CN110516161B - 一种推荐方法及装置 - Google Patents
一种推荐方法及装置 Download PDFInfo
- Publication number
- CN110516161B CN110516161B CN201910819002.6A CN201910819002A CN110516161B CN 110516161 B CN110516161 B CN 110516161B CN 201910819002 A CN201910819002 A CN 201910819002A CN 110516161 B CN110516161 B CN 110516161B
- Authority
- CN
- China
- Prior art keywords
- hospital
- federal
- user
- disease
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种推荐方法及装置,其中方法包括:获取用户的病症信息,将用户的病症信息输入医院联邦模型,所述医院联邦模型用于根据用户的病症信息确定用户的病症类型,并根据用户的病症类型为用户推荐匹配的目标医院。本发明实施例中,通过使用联邦学习方式建立医院联邦模型,可以在保证各医院节点的隐私医疗数据安全性的基础上提高推荐目标医院的精确度;且,在确定用户的病症类型后,通过医院联邦模型确定该病症类型下用户对应的目标医院,可以基于用户的病症情况为用户推荐合适的医院,从而可以提高用户就医的准确性,并能够降低大医院的就医压力。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种推荐方法及装置。
背景技术
伴随着互联网的飞速发展,各种智能推荐系统已越来越多地深入到人们的生活之中,比如饮食推荐系统、景点推荐系统、交通推荐系统等等。在智能推荐系统中,为了满足用户的使用需求,当用户登录智能推荐系统的网页时,智能推荐系统通常可以向用户推荐一些符合用户需求的机构,以供用户选择。
传统的就医方法一般是需要用户自行确定目标医院,比如用户在就医之前,可以去搜索网页上查询一些综合排名较为靠前或者距离较近的医院,并可以从这些医院中选取出符合自己要求的目标医院进行就医。为了降低用户的操作复杂度,现有的一些医疗推荐系统可以根据各家医院的情况确定向用户推荐的目标医院,比如推荐接待人流量大、综合排名靠前的目标医院。然而,采用该种方式,医疗推荐系统所推荐的目标医院并不一定满足用户的需求,且可能无法实现有效分诊,比如会使得大医院所接待的病人较多,而小医院、社康医院、小诊所反而没有病人,从而导致就医效率较低。
综上,目前亟需一种推荐方法,用以解决现有的推荐系统无法为用户推荐符合用户需求的医院,且就医效率低的技术问题。
发明内容
本发明实施例提供一种推荐方法,用以解决现有的推荐系统无法为用户推荐符合用户需求的医院,且就医效率低的技术问题。
第一方面,本发明实施例提供的一种推荐方法,包括:
获取用户的病症信息,将所述用户的病症信息输入医院联邦模型,所述医院联邦模型用于根据所述用户的病症信息确定所述用户的病症类型,并根据所述用户的病症类型为所述用户推荐匹配的目标医院;其中,所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的。
在上述设计中,通过使用联邦学习方式建立医院联邦模型,可以在保证各医院节点的隐私医疗数据安全性的基础上提高推荐目标医院的精确度;且,在确定用户的病症类型后,通过医院联邦模型确定该病症类型下用户对应的目标医院,可以根据用户的病症情况为用户推荐合适的医院,从而可以提高用户就医的准确性,并能降低大医院的就医压力。
在一种可能的设计中,所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的,包括:在第I轮联邦训练中,若所述I为1,则分别向参与所述联邦学习的各医院节点发送初始模型参数;若所述I为大于1的整数,则分别向参与所述联邦学习的各医院节点发送第I-1轮联邦训练的综合模型参数;进一步地,获取所述各医院节点在所述第I轮联邦训练中的模型参数;每个医院节点在所述第I轮联邦训练中的模型参数为所述医院节点在所述初始模型参数或所述第I-1轮联邦训练的综合模型参数的基础上,使用所述医院节点的医疗数据训练模型得到的;根据所述各医院节点在所述第I轮联邦训练中的模型参数得到第I轮联邦训练的综合模型参数,若确定所述第I轮联邦训练已达到所述联邦学习的结束条件,则使用所述第I轮联邦训练的综合模型参数建立所述医院联邦模型;若确定所述第I轮联邦训练未达到所述联邦学习的结束条件,则启动第I+1轮联邦训练。
在上述设计中,通过引入多轮联邦训练过程,可以采用迭代方式结合联邦学习训练医院联邦模型,从而不断地根据各个医院节点训练的模型参数优化医院联邦模型的综合模型参数,提高医院联邦模型的推荐效果。
在一种可能的设计中,所述联邦学习的结束条件包括以下任意一项或任意多项:综合模型参数收敛;联邦训练的轮数大于或等于预设训练次数;联邦训练的时间大于或等于预设训练时长。
在上述设计中,联邦学习的结束条件可以根据实际需要进行设置,比如可以设置为达到预设训练时长,或者达到预设联邦训练次数,或者医院联邦模型的综合模型参数收敛中的任意一种或任意多种,从而使得联邦学习过程应用范围更广,更加满足用户的需要。
在一种可能的设计中,医院节点的医疗数据包括但不限于:所述医院节点中的医生数量、医生资质、医疗设备数量、医疗设备标准,以及,在所述医院节点诊疗过的病患的病症信息、诊疗信息和治愈信息。
在上述设计中,通过使用各个医院节点所诊疗过的病患信息(即病患的病症信息、诊疗信息和治愈信息)和医院信息(即医生数量、医生资质、医疗设备数量、医疗设备标准)综合训练医院联邦模型,使得医院联邦模型可以学习到每个医院节点在各种病症类型下的特征,如此,医院联邦模型可以基于每个医院节点在各种病症类型下的特征确定每个医院节点擅长的医疗领域;也就是说,通过使用详尽的医疗数据训练医院联邦模型,可以使得医院联邦模型中各种病症类型对应的医院列表较为精确,从而提高推荐目标医院的准确性。
在一种可能的设计中,所述医院联邦模型用于根据所述用户的病症类型为所述用户推荐匹配的目标医院,包括:所述医院联邦模型根据所述用户的病症类型、所述用户的位置信息、所述各个医院节点的位置信息以及所述各个医院节点对所述病症类型的病患的治愈率信息,对所述各个医院节点进行排序,得到目标医院列表,并将所述目标医院列表推荐给所述用户。
在上述设计中,在确定用户的病症类型对应的医院列表后,通过使用用户的位置信息、病症类型、各个医院节点的位置信息以及治愈所述病症类型的治愈率信息为用户推荐目标医院,可以保证目标医院为治愈所述病症类型最好、医疗条件最合适且距离用户最近的医院,从而可以提高用户的体验,同时可以降低大医院的就医压力。
在一种可能的设计中,在所述医院联邦模型根据所述用户的病症类型为所述用户推荐匹配的目标医院之后,所述方法还包括:将所述用户在所述目标医院的诊疗结果输入所述医院联邦模型,所述医院联邦模型还用于若确定所述目标医院与所述诊疗结果不匹配,则根据所述诊疗结果为所述用户推荐新的目标医院。
在一种可能的设计中,所述方法还包括:根据所述用户在所述目标医院的诊疗结果和/或所述用户在所述新的目标医院的诊疗结果,更新所述医院联邦模型。
在上述设计中,通过使用用户的就诊结果更新医院联邦模型,可以不断优化医院联邦模型,使得医院联邦模型的推荐效果更好,更加符合实际需要。
第二方面,本发明实施例提供的一种推荐装置,所述装置包括获取模块和医院联邦模型,所述医院联邦模型包括联邦训练子模型、病症分析子模型和推荐子模型;
所述联邦训练子模型,用于使用各个医院节点的医疗数据进行联邦学习,得到所述医院联邦模型;
所述获取模块,用于获取用户的病症信息;
所述病症分析子模型,用于根据所述用户的病症信息确定所述用户的病症类型;
所述推荐子模型,用于根据所述用户的病症类型为所述用户推荐匹配的目标医院:
在一种可能的设计中,所述联邦训练子模型具体用于:在第I轮联邦训练中,若所述I为1,则分别向参与联邦学习的各医院节点发送初始模型参数;若所述I为大于1的整数,则分别向参与联邦学习的各医院节点发送第I-1轮联邦训练的综合模型参数;进一步地,获取所述各医院节点在所述第I轮联邦训练中的模型参数;每个医院节点在所述第I轮联邦训练中的模型参数为所述医院节点在所述初始模型参数或所述第I-1轮联邦训练的综合模型参数的基础上,使用所述医院节点的医疗数据训练模型得到的;根据所述各医院节点在所述第I轮联邦训练中的模型参数得到第I轮联邦训练的综合模型参数,若确定所述第I轮联邦训练已达到所述联邦学习的结束条件,则使用所述第I轮联邦训练的综合模型参数建立所述医院联邦模型;若确定所述第I轮联邦训练未达到所述联邦学习的结束条件,则启动第I+1轮联邦训练。
在一种可能的设计中,所述联邦学习的结束条件包括以下任意一项或任意多项:综合模型参数收敛;联邦训练的轮数大于或等于预设训练次数;联邦训练的时间大于或等于预设训练时长。
在一种可能的设计中,医院节点的医疗数据包括但不限于:所述医院节点中的医生数量、医生资质、医疗设备数量、医疗设备标准,以及,在所述医院节点诊疗过的病患的病症信息、诊疗信息和治愈信息。
在一种可能的设计中,所述推荐子模型具体用于:根据所述用户的病症类型、所述用户的位置信息、所述各个医院节点的位置信息以及所述各个医院节点对所述病症类型的病患的治愈率信息,对所述各个医院节点进行排序,得到目标医院列表,并将所述目标医院列表推荐给所述用户。
在一种可能的设计中,在所述推荐子模型根据所述用户的病症类型为所述用户推荐匹配的目标医院之后,所述获取模块还用于:获取所述用户在所述目标医院的诊疗结果;相应地,所述推荐子模型还用于:若确定所述目标医院与所述诊疗结果不匹配,则根据所述诊疗结果为所述用户推荐新的目标医院。
在一种可能的设计中,在所述推荐子模型根据所述用户的病症类型为所述用户推荐匹配的目标医院,所述联邦学习子模型还用于:根据所述用户在所述目标医院的诊疗结果和/或所述用户在所述新的目标医院的诊疗结果,更新所述医院联邦模型。
第三方面,本发明实施例提供的一种计算设备,包括至少一个处理单元以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行上述第一方面任意所述的推荐方法。
第四方面,本发明实施例提供的一种计算机可读存储介质,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行上述第一方面任意所述的推荐方法。
本发明的这些方面或其它方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种可能的系统架构示意图;
图2为本发明实施例提供的一种推荐方法对应的流程示意图;
图3为本发明实施例提供的一种推荐装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种可能的系统架构示意图,如图1所示,该系统架构可以包括推荐服务器110和至少一个客户端设备,比如客户端设备101、客户端设备102和客户端设备103。其中,客户端设备可以是指终端设备,比如手机、笔记本电脑、IPad等,具体不作限定。
如图1所示,该系统架构中可以包括多个医院节点,比如医院节点121、医院节点122、医院节点123、医院节点124和医院节点125。本发明实施例中,至少一个客户端设备和多个医院节点可以分别与推荐服务器110连接,比如可以通过有线方式实现连接,或者也可以通过无线方式实现连接,具体不作限定。
具体实施中,推荐服务器110可以预先与各个医院节点进行联合,作为联邦学习的中间方参与各个医院节点的联邦学习过程,从而联合各个医院节点的医疗数据训练得到医院联邦模型;进一步地,推荐服务器110可以根据医院联邦模型对各个医院节点的医疗数据进行分析,确定出各个医院节点擅长的医疗领域,并可以根据各个医院节点擅长的医疗领域对各个医院节点在每个病症类型下的诊疗效果进行排名,从而得到每个病症类型对应的医院排名。举例来说,推荐服务器110中可以存储有联合医院节点121~医院节点125训练得到的医院联邦模型,并可以存储有医院联邦模型分析医院节点121~医院节点125得到的各个病症类型对应的医院排名,比如肝脏疾病类型对应的医院排名、肠胃疾病类型对应的医院排名、皮肤疾病类型对应的医院排名和肺部疾病类型对应的医院排名等。
需要说明的是,图1仅是一种示例性的简单说明,其所列举的疾病类型仅是为了便于说明方案,并不构成对方案的限定,在具体实施中,疾病类型的数量可以远远大于4个,比如可以为10个或10个以上。
基于图1所示意的系统架构,图2为本发明实施例提供的一种推荐方法对应的流程示意图,该方法的执行主体可以为推荐服务器110,该方法包括:
步骤201,获取用户的病症信息。
在一种可能的实现方式中,客户端设备上可以设置有浏览器,相应地,推荐服务器110可以预先在浏览器中设置服务界面;如此,用户可以通过在客户端设备的浏览器中输入服务界面对应的链接获取到服务界面。具体实施中,服务界面中可以设置有输入框,从而用户可以通过触发输入框获取到对应的输入界面,并可以按照设定的方式输入病症信息。在该实现方式中,浏览器可以是指全球广域网(World Wide Web,web)浏览器,相应地,推荐服务器110的类型可以为web服务器类型。
本发明实施例中,输入框的类型可以由本领域技术人员根据经验进行设置,比如可以支持语音输入、文字输入、脑电输入中的任意一项或任意多项。在一个示例中,为了提高用户的满意度,可以设置输入框同时支持语音输入、文字输入、脑电输入等,如此,用户可以以发出语音的方式输入病症信息、或者也可以以键入文字的方式输入病症信息,或者还可以通过配合脑电设备以脑电控制的方式输入病症信息,具体不作限定。
相应地,推荐服务器110中可以设置有多种类型的识别模块,比如语音识别模块、脑电识别模块、语义识别模块等;其中,语音识别模块可以基于神经语言程序学(Neuro-Linguistic Programming,NLP)将语音信息转化为文字信息,脑电识别模块可以解析脑电信号获取对应的文字信息,语义识别模块可以按照关键字匹配的方式从文字信息中提取到一个或多个特征关键字或特征关键词,从而基于一个或多个特征关键字或特征关键词确定病症信息。如此,推荐服务器110在接收到用户的输入信息后,可以调用相关的识别模块识别输入信息,从而确定出用户的病症信息。
举例来说,若用户在客户端设备101的输入界面上通过语音方式输入“从昨晚开始肚子疼痛,一直拉肚子,伴随呕吐脱水症状”,则推荐服务器可以先调用语音识别模块解析语音信息得到对应的文字信息,然后可以调用语义识别模块从文字信息“从昨晚开始肚子疼痛,一直拉肚子,伴随呕吐脱水症状”中匹配到特征关键词“肚子疼”、“拉肚子”、“呕吐”、“脱水”;进一步地,推荐服务器110可以直接将“肚子疼”、“拉肚子”、“呕吐”、“脱水”作为用户的病症信息,或者也可以先从预设病症特征库中匹配出与这些特征关键词具有相同语义的标准特征关键词,比如“肚子疼”、“拉肚子”、对应的标准特征关键词为“腹部疼痛”、“腹泻”,则可以将“腹部疼痛”、“腹泻”、“呕吐”、“脱水”作为用户的病症信息。
需要说明的是,本发明实施例中,用户可以在客户端设备的输入界面上输入病症信息,或者也可以直接在客户端设备的输入界面上输入病症类型;相应地,推荐服务器110可以基于病症信息为用户推荐目标医院,也可以基于病症类型为用户推荐目标医院,具体不作限定。
示例性地,本发明的下列实施例以用户输入病症信息为例描述推荐方法的具体实现过程。
步骤202,将用户的病症信息输入医院联邦模型,确定与用户匹配的目标医院。
本发明实施例中,医院联邦模型可以为一个综合模型,即医院联邦模型可以由多个子模型构成,多个子模型包括但不限于联邦训练子模型、病症分析子模型和推荐子模型;其中,联邦训练子模型可以联合各个医院节点的医疗数据训练联邦模型,并可以对各个医院节点在每个病症类型下的擅长情况进行排名,得到每个病症类型对应的医院列表;病症分析子模型可以对用户输入的病症信息进行分析,确定用户的病症信息所属的病症类型;推荐子模型可以在病症分析子模型确定出用户的病症信息所属的病症类型后,从联邦训练子模型中获取该病症类型对应的医院列表,为用户推荐目标医院。
下面分别描述这三个子模型的训练过程和使用过程。
联邦训练子模型
具体实施中,联邦训练子模型可以为基于联邦学习方式使用各个医院节点的隐私医疗数据训练模型得到的,由于不同的医院节点所接待的病人大多不同,而病人所具有的病症信息相似,因此,可以使用横向联邦学习方法来训练联邦训练子模型。相应地,在训练得到联邦训练子模型后(或者也可以为在训练的过程中确定),还可以使用联邦训练子模型分别对各个医院节点的擅长领域进行标注,比如每个医院节点对任一种病症类型的擅长程度,从而针对于每种病症类型对各个医院节点进行排名,得到每种病症类型对应的医院列表。在每种病症类型对应的医院列表中,排名靠前的医院对该种病症类型的患者的诊疗效果比排名靠后的医院对该种病症类型的患者的诊疗效果要好。
本发明实施例中,各个医院节点包括但不限于全科类型的医院、专科类型的医院、社区医院、诊所等医疗机构,比如综合医院、中医医院、中西医结合医院、民族医医院、专科医院、康复医院、妇幼保健院、社区卫生服务中心、社区卫生服务站、中心卫生院、乡(镇)卫生院、街道卫生院、中医诊所、民族医诊所、卫生所、医务室、卫生保健所、卫生站、村卫生室、专科疾病防治院、专科疾病防治所、专科疾病防治站、临床检验中心、急救中心、护理院等。
本发明实施例中,联邦训练子模型可以有多种可能,下面分别描述两种可能的联邦训练子模型。
在一种可能的实现方式中,可以综合各个医院节点在各种病症类型下的隐私医疗数据训练得到综合的联邦训练子模型,并使用综合的联邦训练子模型确定每个病症类型对应的医院列表。具体实施中,推荐服务器110可以向参与联邦学习的各个医院节点发送初始模型参数,以使各个医院节点根据初始模型参数构建初始模型,并基于初始模型和各自的隐私医疗数据训练各自的医院模型;进一步地,每个医院节点在训练得到对应的医院模型后,可以将医院模型的模型参数发送给推荐服务器110,如此,推荐服务器110若确定接收到各家医院节点发送的模型参数,则可以综合各家医院节点的模型参数得到第一轮联邦训练的综合模型参数。相应地,若确定满足联邦学习的结束条件,则推荐服务器110可以使用第一轮联邦训练的综合模型参数构建得到联邦训练子模型,若确定未满足联邦学习的结束条件,则推荐服务器110可以将第一轮联邦训练的综合模型参数发送给参与联邦学习的各个医院节点,以使各个医院节点根据第一轮联邦训练的综合模型参数构建第一轮联邦模型,并基于第一轮联邦模型和各自的隐私医疗数据继续训练各自的医院模型,重复执行联邦训练过程,直至第I轮联邦训练满足联邦学习的结束条件,从而使用第I轮联邦训练的综合模型参数构建得到联邦训练子模型。
作为一种示例,确定综合模型参数的方式可以为:在任一轮联邦训练过程中,每个医院节点可以同时将模型结构参数和损失函数发送给推荐服务器110;如此,推荐服务器110在接收到各个医院节点发送的模型结构参数和损失函数后,可以先根据各个医院节点发送的损失函数确定各个模型结构参数的权重,再使用加权平均的方式得到综合模型结构参数。其中,若模型结构参数对应的损失函数越小,说明该模型结构参数对应的模型效果越好,因此可以为该模型结构参数分配较大的权重。比如在某一轮联邦训练中,医院节点121~医院节点125发送的损失函数分别为0.1、0.25、0.2、0.3、0.15,则说明医院节点121~医院节点125的模型结构参数的效果排名为:医院节点124的模型结构参数>医院节点122的模型结构参数>医院节点123的模型结构参数>医院节点125的模型结构参数>医院节点121的模型结构参数,如此,推荐服务器110可以设置医院节点121~医院节点125的模型结构参数的权重分别为10%、25%、20%、30%和15%。
本发明实施例中,联邦学习的结束条件可以包括以下任意一项或任意多项:当前轮联邦训练的综合模型参数收敛、联邦训练的轮数大于或等于预设训练次数、联邦训练的时间大于或等于预设训练时长,具体为何种结束条件可以由本领域技术人员根据实际经验进行设置。举例来说,若联邦学习的结束条件为联邦训练的轮数大于或等于5次,则当各个医院节点分别训练5次医院模型(即第5轮联邦训练结束)后,推荐服务器110可以确定满足联邦学习的结束条件,因此可以使用第5轮联邦训练的综合模型参数构建得到联邦训练子模型;或者,若联邦学习的结束条件为联邦训练的时间大于或等于5分钟,则当从第一轮联邦训练开始执行至第5分钟时,若此时正在执行第3轮联邦训练过程,则推荐服务器110可以使用第3轮联邦训练的综合模型参数构建得到联邦训练子模型。
相应的,若联邦学习的结束条件为当前轮联邦训练的综合模型参数收敛,则针对于任一轮联邦训练,推荐服务器110还可以根据该轮联邦训练中各医院节点发送的损失函数计算得到该轮联邦训练的综合损失函数,若确定该轮联邦训练的综合损失函数处于收敛状态(比如该轮联邦训练的综合损失函数小于或等于某一阈值),则可以确定该轮联邦训练满足联邦学习的结束条件,从而可以基于该轮联邦训练的综合模型结构参数构建联邦训练子模型;若确定该轮联邦训练的综合损失函数未处于收敛状态(比如该轮联邦训练的综合损失函数大于某一阈值),则可以确定该轮联邦训练未满足联邦学习的结束条件,从而可以将该轮联邦训练的综合模型结构参数下发给每个医院节点,以使每个医院节点基于该轮联邦训练的综合模型结构参数执行下一轮联邦训练,直至训练至某一轮联邦训练的综合损失函数处于收敛状态。
在一个示例中,医院节点的隐私医疗数据可以包括该医院节点接待过的病患的特征信息和该医院节点的特征信息,其中,病患的特征信息可以包括病患的病症信息、诊疗信息和治愈信息,病症信息用于指示病症的外在表现信息,比如疼痛等级、疼痛时长、发热情况、饮食情况、疲倦指数等,诊疗信息用于指示治疗过程产生的表单数据,比如医生诊断报告、化验数据单、药物清单、B超检测报告、心电图、血液检测报表等,治愈信息用于指示治疗结果,比如治疗成功或治疗失败、治疗时长、病患的治疗感受、每个阶段的治疗效果等。相应地,医院节点的特征信息用于表征医院节点的医疗水平,比如可以包括医生数量、每个医生的资质、每个医生诊疗病患的数量、医疗设备的数量、每个医疗设备的使用年限、每个医疗设备的质量等级中的任意一项或任意多项。
进一步地,推荐服务器110在训练得到联邦训练子模型的过程中,可以根据各个医院节点的隐私医疗数据确定各个医院节点在每种病症类型下的排名情况,从而得到每种病症类型对应的医院列表。举例来说,若在训练过程中确定医院节点121~医院节点125对于肝脏疾病类型的患者的治愈率分别为50%、70%、60%、65%、55%,医院节点121~医院节点125对于肠胃疾病类型的患者的治愈率分别为95%、80%、85%、88%、90%,医院节点121~医院节点125对于皮肤疾病类型的患者的治愈率分别为92%、95%、88%、90%、89%,医院节点121~医院节点125对于肺部疾病类型的患者的治愈率分别为83%、65%、85%、80%、91%,则肝脏疾病类型对应的医院列表可以为医院节点122>医院节点124>医院节点123>医院节点125>医院节点121,肠胃疾病类型对应的医院列表可以为医院节点121>医院节点125>医院节点124>医院节点123>医院节点122,皮肤疾病类型对应的医院列表可以为医院节点122>医院节点121>医院节点124>医院节点125>医院节点123,肺部疾病类型对应的医院列表可以为医院节点125>医院节点123>医院节点121>医院节点124>医院节点122。
在该种实现方式中,通过训练综合联邦训练子模型,可以直接使用综合联邦训练子模型确定每种病症类型对应的医院列表,从而可以降低数据处理量,提高模型训练的效率。
在另一种可能的实现方式中,可以综合各个医院节点在每种病症类型下的隐私医疗数据训练得到每种病症类型对应的联邦训练子模型,进而可以根据每种病症类型对应的联邦训练子模型确定各个医院节点在该种病症类型下的医院列表。具体实施中,针对于任一病症类型,推荐服务器110可以首先从各个医院节点中选取接待过患有该种病症类型的病患的各个目标医院节点(至少两个医院节点),将各个目标医院节点作为该种病症类型对应的联邦学习的参与方,并可以向各个目标医院节点发送初始模型参数和病症类型的标识;相应地,针对于任一目标医院节点,该目标医院节点在接收到初始模型参数和病症类型的标识后,可以根据病症类型的标识从历史隐私医疗数据中获取曾接待过的患有该种病症类型的病患的特征信息,并可以使用病患的特征信息和该目标医院节点的特征信息训练该医院节点在该种病症类型下的医院模型,并可以将训练得到的模型参数发送给推荐服务器110。如此,推荐服务器110可以根据各个目标医院节点发送的模型参数计算得到本轮联邦训练的综合模型参数,若确定满足联邦学习的结束条件,则可以根据本轮联邦训练的综合模型参数建立该种病症类型对应的联邦训练子模型;若确定不满足联邦学习的结束条件,则可以将本轮联邦训练的综合模型参数下发给每个目标医院节点,使得每个目标医院节点在本轮联邦训练的综合模型参数的基础上继续训练医院模型,重复执行上述过程直至满足联邦学习的结束条件。
在该种实现方式中,不同病症类型的联邦学习过程可以联合不同的医院节点,或者也可以联合部分或全部相同的医院节点。举例来说,若联合医院节点121、医院节点122和医院节点123来进行肠胃疾病的联邦学习,联合医院节点121、医院节点124和医院节点125来进行肺部疾病的联邦学习,则推荐服务器110可以将肠胃疾病类型的初始模型参数发送给医院节点121、医院节点122和医院节点123,将肺部疾病类型的初始模型参数发送给医院节点121、医院节点124和医院节点125;相应地,医院节点121可以使用医院节点121曾诊疗过的肠胃疾病病患的特征信息和医院节点121的特征信息训练医院节点121的肠胃模型,同时还可以使用医院节点121曾诊疗过的肺部疾病病患的特征信息和医院节点121的特征信息训练医院节点121的肺部模型,医院节点122可以使用医院节点122曾诊疗过的肠胃疾病病患的特征信息和医院节点122的特征信息训练医院节点122的肠胃模型,医院节点123可以使用医院节点123曾诊疗过的肠胃疾病病患的特征信息和医院节点123的特征信息训练医院节点123的肠胃模型;相应地,医院节点124可以使用医院节点124曾诊疗过的肺部疾病病患的特征信息和医院节点124的特征信息训练医院节点124的肺部模型,医院节点125可以使用医院节点125曾诊疗过的肺部疾病病患的特征信息和医院节点125的特征信息训练医院节点125的肺部模型。
进一步地,推荐服务器110在接收到医院节点121发送的肠胃模型参数和肺部模型参数、医院节点122发送的肠胃模型参数、医院节点123发送的肠胃模型参数、医院节点124发送的肺部模型参数、医院节点125发送的肺部模型参数后,可以根据医院节点121发送的肠胃模型参数、医院节点122发送的肠胃模型参数和医院节点123发送的肠胃模型参数计算得到肠胃综合模型参数,并可以根据医院节点121发送的肺部模型参数、医院节点124发送的肺部模型参数和医院节点125发送的肺部模型参数计算得到肺部综合模型参数。进一步地,推荐服务器110若确定肠胃综合模型参数满足肠胃联邦学习的结束条件,则可以根据肠胃综合模型参数构建肠胃病症类型对应的联邦模型,并可以将肠胃综合模型参数分别发送给医院节点121、医院节点122和医院节点123,以使医院节点121、医院节点122和医院节点123分别使用肠胃综合模型参数更新自己的肠胃模型;且,推荐服务器110若确定肺部综合模型参数不满足肺部联邦学习的结束条件,则可以将肺部综合模型参数分别发送给医院节点121、医院节点124和医院节点125,以使医院节点121、医院节点124和医院节点125基于肺部综合模型参数继续训练肺部模型,直至满足肺部联邦学习的结束条件为止。
本发明实施例中,针对于任一种病症类型,在训练该种病症类型对应的联邦训练子模型的过程中,可以根据参与该种病症类型的联邦学习的各个目标医院节点的隐私医疗数据确定各个目标医院节点在该种病症类型下的排名情况,从而得到该种病症类型对应的医院列表。具体实现过程可以参照上述描述,此处不再赘述。
在该种实现方式中,通过训练每种病症类型对应的联邦训练子模型,使得每一种病症类型均可以对应一个联邦训练子模型,从而可以提高病症类型对应的医院列表的准确性,进而提高为用户推荐目标医院的准确性。本发明实施例中,由于同一病症类型可能对应多种病症特征,且对该种病症类型较为擅长的多家医院所擅长的病症特征也不相同,因此通过建立每种病症类型对应的联邦训练子模型,可以准确确定用户的病症信息与每家医院擅长的病症特征的匹配程度,从而为用户提供最为合适的目标医院。
病症分析子模型
具体实施中,若确定用户在输入界面输入的信息为病症信息而不是病症类型,则推荐服务器110可以将用户的病症信息输入病症分析子模型,从而预测得到该病症信息对应的病症类型。其中,病症分析子模型的类型可以由本领域技术人员根据经验进行设置,比如可以为神经网络模型,或者也可以为分类模型,具体不作限定。
以病症分析子模型为分类模型为例,具体实施中,病症分析子模型中可以存储有多个病症类型的特征信息,针对于任一病症类型,病症分析子模型可以根据用户的病症信息与该种病症类型的特征信息的相似程度确定用户的病症信息属于该种病症类型的概率;进一步地,在预测得到用户的病症信息属于每种病症类型的概率后,可以将概率最大的病症类型作为用户的病症信息对应的病症类型。以步骤201中对用户输入的病症信息进行分析得到的标准病症信息为“腹部疼痛”、“腹泻”、“呕吐”、“脱水”为例,在将“腹部疼痛”、“腹泻”、“呕吐”、“脱水”输入病症分析子模型后,若预测该病症信息为肝脏疾病、肠胃疾病、皮肤疾病、肺部疾病的概率分别为20%、95%、5%、2%,则病症分析子模型可以确定该用户的病症信息所属的病症类型为肠胃疾病,因此病症分析子模型可以输出肠胃疾病。
本发明实施例中,病症分析子模型可以为使用已标记病症类型的多组病症信息训练模型得到的,上述过程描述了使用病症分析子模型预测病症类型的具体实现过程,下面描述训练得到病症分析子模型的具体实现过程。
在一种可能的实现方式中,病症分析子模型可以为基于联邦学习方式联合各个医院节点的隐私病症信息训练得到的。具体实施中,推荐服务器110作为中间参与方,可以分别向多个医院节点发送模型训练指示,模型训练指示中可以携带有病症训练子模型的初始模型参数;相应地,每个医院节点在接收到模型训练指示后,可以从该医院节点的历史病例中获取多组历史病症信息以及诊疗确定的多组历史病症信息所属的病症类型,进而可以基于初始模型参数使用多组历史病症信息及对应的病症类型执行训练过程,得到本轮联邦训练的模型参数并发送给推荐服务器110;进一步地,推荐服务器110根据各个医院节点的本轮联邦训练的模型参数确定本轮联邦训练的综合模型参数后,若确定满足联邦学习的结束条件,则可以使用本轮联邦训练的综合模型参数得到病症分析子模型,若确定不满足联邦学习的结束条件,则可以将本轮联邦训练的综合模型参数下发给各个医院节点,重复执行联邦训练直至满足联邦学习的结束条件。
其中,训练病症分析子模型时联邦学习的结束条件可以与训练联邦训练子模型时联邦学习的结束条件相同,或者也可以不同,具体不作限定。
在上述实现方式中,通过使用联邦学习的方式联合各个医院节点建立病症分析子模型,可以使得病症分析子模型涵盖了各个医院节点的隐私病症信息,精确度较高,且,联邦学习可以使得各个医院节点的隐私病症信息不出本地,从而可以保证各个医院节点的隐私数据的安全性。
在另一种可能的实现方式中,病症分析子模型也可以为使用公开的多组病症信息训练得到的,训练过程可以包括如下步骤a~步骤c:
步骤a,获取公开的多组病症信息,确定训练样本。
此处,可以通过多种方式获取公开的多组病症信息,比如可以通过网络从病症资源电子库中下载多组病症信息,或者可以从图书馆中查询得到多组病症信息,或者还可以通过请教经验丰富的医生来获取多组病症信息,具体不作限定。
本发明实施例中,可以将获取到的多组病症信息直接作为训练样本,或者也可以先对多组病症信息进行增强操作,再将增强操作后的病症信息作为训练样本,从而扩大训练样本的数据量。其中,对任一组病症信息进行的增强操作可以包括但不限于:随机使用相似关键词替换该组病症信息中的关键词、随机调整该组病症信息中的多个关键词的顺序、随机组合该组病症信息中的任意一个或任意多个关键词。
在一个示例中,通过增强操作,可以将训练样本扩展为原有训练样本的10倍;可以理解地,训练样本扩展的倍数可以由本领域技术人员根据经验进行设置,或者也可以根据实际需要进行设置,具体不作限定。
步骤b,为训练样本标记病症类型。
本发明实施例中,可以在获取每组病症信息时为每组病症信息标记病症类型,比如在通过网络从病症资源电子库中下载多组病症信息时,可以按照病症类型检索得到每种病症类型对应的一组或多组病症信息,如此,可以直接根据检索的病症类型为每组病症类型打上标签。
相应地,针对于获取时未标记病症类型的病症信息,可以通过医生等专业人员对这些病症信息的病症类型进行标记,比如可以先由多名医生分别标记病症信息所属的病症类型,再通过多人投票合成的方式确定最终的病症类型,从而提高病症信息对应的病症类型的准确度。
需要说明的是,人工标记病症信息所属的病症类型的过程与病症信息的增强操作过程可以不分先后顺序,比如可以先由人工标记病症信息所属的病症类型,再对标记有病症类型的病症信息进行增强操作,或者也可以先对病症信息进行增强操作,再由人工对增强操作后的病症信息进行标记,具体不作限定。
步骤c,使用已标记病症类型的训练样本训练模型得到病症分析子模型。
作为一种示例,病症分析子模型可以为卷积神经网络模型,卷积神经网络模型的结构可以包括输入层、下采样卷积块、上采样卷积块、目标检测网络以及输出层。具体实施中,可以将已标记病症类型的病症信息输入卷积神经网络模型,如此,卷积神经网络可以根据每个病症类型对应的多组病症信息提取每个病症类型的特征信息,并可以基于病症类型的特征信息预测并输出病症信息所属的病症类型;进一步地,可以根据预测的病症类型与预先标记的病症类型确定损失函数,并可以采用反向传播算法以及随机梯度下降(Stochastic Gradient Descent,SGD)优化算法反复迭代,不断更新卷积神经网络模型的参数,从而使用最优模型参数得到病症分析子模型。
在上述实现方式中,由于公开的病症信息较易获取,因此使用公开的病症信息训练模型的方式较为灵活,操作简单,成本较低。
推荐子模型
本发明实施例中,推荐子模型可以同时与web前端页面的输入界面、联邦训练子模型和病症分析子模型连接,推荐子模型可以获取用户在web前端页面的输入界面输入的信息,并可以根据该输入信息与联邦训练子模型和病症分析子模型交互,为用户推荐目标医院。具体实施中,输入界面上可以同时设置有病症类型的输入框和病症信息的输入框,若检测到用户在病症类型的输入框中输入病症类型,则推荐子模型可以直接根据用户输入的病症类型从联邦训练子模型中获取该病症类型对应的医院列表,从而基于该病症类型对应的医院列表为用户推荐目标医院;相应地,若检测到用户在病症信息的输入框中输入病症信息,则推荐子模型可以先将用户输入的病症信息发送给病症分析子模型,并在病症分析子模型根据用户输入的病症信息确定病症类型后,再根据病症分析子模型确定的病症类型从联邦训练子模型中获取该病症类型对应的医院列表,从而基于该病症类型对应的医院列表为用户推荐目标医院。
需要说明的是,上述仅是一种示例性的简单说明,并不构成对方案的限定,可以理解地,输入界面上可以仅设置有病症类型的输入框,或者可以仅设置有病症信息的输入框,或者还可以同时设置有病症类型的输入框和病症信息的输入框,具体不作限定。
在一个示例中,在病症分析子模型确定用户的病症信息对应的病症类型后,推荐子模型可以从联邦训练子模型中获取该病症类型对应的医院列表,由于医院列表中的医院为按照诊疗效果排列的,因此,推荐子模型可以直接从该病症类型对应的医院列表中获取排名靠前的预设数量的目标医院,将预设数量的目标医院推荐给用户。举例来说,当用户的病症信息为“腹部疼痛”、“腹泻”、“呕吐”、“脱水”时,若病症分析子模型确定用户的病症类型为肠胃疾病,则推荐子模型可以从联邦训练子模型中获取肠胃疾病对应的医院列表;相应地,若肠胃疾病类型对应的医院列表排名为医院节点121>医院节点125>医院节点124>医院节点123>医院节点122,预设数量为3,则推荐子模型可以向用户推荐医院节点121、医院节点125和医院节点124,以使用户根据自身的需求选择医院节点121、医院节点125和医院节点124中的任意一个医院进行就诊。
在另一个示例中,推荐子模型还可以通过web浏览器获取用户的需求信息,用户的需求信息可以包括但不限于诊疗价值范围、医院位置信息、服务评分等;如此,推荐子模型从联邦训练子模型中获取用户的病症类型对应的医院列表后,可以根据医院列表中各家医院对该病症类型的治愈率信息和用户的需求信息从医院列表中选择满足用户的需求信息的预设数量的目标医院,将预设数量的目标医院推荐给用户。举例来说,当用户的病症信息为“腹部疼痛”、“腹泻”、“呕吐”、“脱水”时,若病症分析子模型确定用户的病症类型为肠胃疾病,则推荐子模型可以从联邦训练子模型中获取肠胃疾病对应的医院列表,即医院节点121>医院节点125>医院节点124>医院节点123>医院节点122;进一步地,若用户的需求信息为500价值、杭州,则推荐子模型可以从医院节点121、医院节点125、医院节点124、医院节点123、医院节点122中选择位于杭州地区内且就诊价值在500价值之内的目标医院,比如医院节点125和医院节点123,从而推荐子模型可以将医院节点125和医院节点123推荐给用户。
作为一个示例,推荐子模型在向用户推荐目标医院后,推荐服务器110还可以采集用户的就诊信息,如用户的化验数据、药物清单、B超结果、心电图等,然后根据就诊数据判断推荐的目标医院是否为适合用户的医院。若该目标医院为适合用户的医院,则可以告知用户在该医院进行后续的治疗,若该目标医院并不适合用户(比如病症类型不对口或者用户自身原因想换医院),则可以根据用户的就诊信息重新为用户推荐目标医院。
需要说明的是,上述示例可以由推荐服务器110自动执行,或者也可以由用户来执行,比如用户可以自行决定是否留在该目标医院进行治疗,若不留在该目标医院进行治疗,则用户也可以自行选择去其他医院就诊,不作限定。
在一种可能的实现方式中,推荐服务器110还可以根据各个医院节点接待的病患的特征信息更新联邦模型。具体实施中,推荐服务器110可以预先设置一个时间节点,在该时间节点到达时,推荐服务器110可以向各个医院节点发送模型更新指令,模型更新指令中可以包含联邦训练子模型的模型参数;或者,推荐服务器110可以预先将时间节点发送给各个医院节点,当该时间节点到达时,各个医院节点可以自行启动模型更新过程。以后者为例,若时间节点为每晚0:00,则每个医院节点可以在每天0:00时自动收集当天的诊疗数据,并可以根据当天的诊疗数据继续优化各自的联邦训练子模型,进而将优化的联邦训练子模型的模型参数发送给推荐服务器110;相应地,推荐服务器110接收到各个医院节点发送的优化的模型参数后,可以计算得到综合模型参数,若确定满足联邦学习的结束条件,则可以根据综合模型参数更新内部的联邦训练子模型,若确定不满足联邦学习的结束条件,在可以将综合模型参数下发给各个医院节点,重复执行联邦训练过程直至满足联邦学习的结束条件。
相应地,推荐服务器110在更新联邦训练子模型的过程中,可以根据各个医院节点总的医疗数据(包括历史医疗数据和当天的医疗数据)对各个医院节点擅长的医疗领域进行更新,进而更新每种病症类型对应的医院列表,使得推荐模型后续使用更新的医院列表为用户推荐目标医院。本发明实施例中,通过更新联邦训练子模型,可以不断优化各种病症类型对应的医院列表,从而提高推荐模型的推荐效果,提高用户的满意度。
需要说明的是,上述仅是一种示例性的简单说明,其仅是为了便于说明方案,并不构成对方案的限定。在具体实施中,也可以通过其它方式更新联邦模型,比如可以设置各个医院节点每接待50名病患时自动启动模型更新过程等等,具体不作限定。
本发明的上述实施例描述了推荐方法在医疗领域中的应用,可以理解地,该推荐方法也可以应用在其它领域,比如金融领域、购物领域、教育领域等,具体不作限定。
本发明的上述实施例中,获取用户的病症信息,并将所述用户的病症信息输入医院联邦模型确定所述用户的病症类型,进而根据所述医院联邦模型中所述用户的病症类型对应的医院列表为所述用户推荐匹配的目标医院;其中,所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的,所述医院联邦模型包括各个病症类型对应的医院列表。本发明实施例中,通过使用联邦学习方式建立医院联邦模型,可以在保证各医院节点的隐私医疗数据安全性的基础上提高推荐目标医院的精确度;且,在确定用户的病症类型后,通过医院联邦模型确定该病症类型下用户对应的目标医院,可以根据用户的病症情况为用户推荐合适的医院,从而可以提高用户就医的准确性,并能降低大医院的就医压力。
针对上述方法流程,本发明实施例还提供一种推荐装置,该装置的具体内容可以参照上述方法实施。
图3为本发明实施例提供的一种推荐装置的结构示意图,所述装置包括获取模块310和医院联邦模型320,所述医院联邦模型320包括联邦训练子模型321、病症分析子模型322和推荐子模型323;
所述联邦训练子模型321,用于使用各个医院节点的医疗数据进行联邦学习,得到所述医院联邦模型;
所述获取模块310,用于获取用户的病症信息;
所述病症分析子模型322,用于根据所述用户的病症信息确定所述用户的病症类型;
所述推荐子模型323,用于根据所述用户的病症类型为所述用户推荐匹配的目标医院:
可选地,所述联邦训练子模型321具体用于:
在第I轮联邦训练中,若所述I为1,则分别向参与联邦学习的各医院节点发送初始模型参数;若所述I为大于1的整数,则分别向参与联邦学习的各医院节点发送第I-1轮联邦训练的综合模型参数;
获取所述各医院节点在所述第I轮联邦训练中的模型参数;每个医院节点在所述第I轮联邦训练中的模型参数为所述医院节点在所述初始模型参数或所述第I-1轮联邦训练的综合模型参数的基础上,使用所述医院节点的医疗数据训练模型得到的;
根据所述各医院节点在所述第I轮联邦训练中的模型参数得到第I轮联邦训练的综合模型参数,若确定所述第I轮联邦训练已达到所述联邦学习的结束条件,则使用所述第I轮联邦训练的综合模型参数建立所述医院联邦模型;若确定所述第I轮联邦训练未达到所述联邦学习的结束条件,则启动第I+1轮联邦训练。
可选地,所述联邦学习的结束条件包括以下任意一项或任意多项:
综合模型参数收敛;联邦训练的轮数大于或等于预设训练次数;联邦训练的时间大于或等于预设训练时长。
可选地,医院节点的医疗数据包括但不限于:
所述医院节点中的医生数量、医生资质、医疗设备数量、医疗设备标准,以及,在所述医院节点诊疗过的病患的病症信息、诊疗信息和治愈信息。
可选地,所述推荐子模型323具体用于:
根据所述用户的病症类型、所述用户的位置信息、所述各个医院节点的位置信息以及所述各个医院节点对所述病症类型的病患的治愈率信息,对所述各个医院节点进行排序,得到目标医院列表;
将所述目标医院列表推荐给所述用户。
可选地,在所述推荐子模型323根据所述用户的病症类型为所述用户推荐匹配的目标医院之后,所述获取模块310还用于:获取所述用户在所述目标医院的诊疗结果;
所述推荐子模型323还用于:若确定所述目标医院与所述诊疗结果不匹配,则根据所述诊疗结果为所述用户推荐新的目标医院。
可选地,在所述推荐子模型323根据所述用户的病症类型为所述用户推荐匹配的目标医院,所述联邦训练子模型321还用于:
根据所述用户在所述目标医院的诊疗结果和/或所述用户在所述新的目标医院的诊疗结果,更新所述医院联邦模型。
从上述内容可以看出:本发明的上述实施例中,获取用户的病症信息,并将所述用户的病症信息输入医院联邦模型确定所述用户的病症类型,进而根据所述医院联邦模型中所述用户的病症类型对应的医院列表为所述用户推荐匹配的目标医院;其中,所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的,所述医院联邦模型包括各个病症类型对应的医院列表。本发明实施例中,通过使用联邦学习方式建立医院联邦模型,可以在保证各医院节点的隐私医疗数据安全性的基础上提高推荐目标医院的精确度;且,在确定用户的病症类型后,通过医院联邦模型确定该病症类型下用户对应的目标医院,可以根据用户的病症情况为用户推荐合适的医院,从而可以提高用户就医的准确性,并能降低大医院的就医压力。
基于同一发明构思,本发明实施例还提供了一种计算设备,包括至少一个处理单元以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行如图2任意所述的推荐方法。
基于同一发明构思,本发明实施例还提供了一种计算机可读存储介质,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行如图2任意所述的推荐方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种推荐方法,其特征在于,所述方法包括:
获取用户的病症信息;
将所述用户的病症信息输入医院联邦模型,所述医院联邦模型用于根据所述用户的病症信息确定所述用户的病症类型,从所述用户的病症类型对应的医院列表中为所述用户推荐匹配的目标医院;其中,所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的,所述医院联邦模型中包括各病症类型对应的医院列表,任一病症类型对应的医院列表为所述各医院节点使用各自具有的所述病症类型的医疗数据进行联邦学习得到的。
2.根据权利要求1所述的方法,其特征在于,所述医院联邦模型为使用各个医院节点的医疗数据进行联邦学习得到的,包括:
在第I轮联邦训练中,若所述I为1,则分别向参与所述联邦学习的各医院节点发送初始模型参数;若所述I为大于1的整数,则分别向参与所述联邦学习的各医院节点发送第I-1轮联邦训练的综合模型参数;
获取所述各医院节点在所述第I轮联邦训练中的模型参数;每个医院节点在所述第I轮联邦训练中的模型参数为所述医院节点在所述初始模型参数或所述第I-1轮联邦训练的综合模型参数的基础上,使用所述医院节点的医疗数据训练模型得到的;
根据所述各医院节点在所述第I轮联邦训练中的模型参数得到第I轮联邦训练的综合模型参数,若确定所述第I轮联邦训练已达到所述联邦学习的结束条件,则使用所述第I轮联邦训练的综合模型参数建立所述医院联邦模型;若确定所述第I轮联邦训练未达到所述联邦学习的结束条件,则启动第I+1轮联邦训练。
3.根据权利要求2所述的方法,其特征在于,所述联邦学习的结束条件包括以下任意一项或任意多项:综合模型参数收敛;联邦训练的轮数大于或等于预设训练次数;联邦训练的时间大于或等于预设训练时长。
4.根据权利要求1所述的方法,其特征在于,医院节点的医疗数据包括但不限于:所述医院节点中的医生数量、医生资质、医疗设备数量、医疗设备标准,以及,在所述医院节点诊疗过的病患的病症信息、诊疗信息和治愈信息。
5.根据权利要求1所述的方法,其特征在于,所述医院联邦模型用于根据所述用户的病症类型为所述用户推荐匹配的目标医院,包括:
所述医院联邦模型根据所述用户的病症类型、所述用户的位置信息、所述各个医院节点的位置信息以及所述各个医院节点对所述病症类型的病患的治愈率信息,对所述各个医院节点进行排序,得到目标医院列表;
所述医院联邦模型将所述目标医院列表推荐给所述用户。
6.根据权利要求1至5中任一项所述的方法,其特征在于,所述医院联邦模型根据所述用户的病症类型为所述用户推荐匹配的目标医院之后,所述方法还包括:
将所述用户在所述目标医院的诊疗结果输入所述医院联邦模型,所述医院联邦模型还用于若确定所述目标医院与所述诊疗结果不匹配,则根据所述诊疗结果为所述用户推荐新的目标医院。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
根据所述用户在所述目标医院的诊疗结果和/或所述用户在所述新的目标医院的诊疗结果,更新所述医院联邦模型。
8.一种推荐装置,其特征在于,所述装置包括获取模块和医院联邦模型,所述医院联邦模型包括联邦训练子模型、病症分析子模型和推荐模型;
所述联邦训练子模型,用于使用各个医院节点的医疗数据进行联邦学习,得到所述医院联邦模型;
所述获取模块,用于获取用户的病症信息;
所述病症分析子模型,用于根据所述用户的病症信息确定所述用户的病症类型;
所述推荐模型,用于从所述用户的病症类型对应的医院列表中为所述用户推荐匹配的目标医院,任一病症类型对应的医院列表为所述各医院节点使用各自具有的所述病症类型的医疗数据进行联邦学习得到的。
9.一种计算设备,其特征在于,包括至少一个处理单元以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~7任一权利要求所述的方法。
10.一种计算机可读存储介质,其特征在于,其存储有可由计算设备执行的计算机程序,当所述程序在所述计算设备上运行时,使得所述计算设备执行权利要求1~7任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819002.6A CN110516161B (zh) | 2019-08-30 | 2019-08-30 | 一种推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819002.6A CN110516161B (zh) | 2019-08-30 | 2019-08-30 | 一种推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516161A CN110516161A (zh) | 2019-11-29 |
CN110516161B true CN110516161B (zh) | 2021-06-01 |
Family
ID=68629927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910819002.6A Active CN110516161B (zh) | 2019-08-30 | 2019-08-30 | 一种推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516161B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128528A (zh) * | 2019-12-27 | 2021-07-16 | 无锡祥生医疗科技股份有限公司 | 超声影像深度学习分布式训练系统和训练方法 |
WO2021138877A1 (zh) * | 2020-01-09 | 2021-07-15 | 深圳前海微众银行股份有限公司 | 纵向联邦学习模型训练优化方法、装置、设备及介质 |
CN110874440B (zh) * | 2020-01-16 | 2020-05-05 | 支付宝(杭州)信息技术有限公司 | 一种信息推送及其模型训练的方法、装置及电子设备 |
CN111310047B (zh) * | 2020-02-20 | 2021-04-23 | 深圳前海微众银行股份有限公司 | 基于fm模型的信息推荐方法、装置、设备及存储介质 |
CN111324813A (zh) * | 2020-02-20 | 2020-06-23 | 深圳前海微众银行股份有限公司 | 推荐方法、装置、设备及计算机可读存储介质 |
CN111340614B (zh) * | 2020-02-28 | 2021-05-18 | 深圳前海微众银行股份有限公司 | 基于联邦学习的样本采样方法、设备及可读存储介质 |
CN113470806B (zh) * | 2020-03-31 | 2024-05-24 | 中移(成都)信息通信科技有限公司 | 病情检测模型的确定方法、装置、设备及计算机存储介质 |
CN111477326B (zh) * | 2020-04-13 | 2024-05-10 | 深圳前海微众银行股份有限公司 | 传染病毒携带者检测方法、系统、装置、设备和介质 |
CN111897796A (zh) * | 2020-06-30 | 2020-11-06 | 医途(杭州)科技有限公司 | 用于医院引流的数据库构建方法及医院引流方法 |
CN111768868A (zh) * | 2020-07-06 | 2020-10-13 | 上海商汤智能科技有限公司 | 信息处理方法及装置、电子设备和存储介质 |
CN112687389A (zh) * | 2021-01-13 | 2021-04-20 | 罗春华 | 基于5g和区块链的人工智能医疗分级就诊方法及系统 |
CN112712182B (zh) * | 2021-03-29 | 2021-06-01 | 腾讯科技(深圳)有限公司 | 一种基于联邦学习的模型训练方法、装置及存储介质 |
CN113133768A (zh) * | 2021-04-21 | 2021-07-20 | 东南大学 | 基于联邦学习的心血管疾病辅助诊断模型及训练方法 |
CN113284590A (zh) * | 2021-05-27 | 2021-08-20 | 复旦大学 | 一种基于位置服务的医疗资源可视化推荐方法 |
CN113241179A (zh) * | 2021-05-31 | 2021-08-10 | 重庆工程职业技术学院 | 一种用于智能驾驶车辆的控制系统及方法 |
CN113553377B (zh) * | 2021-07-21 | 2022-06-21 | 湖南天河国云科技有限公司 | 基于区块链和联邦学习的数据共享方法及装置 |
CN114428907B (zh) * | 2022-01-27 | 2024-05-28 | 北京百度网讯科技有限公司 | 信息搜索方法、装置、电子设备及存储介质 |
CN116887233B (zh) * | 2023-07-13 | 2024-04-30 | 北京领创医谷科技发展有限责任公司 | 一种患者就近医疗方法、系统、终端及存储介质 |
CN117540432B (zh) * | 2024-01-05 | 2024-03-19 | 河北数港科技有限公司 | 一种互联网的数据隐私保护方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868564A (zh) * | 2016-04-05 | 2016-08-17 | 苏州联康网络有限公司 | 疾病的就诊医院推荐系统 |
CN108461130A (zh) * | 2018-01-18 | 2018-08-28 | 邱堃 | 就诊任务智能调度方法及系统 |
CN109524129A (zh) * | 2018-11-20 | 2019-03-26 | 合肥美迪普医疗卫生用品有限公司 | 一种基于互联网的三维一体伤口造口智慧护理服务系统 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10270599B2 (en) * | 2017-04-27 | 2019-04-23 | Factom, Inc. | Data reproducibility using blockchains |
US20190012592A1 (en) * | 2017-07-07 | 2019-01-10 | Pointr Data Inc. | Secure federated neural networks |
-
2019
- 2019-08-30 CN CN201910819002.6A patent/CN110516161B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868564A (zh) * | 2016-04-05 | 2016-08-17 | 苏州联康网络有限公司 | 疾病的就诊医院推荐系统 |
CN108461130A (zh) * | 2018-01-18 | 2018-08-28 | 邱堃 | 就诊任务智能调度方法及系统 |
CN109524129A (zh) * | 2018-11-20 | 2019-03-26 | 合肥美迪普医疗卫生用品有限公司 | 一种基于互联网的三维一体伤口造口智慧护理服务系统 |
CN110110229A (zh) * | 2019-04-25 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种信息推荐方法及装置 |
Non-Patent Citations (1)
Title |
---|
《联邦学习》;面包君;《http://zhuanlan.zhuhu.com/p/67513614》;20190530;第1-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110516161A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516161B (zh) | 一种推荐方法及装置 | |
US11176444B2 (en) | Model optimization and data analysis using machine learning techniques | |
US20220270738A1 (en) | Computerized systems and methods for military operations where sensitive information is securely transmitted to assigned users based on ai/ml determinations of user capabilities | |
CN106709254B (zh) | 一种医疗诊断机器人系统 | |
US10854335B2 (en) | Computer aided medical method and medical system for medical prediction | |
US20190043619A1 (en) | Methods and apparatus for evaluating developmental conditions and providing control over coverage and reliability | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
EP3335126A1 (en) | Methods and apparatus to determine developmental progress with artificial intelligence and user input | |
KR102301143B1 (ko) | 맞춤형 인지 기능 검사 및 재활 훈련 평가 방법 | |
US20210202085A1 (en) | Apparatus for automatically triaging patient and automatic triage method | |
WO2023178971A1 (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
US20200211709A1 (en) | Method and system to provide medical advice to a user in real time based on medical triage conversation | |
WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
CN111933291A (zh) | 医疗信息推荐装置、方法、系统、设备及可读存储介质 | |
CN108133756A (zh) | 医疗数据搜索方法及装置、存储介质、电子设备 | |
CN111933239A (zh) | 数据处理的方法及装置、系统、存储介质 | |
CN111370102A (zh) | 科室导诊方法、装置以及设备 | |
CN112164477A (zh) | 基于知识图谱的高血压患者智能问答系统及其建立方法 | |
CN116741411A (zh) | 一种基于医疗大数据分析的智慧健康科普推荐方法、系统 | |
KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
CN110648754A (zh) | 科室推荐方法、装置及设备 | |
CN116469534A (zh) | 医院叫号管理系统及其方法 | |
Metu et al. | Evaluating fluency in aphasia: Fluency scales, trichotomous judgements, or machine learning | |
KR102687002B1 (ko) | 노인 인지강화를 위한 인지기능 재활 프로그램 맞춤화 서비스 제공 시스템 | |
Chen et al. | HM-MDS: A Human-machine Collaboration based Online Medical Diagnosis System |
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 |