CN110299202A - 智能疾病诊断方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开一种智能疾病诊断方法、装置、设备及可读存储介质。该智能疾病诊断方法包括：获取医疗数据，医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据医疗图像的正确诊断结果标注，对医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。

Description

智能疾病诊断方法、装置、设备及存储介质

技术领域

本发明涉及智能医疗技术领域，具体而言，涉及一种智能疾病诊断方法、装置、设备及可读存储介质。

背景技术

智能疾病诊断是基于人工智能来判断个体是否患病以及患了何种疾病。由于原始的疾病诊断方法往往会受到决策者(如医生)本人的实际经验束缚，且易受到决策者当时的主观意识和外界环境的干扰，故而做出的诊断结果有可能偏差较大。另外，随着医疗水平的提高，医疗数据复杂化、高维化、特征差异缩小化，越来越需要新的智能的疾病诊断方法来提升疾病诊断的准确率。

在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

有鉴于此，本发明提供一种智能疾病诊断方法、装置、设备及可读存储介质。

本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

根据本发明的一方面，提供一种智能疾病诊断方法，包括：获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。

根据本发明的一实施方式，根据所述医疗图像，确定智能疾病诊断模型包括：获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得智能疾病诊断模型。

根据本发明的一实施方式，根据所述医疗图像，确定智能疾病诊断模型包括：获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得训练模型；获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型；以及当所述训练模型被验证为最优训练模型时，确定所述训练模型为所述智能疾病诊断模型。

根据本发明的一实施方式，获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型包括：通过损失函数对所述训练模型的系统参数进行迭代处理；每次迭代更新后，计算所述训练模型在所述验证集上所述损失函数的值；根据所述损失函数的值绘制损失函数曲线；以及当所述损失函数曲线收敛时，所述训练模型的损失函数最小，确定所述训练模型为所述最优训练模型。

根据本发明的一实施方式，上述方法还包括：采用K折交叉验证，在所述验证集上计算所述智能疾病诊断模型的损失函数；以及确定使得所述损失函数最小的模型参数作为所述智能疾病诊断模型的系统参数；其中，所述系统参数包括：学习率、神经网络层数。

根据本发明的一实施方式，获取医疗数据包括：从已构建的区块链网络中获取其存储的医疗数据。

根据本发明的一实施方式，在从已构建的区块链网络中获取其存储的医疗数据之前，上述方法还包括：以医疗营业机构为节点，构建所述区块链网络。

根据本发明的一实施方式，在从已构建的区块链网络中获取其存储的医疗数据之前，上述方法还包括：以预设的数据存储结构存储所述医疗数据。

根据本发明的另一方面，提供一种智能疾病诊断装置，包括：数据获取模块，用于获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；图像分类模块，用于根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；疾病编码模块，用于为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；系统确定模块，用于根据所述医疗图像，确定智能疾病诊断模型；图像输入模块，用于将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及诊断确定模块，用于根据所述患者的疾病诊断信息，确定所述患者的诊断结果。

根据本发明的再一方面，提供一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如上述任意一种方法。

根据本发明的再一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上述任意一种方法。

根据本发明提供的智能疾病诊断方法还可利用区块链技术存储的信息具有非常好的隐私保护效果及区块链技术所具有的公开透明、可追溯及不易篡改等特点，对包括大量医疗图像的医疗数据进行存储。并基于这些存储的医疗数据，确定智能疾病诊断模型，从而根据该智能疾病诊断模型来对疾病进行智能诊断。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。

附图说明

通过参照附图详细描述其示例实施例，本发明的上述和其它目标、特征及优点将变得更加显而易见。

图1是根据一示例性实施方式示出的一种智能疾病诊断方法的流程图。

图2是根据一示例性实施方式示出的另一种智能疾病诊断方法的流程图。

图3是根据一示例性实施方式示出的再一种智能疾病诊断方法的流程图。

图4是根据一示例性实施方式示出的一种智能疾病诊断装置的框图。

图5是根据一示例性实施方式示出的另一种智能疾病诊断装置的框图。

图6是根据一示例性实施方式示出的一种电子设备的结构示意图。

图7是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本发明的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。

图1是根据一示例性实施方式示出的一种智能疾病诊断方法的流程图。

参考图1，智能疾病诊断方法10包括：

在步骤S102中，获取医疗数据。

医疗数据包括：医疗图像及其对应的正确诊断结果标注。

医疗图像例如可以包括：CT(Computed Tomography，电子计算机断层扫描)医疗影像、MRI(Magnetic Resonance Imaging，核磁共振)医疗影像、超声波医疗影像等。并且这些医疗图像均被标注上了与其对应的正确诊断结果。

在一些实施例中，例如可以从已构建的区块链网络中获取其储存的医疗数据。基于区块链技术，可对从其不同节点上传的大量医疗图像进行存储。区块链技术是利用区块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问的安全、利用由自动化脚本代码组成的智能合约来编程和操作数据的一种全新的分布式基础架构与计算方式。在区块链技术大多数应用场景中，利用区块链哈希指针的交易链数据结合、加密学的哈希计算和加密学数字签字机制实现交易过程中的多层次证据确认，来实现不同个体交易方之间的信任问题。由于基于区块链技术所存储的信息，具有非常好的隐私保护效果，且具有公开透明、可追溯及不易篡改等特点，与智能医疗相关信息具有非常高的契合度，因此可以将区块链技术与智能疾病诊断方法进行有机结合。

但本发明不以此为限，也可以从其他存储服务器、云服务器等存储设备中获取上述医疗数据。

在步骤S104中，根据医疗图像的正确诊断结果标注，对医疗图像进行分类。

其中，每个分类对应一种疾病类型。

在步骤S106中，为每种疾病类型进行编码，并根据每种疾病类型的编码值，将医疗数据中每一张医疗图像的正确诊断结果标注转换为标签。

对不同的疾病类型进行编码，以将每张医疗图像的正确诊断结果标注转换为适合神经网络进行训练的标签。

在步骤S108中，根据医疗图像，确定智能疾病诊断模型。

在一些实施例中，根据医疗图像，确定智能疾病诊断模型可以包括：获取处理后的医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得该智能疾病诊断模型。

具体地，选取处理后的医疗图像中的一部分，例如可以选取所有医疗图像的70％作为训练集，对卷积神经网络(CNN)进行训练，获得一训练模型。

具体地，可以将用于训练的医疗图像的矩阵集合记为M＝{m1,m2,……,mn}，将其对应的标签向量记为L＝{l1,l2,……,ln}。建立基于卷积神经网络的深度学习模型(可将全连接层后接softmax层，用于分类识别)，以M作为输入，L作为目标向量，进行模型训练，并学习系统参数。

在步骤S110中，将患者的医疗图像输入该智能疾病诊断模型中，以获取患者的疾病诊断信息。

该疾病诊断信息例如可以包括：患者被诊断为患上各种疾病类别的概率值。

在步骤S112中，根据患者的疾病诊断信息，确定患者的诊断结果。

例如，可以将概率值最大的疾病类别作为该患者的诊断结果。

图2是根据一示例性实施方式示出的另一种智能疾病诊断方法的流程图。与图1所示的方法10不同之处在于，图2所示的方法20进一步提供了方法10中步骤S108的又一具体实施例。

如图2所示，步骤S108进一步包括：

S1081：获取处理后的医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得训练模型。

具体的训练过程如上述，在此不再赘述。

S1082：获取处理后的医疗图像中的另一部分作为验证集，并根据验证集验证训练模型是否为最优训练模型。

选取剩余的医疗图像作为验证集，并根据验证集验证上述训练出的训练模型是否为最优训练模型。

例如，可以基于损失函数(Loss Function)来验证上述训练出的训练模型是否为最优训练模型。损失函数是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计。

首先，可通过损失函数对上述训练出的训练模型的系统参数进行迭代处理；其次，每次迭代更新后，计算该训练模型在验证集上损失函数的值；之后，根据损失函数的值绘制损失函数曲线；最后，当损失函数曲线收敛时，该训练模型的损失函数最小，由此可确定该训练模型为最优训练模型。

S1083：当训练模型被验证为最优训练模型时，确定训练模型为智能疾病诊断模型。

在一些实施例中，各个区块链节点可以将上述的医疗数据上传到区块链网络中进行存储。之后，可以由该区块链网络中的一个高权限节点的后台服务器来获取区块链网络中所有节点的医疗数据，以进行模型训练，从而获得上述的智能疾病诊断模型。此外，经模型训练所获得的该智能疾病诊断模型也可以被上传至区块链网络的节点中进行存储。存储该智能疾病诊断模型的区块链节点与存储上述医疗数据的区块链节点可以是相同的，也可以是不同的。该区块链网络中各区块链节点均可以从区块链网络中下载该智能疾病诊断模型，从而进行下述的智能疾病诊断。

此外，在上述通过验证集对训练集进行验证的实施例中，方法20还进一步包括：

在步骤S210中，采用K折交叉验证，在验证集上计算该智能疾病诊断模型的损失函数。

K折交叉验证，是将初始采样(如样本集X，Y)分割成K份，一份被保留作为验证模型的数据(test set)，其他K-1份用来训练(train set)。交叉验证重复K次，每份验证一次，平均K次的结果或者使用其它结合方式，最终得到一个单一估测。

在步骤S212中，确定使得损失函数最小的模型参数作为智能疾病诊断模型的系统参数。

其中，系统参数例如可以包括：神经网络的学习率、神经网络的层数等。

方法20与方法10中相同的步骤在此不再赘述。

本领域技术人员应理解的是，在上述将医疗数据存储在区块链网络中的实施例中，随着区块链网络中节点的不断加入，可能会由越来越多的医疗数据被上传到区块链网络中，上述对区块链网络中存储的信息进行训练，来确定智能疾病诊断模型的方法可以周期的进行，也即每隔一段时间，便根据当前的信息重新确定一次智能疾病诊断模型。该周期可以根据实际需求而设定，如需要更为精准的模型，则可以将该周期设置短一些，但相应的会增加系统的计算量，提升系统的复杂度。此外，还可以以事件触发的方式重新确定该智能疾病诊断模型。例如，检测到有新的医疗数据上传到区块链网络中时，重新确定。或者，也可以是当检测到新上传的医疗数据量积累到一预设值时，再重新确定。

根据本发明实施方式提供的智能疾病诊断方法，利用基于区块链技术存储的信息所具有的非常好的隐私保护效果，及所具有的公开透明、可追溯及不易篡改等特点，对包括大量医疗图像的医疗数据进行存储。并基于这些存储的医疗数据，确定智能疾病诊断模型，从而根据该智能疾病诊断模型来对疾病进行智能诊断，以提高疾病诊断的准确率。

应清楚地理解，本发明描述了如何形成和使用特定示例，但本发明的原理不限于这些示例的任何细节。相反，基于本发明公开的内容的教导，这些原理能够应用于许多其它实施方式。

图3是根据一示例性实施方式示出的再一种智能疾病诊断方法的流程图。

参考图3，与图1所示的智能疾病诊断方法10不同之处在于，在上述将医疗数据存储在区块链网络中的实施例中，智能疾病诊断方法30在步骤S102之前，也即从已构建的区块链网络中获取其存储的医疗数据之前，还包括：

在步骤S302中，以医疗营业机构为节点，构建该区块链网络。

上述医疗营业机构例如可以包括参与该区块链网络的大型医院、小型私人诊所、社区医疗服务站等。

或者，上述的医疗营业机构也可以为一个或多个集团公司下属的医疗营业机构。

在实际应用中，该医疗营业机构应以该区块链网络的实际参与者范围来界定，即以实际在该区块链网络系统中注册的成员来界定，本发明不以此为限。

在步骤S304中，以预设的数据存储结构存储上述的医疗数据。

上述的医疗数据除了上文中所述的医疗图像及其对应的正确诊断结果标注。还可以包括：诊断案例、对医疗图像诊断结果的分析(疾病类型，可疑图像区域的轮廓、颜色、变化等特征，智能诊断结果与置信度概率等)、医生会诊对智能诊断结果的反馈信息(如正确诊断结果标注、智能诊断算法改进建议、对该类疾病的智能诊断技术是否成熟、智能诊断算法如何考虑病人的个体差异等)。

此外，还可以将相关证明材料的音频、视频、图像上传至区块链网络中存储。

上述这些信息可以用于对医疗图像进行正确诊断结果的人工标注提供重要参考依据。此外，对智能诊断结果的反馈信息更有利于智能疾病诊断模型的不断完善，从而提供更加精准的疾病诊断结果。

对于上述的医疗数据及相关信息，可根据预设的数据存储结构、信息存储方式和协议等来存储上述的医疗数据，以保证信息存储和信息处理的高效性。

表1是根据一示例示出的一个诊断实例存储在区块链中的数据结构示例。

表1

表2是根据一示例示出的智能疾病诊断模型存储在区块链中的数据结构示例。

表2

需要说明的是，表1与表2仅作为示例而非限制本发明。

方法30与方法10中相同的步骤在此不再赘述。

本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时，执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。

此外，需要注意的是，上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。

图4是根据一示例性实施方式示出的一种智能疾病诊断装置的框图。

参考图4，智能疾病诊断装置40包括：数据获取模块402、图像分类模块404、疾病编码模块406、系统确定模块408；图像输入模块410及诊断确定模块412。

其中，数据获取模块402用于获取医疗数据。其中，医疗数据包括：医疗图像及其对应的正确诊断结果标注。

图像分类模块404用于根据医疗图像的正确诊断结果标注，对医疗图像进行分类。其中，每一类对应一种疾病类型。

疾病编码模块406用于为每种疾病类型进行编码，并根据每种疾病类型的编码值，将医疗数据中每一张医疗图像的正确诊断结果标注转换为标签。

系统确定模块408用于根据医疗图像，确定智能疾病诊断模型。

图像输入模块410用于将患者的医疗图像输入至智能疾病诊断模型中，以获取患者的疾病诊断信息。其中，疾病诊断信息包括：患者被诊断为患上各种疾病的概率值。

诊断确定模块412用于用于根据患者的疾病诊断信息，确定患者的诊断结果。

在一些实施例中，系统确定模块408包括：模型训练单元，用于获取处理后的医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得智能疾病诊断模型。

在一些实施例中，系统确定模块408包括：模型训练单元、模型验证单元及模型确定单元。其中，模型训练单元用于获取处理后的医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得训练模型；模型验证单元用于获取处理后的医疗图像中的另一部分作为验证集，并根据验证集验证训练模型是否为最优训练模型；模型确定单元用于当训练模型被验证为最优训练模型时，确定训练模型为智能疾病诊断模型。

在一些实施例中，模型验证单元包括：参数迭代子单元、函数计算子单元、曲线绘制子单元及模型确定子单元。其中，参数迭代子单元用于通过损失函数对所述训练模型的系统参数进行迭代处理。函数计算子单元用于在每次迭代更新后，计算所述训练模型在所述验证集上所述损失函数的值。曲线绘制子单元用于根据所述损失函数的值绘制损失函数曲线。模型确定子单元用于当所述损失函数曲线收敛时，所述训练模型的损失函数最小，确定所述训练模型为所述最优训练模型。

在一些实施例中，装置40还包括：函数计算模块及参数优化模块。其中，函数计算模块用于采用K折交叉验证，在验证集上计算智能疾病诊断模型的损失函数。参数优化模块用于确定使得损失函数最小的模型参数作为智能疾病诊断模型的系统参数。其中，系统参数包括：学习率、神经网络层数。根据本发明实施方式提供的智能疾病诊断装置，利用基于区块链技术存储的信息所具有的非常好的隐私保护效果，及所具有的公开透明、可追溯及不易篡改等特点，对包括大量医疗图像的医疗数据进行存储。并基于这些存储的医疗数据，确定智能疾病诊断模型，从而根据该智能疾病诊断模型来对疾病进行智能诊断，以提高智能诊断的准确率。

在一些实施例中，数据获取模块402用于从已构建的区块链网络中获取其存储的医疗数据。

图5是根据一示例性实施方式示出的一种智能疾病诊断装置的框图。参考图5，智能疾病诊断装置50还包括：网络构建模块502及数据存储模块504。

其中，网络构建模块502用于以医疗营业机构为节点，构建区块链网络。

数据存储模块504用于以预设的数据存储结构存储医疗数据。

需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图6是根据一示例性实施方式示出的一种电子设备的结构示意图。需要说明的是，图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，电子设备800以通用计算机设备的形式表现。电子设备800的组件包括：至少一个中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序代码或者从至少一个存储单元808加载到随机访问存储器(RAM)803中的程序代码而执行各种适当的动作和处理。

特别地，根据本发明的实施例，所述程序代码可以被中央处理单元801执行，使得中央处理单元801执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如，中央处理单元801可以执行如图1图2或图3中所示的步骤。

在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。CPU 801、ROM802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括键盘、鼠标等的输入单元806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出单元807；包括硬盘等的存储单元808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信单元809。通信单元809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储单元808。

图7是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。

参考图7所示，描述了根据本发明的实施方式的设置为实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现如图1、图2或图3中所示的功能。

以上具体地示出和描述了本发明的示例性实施方式。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种智能疾病诊断方法，其特征在于，包括：

获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；

根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；

为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；

根据所述医疗图像，确定智能疾病诊断模型；

将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及

根据所述患者的疾病诊断信息，确定所述患者的诊断结果。

2.根据权利要求1所述的方法，其特征在于，根据所述医疗图像，确定智能疾病诊断模型包括：

获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得智能疾病诊断模型。

3.根据权利要求1所述的方法，其特征在于，根据所述医疗图像，确定智能疾病诊断模型包括：

获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得训练模型；

获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型；以及

当所述训练模型被验证为最优训练模型时，确定所述训练模型为所述智能疾病诊断模型。

4.根据权利要求3所述的方法，其特征在于，获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型包括：

通过损失函数对所述训练模型的系统参数进行迭代处理；

每次迭代更新后，计算所述训练模型在所述验证集上所述损失函数的值；

根据所述损失函数的值绘制损失函数曲线；以及

当所述损失函数曲线收敛时，所述训练模型的损失函数最小，确定所述训练模型为所述最优训练模型。

5.根据权利要求3或4所述的方法，其特征在于，还包括：

采用K折交叉验证，在所述验证集上计算所述智能疾病诊断模型的损失函数；以及

确定使得所述损失函数最小的模型参数作为所述智能疾病诊断模型的系统参数；

其中，所述系统参数包括：学习率、神经网络层数。

6.根据权利要求1所述的方法，其特征在于，获取医疗数据包括：从已构建的区块链网络中获取其存储的医疗数据。

7.根据权利要求6所述的方法，其特征在于，在从已构建的区块链网络中获取其存储的医疗数据之前，所述方法还包括：

以医疗营业机构为节点，构建所述区块链网络。

8.一种智能疾病诊断装置，其特征在于，包括：

数据获取模块，用于获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；

图像分类模块，用于根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；

疾病编码模块，用于为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；

系统确定模块，用于根据所述医疗图像，确定智能疾病诊断模型；

图像输入模块，用于将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及

诊断确定模块，用于根据所述患者的疾病诊断信息，确定所述患者的诊断结果。

9.一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，其特征在于，所述处理器执行所述可执行指令时实现如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机可执行指令，其特征在于，所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。