CN110119775B - 医疗数据处理方法、装置、系统、设备和存储介质 - Google Patents
医疗数据处理方法、装置、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN110119775B CN110119775B CN201910383591.8A CN201910383591A CN110119775B CN 110119775 B CN110119775 B CN 110119775B CN 201910383591 A CN201910383591 A CN 201910383591A CN 110119775 B CN110119775 B CN 110119775B
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- information
- features
- mapping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 108
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 201000010099 disease Diseases 0.000 claims abstract description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 47
- 208000031940 Disease Attributes Diseases 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims description 69
- 239000013598 vector Substances 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 21
- 230000008030 elimination Effects 0.000 claims description 17
- 238000003379 elimination reaction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000005215 recombination Methods 0.000 claims description 9
- 230000006798 recombination Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 description 18
- 229940079593 drug Drugs 0.000 description 16
- 239000003814 drug Substances 0.000 description 16
- 206010019280 Heart failures Diseases 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008961 swelling Effects 0.000 description 7
- 206010020772 Hypertension Diseases 0.000 description 6
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 6
- 208000019622 heart disease Diseases 0.000 description 6
- 208000000059 Dyspnea Diseases 0.000 description 5
- 206010013975 Dyspnoeas Diseases 0.000 description 5
- 230000008521 reorganization Effects 0.000 description 5
- 208000013220 shortness of breath Diseases 0.000 description 5
- 230000017105 transposition Effects 0.000 description 4
- 206010003658 Atrial Fibrillation Diseases 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 208000020446 Cardiac disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000002483 medication Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010015856 Extrasystoles Diseases 0.000 description 1
- 241000282326 Felis catus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000010729 leg swelling Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医疗数据处理方法、装置、系统、计算机设备和计算机存储介质，获取针对目标对象的至少两种数据模态的医疗数据；根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性。由于基于至少两种数据模态的医疗数据，对针对目标对象的医疗数据进行分类，医疗数据的数据模态多样，可以提高分类结果的准确性。
Description
技术领域
本申请涉及机器学习技术领域，特别是涉及一种医疗数据处理方法、装置、系统、设备和存储介质。
背景技术
随着信息技术的飞速发展，机器学习的应用已经深入到生活的方方面面。比如医疗方面，通过对医疗数据学习，实现对疾病属性进行分类。其中，疾病属性可以分为各种疾病名称，如心力衰竭。以心力衰竭为例，利用机器学习技术，对医疗数据进行处理，可以确定出目标对象是否患有心力衰竭。
传统的医疗数据处理方法，对医疗数据进行分类映射，得到分类结果。由于医疗数据的数据模态单一，因此，分类结果的准确性低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高分类结果准确性的医疗数据处理方法、装置、系统、设备和存储介质。
一种医疗数据处理方法，所述方法包括：
获取针对目标对象的至少两种数据模态的医疗数据；
根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；
对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；
对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性。
在其中一个实施例中，所述获取针对目标对象的至少两种数据模态的医疗数据，包括以下四个步骤所构成组合中的至少两个步骤：
在创建所述目标对象之后获取对象基本信息数据；
获取针对所述目标对象结构化的调查问卷数据；
获取针对所述目标对象非结构化的智能问答数据；
获取针对所述目标对象的心电信息数据。
在其中一个实施例中，所述根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据，包括：
对所述至少两种数据模态的所述医疗数据所表达的数据信息进行冗余消除；
对所述冗余消除之后的所述至少两种数据模态的所述医疗数据，进行编码重组，得到至少两种特征类型的特征数据。
一种医疗数据处理装置，所述装置包括：
医疗数据获取模块，用于获取针对目标对象的至少两种数据模态的医疗数据；
特征数据重组模块，用于根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；
整体特征融合模块，用于对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；
特征分类映射模块，用于对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性。
在其中一个实施例中，医疗数据获取模块，用于在创建所述目标对象之后获取对象基本信息数据；获取针对所述目标对象结构化的调查问卷数据；获取针对所述目标对象非结构化的智能问答数据；获取针对所述目标对象的心电信息数据。
在其中一个实施例中，该装置还包括：
第一信息确定模块，用于采用第一多热向量表达离散处理后的所述对象基本信息数据，根据所述第一多热向量确定所述对象基本信息数据所表达的数据信息；
第二信息确定模块，用于针对所述调查问卷数据中问题记录对应的答案数据，进行空间划分，采用第二多热向量表达所述空间划分后的各所述答案数据，根据所述第二多热向量确定所述调查问卷数据所表达的数据信息；
第三信息确定模块，用于根据所述目标对象的身体部位及自感级别，对所述智能问答数据进行信息提取及映射，得到分布向量，根据所述分布向量确定所述智能问答数据所表达的数据信息；
第四信息确定模块，用于对所述心电信息数据进行数据转换，得到时域信息及空域信息，对所述时域信息及所述空域信息进行分析，得到心电风险类别，根据所述心电风险类别确定所述心电信息数据所表达的数据信息。
在其中一个实施例中，还包括：数据冗余消除模块；
数据冗余消除模块，用于对所述至少两种数据模态的所述医疗数据所表达的数据信息进行冗余消除；
特征数据重组模块，用于对所述冗余消除之后的所述至少两种数据模态的所述医疗数据，进行编码重组，得到至少两种特征类型的特征数据。
在其中一个实施例中，该装置还包括密致特征表达模块；
密致特征表达模块，用于对每一种所述特征类型的所述特征数据，基于子类特征信息对所述特征数据进行映射，得到密致特征；
整体特征融合模块，用于对所述至少两种特征类型的所述密致特征进行特征融合，得到全局对象特征。
在其中一个实施例中，该装置还包括关联性获取模块及特征修正模块；
关联性获取模块，用于对每一种所述特征类型的所述密致特征，获取各子类特征信息与密致特征之间的关联性；
特征修正模块，用于根据所述各子类特征信息与密致特征之间的关联性，对所述密致特征进行修正，得到修正特征；
整体特征融合模块，用于对所述至少两种特征类型的所述修正特征进行特征融合，得到全局对象特征。
在其中一个实施例中，整体特征融合模块包括：
特征拼接单元，用于对所述至少两种特征类型的所述密致特征进行拼接，得到对象拼接特征；
融合映射单元，用于根据训练好的所述至少两种特征类型的影响权重对所述对象拼接特征进行映射，得到全局对象特征。
在其中一个实施例中，该装置还包括权重训练模块；
该权重训练模块，用于获取训练样本，所述训练样本包括所述对象拼接特征以及期望的全局对象特征；基于影响权重对所述对象拼接特征进行映射，得到训练的全局对象特征；基于注意力机制根据训练的全局对象特征与期望的全局对象特征之间的损失，更新所述影响权重。
在其中一个实施例中，该装置还包括参数训练模块；
特征分类映射模块，用于基于训练好的风险潜在特征及分类偏移，对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；
该参数训练模块，用于获取训练样本，所述训练样本包括分类标签及所述全局对象特征；基于风险潜在特征及分类偏移对所述全局对象特征进行映射，得到训练的分类结果；根据训练的分类结果与所述分类标签之间的损失，更新所述风险潜在特征及所述分类偏移。
在其中一个实施例中，该装置还包括关系分析模块及影响因素确定模块；
关系分析模块用于在特征分类映射模块基于训练好的风险潜在特征及分类偏移，对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果之后，分析训练好的所述风险潜在特征与所述特征数据的子类特征信息之间的映射关系；
影响因素确定模块，用于根据所述映射关系，确定所述疾病属性的影响因素。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取针对目标对象的至少两种数据模态的医疗数据；
根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；
对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；
对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取针对目标对象的至少两种数据模态的医疗数据；
根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；
对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；
对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性。
一种医疗数据处理系统，包括：心电采集装置，该心电采集装置用于采集心电信号信息；该系统，还包括：上述的计算机设备。
上述医疗数据处理方法、装置、系统、计算机设备和计算机存储介质，获取针对目标对象的至少两种数据模态的医疗数据；根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据；对至少两种特征类型的特征数据进行特征融合，得到全局对象特征；对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果；分类结果中的分类类别包括疾病的疾病属性。由于基于至少两种数据模态的医疗数据，对针对目标对象的医疗数据进行分类，医疗数据的数据模态多样，可以提高分类结果的准确性。
还需说明的是，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据，然后再对基于该两种特征类型的特征数据进行特征融合得到的全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果。由于编码重组是根据医疗数据所表达的数据信息进行的，因此，可以提高分类结果的可解释性。
附图说明
图1为一个实施例中医疗数据处理方法的应用环境图示意图；
图2为一个实施例的医疗数据处理方法的流程图；
图3为一具体实施例中的医疗数据处理方法的一个原理示意图；
图4为一具体实施例中的医疗数据处理方法的另一个原理示意图；
图5为一具体实施例中的医疗数据处理方法中编码重组的原理示意图；
图6为一个实施例中的医疗数据处理装置的结构框图；
图7为一个实施例中计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
图1为一个实施例中医疗数据处理方法的应用环境图示意图。本申请提供的医疗数据处理方法，可应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。其中，终端102可以是台式设备或者移动终端，如台式电脑、平板电脑、智能手机等。服务器104可以是独立的物理服务器、物理服务器集群或者虚拟服务器。
本申请一个实施例的医疗数据处理方法可以运行在服务器104上。服务器104获取针对目标对象的至少两种数据模态的医疗数据；根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据；对至少两种特征类型的特征数据进行特征融合，得到全局对象特征；对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果；分类结果中的分类类别包括疾病的疾病属性。进一步地，服务器104，还可以在得到针对目标对象的医疗数据的分类结果之后，将该分类结果返回至终端102，以使终端102可以展示该分类结果。
本申请一个实施例的医疗数据处理方法可以运行在终端102上。终端102获取针对目标对象的至少两种数据模态的医疗数据；根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据；对至少两种特征类型的特征数据进行特征融合，得到全局对象特征；对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果；分类结果中的分类类别包括疾病的疾病属性。进一步地，终端102可以将分类结果发送至服务器104，以使服务器104对医疗数据处理的处理结果进行存储。
如图2所示，在一个实施例中，提供了一种医疗数据处理方法。该方法可以运行在图1中的服务器104或终端102。该医疗数据处理方法，包括以下步骤：
S202，获取针对目标对象的至少两种数据模态的医疗数据。
执行主体获取针对目标对象的至少两种数据模态的医疗数据。该执行主体可以为终端，也可以为服务器。目标对象是指针对现实世界中的医疗对象创建的虚拟对象，医疗对象可以是患者(人)，或者其它动物，如猫、狗等。目标对象可以表现为患者身份标识。患者身份标识可以为患者账号、患者ID(编号或身份证号码)、患者姓名等。
数据模态是一种数据信息的来源或者形式。每一种信息的来源或者形式，都可以称为一种数据模态。例如，人有触觉，听觉，视觉，嗅觉；信息的媒介，有语音、视频、文字等；多种多样的传感器，如雷达、红外、加速度计等。这些每一种获取数据的方式或形式都可以称为一种数据模态。更进一步地，可以将两种不同的语言看作是两种数据模态，甚至在两种不同情况下采集到的数据集，亦可认为是两种数据模态。
医疗数据的数据模态包括对象基本信息数据、心电信息数据、结构化的调查问卷数据以及非结构化的智能问答数据。
对象基本信息数据包括在创建目标对象之后录入的性别、年龄、病史、服药记录等对象基本信息的数据。性别可以分为男和女两类，性别也可以分为三类：男、女及第三类。年龄可以按照年龄段进行分类，如，小于20岁为第一类，20岁到30岁之间为第二类，30岁到40岁之间为第三类，40岁到50岁之间为第四类，50岁到60岁之间为第五类，大于60岁的为第六类。可以理解地，可以按照其它年龄段划分方式对年龄进行分类。病史可以按照国际疾病分类(International Classification of Diseases,ICD)对病史中的疾病进行分类。服药记录可以按照主要诊断类别(Major Diagnostic Category，MDC)对服药记录中的药物进行分类。对象基本信息数据可以由用户输入至终端，以使终端获取到对象基本信息数据。用户可以为患者、医生、患者家属、监护人等对象。
心电信息数据包括即时心电信息数据及历史心电信息数据。心电信息数据是指利用心电信息采集装置从目标对象体表记录目标对象心脏每一心动周期所产生的电活动变化的波形数据。心电信息数据的形式可以为心电图的形式。该心电信息采集装置可以集成在终端上，如此，可以通过该心电信息采集装置使得终端获取到心电信息数据。该心电信息采集装置还可以与终端相互独立，如此，可以通过接收该心电信息采集装置发送的心电信息数据的方式，使得终端获取到心电信息数据。服务器可以通过接收终端或心电采集装置发送的心电信息数据的方式获取到心电信息数据。
结构化的调查问卷数据为针对疾病的疾病属性预先设置的问题的答案数据。可以将每一个问题作为一条问题记录，对应该问题记录每个目标对象具有一条对应的答案数据。如，以心力衰竭为例，针对疾病的疾病属性设置的问题可以包括：是否气短？是否乏力？是否腿肿？等等。针对疾病的疾病属性设置的答案数据可以包括：气短；不乏力；腿肿；等等。调查问卷的中的问题可以显示在终端的问卷界面上，用户可以基于该问卷界面将患者的答案数据输入至终端，如此，使得终端获取到调查问卷数据。服务器可以通过接收终端发送的查问卷数据的方式获取到调查问卷数据。
非结构化的智能问答数据为针对疾病的疾病属性以及结构化调查问卷中的答案数据，进行针对性提问及回答的数据。非结构化的智能问答数据中的问题可以是医生针对疾病的疾病属性以及结构化调查问卷中的答案数据，进行针对性提问的问题信息数据；也可以是通过训练好的神经网络模型，针对疾病的疾病属性以及结构化调查问卷中的答案数据，进行针对性提问的问题信息数据。问题信息数据的数据形式可以是文字形式，也可以是语音形式，还可以是视频形式。针对疾病的疾病属性以及结构化调查问卷中的答案数据，进行针对性提问的问题信息数据可以包括：气短程度？腿肿的具体部位，腿肿的程度；等等。非结构化的智能问答数据中的回答，是指患者针对该针对性的提问进行回答的答复信息数据。答复信息数据的数据形式可以是文字形式，也可以是语音形式，还可以是视频形式。针对疾病的疾病属性以及结构化调查问卷中的答案数据，进行针对性提问的答复信息数据可以包括：无法平躺睡觉；小腿肿；腿肿的程度比上次加重；等等。
S204，根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据。
执行主体可以对每一种数据模态的医疗数据分别进行分析，得到该数据模态的医疗数据所表达的数据信息。如，对对象基本信息数据进行分析时，得到的数据信息是男性还是女性，属于哪个年龄阶段，有什么病史，有什么服药记录。又如，对心电信息数据进行分析时，得到对象可能的心电风险类别，具体如，对象早搏的概率是0.88，其心电风险类别属于早搏类别。再如，可以对调查问卷数据及智能问答数据分别进行分析，得到对应的问题信息数据和答复信息数据。
执行主体根据所有数据模态的医疗数据所表达的数据信息，对所有数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据。其中，根据所有数据模态的医疗数据所表达的数据信息，对所有数据模态的医疗数据进行编码重组时，将特征数据划分为至少两种特征类型。该编码重组及特征数据划分的依据是医疗数据所表达的数据信息。可以按照特征类型的分类规则，对所有数据模态的医疗数据进行编码重组。该分类规则与医疗数据所表达的数据信息对应。如，特征类型可以包括：病症信息、药物依从信息、个体特征信息、病史信息及心电信息。
特征类型为病症信息的特征数据是指表达的数据信息为病症信息的特征数据。病症信息是针对目标对象的、与预设疾病相关的症状信息。如，不舒服的位置，疼痛程度，气短，腿肿等。
特征类型为药物依从信息的特征数据是指表达的数据信息为药物依从信息的特征数据。药物依从信息是指表达的数据信息为对象对药物治疗方案的执行程度信息。如，完全遵循医嘱执行，基本遵循医嘱执行，不遵医嘱执行；或者通过一个分数值来表示药物依从信息，该分数值可采用百分制，也可以采用百分比制，如此，表示对象对药物治疗方案的执行程度。
特征类型为个体特征信息的特征数据是指表达的数据信息为个体特征信息的特征数据。个体特征信息是指目标对象对应的对象的基本信息。如对象的性别、年龄等。
特征类型为病史信息的特征数据是指表达的数据信息为病史信息的特征数据。病史信息是指对象的患病历史信息，如患有心脏病，高血压等。
特征类型为心电信息的特征数据是指表达的数据信息为心电信息的特征数据。心电信息是指对象的心电图反映出来的心电风险类别信息。如，风险类别信息可以为早搏。
S206，对至少两种特征类型的特征数据进行特征融合，得到全局对象特征。
执行主体对所有特征类型的特征数据进行特征融合，得到全局对象特征。
可以采用拼接的方式进行特征融合，也可以采用加权求和的方式进行特征融合，还可以采用映射的方式进行特征融合。其中，采用拼接方式进行特征融合是指将各特征类型的特征数据进行拼接之后，得到全局对象特征。采用加权求和的方式是指，对各特征类型的特征数据进行加权求和，得到全局对象特征。该加权求和的过程中，每个特征类型的特征数据的权重可以设置为相同的值，也可以是设置为不同的值。采用映射的方式进行特征融合，可以是通过训练好的神经网络模型对特征数据进行特征融合，得到全局对象特征。该训练好的神经网络模型采用的每一个样本可以包括至少两种特征类型的特征数据，以及期望的全局对象特征。
S208，对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果；分类结果中的分类类别包括疾病的疾病属性。
执行主体对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果。
该对全局对象特征进行映射的过程可以是通过映射函数进行映射，也可以是通过训练好的神经网络模型进行映射。通过映射函数进行映射的过程中，采用的映射函数可以是根据全局对象特征与疾病的疾病属性的关联性设置的。训练好的神经网络模型在训练过程中，采用的每一个样本包括全局对象特征及期望的分类结果。
分类结果所包括的分类类别是预先设置好的疾病的疾病属性。如以心力衰竭为例，分类结果可以为心力衰竭类，也可以为非心力衰竭类。其中，非心力衰竭类可以包括一个类别，如，非心力衰竭。非心力衰竭类也可以包括不少于两个类型，如心脏病、高血压等除心力衰竭之外的其他类别。
上述医疗数据处理方法，获取针对目标对象的至少两种数据模态的医疗数据；根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据；对至少两种特征类型的特征数据进行特征融合，得到全局对象特征；对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果；分类结果中的分类类别包括疾病的疾病属性。由于基于至少两种数据模态的医疗数据，对针对目标对象的医疗数据进行分类，医疗数据的数据模态多样，可以提高分类结果的准确性。
还需说明的是，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据，然后再对基于该两种特征类型的特征数据进行特征融合得到的全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果。由于编码重组是根据医疗数据所表达的数据信息进行的，因此，可以提高分类结果的可解释性。
在其中一实施例中，获取针对目标对象的至少两种数据模态的医疗数据，包括以下四个步骤所构成组合中的至少两个步骤：
(1)、在创建目标对象之后获取对象基本信息数据。
(2)、获取针对目标对象结构化的调查问卷数据。
(3)、获取针对目标对象非结构化的智能问答数据。
(4)、获取针对目标对象的心电信息数据。
本实施例的医疗数据处理方法可以应用于患者问诊的场景。可以应用在患者到医院就诊的场景，也可以应用于患者通过网络方式问诊的场景，或者应用于患者通过一个问诊应用程序问诊的场景。
无论应用于以上的哪一种应用场景，都需要在问诊之前创建目标对象。目标对象是指针对现实世界中的对象创建的虚拟对象，可以表现为患者身份标识。患者身份标识可以为患者账号、患者ID、患者姓名等。可以在创建目标对象之后，录入对象基本信息数据。
在患者到医院就诊的场景中，本方法的服务对象(用户)为医院的工作人员，如可以为护士或医生。护士或医生在为患者申请创建目标对象之后，询问患者的基本信息，并将基本信息数据录入到终端。在患者就诊过程中，可以让患者通过纸质问卷、医院工作人员询问或者电子版问卷的形式，对调查问卷中的问题进行回答，从而获取到调查问卷数据。若通过纸质问卷或医院工作人员当面询问的形式获取调查问卷数据，需要医院工作人员对患者的回答内容进行录入。在患者就诊过程中，医院工作人员可以基于疾病的疾病属性以及结构化调查问卷中的答案数据，对患者进行有针对性的提问，并对提问的问题数据信息及患者的答复信息数据进行录入。在患者就诊过程中，医院工作人员可以利用心电信息采集装置从患者体表记录患者心脏每一心动周期所产生的电活动变化的波形数据，从而获取到心电信息数据，该心电信息数据可以包括历史心电信息数据也可以包括即时心电信息数据。该心电信息采集装置可以集成在终端上，也可以与终端相互独立。
在患者通过网络或应用程序问诊的场景中，本方法的服务对象(用户)为患者或患者家属。患者或患者家属在申请创建目标对象之后，将患者的基本信息录入到终端。在通过网络或应用程序问诊过程中，终端可以通过问卷界面展示调查问卷的中的问题。基于该问卷界面患者或患者家属可以将患者的答案数据输入至终端，以获取到调查问卷数据。在通过网络或应用程序问诊过程中，可通过人工智能的方式针对疾病的疾病属性以及结构化调查问卷中的答案数据，进行针对性提问。也可以是医生通过该患者所在终端的另一终端，针对疾病的疾病属性以及结构化调查问卷中的答案数据，进行针对性提问，即医生通过另一终端录入问题信息数据，经过服务器转发至患者对应的终端。如此，使得该终端获取到智能问答数据的问题信息数据。终端还可以对患者对该提问进行回答的答复数据信息进行获取。获取该答复数据信息的方式可以是患者录入，也可以是终端控制开启语音采集装置或视频数据采集装置进行数据采集。在通过网络或应用程序问诊过程中，终端可以接收患者上传的心电信息数据，该心电信息数据可以是事先利用心电信息采集装置从患者体表记录患者心脏每一心动周期所产生的电活动变化的波形数据，即历史心电信息数据。
基于本实施例的医疗数据处理方法，医疗数据对应包括患者基本信息数据、心电信息数据、结构化的调查问卷数据以及非结构化的智能问答数据中的至少两种数据模态。如此，增加医疗数据的数据模态，可以提高分类结果的准确性。
在其中一实施例中，根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：采用第一多热向量表达离散处理后的对象基本信息数据，根据第一多热向量确定对象基本信息数据所表达的数据信息。
在本实施例中，医疗数据的数据模态至少包括对象基本信息数据。针对这类数据，首先采用离散处理方式将医疗数据进行离散化。如，将性别分为男和女；将年龄按照年龄段进行分类；将病史中的疾病按照国际疾病分类进行分类；将服药记录的药物按照主要诊断类别进行分类。然后，采用多热向量对离散结果进行有效的数字化表达。最后，可以根据该多热向量确定对象基本信息数据所表达的数据信息。多热向量表达一个信息数据时，该信息数据可以有多个取值为1,比如一个特征表示病史,那么这个特征不一定要取单个值,而是可以取多个值,如此，可以同时包括多种疾病的病史。该多热向量区别于独热向量，独热向量表达一个信息数据时，该信息数据只能有一个特征的取值为1，即只能取一个值。采用多热向量表达离散处理后的对象基本信息数据，可以在保证携带的数据信息不变的情况下，降低对象基本信息数据的数据量，从而，可以节约资源。
在其中一实施例中，根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：针对调查问卷数据中问题记录对应的答案数据，进行空间划分，采用第二多热向量表达空间划分后的各答案数据，根据第二多热向量确定调查问卷数据所表达的数据信息。
在本实施例中，医疗数据的数据模态至少包括结构化的调查问卷数据。针对这类数据，根据每一条问题记录的答案数据进行空间划分，得到相应的划分类别，然后采用多热向量表达该划分类别。可以根据该多热向量确定调查问卷数据所表达的数据信息。多热向量表达一个信息数据时，该信息数据可以有多个取值为1,比如一个特征表示病症,那么这个特征不一定要取单个值,而是可以取多个值,如此，可以同时包括多种病症。该多热向量区别于独热向量，独热向量表达一个信息数据时，该信息数据只能有一个特征的取值为1，即只能取一个值。采用多热向量表达空间划分后的各答案数据，可以在保证携带的数据信息不变的情况下，降低调查问卷数据的数据量，从而，可以节约资源。
在其中一实施例中，根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：根据目标对象的身体部位及自感级别，对智能问答数据进行信息提取及映射，得到分布向量，根据分布向量确定智能问答数据所表达的数据信息。
在本实施例中，医疗数据的数据模态至少包括非结构化的智能问答数据。在其中一个具体实施例中，该智能问答数据可以通过智能对话的方式获取到。在本实施例中，根据目标对象的身体部位及自感级别，对智能问答数据进行信息提取及映射，得到分布向量。在其他实施例中，还可以基于目标对象的其它属性对对智能问答数据进行信息提取及映射，得到分布向量。目标对象的身体部位是指目标对象对应的身体部位信息，如该身体部位可以包括：腿、手、肩颈、背部、头部等。目标对象的自感级别是指目标对象对应的患者，自己描述的感受级别。如，比之前情况加重、比之前情况减轻等。又如，很严重、一般严重及不严重等。执行主体可以根据这些目标对象的身体部位及自感级别，对智能问答数据进行信息提取，并对提取到的信息进行映射得到描述该智能问答数据的分布向量。可以根据该分布向量确定智能问答数据所表达的数据信息。
基于本实施例的医疗数据处理方法，可以将非结构化的之智能问答数据，根据目标对象的身体部位及自感级别，对该智能问答数据进行信息提取及映射，得到结构化的分布向量，并基于该分布行向量确定智能问答数据所表达的数据信息。
在其中一实施例中，根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：对心电信息数据进行数据转换，得到时域信息及空域信息，对时域信息及空域信息进行分析，得到心电风险类别，根据心电风险类别确定心电信息数据所表达的数据信息。
在本实施例中，医疗数据的数据模态至少包括心电信息数据。执行主体可以对图像形式的心电信息数据进行数据转换，得到时域信息及空域信息。该数据转换可以是傅里叶变换、小波变换等数据转换方式。该时域信息是指心电信息数据在时间维度上所表达的信息。该空域信息是指该电信息数据在空间维度上所表达的信息。结合时域信息及空域信息，执行主体可以分析得到心电风险类别，进而，可以根据该心电风险类别确定心电信息数据所表达的数据信息。该心电风险类别为心电信息数据体现的风险类别，如早搏、房颤等。
基于本实施例的医疗数据处理方法，可以将非结构化的心电信息数据转化为结构化的心电风险类别，进而通过该心电风险类别确定心电信息数据所表达的数据信息。
在其中一实施例中，根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还对应包括以下四个步骤所构成组合中的至少两个步骤：
(a)、采用第一多热向量表达离散处理后的对象基本信息数据，根据第一多热向量确定对象基本信息数据所表达的数据信息；
(b)、针对调查问卷数据中问题记录对应的答案数据，进行空间划分，采用第二多热向量表达空间划分后的各答案数据，根据第二多热向量确定调查问卷数据所表达的数据信息；
(c)、根据目标对象的身体部位及自感级别，对智能问答数据进行信息提取及映射，得到分布向量，根据分布向量确定智能问答数据所表达的数据信息；
(d)、对心电信息数据进行数据转换，得到时域信息及空域信息，对时域信息及空域信息进行分析，得到心电风险类别，根据心电风险类别确定心电信息数据所表达的数据信息。
这里对应包括是指，步骤(1)、(2)、(3)、(4)依次对应步骤(a)、(b)、(c)、(d)。如，当获取针对目标对象的至少两种数据模态的医疗数据，包括步骤(1)和(2)时，根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：(a)和(b)。又如，当获取针对目标对象的至少两种数据模态的医疗数据，包括步骤(1)、(2)、(3)时，根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：(a)、(b)、(c)。
如此，将各种数据模态的医疗数据，通过结构化的形式进行表达，并确定各数据模态的医疗数据所表达的数据信息。因此，可以提高跨越数据模态的编码重组的效率，从而，提高医疗数据处理的处理效率。
在其中一实施例中，根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据，包括：对至少两种数据模态的医疗数据所表达的数据信息进行冗余消除；对冗余消除之后的至少两种数据模态的医疗数据，进行编码重组，得到至少两种特征类型的特征数据。
执行主体可以对该至少两种数据模态的医疗数据进行分析，确定该至少两种数据模态的医疗数据所表达的数据信息。将不同数据模态中的数据冗余消除，然后再对消除冗余之后的该至少两种数据模态的医疗数据，进行编码重组，得到至少两种特征类型的特征数据。
如此，可以消除不同数据模态之间的冗余数据，避免该冗余数据对应的特征数据的权重过大，从而，进一步提高分类结果的准确性。
在其中一实施例中，对至少两种特征类型的特征数据进行特征融合，得到全局对象特征，包括：对每一种特征类型的特征数据，基于子类特征信息对特征数据进行映射，得到密致特征；对至少两种特征类型的密致特征进行特征融合，得到全局对象特征。
在本实施例中，每一种特征类型的特征数据，至少包括两个子类特征。如，以心力衰竭为例，对于特征类型为病症信息的特征数据，其子类特征可以包括：气短，腿肿等子类特征。对于特征类型为药物依从信息的特征数据，其子类特征可以包括：完全遵循医嘱执行，基本遵循医嘱执行，不遵医嘱执行等子类特征。对于特征类型为个体特征信息的特征数据，其子类特征可以包括：性别、年龄等子类特征。对于特征类型为病史信息的特征数据，其子类特征可以包括：心脏病，高血压等子类特征。对于特征类型为心电信息的特征数据，其子类特征可以包括：早搏、房颤等子类特征。
子类特征信息是指对子类特征进行描述的信息。将特征数据通过子类特征信息进行映射，可以得到该特征类型对应的密致表达。如，特征数据中一个子类特征对应的维度上用1，表示选取该维度对应的子类特征描述，用0表示不选取该维度对应的子类特征描述。具体如，通过一个子类特征信息描述气短这个特征。在特征数据中，该子类特征信息对应的维度上，若取值为1，则将特征数据通过子类特征信息进行映射，选取到该子类特征信息描述，表示患者气短；若取值为0，则不能选取到该子类特征信息描述，表示患者不具有气短的特征。
执行主体基于子类特征信息可以对每一种特征类型的特征数据进行映射，得到该特征数据完整的密致特征。该密致特征是指包括子类特征描述的特征表达。
执行主体可以对所有特征类型的密致特征进行特征融合，得到全局对象特征。可以采用拼接的方式进行特征融合，也可以采用加权求和的方式进行特征融合，还可以采用映射的方式进行特征融合。其中，采用拼接方式进行特征融合是指将各特征类型的密致特征进行拼接之后，得到全局对象特征。采用加权求和的方式是指，对各特征类型的密致特征进行加权求和，得到全局对象特征。该加权求和的过程中，每个特征类型的密致特征的权重可以设置为相同的值，也可以是设置为不同的值。采用映射的方式进行特征融合，可以是通过训练好的神经网络模型对密致特征进行特征融合，得到全局对象特征。该训练好的神经网络模型采用的每一个样本可以包括至少两种特征类型的密致特征，以及期望的全局对象特征。
基于本实施例的医疗数据处理方法，每种特征类型的特征数据携带多个子类特征信息，基于子类特征信息进行映射后得到的密致特征携带有更多数据信息，如此，可以进一步提高数据量，从而进一步提高分类的准确性。
在其中一具体实施例中，可以通过全连接网络对特征数据进行映射，得到该特征数据的密致特征。特征数据的映射过程可以表示为：
Zi＝ReLu(Wi TXi+bz)
其中，Zi表示第i个特征类别的特征数据的密致特征，ReLu表示对特征数据进行映射的激活函数，Wi表示第i个特征类别的子类特征信息，T表示转置运算，bz表示在对特征数据进行密致表达时的偏移向量。该子类特征信息及密致表达时的偏移向量可以通过对神经网络模型训练得到。
在其中一个实施例中，对至少两种特征类型的密致特征进行特征融合，得到全局对象特征，包括：对每一种特征类型的密致特征，获取各子类特征信息与密致特征之间的关联性；根据各子类特征信息与密致特征之间的关联性，对密致特征进行修正，得到修正特征；对至少两种特征类型的修正特征进行特征融合，得到全局对象特征。
由于患者的在进行描述的时候可能不准确，在进行数据录入的时候也可能存在录入错误等情况，因此，在本实施例中，根据各子类特征信息与密致特征之间的关联性，对密致特征进行修正，得到修正特征，然后再对至少两种特征类型的修正特征进行特征融合，得到全局对象特征。如，假设当第一子类特征和第二子类特征为1时，第三类子类特征也应该为1。如果第三类子类特征为0，则将其修正为1。各子类特征信息与密致特征之间的关联性可以人为预先确定之后，将该关联性信息输入至终端。各子类特征信息与密致特征之间的关联性也可以是通过神经网络模型训练得到的。如此，可以使得全局对象特征更为准确，从而，可以进一步提高分类结果的准确性。
在其中一具体实施例中，根据各子类特征信息与密致特征之间的关联性，对密致特征进行修正，得到修正特征，包括：根据各子类特征信息与密致特征之间的关联性，得到特征分布；基于子类特征信息对特征分布进行映射，得到修正特征。
该得到特征分布过程可以表示为：
Pi＝Softmax(Wi TθiZi+bP)
其中，Pi表示第i个特征类别的特征数据的特征分布；Zi表示第i个特征类别的特征数据的密致特征；Softmax表示对密致特征进行映射的映射函数；Wi表示第i个特征类别的子类特征信息，T表示转置运算；θi表示第i个特征类别的各子类特征信息与密致特征之间的关联性；bp表示在各子类特征信息与密致特征进行关联时的偏移向量。该子类特征信息及修正时的偏移向量可以通过对神经网络模型训练得到。
该得到修正特征的过程可以表示为：
χi＝ReLu(Wi TPi+bχ)
其中，χi表示第i类特征类别的特征数据对应的密致特征的修正特征，ReLu表示对特征分布进行映射的激活函数；Wi表示第i个特征类别的子类特征信息，T表示转置运算；bχ表示在对密致特征进行修正时的偏移向量。该子类特征信息及修正时的偏移向量可以通过对神经网络模型训练得到。
在其中一个实施例中，对至少两种特征类型的密致特征进行特征融合，得到全局对象特征，包括：对至少两种特征类型的密致特征进行拼接，得到患者拼接特征；根据训练好的至少两种特征类型的影响权重对对象拼接特征进行映射，得到全局对象特征。
在本实施例中，执行主体对各种特征类型的密致特征进行拼接，得到对象拼接特征，然后根据训练好的特征类型的影响权重对对象拼接特征进行映射，得到全局对象特征。训练好的各特征类型的影响权重可以基于训练样本得到。每条训练样本可以包括对象拼接特征以及期望的全局对象特征。如此，相对于通过拼接方式进行特征融合的方式，可进一步提高全局对象特征的准确性，从而，可进一步提高分类结果的准确性。
在其中一个实施例中，至少两种特征类型的影响权重的训练过程，包括：获取训练样本，训练样本包括对象拼接特征以及期望的全局对象特征；基于影响权重对对象拼接特征进行映射，得到训练的全局对象特征；基于注意力机制根据训练的全局对象特征与期望的全局对象特征之间的损失，更新影响权重。该期望的全局对象特征为该训练样本中对象拼接特征对应的实际映射结果。通过注意力机制训练影响权重，如此，可以使得影响权重更为准确，从而，进一步提高分类结果的准确性。同时，利用注意力机制模型可以进一步提高分类结果的可解释性。
在其中一具体实施例中，结合图3及4，对至少两种特征类型的特征数据进行特征融合，得到全局对象特征，包括：对每一种特征类型的密致特征，获取各子类特征信息与密致特征之间的关联性；根据各子类特征信息与密致特征之间的关联性，对密致特征进行修正，得到修正特征；对至少两种特征类型的修正特征进行拼接，得到对象拼接特征；根据训练好的至少两种特征类型的影响权重对对象拼接特征进行映射，得到全局对象特征。其中，根据各子类特征信息与密致特征之间的关联性，对密致特征进行修正，得到修正特征，包括：根据各子类特征信息与密致特征之间的关联性，得到特征分布；基于子类特征信息对特征分布进行映射，得到修正特征
该全局对象特征可以表示为：
其中，
表示全局对象特征，χ＝[χ1 χ2 … χn]表示对象拼接特征。χ1，χ2，…χn分别表示各特征类型的修正特征。Q表示影响权重，T表示转置运算。Softmax为对对象拼接特征进行映射的映射函数。
表示对修正特征映射过程中的偏移向量，可以通过对神经网络模型训练得到。
在其中一实施例中，对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果，包括：基于训练好的风险潜在特征及分类偏移，对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果。
执行主体可以通过训练好的风险潜在特征及分类偏移，对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果。风险潜在特征是指在对全局对象特征进行映射的过程中，对全局对象特征中的各元素进行加权的权重系数组成的矩阵。该风险潜在特征携带有全局对象特征中各子类特征与分类结果之间的影响权重。该分类偏移是指在对全局对象特征进行映射过程中的偏移向量。相对于通过人工设定的映射规则进行映射，如决策树或线性模型，可以得到准确性更高的分类结果。该风险潜在特征及分类偏移可以是通过神经网络模型训练得到的。该神经网络模型优选为深度神经网络模型，相较于其他神经网络模型，其训练的得到的风险潜在特征及分类偏移，具有更高的准确性，因此，其分类结果更为准确。
在其中一具体实施例中，基于训练好的风险潜在特征及分类偏移，对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果可以表示为：
其中，f表示分类结果，该分类结果可以通过一个置信度值表示。Sigmoid表示阈值函数，将变量映射成0与1之间的一个置信度值。ω表示风险潜在特征，T表示转置运算。bω表示对全局对象特征进行映射时的分类偏移，即对全局对象特征进行映射时的偏移向量。
表示全局对象特征。
进一步地，风险潜在特征及分类偏移的训练过程包括：获取训练样本，训练样本包括分类标签及全局对象特征；基于风险潜在特征及分类偏移对全局对象特征进行映射，得到训练的分类结果；根据训练的分类结果与分类标签之间的损失，更新风险潜在特征及分类偏移。如此，基于神经网络模型训练得到风险潜在特征及分类偏移，能够提高训练得到的风险潜在特征及分类偏移的准确性。从而，可以进一步提高分类结果的准确性。
在其中一个实施例中，基于训练好的风险潜在特征及分类偏移，对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果之后，还包括：分析训练好的风险潜在特征与特征数据的子类特征信息之间的映射关系；根据映射关系，确定疾病属性的影响因素。
在通过神经网络模型训练得到训练好的风险潜在特征及分类偏移之后，执行主体可以分析训练好的风险潜在特征与特征数据的子类特征信息之间的映射关系，进而，根据该映射关系，确定疾病属性的影响因素。该确定的疾病属性的影响因素可以是特征数据中的子类特征。如此，可以进一步提高分类结果的可解释性。同时还可以提醒大众，针对影响因素降低患疾病的概率，提醒对象针对影响因素降低疾病恶化的速度。
在其中一具体实施例中，以心力衰竭为例。编码重组的原理如图5所示，数据模态可以包括：对象基本信息数据、调查问卷数据、智能问答数据及心电信息数据。对对象基本信息数据，包括：性别、年龄、病史、服药记录等。可以通过离散编码对对象基本信息数据所携带的信息进行描述。智能问答数据可以包括病症信息，具体可以包括：不舒适位置、疼痛程度等。可以通过离散编码对智能问答数据所携带的信息进行描述。对调查问卷数据可以包括心衰相关的重要病症，如脚肿的程度。可以通过离散编码对调查问卷数据所携带的信息进行描述。心电信息数据可以包括与接入IOT(Internet of Things，物联网)的心电信号采集设备采集的心电信号，如，心衰相关的重要病症，具体如脚肿的程度。可以通过离散编码对调查问卷数据所携带的信息进行描述。对四种数据模态的医疗数据进行编码重组，得到五种特征类型的特征数据。该特征类型包括：病症信息、药物依从信息、个体特征信息、病史信息及即时心电信息。病症信息的子类特征，可以包括气短及气短程度，腿肿以及腿肿程度等。药物依从信息的子类特征可以包括完全遵循医嘱执行，基本遵循医嘱执行，不遵医嘱执行等。个体特征信息的子类特征可以包括对象的性别、年龄等。病史信息的子类特征可以包括心脏病，高血压等。心电信息的子类特征可以包括早搏、房颤等。在该具体实施例中，病症信息特征类别的特征数据可以在腿肿程度子类特征对应的维度上，通过0100表示比上次加重；在气短情况子类特征对应的维度上，通过0100表示无法平躺睡觉。病史信息特征类别的特征数据可以在高血压子类特征对应的维度上，通过0100表示高血压；在心脏病子类特征对应的维度上，通过0100表示心脏病。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种与上述医疗数据处理方法对应的医疗数据处理装置，包括：
医疗数据获取模块602，用于获取针对目标对象的至少两种数据模态的医疗数据；
特征数据重组模块604，用于根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；
整体特征融合模块606，用于对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；
特征分类映射模块608，用于对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性。
上述医疗数据处理装置，获取针对目标对象的至少两种数据模态的医疗数据；根据至少两种数据模态的医疗数据所表达的数据信息，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据；对至少两种特征类型的特征数据进行特征融合，得到全局对象特征；对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果；分类结果中的分类类别包括疾病的疾病属性。由于基于至少两种数据模态的医疗数据，对针对目标对象的医疗数据进行分类，医疗数据的数据模态多样，可以提高分类结果的准确性。
还需说明的是，对至少两种数据模态的医疗数据进行编码重组，得到至少两种特征类型的特征数据，然后再对基于该两种特征类型的特征数据进行特征融合得到的全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果。由于编码重组是根据医疗数据所表达的数据信息进行的，因此，可以提高分类结果的可解释性。
在其中一个实施例中，医疗数据获取模块602，用于在创建所述目标对象之后获取患者基本信息数据；获取针对所述目标对象结构化的调查问卷数据；获取针对所述目标对象非结构化的智能问答数据；获取针对所述目标对象的心电信息数据。
在其中一个实施例中，该装置还包括：
第一信息确定模块，用于采用第一多热向量表达离散处理后的所述对象基本信息数据，根据所述第一多热向量确定所述对象基本信息数据所表达的数据信息；
第二信息确定模块，用于针对所述调查问卷数据中问题记录对应的答案数据，进行空间划分，采用第二多热向量表达所述空间划分后的各所述答案数据，根据所述第二多热向量确定所述调查问卷数据所表达的数据信息；
第三信息确定模块，用于根据所述目标对象的身体部位及自感级别，对所述智能问答数据进行信息提取及映射，得到分布向量，根据所述分布向量确定所述智能问答数据所表达的数据信息；
第四信息确定模块，用于对所述心电信息数据进行数据转换，得到时域信息及空域信息，对所述时域信息及所述空域信息进行分析，得到心电风险类别，根据所述心电风险类别确定所述心电信息数据所表达的数据信息。
在其中一个实施例中，还包括：数据冗余消除模块；
数据冗余消除模块，用于对所述至少两种数据模态的所述医疗数据所表达的数据信息进行冗余消除；
特征数据重组模块604，用于对所述冗余消除之后的所述至少两种数据模态的所述医疗数据，进行编码重组，得到至少两种特征类型的特征数据。
在其中一个实施例中，该装置还包括密致特征表达模块；
密致特征表达模块，用于对每一种所述特征类型的所述特征数据，基于子类特征信息对所述特征数据进行映射，得到密致特征；
整体特征融合模块606，用于对所述至少两种特征类型的所述密致特征进行特征融合，得到全局对象特征。
在其中一个实施例中，该装置还包括关联性获取模块及特征修正模块；
关联性获取模块，用于对每一种所述特征类型的所述密致特征，获取各子类特征信息与密致特征之间的关联性；
特征修正模块，用于根据所述各子类特征信息与密致特征之间的关联性，对所述密致特征进行修正，得到修正特征；
整体特征融合模块606，用于对所述至少两种特征类型的所述修正特征进行特征融合，得到全局对象特征。
在其中一个实施例中，整体特征融合模块606包括：
特征拼接单元，用于对所述至少两种特征类型的所述密致特征进行拼接，得到对象拼接特征；
融合映射单元，用于根据训练好的所述至少两种特征类型的影响权重对所述对象拼接特征进行映射，得到全局对象特征。
在其中一个实施例中，该装置还包括权重训练模块；
该权重训练模块，用于获取训练样本，所述训练样本包括所述对象拼接特征以及期望的全局对象特征；基于影响权重对所述对象拼接特征进行映射，得到训练的全局对象特征；基于注意力机制根据训练的全局对象特征与期望的全局对象特征之间的损失，更新所述影响权重。
在其中一个实施例中，该装置还包括参数训练模块；
特征分类映射模块608，用于基于训练好的风险潜在特征及分类偏移，对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；
该参数训练模块，用于获取训练样本，所述训练样本包括分类标签及所述全局对象特征；基于风险潜在特征及分类偏移对所述全局对象特征进行映射，得到训练的分类结果；根据训练的分类结果与所述分类标签之间的损失，更新所述风险潜在特征及所述分类偏移。
在其中一个实施例中，该装置还包括关系分析模块及影响因素确定模块；
关系分析模块用于在特征分类映射模块608基于训练好的风险潜在特征及分类偏移，对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果之后，分析训练好的所述风险潜在特征与所述特征数据的子类特征信息之间的映射关系；
影响因素确定模块，用于根据所述映射关系，确定所述疾病属性的影响因素。
如图7所示，在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，也可以终端。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种医疗数据处理方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施方式中，提供了一种计算机设备。该计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述医疗数据处理方法的步骤。
在一个实施方式中，提供一种医疗数据处理系统，包括：心电采集装置，该心电采集装置用于采集心电信号信息；该系统，还包括：上述的计算机设备。
在其中一实施例中，该医疗数据处理系统，还包括心电采集装置；通过该心电采集装置采集心电信息数据。
在一个实施方式中，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述医疗数据处理方法的步骤。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (26)
1.一种医疗数据处理方法，所述方法包括：
获取针对目标对象的至少两种数据模态的医疗数据；
根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；
对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；
对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性；
所述对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果，包括：基于训练好的风险潜在特征及分类偏移，对全局对象特征进行映射，得到针对目标对象的医疗数据的分类结果；所述风险潜在特征指在对全局对象特征进行映射的过程中，对全局对象特征中的各元素进行加权的权重系数组成的矩阵；所述分类偏移指在对全局对象特征进行映射过程中的偏移向量。
2.根据权利要求1所述的方法，其特征在于，所述对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征，包括：
对每一种所述特征类型的所述特征数据，基于子类特征信息对所述特征数据进行映射，得到密致特征；
对所述至少两种特征类型的所述密致特征进行特征融合，得到全局对象特征。
3.根据权利要求2所述的方法，其特征在于，所述对所述至少两种特征类型的所述密致特征进行特征融合，得到全局对象特征，包括：
对每一种所述特征类型的所述密致特征，获取各子类特征信息与密致特征之间的关联性；
根据所述各子类特征信息与密致特征之间的关联性，对所述密致特征进行修正，得到修正特征；
对所述至少两种特征类型的所述修正特征进行特征融合，得到全局对象特征。
4.根据权利要求2所述的方法，其特征在于，所述对所述至少两种特征类型的所述密致特征进行特征融合，得到全局对象特征，包括：
对所述至少两种特征类型的所述密致特征进行拼接，得到对象拼接特征；
根据训练好的所述至少两种特征类型的影响权重对所述对象拼接特征进行映射，得到全局对象特征。
5.根据权利要求4所述的方法，其特征在于，所述至少两种特征类型的影响权重的训练过程，包括：
获取训练样本，所述训练样本包括所述对象拼接特征以及期望的全局对象特征；
基于影响权重对所述对象拼接特征进行映射，得到训练的全局对象特征；
基于注意力机制根据训练的全局对象特征与期望的全局对象特征之间的损失，更新所述影响权重。
6.根据权利要求1所述的方法，其特征在于，所述数据模态至少包括对象基本信息数据；所述根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：
采用第一多热向量表达离散处理后的所述对象基本信息数据；
根据所述第一多热向量确定所述对象基本信息数据所表达的数据信息。
7.根据权利要求1所述的方法，其特征在于，所述数据模态至少包括调查问卷数据；所述根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：
针对所述调查问卷数据中问题记录对应的答案数据，进行空间划分；
采用第二多热向量表达所述空间划分后的各所述答案数据；
根据所述第二多热向量确定所述调查问卷数据所表达的数据信息。
8.根据权利要求1所述的方法，其特征在于，所述数据模态至少包括智能问答数据；所述根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：
根据所述目标对象的身体部位及自感级别，对所述智能问答数据进行信息提取及映射，得到分布向量；
根据所述分布向量确定所述智能问答数据所表达的数据信息。
9.根据权利要求1所述的方法，其特征在于，所述数据模态至少包括心电信息数据；所述根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据之前，还包括：
对所述心电信息数据进行数据转换，得到时域信息及空域信息；
对所述时域信息及所述空域信息进行分析，得到心电风险类别；
根据所述心电风险类别确定所述心电信息数据所表达的数据信息。
10.根据权利要求1所述的方法，其特征在于，所述风险潜在特征及所述分类偏移的训练过程包括：
获取训练样本，所述训练样本包括分类标签及所述全局对象特征；
基于风险潜在特征及分类偏移对所述全局对象特征进行映射，得到训练的分类结果；
根据训练的分类结果与所述分类标签之间的损失，更新所述风险潜在特征及所述分类偏移。
11.根据权利要求10所述的方法，其特征在于，所述基于训练好的风险潜在特征及分类偏移，对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果之后，还包括：
分析训练好的所述风险潜在特征与所述特征数据的子类特征信息之间的映射关系；
根据所述映射关系，确定所述疾病属性的影响因素。
12.根据权利要求1所述的方法，其特征在于，所述获取针对目标对象的至少两种数据模态的医疗数据，包括以下四个步骤所构成组合中的至少两个步骤：
在创建所述目标对象之后获取对象基本信息数据；
获取针对所述目标对象结构化的调查问卷数据；
获取针对所述目标对象非结构化的智能问答数据；
获取针对所述目标对象的心电信息数据。
13.根据权利要求1所述的方法，其特征在于，所述根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据，包括：
对所述至少两种数据模态的所述医疗数据所表达的数据信息进行冗余消除；
对所述冗余消除之后的所述至少两种数据模态的所述医疗数据，进行编码重组，得到至少两种特征类型的特征数据。
14.一种医疗数据处理装置，所述装置包括：
医疗数据获取模块，用于获取针对目标对象的至少两种数据模态的医疗数据；
特征数据重组模块，用于根据所述至少两种数据模态的所述医疗数据所表达的数据信息，对所述至少两种数据模态的所述医疗数据进行编码重组，得到至少两种特征类型的特征数据；
整体特征融合模块，用于对所述至少两种特征类型的所述特征数据进行特征融合，得到全局对象特征；
特征分类映射模块，用于对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述分类结果中的分类类别包括疾病的疾病属性；
所述特征分类映射模块，用于基于训练好的风险潜在特征及分类偏移，对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果；所述风险潜在特征指在对全局对象特征进行映射的过程中，对全局对象特征中的各元素进行加权的权重系数组成的矩阵；所述分类偏移指在对全局对象特征进行映射过程中的偏移向量。
15.根据权利要求14所述的装置，其特征在于，所述医疗数据获取模块，用于在创建所述目标对象之后获取对象基本信息数据；获取针对所述目标对象结构化的调查问卷数据；获取针对所述目标对象非结构化的智能问答数据；获取针对所述目标对象的心电信息数据。
16.根据权利要求15所述的装置，其特征在于，所述装置还包括：
第一信息确定模块，用于采用第一多热向量表达离散处理后的所述对象基本信息数据，根据所述第一多热向量确定所述对象基本信息数据所表达的数据信息；
第二信息确定模块，用于针对所述调查问卷数据中问题记录对应的答案数据，进行空间划分，采用第二多热向量表达所述空间划分后的各所述答案数据，根据所述第二多热向量确定所述调查问卷数据所表达的数据信息；
第三信息确定模块，用于根据所述目标对象的身体部位及自感级别，对所述智能问答数据进行信息提取及映射，得到分布向量，根据所述分布向量确定所述智能问答数据所表达的数据信息；
第四信息确定模块，用于对所述心电信息数据进行数据转换，得到时域信息及空域信息，对所述时域信息及所述空域信息进行分析，得到心电风险类别，根据所述心电风险类别确定所述心电信息数据所表达的数据信息。
17.根据权利要求14所述的装置，其特征在于，还包括：数据冗余消除模块；
数据冗余消除模块，用于对所述至少两种数据模态的所述医疗数据所表达的数据信息进行冗余消除；
特征数据重组模块，用于对所述冗余消除之后的所述至少两种数据模态的所述医疗数据，进行编码重组，得到至少两种特征类型的特征数据。
18.根据权利要求14所述的装置，其特征在于，所述装置还包括密致特征表达模块；
密致特征表达模块，用于对每一种所述特征类型的所述特征数据，基于子类特征信息对所述特征数据进行映射，得到密致特征；
所述整体特征融合模块，用于对所述至少两种特征类型的所述密致特征进行特征融合，得到全局对象特征。
19.根据权利要求18所述的装置，其特征在于，所述装置还包括关联性获取模块及特征修正模块；
关联性获取模块，用于对每一种所述特征类型的所述密致特征，获取各子类特征信息与密致特征之间的关联性；
特征修正模块，用于根据所述各子类特征信息与密致特征之间的关联性，对所述密致特征进行修正，得到修正特征；
整体特征融合模块，用于对所述至少两种特征类型的所述修正特征进行特征融合，得到全局对象特征。
20.根据权利要求18所述的装置，其特征在于，所述整体特征融合模块包括：
特征拼接单元，用于对所述至少两种特征类型的所述密致特征进行拼接，得到对象拼接特征；
融合映射单元，用于根据训练好的所述至少两种特征类型的影响权重对所述对象拼接特征进行映射，得到全局对象特征。
21.根据权利要求20所述的装置，其特征在于，所述装置还包括权重训练模块；
所述权重训练模块，用于获取训练样本，所述训练样本包括所述对象拼接特征以及期望的全局对象特征；基于影响权重对所述对象拼接特征进行映射，得到训练的全局对象特征；基于注意力机制根据训练的全局对象特征与期望的全局对象特征之间的损失，更新所述影响权重。
22.根据权利要求14所述的装置，其特征在于，所述装置还包括参数训练模块；
所述参数训练模块，用于获取训练样本，所述训练样本包括分类标签及所述全局对象特征；基于风险潜在特征及分类偏移对所述全局对象特征进行映射，得到训练的分类结果；根据训练的分类结果与所述分类标签之间的损失，更新所述风险潜在特征及所述分类偏移。
23.根据权利要求22所述的装置，其特征在于，所述装置还包括关系分析模块及影响因素确定模块；
所述关系分析模块用于在特征分类映射模块基于训练好的风险潜在特征及分类偏移，对所述全局对象特征进行映射，得到针对所述目标对象的所述医疗数据的分类结果之后，分析训练好的所述风险潜在特征与所述特征数据的子类特征信息之间的映射关系；
所述影响因素确定模块，用于根据所述映射关系，确定所述疾病属性的影响因素。
24.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1-13任意一项所述的方法的步骤。
25.一种医疗数据处理系统，包括：心电采集装置，该心电采集装置用于采集心电信号信息；其特征在于，还包括：权利要求24所述的计算机设备。
26.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-13任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910383591.8A CN110119775B (zh) | 2019-05-08 | 2019-05-08 | 医疗数据处理方法、装置、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910383591.8A CN110119775B (zh) | 2019-05-08 | 2019-05-08 | 医疗数据处理方法、装置、系统、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110119775A CN110119775A (zh) | 2019-08-13 |
| CN110119775B true CN110119775B (zh) | 2021-06-08 |
Family
ID=67522036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910383591.8A Active CN110119775B (zh) | 2019-05-08 | 2019-05-08 | 医疗数据处理方法、装置、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110119775B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7268149B2 (ja) | 2020-03-26 | 2023-05-02 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 問い合わせ情報の処理方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム |
| CN111274490B (zh) * | 2020-03-26 | 2024-01-19 | 北京百度网讯科技有限公司 | 咨询信息的处理方法和装置 |
| CN111523663B (zh) * | 2020-04-22 | 2023-06-23 | 北京百度网讯科技有限公司 | 一种目标神经网络模型训练方法、装置以及电子设备 |
| CN113707328A (zh) * | 2020-05-20 | 2021-11-26 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及计算设备 |
| CN111681776B (zh) * | 2020-06-03 | 2023-09-29 | 北京启云数联科技有限公司 | 基于医药大数据的医药对象关系分析的方法及系统 |
| CN111681775B (zh) * | 2020-06-03 | 2023-09-29 | 北京启云数联科技有限公司 | 基于医药大数据的药品应用分析的方法、系统及装置 |
| CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技（深圳）有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
| CN112927771A (zh) * | 2021-03-15 | 2021-06-08 | 北京药明津石医药科技有限公司 | 问卷生成方法、分类模型的训练方法、装置和计算机设备 |
| CN112908473B (zh) * | 2021-03-24 | 2024-09-20 | 平安科技（深圳）有限公司 | 基于模型的数据处理方法、装置、计算机设备和存储介质 |
| CN113342271B (zh) * | 2021-06-04 | 2023-02-21 | 上海蓝色帛缔智能工程有限公司 | 一种智能化区域采集医疗数据储存的方法及电子设备 |
| CN113257412B (zh) * | 2021-06-16 | 2022-02-11 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、计算机设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574245A (zh) * | 2014-12-12 | 2015-04-29 | 安嘉露丹科技（北京）有限公司 | 健康一体机 |
| CN107480716A (zh) * | 2017-08-15 | 2017-12-15 | 安徽大学 | 一种结合eog和视频的扫视信号识别方法及系统 |
| CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断系统 |
| CN108228674A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种基于dkt的信息处理方法及装置 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技（深圳）有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5660176A (en) * | 1993-12-29 | 1997-08-26 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system |
| US20050010444A1 (en) * | 2003-06-06 | 2005-01-13 | Iliff Edwin C. | System and method for assisting medical diagnosis using an anatomic system and cause matrix |
| US20120078840A1 (en) * | 2010-09-27 | 2012-03-29 | General Electric Company | Apparatus, system and methods for comparing drug safety using holistic analysis and visualization of pharmacological data |
| CN105184074B (zh) * | 2015-09-01 | 2018-10-26 | 哈尔滨工程大学 | 一种基于多模态医学影像数据模型的医学数据提取和并行加载方法 |
| CN106096641B (zh) * | 2016-06-07 | 2019-03-01 | 南京邮电大学 | 一种基于遗传算法的多模态情感特征融合方法 |
| CN109464122B (zh) * | 2018-11-05 | 2022-02-18 | 西南大学 | 基于多模态数据的个体核心特质预测系统及方法 |
| CN109670277B (zh) * | 2019-02-19 | 2022-09-09 | 南京邮电大学 | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 |
-
2019
- 2019-05-08 CN CN201910383591.8A patent/CN110119775B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574245A (zh) * | 2014-12-12 | 2015-04-29 | 安嘉露丹科技（北京）有限公司 | 健康一体机 |
| CN108228674A (zh) * | 2016-12-22 | 2018-06-29 | 上海谦问万答吧云计算科技有限公司 | 一种基于dkt的信息处理方法及装置 |
| CN107480716A (zh) * | 2017-08-15 | 2017-12-15 | 安徽大学 | 一种结合eog和视频的扫视信号识别方法及系统 |
| CN108198620A (zh) * | 2018-01-12 | 2018-06-22 | 洛阳飞来石软件开发有限公司 | 一种基于深度学习的皮肤疾病智能辅助诊断系统 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技（深圳）有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110119775A (zh) | 2019-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110119775B (zh) | 医疗数据处理方法、装置、系统、设备和存储介质 | |
| CN110459324B (zh) | 基于长短期记忆模型的疾病预测方法、装置和计算机设备 | |
| US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
| US10854335B2 (en) | Computer aided medical method and medical system for medical prediction | |
| WO2021120936A1 (zh) | 一种基于多任务学习模型的慢病预测系统 | |
| US10854339B2 (en) | Systems and methods for associating medical images with a patient | |
| US7458936B2 (en) | System and method for performing probabilistic classification and decision support using multidimensional medical image databases | |
| Dabowsa et al. | A hybrid intelligent system for skin disease diagnosis | |
| US12027267B2 (en) | Information processing apparatus, information processing system, information processing method, and non-transitory computer-readable storage medium for computer-aided diagnosis | |
| CN111887975A (zh) | 用于改进心脏消融规程的系统和方法 | |
| CN113673244B (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
| CN102405473A (zh) | 医护点动作医疗系统和方法 | |
| CN112259260B (zh) | 基于智能穿戴设备的智能医疗问答方法、系统及装置 | |
| CN116110597B (zh) | 一种基于数字孪生的患者病症类别智能分析方法及装置 | |
| CN111759304B (zh) | 心电图异常识别方法、装置、计算机设备和存储介质 | |
| CN115719334A (zh) | 基于人工智能的医学影像评价方法、装置、设备及介质 | |
| CN112542242A (zh) | 数据转换/症状评分 | |
| CN113822439A (zh) | 任务预测方法、装置、设备及存储介质 | |
| CN114864088B (zh) | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 | |
| CN113434692A (zh) | 图神经网络模型构建、诊疗方案推荐方法、系统及设备 | |
| CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测系统 | |
| US20210271924A1 (en) | Analyzer, analysis method, and analysis program | |
| CN113066531A (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
| CN112992362A (zh) | 一种身体状态评估装置、电子设备及存储介质 | |
| Kasabe et al. | Cardio Vascular ailments prediction and analysis based on deep learning techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |