CN111063430A - 一种疾病预测方法及装置 - Google Patents

Abstract

本发明公开了一种疾病预测方法，包括：接收疾病预测请求，所述疾病预测请求携带待预测病例信息，所述待预测病例信息至少包括待预测病例的症状；将所述待预测病例的症状与预设病例库的症状进行匹配，若匹配成功，则对所述待预测病例的症状进行One‑Hot编码；通过预设疾病预测模型对编码后的待预测病例的症状进行疾病概率计算，得到至少一种预测疾病的概率值；获取概率值大于预设阈值的预测疾病，将对应的预测疾病进行One‑Hot解码，得到预测疾病实体列表。本发明能够让普通用户不依赖专业医学知识而根据自己的症状表现，来初步判断自己可能患的疾病，也可以通过预测结果来确定自己能够去哪个科室挂号进行进一步诊断诊疗。

Description

一种疾病预测方法及装置

技术领域

本发明涉及医疗技术领域，特别涉及一种疾病预测方法及装置。

背景技术

目前在各个互联网医疗平台，面向于非医学专业人士使用的自诊工具，大概分为两类。

类一：人工从病理医学知识书籍中提取疾病实体以及其临床表现。并在带有关系链接的存储介质(系统，如：SQL数据库、三元组库、带权树)上进行存储；以医学学科专业人员对症状到疾病的关系权值进行主观预设；根据用户给出的临床症状实体进行初步预测的时候，对关系数据系统进行常规的AND\OR\XOR等逻辑运算；得到用户给出的临床症状实体到各个疾病实力的权值总和排序后的列表。

类二：对医学知识书籍中的段落进行摘取，并将其建立搜索引擎索引(例如基于LUCENE搜索引擎、elastic搜索引擎等)；根据用户给出的临床症状实体列表，基于对应搜索引擎检索语法规则构建检索语句(对临床症状实体词进行提权)，并进行检索；得到检索结果后，选择检索分数最大的几个段落进行疾病实体抽取；对抽取到的疾病实体进行统计加权等累积，给出可能疾病的列表。

对于第一类的技术，类似于知识关系图构建的方式，由于临床症状到疾病的关系图中，权值都是医学专业人员根据自己的主观知识意识给出的。所以结果往往很依赖数据采集人员对疾病症状的主观认知，主观性过强，对用户给出的临床症状进行预测的时候，结果往往偏差比较远。其次，由于数据来源于专业医学书籍，疾病实体以及临床症状实体过于专业化，涉及到很多专业的症状词以及疾病词普通用户使用门槛会很高。

对于第二类的技术，高度依赖于搜索引擎。虽然避免了专业医学人员数据整理时的主观性，但是由于搜索引擎基本属于语句相似度算法而不是语义相似度算法，所以会出现因为干扰词语导致的结果不对。并且跟第一类一样，会让用户的使用门槛较高。

发明内容

为至少解决现有技术中存在的技术问题之一，本发明的目的在于提供一种疾病预测方法及装置，降低用户使用门槛，提高预测准确度。

本发明解决其问题所采用的技术方案第一方面提供了一种疾病预测方法，包括：

接收疾病预测请求，所述疾病预测请求携带待预测病例信息，所述待预测病例信息至少包括待预测病例的症状；

将所述待预测病例的症状与预设病例库的症状进行匹配，若匹配成功，则对所述待预测病例的症状进行One-Hot编码；

通过预设疾病预测模型对编码后的待预测病例的症状进行疾病概率计算，得到至少一种预测疾病的概率值；

获取概率值大于预设阈值的预测疾病，将对应的预测疾病进行One-Hot解码，得到预测疾病实体列表。

本发明技术方案第二方面提供了一种疾病预测装置，包括：

预测请求接收模块，用于接收疾病预测请求，所述疾病预测请求携带待预测病例信息，所述待预测病例信息至少包括待预测病例的症状；

症状匹配模块，用于将所述待预测病例的症状与预设病例库的症状进行匹配，

编码模块，用于当所述待预测病例的症状与预设病例库的症状匹配成功时，对所述待预测病例的症状进行One-Hot编码；

疾病概率计算模块，用于通过预设疾病预测模型对编码后的待预测病例的症状进行疾病概率计算，得到至少一种预测疾病的概率值；

筛选模块，用于获取概率值大于预设阈值的预测疾病，将对应的预测疾病进行One-Hot解码，得到预测疾病实体列表。

有益效果：通过对临床病例信息进行监督学习生成疾病预测模型，使用生成的疾病预测模型对用户输入症状进行疾病结果预测，能够使用户不依赖专业医学知识自主判断患病可能性。

附图说明

图1是根据本发明优选实施例的疾病预测方法流程图；

图2是根据本发明优选实施例的疾病预测模型生成流程图；

图3是根据本发明优选实施例的疾病预测装置示意图；

图4是根据本发明优选实施例的疾病预测模型生成模块示意图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。

参照图1，本发明实施例提供了一种疾病预测方法，该方法可包括以下步骤S101-步骤S104；具体如下：

S101，接收疾病预测请求，所述疾病预测请求携带待预测病例信息，所述待预测病例信息至少包括待预测病例的症状。

所述疾病预测请求携带了用户输入的待预测病例信息，该待预测病例信息可以至少包括用户的症状信息，例如发热、打喷嚏、鼻塞等，当然还可以包括用户的姓名、年龄、性别、住址、联系方式等身份信息。

S102、将所述待预测病例的症状与预设病例库的症状进行匹配，若匹配成功，则对所述待预测病例的症状进行One-Hot编码。

由于用户输入的症状信息描述可能是比较通俗的描述，为了能够准确反映用户的症状信息，使其能够与预设病例库的症状进行匹配，可以预设标准症状描述与通俗描述的映射关系，获取用户输入的症状信息后将其进行标准格式化，转换为标准症状描述，将转换得到的用户输入的症状与预设病例库中的症状进行匹配，若匹配成功，则对用户输入的症状进行One-Hot编码，从而用于预设疾病预设模型进行结果预测。

S103、通过预设疾病预测模型对编码后的待预测病例的症状进行疾病概率计算，得到至少一种预测疾病的概率值。

参见图2，该步骤S103中的预设疾病预测模型通过对临床病例信息进行监督学习得到，具体执行如下步骤S11-S16：

S11、获取N个临床病例信息，所述临床病例信息至少包括症状信息和疾病信息，其中N为大于零的整数。

N个临床病例信息为N个真实临床病例的信息，可以包括患者描述的症状、医生补充的症状、医生初步诊断的疾病以及最终确诊的疾病。

S12、根据所述N个临床病例信息建立病例库。

S13、抽取所述病例库中的所有症状和疾病分别生成症状序列以及疾病序列。

本发明实施例中，抽取病例库中的所有症状，并依次编号，得到n个症状的序列表，可以表示为S＝{s[0]＝>症状1,s[1]＝>症状2,…,s[n-1]＝>症状n}。

抽取病例库中的所有疾病，并依次编号，得到m个疾病的序列表，可以表示为D＝{d[0]＝>疾病1,d[1]＝>疾病2,…,d[m-1]＝>疾病m}。

S14、根据所述症状序列以及疾病序列对所述N个临床病例信息进行One-Hot编码，得到N个症状编码表和N个疾病编码表。

抽取一个临床病例信息，并进行如下One-Hot编码：

假设x(i)∈{0,1}；i∈[0,n-1]；i为症状序列表S中第i个症状的下标。

当x(i)＝1,此临床病例信息存在下标为i的症状；

当x(i)＝0,此临床病例信息不存在下标为i的症状；

得到当前临床病例信息的one-hot特征表，描述了每个症状是否存在，可以表示为：

X＝{x(0),x(1),x(2),x(3),…,x(n-1)}；

假设y(j)∈{0,1}；j∈{0,m-1}；j为疾病序列表D中第j个疾病的下标。

当y(j)＝1,此病例数据存在下标为j的疾病；

当y(j)＝0,此病例数据不存在下标为j的疾病；

得到当前临床病例信息的one-hot分类表，描述了每个疾病是否存在，可以表示为：

Y＝{y(0),y(1),y(2),…,y(m-1)}。

S15、通过预设网络模型对所述N个临床病例信息进行监督学习。

本实施例中，令h(x(i),j)；i∈[0,n-1],j∈[0,m-1]，该h(x(i),j)表示第i个症状存在时，导致第j个疾病的可能性权值；

根据预设算法计算得到当前临床病例信息中所有存在的症状导致第j个疾病的权值，本实施例中，所述预设算法具体为

式中，bias为预设的误差偏置；

根据j∈[0,m-1]的取值范围，得到当前病例所有存在的症状分别导致所有疾病的权值累计列表：Score[0],Score[1],Score[2],…,Score[m-1]。

对第一条临床病例信息进行学习时，令函数h(x(i),j)的值为weight[i,j]；i∈[0,n-1]；j∈[0,m-1]。初始化对所有i,j的取值weight[i,j]＝0。

继续对获取的临床病例信息进行学习，具体执行如下步骤1)-3):

1)将X与Score进行计算：

2)对任意Score[j]采用0到1区间的单调递增函数进行归一化后算出概率分布：

3)定义度量y’与当前临床病例的结果y∈Y的交叉偏差：

将步骤1)和步骤2)的结果带入步骤3)的公式，并进行求导，可得到一个雅克比矩阵；

S16、根据学习结果调整所述预设网络模型的参数得到疾病预测模型。

本实施例中，所述预设网络模型即上述步骤S15中的步骤3)得到的雅克比矩阵，并以η＝0.01的步进长度进行梯度修正其中的eight[i,j]的值，得到疾病预测模型。

在使用该疾病预测模型过程中，可以对新获取的临床病例信息继续进行学习，使用学习结果对疾病预测模型进一步改进，能够提高疾病预测模型的预测准确度。

S104、获取概率值大于预设阈值的预测疾病，将对应的预测疾病进行One-Hot解码，得到预测疾病实体列表。

由于预测得到的疾病是经过One-Hot编码的，用户是无法看懂的，筛选出可能性比较大的疾病后，对其进行解码得到疾病描述，疾病库中可以预设疾病专业术语与对应疾病的通俗名称的映射关系，为了防止用户看不懂专业的疾病专业名词，将疾病专业名词转换为疾病库中对应的通俗疾病名词。

输出预测的疾病时，可以根据疾病概率值大小进行降序排列，将概率最大的前3个疾病预测结果进行显示，同时还可以提供挂号科室建议。

基于上述实施例所示的疾病预测方法，本发明实施例还提供了一种疾病预测装置，用于执行上述图1-图2所示方法流程的相应步骤，请参见图3-图4，该装置运行如下模块：

预测请求接收模块1，用于接收疾病预测请求，所述疾病预测请求携带待预测病例信息，所述待预测病例信息至少包括待预测病例的症状；

症状格式化模块2，用于对所述待预测病例的症状进行标准格式化；

症状匹配模块3，用于将所述待预测病例的症状与预设病例库的症状进行匹配；

编码模块4，用于当所述待预测病例的症状与预设病例库的症状匹配成功时，对所述待预测病例的症状进行One-Hot编码；

疾病概率计算模块5，用于通过预设疾病预测模型对编码后的待预测病例的症状进行疾病概率计算，得到至少一种预测疾病的概率值；

疾病预测模型生成模块6，用于通过对临床病例信息进行监督学习得到所述预设疾病预测模型；

筛选模块7，用于获取概率值大于预设阈值的预测疾病，将对应的预测疾病进行One-Hot解码，得到预测疾病实体列表。

所述疾病预测模型生成模块6，包括：

临床病例收集模块61，用于获取N个临床病例信息，所述临床病例信息至少包括症状信息和疾病信息，其中N为大于零的整数；

病例库建立模块62，用于根据所述N个临床病例信息建立病例库；

序列生成模块63，用于抽取所述病例库中的所有症状和疾病分别生成症状序列以及疾病序列；

所述编码模块4，还用于根据所述症状序列以及疾病序列对所述N个临床病例信息进行One-Hot编码，得到N个症状编码表和N个疾病编码表；

学习模块64，用于通过预设网络模型对所述N个临床病例信息进行监督学习；

模型参数调整模块67，用于根据学习结果调整所述预设网络模型的参数得到疾病预测模型。

所述临床病例收集模块61，还用于获取M个临床病例信息，并根据所述症状序列以及疾病序列对所述M个临床病例信息进行One-Hot编码，其中M为大于零的整数；

所述疾病预测模型生成模块6，还包括：

模型改进模块68，用于通过所述疾病预测模型对所述M个临床病例信息进行监督学习，根据学习结果调整所述疾病预测模型的参数。

所述疾病预测模型生成模块6还包括：

权值计算模块65，用于根据所述疾病编码表和所述症状编码表通过预设算法计算每个临床病例信息对应的症状导致对应疾病的权值；

所述预设算法为：

式中，n为症状库中的症状类型个数，i为症状序列中第i个症状的下标，i∈[0,n-1]，j为疾病序列中第j个疾病的下标，h(x(i),j)为第i个症状存在时，导致第j个疾病的可能性权值，bias为误差偏置；

循环计算模块66，用于通过所述权值计算模块65计算所有临床病例信息对应的症状导致对应疾病的权值，得到权值参数表，所述权值参数表用于调整所述预设网络模型的参数。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims (10)

1.一种疾病预测方法，其特征在于，包括：

接收疾病预测请求，所述疾病预测请求携带待预测病例信息，所述待预测病例信息至少包括待预测病例的症状；

将所述待预测病例的症状与预设病例库的症状进行匹配，若匹配成功，则对所述待预测病例的症状进行One-Hot编码；

通过预设疾病预测模型对编码后的待预测病例的症状进行疾病概率计算，得到至少一种预测疾病的概率值；

获取概率值大于预设阈值的预测疾病，将对应的预测疾病进行One-Hot解码，得到预测疾病实体列表。

2.根据权利要求1所述的方法，其特征在于，所述将所述待预测病例的症状与预设病例库的症状进行匹配之前，还包括：

对所述待预测病例的症状进行标准格式化。

3.根据权利要求1或2所述的方法，其特征在于，通过对临床病例信息进行监督学习得到所述预设疾病预测模型，包括：

获取N个临床病例信息，所述临床病例信息至少包括症状信息和疾病信息，其中N为大于零的整数；

根据所述N个临床病例信息建立病例库；

抽取所述病例库中的所有症状和疾病分别生成症状序列以及疾病序列；

根据所述症状序列以及疾病序列对所述N个临床病例信息进行One-Hot编码，得到N个症状编码表和N个疾病编码表；

通过预设网络模型对所述N个临床病例信息进行监督学习；

根据学习结果调整所述预设网络模型的参数得到疾病预测模型。

4.根据权利要求3所述的方法，其特征在于，所述通过对临床病例信息进行监督学习得到所述预设疾病预测模型，还包括：

获取M个临床病例信息，并根据所述症状序列以及疾病序列对所述M个临床病例信息进行One-Hot编码，其中M为大于零的整数；

通过所述疾病预测模型对所述M个临床病例信息进行监督学习；

根据学习结果调整所述疾病预测模型的参数。

5.根据权利要求3所述的方法，其特征在于，所述通过所述疾病预测模型对所述N个临床病例信息进行监督学习，包括：

根据所述疾病编码表和所述症状编码表通过预设算法计算每个临床病例信息对应的症状导致对应疾病的权值；

所述预设算法为：

式中，n为症状库中的症状类型个数，i为症状序列中第i个症状的下标，i∈[0,n-1]，j为疾病序列中第j个疾病的下标，h(x(i),j)为第i个症状存在时，导致第j个疾病的可能性权值，bias为误差偏置；

计算所有临床病例信息对应的症状导致对应疾病的权值，得到权值参数表，所述权值参数表用于调整所述预设网络模型的参数。

6.一种疾病预测装置，其特征在于，包括：

预测请求接收模块，用于接收疾病预测请求，所述疾病预测请求携带待预测病例信息，所述待预测病例信息至少包括待预测病例的症状；

症状匹配模块，用于将所述待预测病例的症状与预设病例库的症状进行匹配，

编码模块，用于当所述待预测病例的症状与预设病例库的症状匹配成功时，对所述待预测病例的症状进行One-Hot编码；

疾病概率计算模块，用于通过预设疾病预测模型对编码后的待预测病例的症状进行疾病概率计算，得到至少一种预测疾病的概率值；

筛选模块，用于获取概率值大于预设阈值的预测疾病，将对应的预测疾病进行One-Hot解码，得到预测疾病实体列表。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

症状格式化模块，用于对所述待预测病例的症状进行标准格式化。

8.根据权利要求6或7所述的装置，其特征在于，所述装置还包括：

疾病预测模型生成模块，用于通过对临床病例信息进行监督学习得到所述预设疾病预测模型；

所述疾病预测模型生成模块，包括：

临床病例收集模块，用于获取N个临床病例信息，所述临床病例信息至少包括症状信息和疾病信息，其中N为大于零的整数；

病例库建立模块，用于根据所述N个临床病例信息建立病例库；

序列生成模块，用于抽取所述病例库中的所有症状和疾病分别生成症状序列以及疾病序列；

所述编码模块，还用于根据所述症状序列以及疾病序列对所述N个临床病例信息进行One-Hot编码，得到N个症状编码表和N个疾病编码表；

学习模块，用于通过预设网络模型对所述N个临床病例信息进行监督学习；

模型参数调整模块，用于根据学习结果调整所述预设网络模型的参数得到疾病预测模型。

9.根据权利要求8所述的装置，其特征在于，所述临床病例收集模块，还用于获取M个临床病例信息，并根据所述症状序列以及疾病序列对所述M个临床病例信息进行One-Hot编码，其中M为大于零的整数；

所述疾病预测模型生成模块，还包括：

模型改进模块，用于通过所述疾病预测模型对所述M个临床病例信息进行监督学习，根据学习结果调整所述疾病预测模型的参数。

10.根据权利要求8所述的装置，其特征在于，所述疾病预测模型生成模块还包括：

权值计算模块，用于根据所述疾病编码表和所述症状编码表通过预设算法计算每个临床病例信息对应的症状导致对应疾病的权值；

所述预设算法为：

式中，n为症状库中的症状类型个数，i为症状序列中第i个症状的下标，i∈[0,n-1]，j为疾病序列中第j个疾病的下标，h(x(i),j)为第i个症状存在时，导致第j个疾病的可能性权值，bias为误差偏置；

循环计算模块，用于通过所述权值计算模块计算所有临床病例信息对应的症状导致对应疾病的权值，得到权值参数表，所述权值参数表用于调整所述预设网络模型的参数。

Images