CN111199797A - 一种辅助诊断模型建立和辅助诊断方法及装置 - Google Patents
一种辅助诊断模型建立和辅助诊断方法及装置 Download PDFInfo
- Publication number
- CN111199797A CN111199797A CN201911415468.6A CN201911415468A CN111199797A CN 111199797 A CN111199797 A CN 111199797A CN 201911415468 A CN201911415468 A CN 201911415468A CN 111199797 A CN111199797 A CN 111199797A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- diagnosis
- neural network
- auxiliary diagnosis
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种辅助诊断模型建立和辅助诊断方法及装置,涉及医疗数据处理技术领域,其中辅助诊断模型建立方法,包括:获取训练数据;将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型。通过构建的辅助诊断模型对用户的刻下症进行辅助诊断,提高了疾病辅助诊断的效率和便利性。
Description
技术领域
本发明涉及医疗数据处理技术领域,具体涉及一种辅助诊断模型建立和辅助诊断方法及装置。
背景技术
在科学研究过程中,文献是一种记录科研成果最具有说服力和信服力的载体,其中记载了病症之间的关联性,医生可以通过查阅大量的文献研究病症之间的因果关系以辅助诊断患者所患病症,但现有文献数量较多,通过逐一查找的方式,将严重影响工作效率;且随着人工智能技术的发展也促使了对智能化辅助诊断方法的研究,以便于用户可以自行进行初步的疾病辅助诊断,故亟待提出一种辅助诊断模型建立方法以构建疾病辅助诊断模型以提高对疾病辅助诊断的效率和便利性。
发明内容
因此,本发明要解决的技术问题在于克服相关技术中疾病辅助诊断方法效率低、便利性差的缺陷,从而提供一种辅助诊断模型建立和辅助诊断方法及装置。
根据第一方面,本发明实施例公开了一种辅助诊断模型建立方法,包括:获取训练数据;将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型。
结合第一方面,在第一方面第一实施方式中,所述获取训练数据,包括:获取目标疾病的多个历史诊疗数据;对所述历史诊疗数据进行处理,得到语料数据;在所述语料数据中获取所述训练数据。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述对所述历史诊疗数据进行处理,得到语料数据,包括:对所述历史诊疗数据进行数据清洗;获取目标疾病的本体数据;根据所述目标疾病的本体数据,对清洗后的所述历史诊疗数据进行分词和停用词处理,得到所述语料数据。
结合第一方面,在第一方面第三实施方式中,所述将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,包括:基于共现矩阵与目标词向量生成模型,对所述训练数据进行处理,得到所述训练数据对应的词向量矩阵;将所述词向量矩阵输入到所述神经网络模型,对所述神经网络模型进行训练。
结合第一方面,在第一方面第四实施方式中,所述将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型之后,所述方法还包括:当所述辅助诊断模型的结构发生改变后,基于迁移学习方法对结构发生改变的所述辅助诊断模型进行训练,直至得到满足识别要求的辅助诊断模型。
根据第二方面,本发明实施例公开了一种辅助诊断方法,包括:获取用户的刻下症;将所述刻下症输入到第一方面或第一方面任一实施方式所述的辅助诊断模型建立方法建立的辅助诊断模型,得到辅助诊断结果。
根据第三方面,本发明实施例公开了一种辅助诊断模型建立装置,包括:训练数据获取模块,用于获取训练数据;辅助诊断模型获取模块,用于将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型。
根据第四方面,本发明实施例公开了一种辅助诊断装置,包括:症状获取模块,用于获取用户的刻下症;诊断模块,用于将所述刻下症输入到第一方面或第一方面任一实施方式所述的辅助诊断模型建立方法建立的辅助诊断模型,得到辅助诊断结果。
根据第五方面,本发明实施例公开了一种电子设备,包括:处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述第一方面及第一方面任一实施方式中所述的辅助诊断模型建立方法的步骤,或者第二方面所述的辅助诊断方法的步骤。
根据第六方面,本发明实施例公开了一种可读计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述第一方面及第一方面任一实施方式中所述的辅助诊断模型建立方法的步骤,或者第二方面所述的辅助诊断方法的步骤。
本发明实施例提供的技术方案具有如下优点:
本发明实施例提供的辅助诊断模型建立和辅助诊断方法,通过获取训练数据,并将训练数据输入到神经网络模型,对该神经网络模型进行训练,直至神经网络模型的准确率满足识别要求,得到用于进行疾病辅助诊断的模型,当获取到用户的刻下症时,将该刻下症输入到辅助诊断模型,通过训练得到的辅助诊断模型,得到该用户的刻下症对应的辅助诊断结果,提高了疾病辅助诊断的效率和便利性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,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辅助诊断模型建立方法的流程图;
图2为本发明实施例提供的一种辅助诊断方法的流程图;
图3为本发明实施例提供的一种辅助诊断模型建立装置的结构示意图;
图4为本发明实施例提供的一种辅助诊断装置的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本申请实施例提供了一种辅助诊断模型建立方法,可应用于终端或服务器等电子设备中,本申请实施例以终端为例。如图1所示,该方法包括:
步骤101,获取训练数据。
示例性地,该训练数据可以包括目标疾病的诊疗数据,目标疾病的诊疗数据可以预先存储在数据中,当需要训练辅助诊断模型,直接从数据库中读取。
作为本申请一个可选实施方式,步骤101,包括:
1011,获取目标疾病的多个历史诊疗数据。
示例性地,目标疾病的历史诊疗数据的获取方式可以是预先通过问卷调查方式得到多个患者的门诊病历数据,通过该门诊病历数据得到多个患者的症状与对应的治疗方案,上传得到的门诊病历数据,得到多个历史诊疗数据;目标疾病的历史诊疗数据的获取方式还可以是通过在目标检索引擎中输入目标疾病的检索关键词,得到目标疾病的症状以及对应的治疗方案,将检索到的结果作为历史诊疗数据;也可以同时采用上述两种方法得到历史诊疗数据,并将得到的历史诊疗数据进行合并。本申请实施例对该历史诊疗数据的获取方式不作限定,本领域技术人员可以根据实际需要确定。
1012,对所述历史诊疗数据进行处理,得到语料数据。
示例性地,对历史诊疗数据进行处理的方式可以是去除历史诊疗数据中的无用字符,无用字符的去除方式可以使用正则匹配方法,去除无用字符后通过目标规范对得到的历史诊疗数据进行规范化处理,使得历史诊疗数据中病症用语为规范的症候用语。该目标规范可以根据目标疾病的规范用语得到,历史诊疗数据的规范方式可以是按照目标疾病的规范用语对历史诊疗数据进行筛选和订正,得到规范的历史诊疗数据,将规范后的历史诊疗数据作为语料数据。
1013,在所述语料数据中获取所述训练数据。
示例性地,在得到的语料数据中,选取目标比例的语料数据作为训练数据,剩余的语料数据用于测试数据以对得到的辅助诊断模型的准确率进行验证。该目标比例可以是70%,即将语料数据中的70%作为训练数据,将剩下的30%作为辅助诊断模型的验证数据。本申请实施例对该目标比例不作限定,本领域技术人员可根据实际需要确定。
作为本申请一个可选实施方式,步骤1012,包括:
首先,对所述历史诊疗数据进行数据清洗。
示例性地,对历史诊疗数据进行数据清洗,去除历史诊疗数据中的无用字符、错误字符或不规范的字符,本申请实施例对该数据清洗的方式和种类不作限定,本领域技术人员可以根据实际需要确定以得到可以满足训练需求的数据。
其次,获取目标疾病的本体数据。
示例性地,目标疾病的本体数据的获取方式可以是对于任一目标疾病,通过在目标数据库中进行关键词检索,对检索得到的数据进行规范化处理,将目标疾病的病症、规范规则以及对应的诊疗方案进行关联,得到关联三元组作为目标疾病的本体数据。
以目标疾病为溃疡性结肠炎为例,以“溃疡性结肠炎”、“肠澼”、“血痢”和“久痢”等与溃疡性结肠炎相关的病症术语作为检索关键词在目标数据库进行检索,该目标数据库可以是任一包含大量论文文献、医疗文献的服务平台,本申请实施例对该目标数据库不作限定,本领域技术人员可以根据实际需要选择,比如可以是古今医案云平台、中医药知识服务平台等。当得到与溃疡性结肠炎相关的诊疗数据后,基于目标规范标准对得到的诊疗数据进行规范化处理,该目标规范标准可以是医学领域常用的规范,例如中医病症分类规范、中医临床诊疗术语规范等,本申请实施例对该目标规范标准不作限定,本领域技术人员可以根据实际需要选择可以提高诊疗数据的规范性的标准。
再次,根据所述目标疾病的本体数据,对清洗后的所述历史诊疗数据进行分词和停用词处理,得到所述语料数据。
示例性地,根据得到的目标疾病的本体数据,对清洗后的历史诊疗数据进行分词处理的方式可以是以目标疾病的本体数据作为分词词典,基于预先训练好的分词工具和字符串匹配的分词算法,同时结合正向最大匹配法和最少切分算法自左向右完成历史诊疗数据的分词处理,同时在分词处理过程中完成停用词筛选处理。
步骤102,将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型。
示例性地,将得到的训练数据进行处理,得到该训练数据对应的向量表达,向以向量表达的训练数据输入到神经网络模型,对该神经网络模型进行训练,直至神经网络模型的准确率满足识别要求,将满足识别要求的神经网络模型作为辅助诊断模型。该识别要求可以是95%以上,即当训练的神经网络模型的准确率大于95%,将得到的神经网络模型作为辅助诊断模型,本申请实施例对该识别要求不作限定,通过选择较大的准备率,可以保证得到的辅助诊断模型的识别结果的可信性。
作为本申请一个可选实施方式,步骤102,包括:
首先,基于共现矩阵与目标词向量生成模型,对所述训练数据进行处理,得到所述训练数据对应的词向量矩阵;
示例性地,训练数据对应的词向量矩阵的获取方式可以是根据训练数据在目标文章中的上下文的窗口距离d,构建衰减函数f,使用目标词向量生成模型word2vec,将输入的训练数据转化为对应的词向量,继而构词向量矩阵,通过基于训练数据在上下文的关联规则确定词向量,可以使得构建的词向量保留较多上下文信息,可以提高训练得到的辅助诊断模型的准确性和泛化能力。
其次,将所述词向量矩阵输入到所述神经网络模型,对所述神经网络模型进行训练。
示例性,将得到的词向量矩阵作为神经网络模型的输入层特征输入,接着通过神经网络模型的嵌入层进行词向量的降维处理,继而通过卷积层产生不同形状的张量,将得到的多个张量合并处理为一个大的特征向量。卷积层的卷积操作方式可以是预先设定卷积核参数,然后通过卷积核对输入的向量矩阵按照设定好的步长滑动,每滑动到一个位置,将对应元素相乘并求和,最后得到的结果即为卷积得到的特征图,特征图的数量与卷积核的数量相同;再通过池化层进行最大值池化操作,池化操作也叫做下采样层操作以减少权重参数,即池化操作在保留重要特征的同时降低了下一步全连接层的运算量以及可以有效地减少过拟合情况,提高模型的容错率,经过最大池化操作后,输出最大池化操作后的输出值,使用从最大池化层中得到的特征向量,通过矩阵乘法生成预测并选择得分最高的分类,将全连接网络的结果输入Softmax函数,将其映射成在区间(0,1)之间的值,使得这些值加和得到1,使用softmax将原分数转换为归一化概率,返回每一个输出类别的概率,最后选择概率最大的类,作为最终的分类结果。
由于神经网络模型的训练数据量要求很大,为了提高神经网络模型的准确率,可以对训练及测试的数据集进行多特征的标注,增加数据量,增加网络的宽度与深度,通过残差学习方法增加网络深度,通过优化初始参数来精简训练的数据量,继而提高神经网络模型的泛化能力。
本申请实施例提供的辅助诊断模型建立方法,通过获取训练数据,并将训练数据输入到神经网络模型,对该神经网络模型进行训练,直至神经网络模型的准确率满足识别要求,得到用于进行疾病辅助诊断的模型,当获取到用户的刻下症时,将该刻下症输入到辅助诊断模型,通过训练得到的辅助诊断模型,得到该用户的刻下症对应的辅助诊断结果,提高了疾病辅助诊断的效率和便利性。
作为本申请一个可选实施方式,步骤102之后,该方法还包括:当所述辅助诊断模型的结构发生改变后,基于迁移学习方法对结构发生改变的所述辅助诊断模型进行训练,直至得到满足识别要求的辅助诊断模型。
示例性地,当对辅助诊断模型的结构进行调整和优化后,比如对网络结构进行横向、纵向的调整,以增加辅助诊断模型的结构层的数量来获得更多的特征,通过残差学习增加网络深度。但对网络结构进行调整后,用于训练的数据量将随着结构层的数量的增加而出现剧增。为了解决进一步训练神经网络模型的过程中数据量不足问题,应用迁移学习思想调整网络结构、参数及权值后,实现小规模数据集的迁移训练,即收集大数据量数据集进行预训练,采用迁移学习方法获得特征及参数,并初始化小数据集的神经网络模型;然后,应用BP算法与随机梯度下降算法相结合对网络模型结构进行微调整。最后选择Softmax激活函数结合分类器输出识别结果。
本申请实施例还提供了一种辅助诊断方法,可应用于终端或服务器等电子设备中,本申请实施例以终端为例。如图2所示,该方法包括:
步骤201,获取用户的刻下症;
示例性地,刻下症的获取方式可以是向用户显示刻下症输入的交互界面,使得用户可以通过该交互界面输入当前的刻下症,接收用户输入的刻下症数据,获取到用户的刻下症。
步骤202,将所述刻下症输入到上述实施例所述的辅助诊断模型建立方法建立的辅助诊断模型,得到辅助诊断结果。
示例性地,将用户的刻下症输入到建立的辅助诊断模型进行辅助诊断,得到对应用户该刻下症的诊断结果和对应的诊疗方案,并获取用户的刻下症数据,用于不断对辅助诊断模型进行优化训练以提高辅助诊断模型的准确率。
本申请实施例提供的辅助诊断方法,通过获取训练数据,并将训练数据输入到神经网络模型,对该神经网络模型进行训练,直至神经网络模型的准确率满足识别要求,得到用于进行疾病辅助诊断的模型,当获取到用户的刻下症时,将该刻下症输入到辅助诊断模型,通过训练得到的辅助诊断模型,得到该用户的刻下症对应的辅助诊断结果,提高了疾病辅助诊断的效率和便利性。
本申请实施例还提供了一种辅助诊断模型建立装置,如图3所示,包括:
训练数据获取模块301,用于获取训练数据;
辅助诊断模型获取模块302,用于将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型。
本申请实施例提供的辅助诊断模型建立装置,通过获取训练数据,并将训练数据输入到神经网络模型,对该神经网络模型进行训练,直至神经网络模型的准确率满足识别要求,得到用于进行疾病辅助诊断的模型,当获取到用户的刻下症时,将该刻下症输入到辅助诊断模型,通过训练得到的辅助诊断模型,得到该用户的刻下症对应的辅助诊断结果,提高了疾病辅助诊断的效率和便利性。
作为本申请一个可选实施方式,训练数据获取模块301,用于获取目标疾病的多个历史诊疗数据;对所述历史诊疗数据进行处理,得到语料数据;在所述语料数据中获取所述训练数据。
作为本申请一个可选实施方式,训练数据获取模块301,用于对所述历史诊疗数据进行数据清洗;获取目标疾病的本体数据;根据所述目标疾病的本体数据,对清洗后的所述历史诊疗数据进行分词和停用词处理,得到所述语料数据。
作为本申请一个可选实施方式,辅助诊断模型获取模块302,用于基于共现矩阵与目标词向量生成模型,对所述训练数据进行处理,得到所述训练数据对应的词向量矩阵;将所述词向量矩阵输入到所述神经网络模型,对所述神经网络模型进行训练。
作为本申请一个可选实施方式,辅助诊断模型获取模块302,还用于当所述辅助诊断模型的结构发生改变后,基于迁移学习方法对结构发生改变的所述辅助诊断模型进行训练,直至得到满足识别要求的辅助诊断模型。
本申请实施例还提供了一种辅助诊断装置,如图4所示,包括:
症状获取模块401,用于获取用户的刻下症;
诊断模块402,用于将所述刻下症输入到上述实施例所述的辅助诊断模型建立方法建立的辅助诊断模型,得到辅助诊断结果。
本申请实施例提供的辅助诊断装置,通过获取训练数据,并将训练数据输入到神经网络模型,对该神经网络模型进行训练,直至神经网络模型的准确率满足识别要求,得到用于进行疾病辅助诊断的模型,当获取到用户的刻下症时,将该刻下症输入到辅助诊断模型,通过训练得到的辅助诊断模型,得到该用户的刻下症对应的辅助诊断结果,提高了疾病辅助诊断的效率和便利性。
本申请实施例还提供了一种电子设备,如图5所示,包括处理器501和存储器502,其中处理器501和存储器502可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器501可以为中央处理器(Central Processing Unit,CPU)。处理器501还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器502作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的辅助诊断模型建立方法或助诊断方法对应的程序指令/模块。处理器501通过运行存储在存储器502中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器501所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至处理器501。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器502中,当被所述处理器501执行时,执行如图1所示实施例中的方法。
上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的辅助诊断模型建立方法或辅助诊断方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种辅助诊断模型建立方法,其特征在于,包括:
获取训练数据;
将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型。
2.根据权利要求1所述的方法,其特征在于,所述获取训练数据,包括:
获取目标疾病的多个历史诊疗数据;
对所述历史诊疗数据进行处理,得到语料数据;
在所述语料数据中获取所述训练数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述历史诊疗数据进行处理,得到语料数据,包括:
对所述历史诊疗数据进行数据清洗;
获取目标疾病的本体数据;
根据所述目标疾病的本体数据,对清洗后的所述历史诊疗数据进行分词和停用词处理,得到所述语料数据。
4.根据权利要求1所述的方法,其特征在于,所述将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,包括:
基于共现矩阵与目标词向量生成模型,对所述训练数据进行处理,得到所述训练数据对应的词向量矩阵;
将所述词向量矩阵输入到所述神经网络模型,对所述神经网络模型进行训练。
5.根据权利要求1所述的方法,其特征在于,所述将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型之后,所述方法还包括:
当所述辅助诊断模型的结构发生改变后,基于迁移学习方法对结构发生改变的所述辅助诊断模型进行训练,直至得到满足识别要求的辅助诊断模型。
6.一种辅助诊断方法,其特征在于,包括:
获取用户的刻下症;
将所述刻下症输入到权利要求1-5中任一项所述的辅助诊断模型建立方法建立的辅助诊断模型,得到辅助诊断结果。
7.一种辅助诊断模型建立装置,其特征在于,包括:
训练数据获取模块,用于获取训练数据;
辅助诊断模型获取模块,用于将所述训练数据输入到神经网络模型,对所述神经网络模型进行训练,直至所述神经网络模型的准确率满足识别要求,得到辅助诊断模型。
8.一种辅助诊断装置,其特征在于,包括:
症状获取模块,用于获取用户的刻下症;
诊断模块,用于将所述刻下症输入到权利要求1-5中任一项所述的辅助诊断模型建立方法建立的辅助诊断模型,得到辅助诊断结果。
9.一种电子设备,其特征在于,包括:
处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-5中任一项所述的辅助诊断模型建立方法的步骤,或权利要求6所述的辅助诊断方法的步骤。
10.一种可读计算机存储介质,其上存储有计算机指令,其特征在于,该指令被处理器执行时实现权利要求1-5中任一项所述的辅助诊断模型建立方法的步骤,或权利要求6所述的辅助诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415468.6A CN111199797A (zh) | 2019-12-31 | 2019-12-31 | 一种辅助诊断模型建立和辅助诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911415468.6A CN111199797A (zh) | 2019-12-31 | 2019-12-31 | 一种辅助诊断模型建立和辅助诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111199797A true CN111199797A (zh) | 2020-05-26 |
Family
ID=70747327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911415468.6A Pending CN111199797A (zh) | 2019-12-31 | 2019-12-31 | 一种辅助诊断模型建立和辅助诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199797A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133423A (zh) * | 2020-08-28 | 2020-12-25 | 北京世纪互联宽带数据中心有限公司 | 基于边缘计算的医疗数据处理方法、装置及网络设备 |
CN112185548A (zh) * | 2020-09-25 | 2021-01-05 | 广州宝荣科技应用有限公司 | 一种基于神经网络算法的智能中医诊断方法及装置 |
CN113077892A (zh) * | 2021-04-21 | 2021-07-06 | 大连医科大学附属第二医院 | 一种甲状腺疾病数据收集管理系统 |
CN115391494A (zh) * | 2022-10-27 | 2022-11-25 | 北京元知创智科技有限公司 | 中医症候智能识别方法及装置 |
CN117194604A (zh) * | 2023-11-06 | 2023-12-08 | 临沂大学 | 一种智慧医疗病患问诊语料库构建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN109977226A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于卷积神经网络的高精度文本分类方法和系统 |
-
2019
- 2019-12-31 CN CN201911415468.6A patent/CN111199797A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN107833629A (zh) * | 2017-10-25 | 2018-03-23 | 厦门大学 | 基于深度学习的辅助诊断方法及系统 |
CN109977226A (zh) * | 2019-03-14 | 2019-07-05 | 南京邮电大学 | 基于卷积神经网络的高精度文本分类方法和系统 |
Non-Patent Citations (2)
Title |
---|
张驰名;王庆凤;刘志勤;黄俊;周莹;刘启榆;徐卫云;: "基于深度迁移学习的肺结节辅助诊断方法", vol. 46, no. 01, pages 277 - 284 * |
阮光册 等: "基于Word2vec的图书馆推荐系统多样性问题应用研究", 图书馆杂志, vol. 39, no. 3, pages 124 - 132 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133423A (zh) * | 2020-08-28 | 2020-12-25 | 北京世纪互联宽带数据中心有限公司 | 基于边缘计算的医疗数据处理方法、装置及网络设备 |
CN112185548A (zh) * | 2020-09-25 | 2021-01-05 | 广州宝荣科技应用有限公司 | 一种基于神经网络算法的智能中医诊断方法及装置 |
CN113077892A (zh) * | 2021-04-21 | 2021-07-06 | 大连医科大学附属第二医院 | 一种甲状腺疾病数据收集管理系统 |
CN115391494A (zh) * | 2022-10-27 | 2022-11-25 | 北京元知创智科技有限公司 | 中医症候智能识别方法及装置 |
CN115391494B (zh) * | 2022-10-27 | 2023-02-17 | 北京元知创智科技有限公司 | 中医症候智能识别方法及装置 |
CN117194604A (zh) * | 2023-11-06 | 2023-12-08 | 临沂大学 | 一种智慧医疗病患问诊语料库构建方法 |
CN117194604B (zh) * | 2023-11-06 | 2024-01-30 | 临沂大学 | 一种智慧医疗病患问诊语料库构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199797A (zh) | 一种辅助诊断模型建立和辅助诊断方法及装置 | |
US11093560B2 (en) | Stacked cross-modal matching | |
US11138385B2 (en) | Method and apparatus for determining semantic matching degree | |
CN108986908B (zh) | 问诊数据处理方法、装置、计算机设备和存储介质 | |
CN109920501B (zh) | 基于卷积神经网络和主动学习的电子病历分类方法及系统 | |
CN107516110B (zh) | 一种基于集成卷积编码的医疗问答语义聚类方法 | |
KR102153920B1 (ko) | 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법 | |
CN109935336B (zh) | 一种儿童呼吸科疾病的智能辅助诊断系统 | |
WO2022007823A1 (zh) | 一种文本数据处理方法及装置 | |
CN110444259B (zh) | 基于实体关系标注策略的中医电子病历实体关系提取方法 | |
US10892050B2 (en) | Deep image classification of medical images | |
CN112131383B (zh) | 特定目标的情感极性分类方法 | |
CN107957993B (zh) | 英文句子相似度的计算方法及装置 | |
CN112232065B (zh) | 挖掘同义词的方法及装置 | |
WO2023029502A1 (zh) | 基于问诊会话构建用户画像的方法、装置、设备和介质 | |
CN113779179B (zh) | 一种基于深度学习和知识图谱的icd智能编码的方法 | |
CN113611405A (zh) | 一种体检项目推荐方法、装置、设备及介质 | |
CN112530584A (zh) | 一种医疗诊断辅助方法及系统 | |
Yan et al. | Online doctor recommendation with convolutional neural network and sparse inputs | |
CN114743037A (zh) | 一种基于多尺度结构学习的深度医学图像聚类方法 | |
CN113673244A (zh) | 医疗文本处理方法、装置、计算机设备和存储介质 | |
CN112201359A (zh) | 基于人工智能的重症问诊数据识别方法及装置 | |
CN112216379A (zh) | 一种基于智能联合学习的疾病诊断系统 | |
CN116844711A (zh) | 基于深度学习的疾病辅助识别方法及装置 | |
CN116403706A (zh) | 一种融合知识扩展和卷积神经网络的糖尿病预测方法 |
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 |