入数据作为已经预先训练好的第一深度学习神经网络的输入，根据第一输入数据通过计算得到对应的第一输出结果。其中，第一输入数据为与第一深度学习神经网络的输入变量对应的各种输入数据，例如血压、体重、血液检查结果、尿液检查结果等，第一输出结果根据这些数据预测是否患有糖尿病等。

步骤714，当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

已经训练好的第一深度学习神经网络根据第一输入数据通过计算得到第一输出结果，判断第一输出结果是否包含标识有疾病的标签，当第一输出结果携带疾病标签时，则继续依据已经训练好的第二深度学习神经网络进行预测，已经训练好的第二深度学习神经网络会获取输入变量对应的第二输入数据，将第二输入数据作为已经训练好的第二深度学习神经网络的输入，通过计算得到对应的第二输出结果。其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集；疾病标签是指标记是否患有与第一输出结果对应的疾病，第一输出结果可得知是否患有对应的疾病，第二输出结果可具体得知疾病的类型。如根据第一深度学习神经网络的输入变量为体重和尿液检查结果获取输入数据，通过第一深度学习神经网络计算得到的第一输出结果为患有糖尿病，则根据第二深度学习神经网络的输入变量体重、尿液检查结果、血压、血液检查结果获取输入数据，通过第二深度学习神经网络计算可预测患有糖尿病的类型。

例如，第二深度学习神经网络的输入变量包括病情、检查结果。第二深度学习神经网络的输出变量包括该科各类疾病标签(例如，用标签值0来表示无该科该类病,标签值1表示有该科该类病)。

又例如，第二深度学习神经网络输入变量为：体重、血压、血液检查结果、尿液检查结果；第二深度学习神经网络输出变量是1型糖尿病、2型糖尿病、妊娠糖尿病、特殊类型的糖尿病(例如，用标签值0来表示无该类糖尿病,标签值1表示有该类糖尿病)

例如，

1、根据第一深度学习神经网络的输入变量集合“体重、尿液检查结果”获取患者相应的数据为：体重数据k、尿液检查结果数据k，输入第一深度学习神经网络，计算通过计算得到第一深度学习神经网络的输出。

2、如果第一深度学习神经网络的输出为0，则返回无该科疾病给用户；如果第一深度学习神经网络的输出为1则进行下一步

3、将第一深度学习神经网络的输入变量对应的输入数据作为第二深度学习神经网络中相同的输入变量对应的输入数据，获取第二深度学习神经网络的剩余输入变量对应的输入数据，输入第二深度学习神经网络，计算通过计算得到第二深度学习神经网络的输出，作为疾病类型，并返回给用户。

说明：这里的用户可以是患者，也可以是医生或家属等。

例如，将优选第一深度学习神经网络的输入变量对应的输入数据作为第二深度学习神经网络中相同的输入变量对应的输入数据:体重数据k、尿液检查结果数据k，获取第二深度学习神经网络的剩余输入变量对应的输入数据：血压数据k、血液检查结果数据k，输入第二深度学习神经网络，计算通过计算得到第二深度学习神经网络的输出1型糖尿病为1、2型糖尿病为1、妊娠糖尿病为0、特殊类型的糖尿病为0，并返回给用户。

如图8所示，在一个实施例中，提供了一种基于深度学习神经网络的疾病诊断装置，该装置包括：

第一输出结果生成模块702，用于根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；

第二输出结果生成模块704，用于当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到所述第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

在一个实施例中，该基于深度学习神经网络的疾病诊断装置还包括：检测模块(图中未示出)、训练模块(图中未示出)和选取模块(图中未示出)，其中：

检测模块，用于从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络。

训练模块，用于根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练。

选取模块，用于对训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在一个实施例中，训练模块包括无监督训练单元(图中未示出)和有监督训练单元(图中未示出)，其中：

无监督训练单元，用于将第二深度学习神经网络的无监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练。

有监督训练单元，用于将第二深度学习神经网络的有监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。

在一个实施例中，选取模块包括测试单元(图中未示出)和第一深度学习神经网络确定单元(图中未示出)，其中：

测试单元，用于对训练好的多个第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。

第一深度学习神经网络确定单元，用于根据测试成功率从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在一个实施例中，测试单元(图中未示出)还用于将第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值通过计算得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。

在一个实施例中，变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和预期输出数据一致的测试次数与总测试次数的比值。

在一个实施例中，第一深度学习神经网络确定单元(图中未示出)还用于从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。其中，预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。

在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将第一输入数据输入到第一深度学习神经网络，通过计算得到第一输出结果；当第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将第二输入数据输入到第二深度学习神经网络，通过计算得到第二输出结果；其中，第一深度学习神经网络的输入变量集合是第二深度学习神经网络的输入变量集合的子集。

在一个实施例中，根据第一深度学习神经网络的输入变量获取对应的第一输入数据之前，还包括：从第二深度学习神经网络的输入变量集合中选取至少一个变量子集；将选取的变量子集作为该变量子集对应的第一深度学习神经网络的输入变量集合，初始化该变量子集对应的第一深度学习神经网络；根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练；对训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在一个实施例中，根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对该变量子集对应的第一深度学习神经网络进行训练，包括：将第二深度学习神经网络的无监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，对该变量子集对应的第一深度学习神经网络进行无监督训练；将第二深度学习神经网络的有监督训练输入数据中和变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值求并后得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。

在一个实施例中，对训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络，包括：对训练好的多个第一深度学习神经网络进行测试，得到变量子集对应的第一深度学习神经网络的测试成功率；根据测试成功率从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为预先训练好的第一深度学习神经网络。

在一个实施例中，对训练好的多个第一深度学习神经网络进行测试，得到变量子集对应的第一深度学习神经网络的测试成功率，包括：将第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为该变量子集对应的第一深度学习神经网络的输入数据，将第二深度学习神经网络的测试预期输出数据中各疾病标签输出值求并得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，得到变量子集对应的第一深度学习神经网络的测试成功率。

在一个实施例中，变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和预期输出数据一致的测试次数与总测试次数的比值。

在一个实施例中，根据测试成功率从多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络，其中预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的非易失性存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于深度学习神经网络的数据处理方法，其特征在于，所述方法包括：

根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将所述第一输入数据输入到所述第一深度学习神经网络，通过计算得到第一输出结果；

当所述第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将所述第二输入数据输入到所述第二深度学习神经网络，通过计算得到第二输出结果；

其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。

2.根据权利要求1所述的方法，其特征在于，所述根据第一深度学习神经网络的输入变量获取对应的第一输入数据之前，还包括：

从第二深度学习神经网络的输入变量集合中选取至少一个变量子集，将选取的变量子集作为所述变量子集对应的第一深度学习神经网络的输入变量集合，初始化所述变量子集对应的第一深度学习神经网络；

根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对所述变量子集对应的第一深度学习神经网络进行训练；

从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络。

3.根据权利要求2所述的方法，其特征在于，根据训练所述第二深度学习神经网络的所使用的训练数据生成变量子集对应的第一深度学习神经网络的训练数据，对所述变量子集对应的第一深度学习神经网络进行训练，包括：

将所述第二深度学习神经网络的无监督训练输入数据中和所述变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，对所述变量子集对应的第一深度学习神经网络进行无监督训练；

将所述第二深度学习神经网络的有监督训练输入数据中和所述变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，将所述第二深度学习神经网络的有监督训练预期输出数据中各疾病标签输出值通过计算得到的值，作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行有监督训练。

4.根据权利要求2所述的方法，其特征在于，所述从训练好的多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络，包括：

对所述训练好的多个第一深度学习神经网络进行测试，通过计算得到所述变量子集对应的第一深度学习神经网络的测试成功率；

根据测试成功率从所述多个第一深度学习神经网络中选取符合预设条件的第一深度学习神经网络作为所述预先训练好的第一深度学习神经网络。

5.根据权利要求4所述的方法，其特征在于，所述对所述训练好的多个第一深度学习神经网络进行测试，通过计算得到所述变量子集对应的第一深度学习神经网络的测试成功率，包括：

将所述第二深度学习神经网络的测试输入数据中与变量子集对应的输入数据作为所述变量子集对应的第一深度学习神经网络的输入数据，将所述第二深度学习神经网络的测试预期输出数据中各疾病标签输出值通过计算得到的值作为该变量子集对应的第一深度学习神经网络的预期输出数据，对该变量子集对应的第一深度学习神经网络进行测试，通过计算得到变量子集对应的第一深度学习神经网络的测试成功率。

6.根据权利要求5所述的方法，其特征在于，所述变量子集对应的第一深度学习神经网络的测试成功率为该变量子集对应的第一深度学习神经网络的测试实际输出和所述预期输出数据一致的测试次数与总测试次数的比值。

7.根据权利要求4所述的方法，其特征在于，所述预设条件包括测试成功率最大、变量子集中的变量数量最少、变量子集中的变量对应的数据采集成本最低中至少一者。

8.一种基于深度学习神经网络的疾病诊断装置，其特征在于，所述装置包括：

第一输出结果生成模块，用于根据预先训练好的第一深度学习神经网络的输入变量获取对应的第一输入数据，将所述第一输入数据输入到所述第一深度学习神经网络，通过计算得到第一输出结果；

第二输出结果生成模块，用于当所述第一输出结果中包含标识有疾病的标签时，根据预先训练好的第二深度学习神经网络的输入变量获取对应的第二输入数据，将所述第二输入数据输入到所述第二深度学习神经网络，通过计算得到第二输出结果；

其中，所述第一深度学习神经网络的输入变量集合是所述第二深度学习神经网络的输入变量集合的子集。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现权利要求1-7任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。