CN111403028A - 医疗文本分类方法及装置、存储介质、电子设备 - Google Patents

医疗文本分类方法及装置、存储介质、电子设备 Download PDF

Info

Publication number
CN111403028A
CN111403028A CN202010194565.3A CN202010194565A CN111403028A CN 111403028 A CN111403028 A CN 111403028A CN 202010194565 A CN202010194565 A CN 202010194565A CN 111403028 A CN111403028 A CN 111403028A
Authority
CN
China
Prior art keywords
medical
text
classified
processed
classification
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.)
Granted
Application number
CN202010194565.3A
Other languages
English (en)
Other versions
CN111403028B (zh
Inventor
王磊
张恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yidu Cloud Beijing Technology Co Ltd
Original Assignee
Yidu Cloud Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yidu Cloud Beijing Technology Co Ltd filed Critical Yidu Cloud Beijing Technology Co Ltd
Priority to CN202010194565.3A priority Critical patent/CN111403028B/zh
Publication of CN111403028A publication Critical patent/CN111403028A/zh
Application granted granted Critical
Publication of CN111403028B publication Critical patent/CN111403028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明实施例是关于一种医疗文本分类方法及装置、存储介质、电子设备，涉及医疗大数据处理技术领域，该方法包括：对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度；根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值；根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。本发明实施例提高了医疗文本的分类效率。

Description

医疗文本分类方法及装置、存储介质、电子设备
技术领域
本发明实施例涉及医疗大数据处理技术领域，具体而言，涉及一种医疗文本分类方法、医疗文本分类装置、计算机可读存储介质以及电子设备。
背景技术
肿瘤的分期(Tumor Staging)是目前评价肿瘤生物学行为和诊断的最重要的指标之一，肿瘤分期的目的是根据个体内原发肿瘤以及播散程度来描述恶性肿瘤的严重程度和受累范围的。准确有效的肿瘤分期方案，可以帮助医生了解病人患病的程度，制定相应的治疗计划并且了解疾病的预后和转归。
现有的肿瘤分期可以基于以下两种方案进行：一种是，多任务学习技术(multi-task learning，MTL)，即利用一些可能帮助优化度量指标的其它相关任务的训练信号，通过共享相关任务之间的表征，使模型更好地处理原始任务。另一种是，注意力机制(Attention Mechanism)，可以通过使用attention机制能够从句子中筛选出对于最终分类任务重要性较高的词或者词组。
但是，上述方案存在如下缺陷：一方面，上述方案都是直接利用深度学习模型进行端到端的分类训练，需要大量的有标注数据，会使得分类效率较低；另一方面，在公开标注数据的数据量较少时，会使得分类结果的准确率较低。
因此，需要提供一种新的医疗文本分类方法及装置。
需要说明的是，在上述背景技术部分发明的信息仅用于加强对本发明的背景的理解，因此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
本发明的目的在于提供一种医疗文本分类方法、医疗文本分类装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的分类结果的准确率较低的问题。
根据本公开的一个方面，提供一种医疗文本分类方法，包括：
对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度；
根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值；
根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
在本公开的一种示例性实施例中，在对待分类医疗文本进行编码得到多个待处理隐含向量之前，所述医疗文本分类方法还包括：
获取包括多个不同路径的待处理医疗数据；其中，所述待处理医疗数据包括现病史相关文本、病历检查文本以及影像检查文本中的至少一种；
对所述待处理医疗数据进行分词得到多个分词结果，并去除所述分词结果中的停止词；
对去除停止词之后剩余的各所述分词结果进行拼接，得到所述待分类医疗文本。
在本公开的一种示例性实施例中，对待分类医疗文本进行编码得到多个待处理隐含向量包括：
将所述待分类医疗文本输入至预设的词向量生成模型中得到多个词向量，并根据所述待分类医疗文本的路径得到多个路径向量；
根据各所述词向量以及各所述路径向量得到待分类向量序列，并利用预设的医疗分类模型中包括的共享特征编码器对所述待分类向量序列进行编码，得到多个所述待处理隐含向量。
在本公开的一种示例性实施例中，根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度包括：
利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量与预设的由多个医学特征属性组成的特征矩阵中的每一行进行点乘运算，得到各所述待处理隐含向量与各所述医学特征属性之间的相关度；其中，所述特征矩阵中的每一行对应每一个所述医学特征属性的向量。
在本公开的一种示例性实施例中，根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值包括：
利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量与各所述医学特征属性之间的相关度进行归一化处理，并根据归一化处理后的相关度得到各所述医学特征属性针对所述待分类医疗文本的注意力值。
在本公开的一种示例性实施例中，根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类包括：
利用预设的医疗分类模型中包括的分类判别器，对各所述医学特征属性针对所述待分类医疗文本的注意力值进行加权求和，并根据加权求和结果对所述待分类医疗文本进行分类，得到所述待分类医疗文本的分类结果。
在本公开的一种示例性实施例中，所述医疗文本分类方法还包括：
利用历史医疗文本对初始网络模型进行机器学习，得到所述预设的医疗分类模型。
在本公开的一种示例性实施例中，利用历史医疗文本对初始网络模型进行机器学习，得到所述预设的医疗分类模型包括：
对所述历史医疗文本进行编码得到多个标准隐含向量，并根据各所述标准隐含向量以及所述由多个医学特征属性组成的特征矩阵，计算各所述标准隐含向量与各所述医学特征属性之间的相关度；
根据各所述标准隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述历史医疗文本的注意力值；
根据各所述医学特征属性针对所述历史医疗文本的注意力值计算各所述医学特征属性的第一预测分类结果，并根据各所述医学特征属性针对所述历史医疗文本的注意力值对所述历史医疗文本进行分类得到第二预测分类结果；
计算所述第一预测分类结果与所述医学特征属性的第一目标分类结果的第一损失函数，以及第二预测分类结果与所述历史医疗文本的第二目标分类结果的第二损失函数；
利用所述第一损失函数以及第二损失构建目标损失函数，并利用所述目标损失函数对所述初始网络模型进行机器学习，得到所述预设的医疗分类模型。
根据本公开的一个方面，提供一种医疗文本分类装置，包括：
第一计算模块，用于对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度；
第二计算模块，用于根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值；
医疗文本分类模块，用于根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
根据本公开的一个方面，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任意一项所述的医疗文本分类方法。
根据本公开的一个方面，提供一种电子设备，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的医疗文本分类方法。
本发明实施例提供的一种医疗文本分类方法，一方面，通过对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各待处理隐含向量与各医学特征属性之间的相关度；然后根据各待处理隐含向量与各医学特征属性之间的相关度，计算各医学特征属性针对待分类医疗文本的注意力值；最后根据各医学特征属性针对待分类医疗文本的注意力值对待分类医疗文本进行分类，解决了现有技术中都是直接利用深度学习模型进行端到端的分类训练，需要大量的有标注数据，会使得分类效率较低的问题，提高了对待分类医疗文本进行分类的分类效率；另一方面，解决了现有技术中当在公开标注数据的数据量较少时，会使得分类结果的准确率较低的问题，提高了待分类医疗文本的分类结果的准确率；再一方面，解决了现有技术中由于没有采用医学特征属性对待分类医疗文本进行分类进而造成的分类结果的准确率较低的问题；进一步的，通过根据各待处理隐含向量与各医学特征属性之间的相关度，计算各医学特征属性针对待分类医疗文本的注意力值；最后根据各医学特征属性针对待分类医疗文本的注意力值对待分类医疗文本进行分类，解决了现有技术中由于样本稀缺进而造成的分类结果的准确率较低的问题。
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和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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示意性示出根据本发明示例实施例的一种医疗文本分类方法的流程图。
图2示意性示出根据本发明示例实施例的一种医疗分类模型的结构示例图。
图3示意性示出根据本发明示例实施例的一种利用历史医疗文本对初始网络模型进行机器学习，得到所述医疗分类模型的方法流程图。
图4示意性示出根据本发明示例实施例的另一种医疗文本分类方法的流程图。
图5意性示出根据本发明示例实施例的一种对待分类医疗文本进行编码得到多个待处理隐含向量的方法流程图。
图6示意性示出根据本发明示例实施例的一种医疗文本分类装置的框图。
图7示意性示出根据本发明示例实施例的一种用于实现上述医疗文本分类方法的电子设备。
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。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技术方案以避免喧宾夺主而使得本发明的各方面变得模糊。
此外，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。附图中所示的一些方框图是功能实体，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。
肿瘤的分期(Tumor Staging)是目前评价肿瘤生物学行为和诊断的最重要的指标之一，肿瘤分期目的是根据个体内原发肿瘤以及播散程度来描述恶性肿瘤的严重程度和受累范围的。准确有效的肿瘤分期方案，可以帮助医生了解病人患病的程度，制定相应的治疗计划并且了解疾病的预后和转归。下文中的肿瘤分期均以乳腺癌的分期为例说明。
肿瘤的分期可以看作一个文本分类问题，从非结构化的原始病历中，利用词向量，深度学习等技术，可以解决肿瘤TNM分期问题。通常可以先利用词嵌入模型把电子病历文书中的词转化为向量，再利用各种深度神经网络模型建模整段文本，最后使用分类器进行分类。
现有的分类技术可以包括如下几种：
一种是，多任务学习技术(Multi-task Learning，MTL)。即利用一些可能帮助优化度量指标的其它相关任务的训练信号，通过共享相关任务之间的表征，使我们的模型更好地处理原始任务。通过MTL的训练方式，即使只优化一个损失函数，也有可能借助辅助任务来改善原任务模型，进而可以用来改进泛化能力。
另一种是，注意力机制(Attention Mechanism)。注意力机制来自于模拟人如何关注图片中的某些区域，或者句子中的某些相关词，通过使用attention机制能够从句子中筛选出对于最终分类任务重要性较高的词或者词组。主要包括自注意力机制，柔性注意力(Soft-Attention)，多头注意力(Multi-head Attention)等。
再一种是，基于深度学习的分类方法，在标注数据充足的条件下，可以取得超过人类的分类表现。
但是，上述方案存在如下缺陷：一方面，由于标注数据的成本是非常高昂的，所以通常只能标注较少的训练数据。并且，临床电子病历数据集的类别分布普遍不均衡，在这些少量的训练数据中，又有些类别包含极少量的样本，导致该类别比较难以学习，容易被错误归为那些样本出现次数更多的类别。例如，在乳腺癌患者的病历数据中，T1，T2类别的样例占据了数据集的86％，其余的T3，T4，Tis等类别占14％，这时如果将在训练数据上学习到的深度学习模型，T3，T4，Tis等类别的准确率将非常低，这是因为模型对数据充足的类别学习效果较好，对于数据稀缺的类别则准确率欠佳。
另一方面，现有的医疗文本分类方法都是直接利用深度学习模型进行端到端的分类训练，需要大量的有标注数据。但是针对肿瘤分期问题，在公开标注数据有限，自主标注数据成本高昂的情况下，端到端的训练很难达到令人满意的效果。
再一方面，现有的医疗文本分类方法大多使用通用的文本分类模型，和通用的词向量技术，没有利用特定领域的知识。如医学领域，有大量已构建的词库与规则特征可以利用，因此会造成词库以及规则特征的浪费；
进一步的，现有的医疗文本分类模型对于小样本分类问题处理能力不够，导致针对一些样本稀缺的类别，分类效果不够令人满意。
本示例实施方式中首先提供了一种医疗文本分类方法，该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该医疗文本分类方法可以包括以下步骤：
步骤S110.对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度。
步骤S120.根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值。
步骤S130.根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
上述医疗文本分类方法中，一方面，通过对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各待处理隐含向量与各医学特征属性之间的相关度；然后根据各待处理隐含向量与各医学特征属性之间的相关度，计算各医学特征属性针对待分类医疗文本的注意力值；最后根据各医学特征属性针对待分类医疗文本的注意力值对待分类医疗文本进行分类，解决了现有技术中都是直接利用深度学习模型进行端到端的分类训练，需要大量的有标注数据，会使得分类效率较低的问题，提高了对待分类医疗文本进行分类的分类效率；另一方面，解决了现有技术中当在公开标注数据的数据量较少时，会使得分类结果的准确率较低的问题，提高了待分类医疗文本的分类结果的准确率；再一方面，解决了现有技术中由于没有采用医学特征属性对待分类医疗文本进行分类进而造成的分类结果的准确率较低的问题；进一步的，通过根据各待处理隐含向量与各医学特征属性之间的相关度，计算各医学特征属性针对待分类医疗文本的注意力值；最后根据各医学特征属性针对待分类医疗文本的注意力值对待分类医疗文本进行分类，解决了现有技术中由于样本稀缺进而造成的分类结果的准确率较低的问题。
以下，将结合附图对本发明示例实施例医疗文本分类方法中涉及的各步骤进行详细的解释以及说明。
首先，对本发明示例实施例的发明思路进行解释以及说明。具体的，为了解决上述问题，需要引入医疗领域知识辅助分类过程。因此，本发明示例实施例引入与肿瘤相关的医学特征属性作为中间特征，利用注意力机制，捕捉电子病历中与医学特征属性相关的信息，通过预测医学特征属性从而学习医学知识的表示向量，帮助最终肿瘤分期的判断。本发明可以同时预测医学特征属性与肿瘤分期结果，把TNM分期过程看作文本多分类任务，预测医学特征属性视作多个二分类的子任务，通过联合学习两种任务，学习医学知识的表示，大大降低了直接端到端的学习肿瘤分期任务的难度。两个任务对应的网络模块共享一部分底层权重，可以达到知识迁移的效果，达到了较好的预测准确率，并且具有一定的可解释性。
其次，为了便于更好的对步骤S110-步骤S130进行解释以及说明，首先对本发明示例实施例中涉及到的医疗分类模型进行解释以及说明。具体的，参考图2所示，该医疗分类模型例如可以包括：共享特征编码器201、注意力矩阵模块202、属性判别器203以及分类判别器204。其中，共享特征编码器201、注意力矩阵模块202、属性判别器203以及分类判别器204依次网络连接，该分类判别器也即肿瘤分期判别器。进一步的，为了得到该医疗分类模型，还需要利用历史医疗文本对初始网络模型(例如可以是逻辑回归模型)进行机器学习，得到所述医疗分类模型。其中，可以通过Adam优化算法对初始网络模型进行训练，并且，当设置在验证集上的指标超过10次没有增大时，可以认为该初始网络模型已经被训练至收敛。当然，对初始网络模型训练到什么程度算收敛，技术人员可以根据实际情况进行设定，此处不做具体限定。
具体的，参考图3所示，利用历史医疗文本对初始网络模型进行机器学习，得到所述医疗分类模型可以包括步骤S310-步骤S350。其中：
在步骤S310中，对所述历史医疗文本进行编码得到多个标准隐含向量，并根据各所述标准隐含向量以及所述由多个医学特征属性组成的特征矩阵，计算各所述标准隐含向量与各所述医学特征属性之间的相关度。
在步骤S320中，根据各所述标准隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述历史医疗文本的注意力值。
在步骤S330中，根据各所述医学特征属性针对所述历史医疗文本的注意力值计算各所述医学特征属性的第一预测分类结果，并根据各所述医学特征属性针对所述历史医疗文本的注意力值对所述历史医疗文本进行分类得到第二预测分类结果。
在步骤S340中，计算所述第一预测分类结果与所述医学特征属性的第一目标分类结果的第一损失函数，以及第二预测分类结果与所述历史医疗文本的第二目标分类结果的第二损失函数。
在步骤S350中，利用所述第一损失函数以及第二损失构建目标损失函数，并利用所述目标损失函数对所述初始网络模型进行机器学习，得到所述预设的医疗分类模型。
以下，将对步骤S310-步骤S350进行解释以及说明。
其中，首先，采用共享特征编码器Es对历史医疗文本进行编码得到多个标准隐含向量；其中，该共享特征编码器可以使用卷积神经网络(CNN)，因此此处使用一维卷积，具体可以如公式(1)所示：
hn＝g(Wc*x+bc)； 公式(1)
其中，
Figure BDA0002417133890000101
是全卷积核，r*de为输入的历史医疗文本的分词的维度，bc是偏置向量，dc为偏置向量bc的维度，g是ReLU函数。输入的历史医疗文本的分词x经过共享特征编码器Es编码后，得到文本的标准隐含向量表示H(由n个hn拼接组成)，其大小为dc*N；N为分词的数量。然后经过一个最大池化层获得整个历史文本的上下文表示e。其中：
e＝max_pool(H)；其中，H为由hn组成的隐藏层表示。
其次，获得历史医疗文本的隐藏层表示H之后，可以针对每一种医学特征属性给出预测结果，所以引入了针对医学特征属性的注意力机制(Attribute AttentionMechanism)，通过这种机制，能够使对于该属性最相关，作用最大的词或者词组显现出来。具体做法是，针对每一种医学特征属性，维护一个向量
Figure BDA0002417133890000111
K个医学特征就组成了K*da维度的特征矩阵U；其中，da为向量ui的维度。进一步的，用H与U做点乘得到每个u与h之间的注意力权重，代表从每个隐含状态与每个医学特征属性的相关度。具体可以如下公式(2)所示：
A＝UHT＝[HTu1,HTu2,...,HTuK]T∈RK*N； 公式(2)
接下来，使用softmax(柔性最大值)去获得归一化的注意力权重，这样针对每个医学特征属性，就可以得到每个医学特征属性针对电子病历文本的注意力值，并通过加权求和的方式获得整个文本的表示。具体可以如公式(3)所示：
Figure BDA0002417133890000112
其中，j∈(1,N)，i∈(1,K)；α表示对每个隐含状态与每个医学特征属性的相关度进行归一化处理后的注意力权重向量，也即每个医学特征属性针对电子病历文本的注意力值；si是对第i个医学特征属性的知识表示向量，αij表示第i个医学特征属性针对电子病历文本的注意力值与第j个隐含向量进行拼接后得到的矩阵。
进一步的，期望si是对第i个医学特征属性的知识表示向量，由它可计算出第i种医学特征属性的分类结果，由于只需要预测是或者否，所以使用sigmoid函数，获得每种医学特征属性的第一预测分类结果。具体可以如公式(4)所示：
Figure BDA0002417133890000113
其中，σ为sigmoid函数，βi T是第i个医学特征属性的全卷积核；bi是第i个医学特征属性的偏置向量。
以上就是医学特征属性分类任务的过程。
同时，K个知识表示向量应该作用于最终的乳腺癌肿瘤的分类，因此可以把这K个知识表示向量与文本的上下文表示e融合起来，作为最终的分类器的输入向量，进而得到历史医疗文本的第二预测分类结果。具体可以如下公式(5)所示：
Figure BDA0002417133890000121
其中，S为各医学特征属性的知识表示向量的总和；y为第二预测分类结果；by为与第二预测分类结果对应的偏置向量；Wy为与第二预测分类结果对应的全卷积核。
更进一步的，当得到上述第一预测分类结果以及第二预测分类结果以后，可以根据该第一预测分类结果以及第二预测分类结果构建目标损失函数(模型损失函数)。其中，该目标损失函数L具体可以如下公式(6)所示：
Figure BDA0002417133890000122
其中，Lstage为第一损失函数，Lj为第二损失函数，L为目标损失函数，β为常参数；
Figure BDA0002417133890000123
为第一预测分类结果，yi为第一目标分类结果；yj为第j个历史医疗文本的第二目标分类结果，
Figure BDA0002417133890000124
为第j个历史医疗文本的第二预测分类结果。
由此可以得出，第一损失函数是由多个医学特征属性对应的预测分类结果以及目标分类结果组成；同时，由于最终的医疗文本的分类结果是由各医学特征属性的注意力值进行加权求和得到的，因此第二损失函数仅仅是由该医疗文本的预测分类结果以及目标分类结果组成。
最后，利用该目标损失函数作为初始网络模型各个组件的优化目标，用以指导初始网络模型进行机器学习，进而得到医疗分类模型。此处需要进一步补充说明的是，由于损失函数同时引入了医学特征属性的损失函数以及历史医疗文本的损失函数，因此会进一步的提高该医疗分类模型的准确性，进而提高待分类医疗文本的分类结果的准确率。
以下，对步骤S110-步骤S130进行解释以及说明。
在步骤S110中，对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度。
在本示例实施例中，为了能够对待分类医疗文本进行编码得到多个待处理隐含向量，首先需要对待处理医疗数据进行处理得到该待分类医疗文本。具体的，参考图4所示，该待医疗文本分类方法还可以包括步骤S410-步骤S430。其中：
在步骤S410中，获取包括多个不同路径的待处理医疗数据；其中，所述待处理医疗数据包括现病史相关文本、病历检查文本以及影像检查文本中的至少一种。
在步骤S420中，对所述待处理医疗数据进行分词得到多个分词结果，并去除所述分词结果中的停止词。
在步骤S430中，对去除停止词之后剩余的各所述分词结果进行拼接，得到所述待分类医疗文本。
以下，将对步骤S410-步骤S430进行解释以及说明。具体的，上述待处理医疗数据可以包括若干个不同来源的文本数据，例如现病史相关文本，病理检查文本、影像检查文本，不同来源的文本数据被视为来自不同的路径。进一步的，当获取到上述若干个不同来源的文本数据后，可以在处理时将不同路径的文本数据经过分词并去除停止词后，拼接成一段长文本，再将该拼接的长文本作为上述待分类医疗文本。其中，得到的待分类医疗文本具体可以如下所示：
10天前患者因“左乳肿块”在我科住院治疗，于2012年05月02日行左乳肿块麦默通穿刺手术，术后病理回示：<左>乳腺乳房浸润性导管癌，左腋窝肿大淋巴结穿刺示：左乳外侧乳腺癌伴坏死：左腋下淋巴结转移癌腺癌；明确诊断为左乳腺癌(T2N1M0)，因考虑肿块大于2CM，且有淋巴结转移癌，故给予新辅助化疗以降期治疗，已完成EC(表柔比星+环磷酰胺)方案第一周期化疗，化疗过程顺利，化疗中偶感恶心，无呕吐，无头晕、头痛，无心悸、胸闷，无气促、呼吸困难等。今患者为继续行新辅助化疗，遂再次就诊我院门诊，门诊以“左乳腺癌”收入我科，病来患者精神、饮食、睡眠可，大小便正常，体重无明显增减。
其次，当得到上述待处理医疗文本以后，可以对待分类医疗文本进行编码得到多个待处理隐含向量。具体的，参考图5所示，对待分类医疗文本进行编码得到多个待处理隐含向量可以包括步骤S510-步骤S520。其中：
在步骤S510中，将所述待分类医疗文本输入至预设的词向量生成模型中得到多个词向量，并根据所述待分类医疗文本的路径得到多个路径向量。
在步骤S520中，根据各所述词向量以及各所述路径向量得到待分类向量序列，并利用预设的医疗分类模型中包括的共享特征编码器对所述待分类向量序列进行编码，得到多个所述待处理隐含向量。
以下，将对步骤S510-步骤S520进行解释以及说明。具体的，对来自不同路径的词我们采用两套向量进行表征，包括词向量与路径向量，不同路径下的文本具有不同的路径表示。同时，对于词向量，可以采用词向量生成模型(例如可以是word2vec模型，也可以是BERT模型，本示例对此不做特殊限制)生成每个词的嵌入表示x(词向量)，其中，word2vec是Google提供的用于自然语言处理任务的预训练模型。另外，对于路径向量，可以通过网络自动学习的方式得到。进一步的，当得到词向量以及路径向量以后，可以对各词向量以及路径向量进行拼接得到待分类向量序列，然后利用上述训练好的医疗分类模型中包括的共享特征编码器(Es)对该待分类向量序列进行编码，进而得到多个待处理隐含向量(hn)，具体可以如上述公式(1)所示。
进一步的，当得到多个待处理隐含向量(hn)以后，可以计算各待处理隐含向量与各医学特征属性之间的相关度。具体的，可以利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵中的每一行进行点乘运算，得到各所述待处理隐含向量与各所述医学特征属性之间的相关度；其中，所述特征矩阵中的每一行对应每一个所述医学特征属性的向量，具体可以如上述公式(2)所示。
其中，为了把医学知识引入该医疗分类模型，因此选取了对于判别肿瘤分期任务有帮助的显著的医学特征属性，部分医学特征属性的相关内容和主要意义如下表1所示：
表1
医学特性 意义
胸壁或皮肤侵犯 判断病历中是否存在肿瘤侵犯了胸壁现象
炎症型 判断肿瘤是否是炎症型的
原位癌症 判断病人所患的癌症是否为原位乳腺癌
大小和位置 判断病历中是否包含肿瘤大小，位置等信息
区域淋巴转移 判断病历中是否出现区域淋巴结转移现象
腋窝 判断是否在同侧腋窝出现的淋巴结转移现象
内乳 判断是否在同侧内乳出现的淋巴结转移现象
锁骨 判断是否在同侧锁骨出现的淋巴结转移现象
上述医学特征属性作为辅助信息，对于每个待分类医疗文本，每种特征都可以被标记为“是”和“否”两种类型。
此处需要补充说明的是，此处的计算各待处理隐含向量以及各医学特征属性之间的相关度的步骤与前文是高度类似的，因此为了避免过于累赘，此处不再进行详细的解释。
在步骤S120中，根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值。
在本示例实施例中，具体的，利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量与各所述医学特征属性之间的相关度进行归一化处理，并根据归一化处理后的相关度得到各所述医学特征属性针对所述待分类医疗文本的注意力值。
此处需要补充说明的是，此处的根据各待处理隐含向量与各医学特征属性之间的相关度，计算各医学特征属性针对待分类医疗文本的注意力值的步骤与前文是高度类似的(具体可以如公式3所示)，因此为了避免过于累赘，此处不再进行详细的解释。
在步骤S130中，根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
在本示例实施例中，具体的，可以利用预设的医疗分类模型中包括的分类判别器对各所述医学特征属性针对所述待分类医疗文本的注意力值进行加权求和，并根据加权求和结果对所述待分类医疗文本进行分类，得到所述待分类医疗文本的分类结果。
譬如，首先，可以根据医学特征属性的注意力值计算出各医学特征属性的分类结果，由于只需要预测是或者否，所以使用sigmoid函数，获得每种医学特征属性的分类结果。同时，各医学特征属性的注意力值应该作用于最终的乳腺癌肿瘤的分类，因此可以把各医学特征属性的注意力值进行加权求和(求取平均值)后，与待分类医疗文本的上下文表示融合起来，作为最终的分类器的输入向量，进而得到待分类医疗文本的分类结果，该分类结果即为最终的肿瘤分期结果，具体可以如公式(5)所示。
此处需要补充说明的是，也可以利用预设的医疗分类模型中包括的属性判别器根据各所述医学特征属性针对所述待分类医疗文本的注意力值对各所述医学特征属性进行分类，进而得到各医学特征属性的分类结果。
进一步的，当得到上述分类结果以后，该医疗文本分类方法还可以包括：对所述分类结果进行展示，以使得医疗人员根据所述分类结果对与所述待分类医疗文本对应待治疗患者进行治疗。通过该方法，使得医疗人员可以直观的查看到该分类结果(肿瘤分期结果)，进而对医疗人员起到辅助决策的作用。
本发明示例实施例提供的医疗文本分类方法，至少具有以下优点：一方面，可以实现基于神经网络的乳腺癌肿瘤TNM分期模型的训练，同时，还可以实现同时预测中间医学特征属性与最终TNM分期结果的多任务学习模型，探索在神经网络中融合多种医学知识辅助分类效果。
另一方面，解决了乳腺癌TNM分期中的小样本分类效果不佳的问题。
再一方面，提升了在数据稀缺与数据不均衡情况下的乳腺癌肿瘤TNM分期的准确率。
本发明示例实施例还提供了一种医疗文本分类装置。参考图6所示，该医疗文本分类装置可以包括第一计算模块610、第二计算模块620以及医疗文本分类模块630。其中：
第一计算模块610可以用于对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度。
第二计算模块620可以用于根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值。
医疗文本分类模块630可以用于根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
在本公开的一种示例性实施例中，所述医疗文本分类装置还包括：
数据获取模块，可以用于获取包括多个不同路径的待处理医疗数据；其中，所述待处理医疗数据包括现病史相关文本、病历检查文本以及影像检查文本中的至少一种；
停止词去除模块，可以用于对所述待处理医疗数据进行分词得到多个分词结果，并去除所述分词结果中的停止词；
分词结果拼接模块，可以用于对去除停止词之后剩余的各所述分词结果进行拼接，得到所述待分类医疗文本。
在本公开的一种示例性实施例中，对待分类医疗文本进行编码得到多个待处理隐含向量包括：
将所述待分类医疗文本输入至预设的词向量生成模型中得到多个词向量，并根据所述待分类医疗文本的路径得到多个路径向量；
根据各所述词向量以及各所述路径向量得到待分类向量序列，并利用预设的医疗分类模型中包括的共享特征编码器对所述待分类向量序列进行编码，得到多个所述待处理隐含向量。
在本公开的一种示例性实施例中，根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度包括：
利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵中的每一行进行点乘运算，得到各所述待处理隐含向量与各所述医学特征属性之间的相关度；其中，所述特征矩阵中的每一行对应每一个所述医学特征属性的向量。
在本公开的一种示例性实施例中，根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值包括：
利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量与各所述医学特征属性之间的相关度进行归一化处理，并根据归一化处理后的相关度得到各所述医学特征属性针对所述待分类医疗文本的注意力值。
在本公开的一种示例性实施例中，根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类包括：
利用预设的医疗分类模型中包括的分类判别器对各所述医学特征属性针对所述待分类医疗文本的注意力值进行加权求和运算，并根据加权求和运算结果对所述待分类医疗文本进行分类，得到所述待分类医疗文本的分类结果。
在本公开的一种示例性实施例中，所述医疗文本分类装置还包括：
机器学习模块，可以用于利用历史医疗文本对初始网络模型进行机器学习，得到所述预设的医疗分类模型。
在本公开的一种示例性实施例中，利用历史医疗文本对初始网络模型进行机器学习，得到所述预设的医疗分类模型包括：
对所述历史医疗文本进行编码得到多个标准隐含向量，并根据各所述标准隐含向量以及所述由多个医学特征属性组成的特征矩阵，计算各所述标准隐含向量与各所述医学特征属性之间的相关度；
根据各所述标准隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述历史医疗文本的注意力值；
根据各所述医学特征属性针对所述历史医疗文本的注意力值计算各所述医学特征属性的第一预测分类结果，并根据各所述医学特征属性针对所述历史医疗文本的注意力值对所述历史医疗文本进行分类得到第二预测分类结果；
计算所述第一预测分类结果与所述医学特征属性的第一目标分类结果的第一损失函数，以及第二预测分类结果与所述历史医疗文本的第二目标分类结果的第二损失函数；
利用所述第一损失函数以及第二损失构建目标损失函数，并利用所述目标损失函数对所述初始网络模型进行机器学习，得到所述预设的医疗分类模型。
上述医疗文本分类装置中各模块的具体细节已经在对应的医疗文本分类方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
在本发明的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本发明的这种实施方式的电子设备700。图7显示的电子设备700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7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730以及显示单元740。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”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，所述处理单元710可以执行如图1中所示的步骤S110：对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度；S120：根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值；步骤S130：根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本发明实施方式的方法。
在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明的实施方式的用于实现上述方法的程序产品，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。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例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。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其他实施例。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由权利要求指出。

Claims (11)

1.一种医疗文本分类方法，其特征在于，包括：
对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度；
根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值；
根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
2.根据权利要求1所述的医疗文本分类方法，其特征在于，在对待分类医疗文本进行编码得到多个待处理隐含向量之前，所述医疗文本分类方法还包括：
获取包括多个不同路径的待处理医疗数据；其中，所述待处理医疗数据包括现病史相关文本、病历检查文本以及影像检查文本中的至少一种；
对所述待处理医疗数据进行分词得到多个分词结果，并去除所述分词结果中的停止词；
对去除停止词之后剩余的各所述分词结果进行拼接，得到所述待分类医疗文本。
3.根据权利要求2所述的医疗文本分类方法，其特征在于，对待分类医疗文本进行编码得到多个待处理隐含向量包括：
将所述待分类医疗文本输入至预设的词向量生成模型中得到多个词向量，并根据所述待分类医疗文本的路径得到多个路径向量；
根据各所述词向量以及各所述路径向量得到待分类向量序列，并利用预设的医疗分类模型中包括的共享特征编码器对所述待分类向量序列进行编码，得到多个所述待处理隐含向量。
4.根据权利要求1所述的医疗文本分类方法，其特征在于，根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度包括：
利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量与预设的由多个医学特征属性组成的特征矩阵中的每一行进行点乘运算，得到各所述待处理隐含向量与各所述医学特征属性之间的相关度；其中，所述特征矩阵中的每一行对应每一个所述医学特征属性的向量。
5.根据权利要求1所述的医疗文本分类方法，其特征在于，根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值包括：
利用预设的医疗分类模型中包括的注意力矩阵模块对各所述待处理隐含向量与各所述医学特征属性之间的相关度进行归一化处理，并根据归一化处理后的相关度得到各所述医学特征属性针对所述待分类医疗文本的注意力值。
6.根据权利要求1所述的医疗文本分类方法，其特征在于，根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类包括：
利用预设的医疗分类模型中包括的分类判别器，对各所述医学特征属性针对所述待分类医疗文本的注意力值进行加权求和，并根据加权求和结果对所述待分类医疗文本进行分类，得到所述待分类医疗文本的分类结果。
7.根据权利要求3-6任一项所述的医疗文本分类方法，其特征在于，所述医疗文本分类方法还包括：
利用历史医疗文本对初始网络模型进行机器学习，得到所述预设的医疗分类模型。
8.根据权利要求7所述的医疗文本分类方法，其特征在于，利用历史医疗文本对初始网络模型进行机器学习，得到所述预设的医疗分类模型包括：
对所述历史医疗文本进行编码得到多个标准隐含向量，并根据各所述标准隐含向量以及所述由多个医学特征属性组成的特征矩阵，计算各所述标准隐含向量与各所述医学特征属性之间的相关度；
根据各所述标准隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述历史医疗文本的注意力值；
根据各所述医学特征属性针对所述历史医疗文本的注意力值计算各所述医学特征属性的第一预测分类结果，并根据各所述医学特征属性针对所述历史医疗文本的注意力值对所述历史医疗文本进行分类得到第二预测分类结果；
计算所述第一预测分类结果与所述医学特征属性的第一目标分类结果的第一损失函数，以及第二预测分类结果与所述历史医疗文本的第二目标分类结果的第二损失函数；
利用所述第一损失函数以及第二损失构建目标损失函数，并利用所述目标损失函数对所述初始网络模型进行机器学习，得到所述预设的医疗分类模型。
9.一种医疗文本分类装置，其特征在于，包括：
第一计算模块，用于对待分类医疗文本进行编码得到多个待处理隐含向量，并根据各所述待处理隐含向量以及预设的由多个医学特征属性组成的特征矩阵，计算各所述待处理隐含向量与各所述医学特征属性之间的相关度；
第二计算模块，用于根据各所述待处理隐含向量与各所述医学特征属性之间的相关度，计算各所述医学特征属性针对所述待分类医疗文本的注意力值；
医疗文本分类模块，用于根据各所述医学特征属性针对所述待分类医疗文本的注意力值对所述待分类医疗文本进行分类。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的医疗文本分类方法。
11.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的医疗文本分类方法。
CN202010194565.3A 2020-03-19 2020-03-19 医疗文本分类方法及装置、存储介质、电子设备 Active CN111403028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010194565.3A CN111403028B (zh) 2020-03-19 2020-03-19 医疗文本分类方法及装置、存储介质、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010194565.3A CN111403028B (zh) 2020-03-19 2020-03-19 医疗文本分类方法及装置、存储介质、电子设备

Publications (2)

Publication Number Publication Date
CN111403028A true CN111403028A (zh) 2020-07-10
CN111403028B CN111403028B (zh) 2022-12-06

Family

ID=71430959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010194565.3A Active CN111403028B (zh) 2020-03-19 2020-03-19 医疗文本分类方法及装置、存储介质、电子设备

Country Status (1)

Country Link
CN (1) CN111403028B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560620A (zh) * 2020-12-08 2021-03-26 齐鲁工业大学 一种基于目标检测和特征融合的目标跟踪方法及系统
CN112951417A (zh) * 2021-04-15 2021-06-11 北京理工大学 一种医疗时序数据医学特征交互表示方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170278510A1 (en) * 2016-03-22 2017-09-28 Sony Corporation Electronic device, method and training method for natural language processing
CN109543714A (zh) * 2018-10-16 2019-03-29 北京达佳互联信息技术有限公司 数据特征的获取方法、装置、电子设备及存储介质
CN109902293A (zh) * 2019-01-30 2019-06-18 华南理工大学 一种基于局部与全局互注意力机制的文本分类方法
CN110021439A (zh) * 2019-03-07 2019-07-16 平安科技（深圳）有限公司 基于机器学习的医疗数据分类方法、装置和计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170278510A1 (en) * 2016-03-22 2017-09-28 Sony Corporation Electronic device, method and training method for natural language processing
CN109543714A (zh) * 2018-10-16 2019-03-29 北京达佳互联信息技术有限公司 数据特征的获取方法、装置、电子设备及存储介质
CN109902293A (zh) * 2019-01-30 2019-06-18 华南理工大学 一种基于局部与全局互注意力机制的文本分类方法
CN110021439A (zh) * 2019-03-07 2019-07-16 平安科技（深圳）有限公司 基于机器学习的医疗数据分类方法、装置和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卢玲等: "结合注意力机制的长文本分类方法", 《计算机应用》 *
陈巧红; 王磊; 孙麒; 贾宇波: "基于混合神经网络的中文短文本分类模型", 《浙江理工大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560620A (zh) * 2020-12-08 2021-03-26 齐鲁工业大学 一种基于目标检测和特征融合的目标跟踪方法及系统
CN112560620B (zh) * 2020-12-08 2023-02-28 齐鲁工业大学 一种基于目标检测和特征融合的目标跟踪方法及系统
CN112951417A (zh) * 2021-04-15 2021-06-11 北京理工大学 一种医疗时序数据医学特征交互表示方法

Also Published As

Publication number Publication date
CN111403028B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN113535984B (zh) 一种基于注意力机制的知识图谱关系预测方法及装置
CN111339255B (zh) 目标情感分析的方法、模型训练方法、介质和设备
CN111145905B (zh) 目标决策模型构建方法及装置、电子设备、存储介质
CN108563624A (zh) 一种基于深度学习的自然语言生成方法
EP3867830A1 (en) Adapting prediction models
CN109657056B (zh) 目标样本获取方法、装置、存储介质及电子设备
CN114298050A (zh) 模型的训练方法、实体关系抽取方法、装置、介质、设备
CN111403028B (zh) 医疗文本分类方法及装置、存储介质、电子设备
Bhalodia et al. Improving pneumonia localization via cross-attention on medical images and reports
Ma et al. Attention-guided deep graph neural network for longitudinal Alzheimer’s disease analysis
CN113012774B (zh) 病案自动编码方法、装置、电子设备及存储介质
CN110705279A (zh) 一种词汇表的选择方法、装置及计算机可读存储介质
CN115662510A (zh) 因果参数的确定方法、装置、设备以及存储介质
CN113723077B (zh) 基于双向表征模型的句向量生成方法、装置及计算机设备
CN111161884A (zh) 针对不平衡数据的疾病预测方法、装置、设备及介质
CN111816306B (zh) 一种医学数据处理方法、预测模型的训练方法及装置
Zhu et al. Robust co-teaching learning with consistency-based noisy label correction for medical image classification
CN111081325A (zh) 医疗数据处理方法与装置
CN112347776A (zh) 医疗数据处理方法及装置、存储介质、电子设备
CN116304629A (zh) 机械设备故障智能诊断方法、系统、电子设备以及存储介质
JP2017538226A (ja) スケーラブルなウェブデータの抽出
CN112086174B (zh) 一种三维知识诊断模型构建方法和系统
CN114886383A (zh) 基于迁移学习的针对脑电信号情感特征分类方法
CN112989032A (zh) 实体关系分类方法、装置、介质及电子设备
Mall et al. A deep (learning) dive into visual search behaviour of breast radiologists

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