CN111899844B - 一种样本生成方法、装置、服务器及存储介质 - Google Patents

一种样本生成方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111899844B
CN111899844B CN202011045854.3A CN202011045854A CN111899844B CN 111899844 B CN111899844 B CN 111899844B CN 202011045854 A CN202011045854 A CN 202011045854A CN 111899844 B CN111899844 B CN 111899844B
Authority
CN
China
Prior art keywords
patient
target
compliance
data
encoder
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
Application number
CN202011045854.3A
Other languages
English (en)
Other versions
CN111899844A (zh
Inventor
张渊
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011045854.3A priority Critical patent/CN111899844B/zh
Priority to PCT/CN2020/124610 priority patent/WO2021159740A1/zh
Publication of CN111899844A publication Critical patent/CN111899844A/zh
Application granted granted Critical
Publication of CN111899844B publication Critical patent/CN111899844B/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请实施例提供一种样本生成方法、装置、服务器及存储介质，应用于医疗科技领域，该服务器包括处理器和存储器，处理器和存储器相互连接，其中，存储器用于存储计算机程序，计算机程序包括程序指令，处理器被配置用于调用程序指令，执行以下步骤：接收终端设备发送的患者样本生成请求，患者样本生成请求携带预置的依从性条件；调用预训练的深度生成模型，以根据依从性条件生成依从性条件对应的目标患者样本，目标患者样本用于指导满足依从性条件的患者的就医行为；将目标患者样本发送至终端设备，以便终端设备展示目标患者样本。采用本申请，可以根据依从性对患者的就医行为进行指导。本申请涉及区块链技术，如可将目标患者样本写入区块链。

Description

一种样本生成方法、装置、服务器及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种样本生成方法、装置、服务器及存储介质。
背景技术
在诊疗过程中，患者的依从性对患者预后有很大影响，医护人员对依从性不同的患者进行分级管理有助于提高医护人员的工作效率，减轻工作负担。对患者进行分级管理有赖于对患者的就医行为模式进行分析，并据此对患者的依从性进行预测，识别出不同依从性的患者的表征。根据不同依从性的患者的表征，医护人员可以对患者的就医行为进行指导。因此，如何依据依从性对患者的就医行为进行指导成为亟待解决的问题。
发明内容
本申请实施例提供了一种样本生成方法、装置、服务及存储介质，可以根据依从性对患者的就医行为进行指导。
第一方面，本申请实施例提供了一种服务器，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：
接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件；
调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为；
将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本。
可选地，所述处理器被配置用于调用所述程序指令，还执行以下步骤：
获取至少一个依从性条件中每个依从性条件对应的第一患者数据；
根据所述每个依从性条件对应的第一患者数据，训练原始的深度生成模型，得到预训练的深度生成模型。
可选地，在根据所述每个依从性条件对应的第一患者数据，训练原始的深度生成模型，得到预训练的深度生成模型时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
对所述每个依从性条件对应的第一患者数据进行归一化处理，得到第一处理数据；第一处理数据是指根据所述每个依从性条件对应的第一患者数据进行归一化处理后得到的数据；
将所述第一处理数据作为原始的深度生成模型的输入数据，以对所述原始的深度生成模型进行训练，得到预训练的深度生成模型。
可选地，所述深度生成模型为变分自编码器，在将所述第一处理数据作为原始的深度生成模型的输入数据，以对所述原始的深度生成模型进行训练，得到预训练的深度生成模型时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
将所述第一处理数据作为原始的变分自编码器的输入数据，通过所述原始的变分自编码器包括的编码模块根据所述第一处理数据进行编码处理，得到均值和方差；
对所述均值和方差服从的高斯分布进行采样，得到隐变量；
将所述隐变量输入到所述原始的变分自编码器包括的解码模块，通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据；
根据所述第一患者数据和所述第二患者数据，构建所述原始的变分自编码器的损失函数，利用所述损失函数训练所述原始的变分自编码器，得到预训练的变分自编码器。
可选地，在通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
通过所述解码模块根据所述隐变量进行解码处理，得到第二处理数据；第二处理数据是指根据所述隐变量进行解码处理后得到的数据；
对所述第二处理数据进行反归一化处理，得到所述每个依从性条件对应的第二患者数据。
可选地，在根据所述每个依从性条件对应的第一患者数据，训练原始的变分自编码器，得到预训练的变分自编码器时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
将所述每个依从性条件对应的第一患者数据作为原始的变分自编码器的输入数据，以训练所述原始的变分自编码器，得到预训练的变分自编码器。
可选地，所述处理器被配置用于调用所述程序指令，还执行以下步骤：
确定与所述目标患者样本匹配的目标心理护理策略；
将所述目标心理护理策略发送至所述终端设备，以便所述终端设备展示所述目标心理护理策略。
第二方面，本申请实施例提供了一种样本生成方法，包括：
接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件；
调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为；
将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本。
第三方面，本申请实施例提供了一种样本生成装置，包括：
通信模块，用于接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件；
处理模块，用于调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为；
所述通信模块，还用于将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现第一方面所述的服务器执行的步骤。
综上所述，服务器可以接收终端设备发送的患者样本生成请求，该患者样本生成请求携带预置的依从性条件；服务器调用预训练的深度生成模型，以根据该依从性条件生成该依从性条件对应的目标患者样本，该目标患者样本用于指导满足该依从性条件的患者的就医行为；服务器将该目标患者样本发送至该终端设备，以便该终端设备展示该目标患者样本，本申请通过预训练的深度生成模型来根据依从性条件生成对应的目标患者样本以用于对患者的就医行为进行指导，从而实现了根据依从性对患者的就医行为进行指导的过程。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例提供的一种样本生成方法的流程示意图；
图2是本申请实施例提供的一种模型训练过程的示意图；
图3是本申请实施例提供的另一种样本生成方法的流程示意图；
图4是本申请实施例提供的一种样本生成系统的网络架构示意图；
图5是本申请实施例提供的一种样本生成装置的结构示意图；
图6是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参阅图1，为本申请实施例提供的一种样本生成方法的流程示意图。该方法可以应用于服务器。该服务器可以为一个服务器或服务器集群。具体地，该方法可以包括以下步骤：
S101、接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件。
其中，此处的终端设备包括但不限于笔记本电脑、台式电脑等智能终端。依从性条件可以包括以下至少一项：依从性等级、年龄段、性别。此处的依从性等级如可以为好、较好、中或差。此处的依从性也称顺从性、顺应性。依从性是指患者行为与医嘱的一致性，依从性不但影响患者的正常康复，甚至会干扰医护工作的正常进行。
在一个的应用场景中，医生可以使用终端设备进入辅助诊断页面，并在基于该辅助诊断页面输入依从性条件后，点击辅助诊断页面包括的样本生成按钮，终端设备可以响应于对样本生成按钮的点击操作，发送患者样本生成请求至服务器，该患者样本请求携带预置的依从性条件，服务器可以接收终端设备发送的患者样本生成请求。
S102、调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为。
其中，该深度生成模型可以为生成对抗网络（Generative Adversarial Networks，GAN）模型或变分自编码器（Variational Auto-encoder，VAE）。目标患者样本是指该依从性条件对应的最优样本。目标患者样本可以包括患者数据。该患者数据可以包括以下至少一项：患者基本信息、就诊信息、疾病信息、用药信息。该患者基本信息如可以包括性别、年龄等信息，就诊信息如可以包括就诊医院的类别、就诊的频次等信息，疾病信息如可以包括基础疾病的信息以及就诊疾病的信息。
在一个实施例中，所述的预训练的深度生成模型可以通过如下方式得到：服务器获取至少一个依从性条件中每个依从性条件对应的第一患者数据，并根据该每个依从性条件对应的第一患者数据，训练该原始的深度生成模型，得到预训练的深度生成模型。其中，第一患者数据可以是指用于模型训练的真实患者数据。该第一患者数据可以为一个或多个。
在一个实施例中，服务器根据该每个依从性条件对应的第一患者数据，训练该原始的深度生成模型，得到预训练的深度生成模型的过程可以为：服务器对该每个依从性条件对应的第一患者数据进行归一化处理，得到第一处理数据。此处的第一处理数据是指根据该每个依从性条件对应的第一患者数据进行归一化处理后得到的数据。服务器将该第一处理数据作为原始的深度生成模型的输入数据，以对该原始的深度生成模型进行训练，得到预训练的深度生成模型。通过对各第一患者数据进行归一化处理，可以使得不同数量级的第一患者数据处于同一数量级，便于模型训练。
在一个实施例中，在该深度生成模型为变分自编码器时，服务器将该第一处理数据作为原始的深度生成模型的输入数据，以对该原始的深度生成模型进行训练，得到预训练的深度生成模型的过程具体可以如下：
①服务器将所述第一处理数据作为原始的变分自编码器的输入数据，通过所述原始的变分自编码器包括的编码模块根据所述第一处理数据进行编码处理，得到均值和方差。
结合图2来看，第一患者数据可以为患者数据x，服务器可以将每个依从性条件对应的患者数据x归一化处理后输入原始的变分自编码器。具体地，服务器可以在对每个依从性条件对应的患者数据x进行归一化处理后，得到第一处理数据，并将第一处理数据作为原始的变分自编码器的输入数据，通过该原始的变分自编码器包括的编码encoder模块根据该第一处理数据进行编码处理，得到均值和方差。其中，该编码模块可以为神经网络，比如5层卷积神经网络。该编码处理的过程可以理解为压缩处理的过程。
②服务器对所述均值和方差服从的高斯分布进行采样，得到隐变量。
结合图2来看，服务器可以对所述均值和方差服从的高斯分布进行采样，得到隐变量Z。
③服务器将所述隐变量输入到所述原始的变分自编码器包括的解码模块，通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据。
结合图2来看，服务器可以将隐变量Z输入到原始的变分自编码器包括的解码decoder模块，并通过该解码模块根据隐变量Z进行解码处理，得到每个依从性条件对应的第二患者数据，也就是患者数据x’。
此处，服务器通过解码模块根据隐变量Z进行解码处理，得到每个依从性条件对应的患者数据x’的过程可以为：服务器通过解码模块根据该隐变量Z进行解码处理，得到第二处理数据，并对该第二处理数据进行反归一化处理，得到该每个依从性条件对应的患者数据x’。此处的第二处理数据是指根据该隐变量Z进行解码处理后得到的数据。第二患者数据是指模型生成的患者数据，具体可为变分自编码器包括的解码模型生成的患者数据。
④服务器根据所述第一患者数据和所述第二患者数据，构建所述原始的变分自编码器的损失函数，利用所述损失函数训练所述原始的变分自编码器，得到预训练的变分自编码器。
结合图2来看，服务器可以根据患者数据x与患者数据x’构建该原始的变分自编码器的损失函数，利用所述损失函数训练该原始的变分自编码器，得到预训练的变分自编码器。
在一个实施例中，服务器根据该每个依从性条件对应的第一患者数据，训练原始的变分自编码器，得到预训练的变分自编码器的过程可以为：服务器将该每个依从性条件对应的第一患者数据作为原始的变分自编码器的输入数据，以训练原始的变分自编码器，得到预训练的变分自编码器。此处，服务器可以将第一患者数据输入原始的变分自编码器，以训练该原始的变分自编码器。
在一个实施例中，服务器将该每个依从性条件对应的第一患者数据作为原始的变分自编码器的输入数据，以训练原始的变分自编码器，得到预训练的变分自编码器的过程可以为：服务器将该每个依从性条件对应的第一患者数据作为原始的变分自编码器的输入数据，通过该原始的变分自编码器包括的编码模块根据该第一处理数据进行编码处理，得到均值和方差；服务器对该均值和方差服从的高斯分布进行采样，得到隐变量，并将该隐变量输入到该原始的变分自编码器包括的解码模块，通过该解码模块根据该隐变量进行解码处理，得到该每个依从性条件对应的第二患者数据；服务器根据该第一患者数据和该第二患者数据，构建该原始的变分自编码器的损失函数，利用该损失函数训练该原始的变分自编码器，得到预训练的变分自编码器。
在一个实施例中，当深度生成模型为变分自编码器时，服务器调用预训练的深度生成模型，以根据该依从性条件生成该依从性条件对应的目标患者样本的过程为：服务器通过预训练的变分自编码器包括的解码模块以根据该依从性条件生成该依从性条件对应的目标患者样本。
在一个实施例中，当训练原始的变分自编码器的过程涉及归一化处理过程，服务器通过预训练的变分自编码器包括的解码模块，以根据该依从性条件生成该依从性条件对应的目标患者样本的过程可以为：服务器通过预训练的变分自编码器包括的解码模块以根据该依从性条件得到输出数据，对该输出数据进行反归一化处理，得到该依从性条件对应的目标患者样本。
S103、将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本。
本申请实施例中，服务器可以将目标患者样本发送至终端设备，终端设备可以展示该目标患者样本。
在一些智慧医疗的场景中，可以根据依从性对患者，尤其是慢性病患者进行精准管理。具体可以输入依从性条件（如60岁、依从性好、男性）后输出该依从性条件下的最优患者样本。在得到该最优患者样本后，医护人员可以根据此样本指导符合该依从性条件的患者的就医行为。
可见，图1所示的实施例中，服务器可以接收终端设备发送的患者样本生成请求，该患者样本生成请求携带预置的依从性条件；服务器调用预训练的深度生成模型，以根据该依从性条件生成该依从性条件对应的目标患者样本，该目标患者样本用于指导满足该依从性条件的患者的就医行为；服务器将该目标患者样本发送至该终端设备，以便该终端设备展示该目标患者样本，本申请实施例通过预训练的深度生成模型来根据依从性条件生成对应的目标患者样本以用于对患者的就医行为进行指导，从而实现了根据依从性对患者的就医行为进行指导的过程。
本申请可用于医疗科技领域，涉及区块链技术，如可将目标患者样本或目标患者样本的压缩数据写入区块链中。
请参阅图3，为本申请实施例提供的另一种样本生成方法的流程示意图。该方法可以应用于服务器。该服务器可以为一个服务器或服务器集群。具体地，该方法可以包括以下步骤：
S301、接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件。
S302、调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为。
S303、将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本。
其中，步骤S301-步骤S303可以参见图1实施例中的步骤S101-步骤S103，本申请实施例在此不做赘述。
S304、确定与所述目标患者样本匹配的目标心理护理策略。
S305、将所述目标心理护理策略发送至所述终端设备，以便所述终端设备展示所述目标心理护理策略。
随着医学模式向生物-心理-社会模式转化，心理护理已经成为不可缺少的措施，特别是在如今医护人员对患者有告知义务，病人有知情同意权的时代，掌握患者心理护理知识，实施个性化护理，有着深远的现实意义。因此，本申请实施例中，服务器可以确定与该目标患者样本匹配的目标心理护理策略，并将该目标心理护理策略发送至该终端设备，以便该终端设备展示该目标心理护理策略。此处的目标心理护理策略是指与该目标患者样本匹配的心理护理策略。
在一个实施例中，考虑到患者样本包括的患者数据不一定与目标患者的患者数据完全匹配，因此服务器可以获取目标患者的患者数据，并利用目标患者的患者数据对该目标心理护理策略进行更新，得到更新后的心理护理策略，并将更新后的心理护理策略发送至终端设备以进行展示。更新后的心理护理策略将更加贴合患者的个人情况以进行心理护理，从而更有利于提升患者的依从性。
在一个实施例中，服务器还可以从医护人员信息集合，匹配出执行该心理辅导策略的目标医护人员的信息，并将该目标医护人员的信息发送至该终端设备以进行显示。匹配方式可以包括根据医护人员的历史心理辅导数据确定的匹配方式或根据医护人员的工作内容确定的匹配方式等方式，本申请实施例在此不做赘述。
图3所示的实施例中，服务器可以确定与该目标患者样本匹配的目标心理护理策略，并将该目标心理护理策略发送至该终端设备，以便该终端设备展示该目标心理护理策略，依据该目标心理护理策略指导目标患者的就诊行为，有利于提升患者的依从性。
请参阅图4，为本申请实施例提供的一种样本生成系统的网络架构示意图。图4所示的样本生成系统可以包括服务器10和终端设备20。其中：
终端设备20可以向服务器10发送患者样本生成请求，服务器10可以通过执行步骤S101和步骤S102以根据患者样本生成请求携带的依从性条件和预训练的深度生成模型生成目标患者样本，并通过执行步骤S103以通过终端设备20展示该目标患者样本，进而实现根据依从性对患者的就医行为进行指导的过程。
请参阅图5，为本申请实施例提供的一种样本生成装置的结构示意图。该装置可以应用于前述提及的服务器。具体地，该样本生成装置可以包括：
通信模块501，用于接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件。
处理模块502，用于调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为。
通信模块501，还用于将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本。
在一种可选的实施方式中，处理模块502，还用于获取至少一个依从性条件中每个依从性条件对应的第一患者数据；根据所述每个依从性条件对应的第一患者数据，训练原始的深度生成模型，得到预训练的深度生成模型。
在一种可选的实施方式中，处理模块502根据所述每个依从性条件对应的第一患者数据，训练原始的深度生成模型，得到预训练的深度生成模型，具体为对所述每个依从性条件对应的第一患者数据进行归一化处理，得到第一处理数据；第一处理数据是指根据所述每个依从性条件对应的第一患者数据进行归一化处理后得到的数据；将所述第一处理数据作为原始的深度生成模型的输入数据，以对所述原始的深度生成模型进行训练，得到预训练的深度生成模型。
在一种可选的实施方式中，所述深度生成模型为变分自编码器，处理模块502将所述第一处理数据作为原始的深度生成模型的输入数据，以对所述原始的深度生成模型进行训练，得到预训练的深度生成模型，具体为将所述第一处理数据作为原始的变分自编码器的输入数据，通过所述原始的变分自编码器包括的编码模块根据所述第一处理数据进行编码处理，得到均值和方差；对所述均值和方差服从的高斯分布进行采样，得到隐变量；将所述隐变量输入到所述原始的变分自编码器包括的解码模块，通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据；根据所述第一患者数据和所述第二患者数据，构建所述原始的变分自编码器的损失函数，利用所述损失函数训练所述原始的变分自编码器，得到预训练的变分自编码器。
在一种可选的实施方式中，处理模块502通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据，具体为通过所述解码模块根据所述隐变量进行解码处理，得到第二处理数据；第二处理数据是指根据所述隐变量进行解码处理后得到的数据；对所述第二处理数据进行反归一化处理，得到所述每个依从性条件对应的第二患者数据。
在一种可选的实施方式中，处理模块502根据所述每个依从性条件对应的第一患者数据，训练所述原始的变分自编码器，得到预训练的变分自编码器，具体为将所述每个依从性条件对应的第一患者数据作为所述原始的变分自编码的输入数据，以训练所述原始的变分自编码器，得到预训练的变分自编码器。
在一种可选的实施方式中，处理模块502，还用于确定与所述目标患者样本匹配的目标心理护理策略；通过通信模块501将所述目标心理护理策略发送至所述终端设备，以便所述终端设备展示所述目标心理护理策略。
可见，图5所示的实施例中，样本生成装置可以接收终端设备发送的患者样本生成请求，该患者样本生成请求携带预置的依从性条件；样本生成装置调用预训练的深度生成模型，以根据该依从性条件生成该依从性条件对应的目标患者样本，该目标患者样本用于指导满足该依从性条件的患者的就医行为；样本生成装置将该目标患者样本发送至该终端设备，以便该终端设备展示该目标患者样本，本申请实施例通过预训练的深度生成模型来根据依从性条件生成对应的目标患者样本以用于对患者的就医行为进行指导，从而实现了根据依从性对患者的就医行为进行指导的过程。
请参阅图6，为本申请实施例提供的一种服务器的结构示意图。本实施例中所描述的服务器可以包括：一个或多个处理器1000和存储器2000。处理器1000、和存储器2000可以通过总线连接。
处理器1000可以是中央处理模块(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器2000可以是高速RAM存储器，也可为非不稳定的存储器（non-volatilememory），例如磁盘存储器。其中，存储器2000用于存储计算机程序，所述计算机程序包括程序指令，处理器1000被配置用于调用所述程序指令，执行以下步骤：
接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件；
调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为；
将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本。
在一个实施例中，本申请实施例可以通过输入装置（图未示）接收终端设备发送的患者样本生成请求。本申请实施例可以通过输出装置（图未示）将所述目标患者样本发送至终端设备。所述的输入装置和输出装置可以为标准的有线/无线接口。
在一个实施例中，处理器1000被配置用于调用所述程序指令，还执行以下步骤：
获取至少一个依从性条件中每个依从性条件对应的第一患者数据；
根据所述每个依从性条件对应的第一患者数据，训练原始的深度生成模型，得到预训练的深度生成模型。
在一个实施例中，在根据所述每个依从性条件对应的第一患者数据，训练原始的深度生成模型，得到预训练的深度生成模型时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
对所述每个依从性条件对应的第一患者数据进行归一化处理，得到第一处理数据；第一处理数据是指根据所述每个依从性条件对应的第一患者数据进行归一化处理后得到的数据；
将所述第一处理数据作为原始的深度生成模型的输入数据，以对所述原始的深度生成模型进行训练，得到预训练的深度生成模型。
在一个实施例中，所述深度生成模型为变分自编码器，在将所述第一处理数据作为原始的深度生成模型的输入数据，以对所述原始的深度生成模型进行训练，得到预训练的深度生成模型时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
将所述第一处理数据作为原始的变分自编码器的输入数据，通过所述原始的变分自编码器包括的编码模块根据所述第一处理数据进行编码处理，得到均值和方差；
对所述均值和方差服从的高斯分布进行采样，得到隐变量；
将所述隐变量输入到所述原始的变分自编码器包括的解码模块，通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据；
根据所述第一患者数据和所述第二患者数据，构建所述原始的变分自编码器的损失函数，利用所述损失函数训练所述原始的变分自编码器，得到预训练的变分自编码器。
在一个实施例中，在通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
通过所述解码模块根据所述隐变量进行解码处理，得到第二处理数据；第二处理数据是指根据所述隐变量进行解码处理后得到的数据；
对所述第二处理数据进行反归一化处理，得到所述每个依从性条件对应的第二患者数据。
在一个实施例中，在根据所述每个依从性条件对应的第一患者数据，训练原始的变分自编码器，得到预训练的变分自编码器时，处理器1000被配置用于调用所述程序指令，执行以下步骤：
将所述每个依从性条件对应的第一患者数据作为原始的变分自编码的输入数据，以训练所述原始的变分自编码器，得到预训练的变分自编码器。
在一个实施例中，处理器1000被配置用于调用所述程序指令，还执行以下步骤：
确定与所述目标患者样本匹配的目标心理护理策略；
将所述目标心理护理策略发送至所述终端设备，以便所述终端设备展示所述目标心理护理策略。
在一个实施例中，本申请实施例可以通过输出装置将所述目标心理护理策略发送至所述终端设备。
具体实现中，本申请实施例中所描述的处理器1000可执行图1实施例、图3实施例所描述的实现方式，也可执行本申请实施例所描述的实现方式，在此不再赘述。
在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以是两个或两个以上模块集成在一个模块中。上述集成的模块既可以采样硬件的形式实现，也可以采样软件功能模块的形式实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的计算机可读存储介质可为易失性的或非易失性的。例如，该计算机存储介质可以为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random Access Memory，RAM）等。所述的计算机可读存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
其中，本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上所揭露的仅为本申请一种较佳实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本申请权利要求所作的等同变化，仍属于本申请所涵盖的范围。

Claims (5)

1.一种服务器，其特征在于，包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行以下步骤：
接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件，所述依从性条件包括依从性等级；
调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为；所述目标患者样本包括患者数据，所述患者数据包括：患者基本信息、就诊信息、疾病信息，所述就诊信息包括就诊医院的类别和就诊的频次，所述疾病信息可以包括基础疾病的信息以及就诊疾病的信息；
将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本；
所述深度生成模型为变分自编码器，所述处理器被配置用于调用所述程序指令，还执行以下步骤：
获取至少一个依从性条件中每个依从性条件对应的第一患者数据；
对所述每个依从性条件对应的第一患者数据进行归一化处理，得到第一处理数据；
将所述第一处理数据作为原始的变分自编码器的输入数据，通过所述原始的变分自编码器包括的编码模块根据所述第一处理数据进行编码处理，得到均值和方差；
对所述均值和方差服从的高斯分布进行采样，得到隐变量；
将所述隐变量输入到所述原始的变分自编码器包括的解码模块，通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据；
根据所述第一患者数据和所述第二患者数据，构建所述原始的变分自编码器的损失函数，利用所述损失函数训练所述原始的变分自编码器，得到预训练的变分自编码器；
在调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本时，该处理器被配置用于调用该程序指令，执行以下步骤：
通过预训练的变分自编码器包括的解码模块以根据该依从性条件得到输出数据，对该输出数据进行反归一化处理，得到该依从性条件对应的目标患者样本；
所述处理器被配置用于调用所述程序指令，还执行以下步骤：
确定与所述目标患者样本匹配的目标心理护理策略；
获取目标患者的患者数据，并利用所述患者数据对所述目标心理护理策略进行更新，得到更新后的心理护理策略，并将所述更新后的心理护理策略发送至终端设备以进行展示；
从医护人员信息集合，匹配出执行所述更新后的心理辅导策略的目标医护人员的信息，并将该目标医护人员的信息发送至该终端设备以进行显示；匹配方式包括根据医护人员的历史心理辅导数据确定的匹配方式。
2.根据权利要求1所述的服务器，其特征在于，在通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据时，所述处理器被配置用于调用所述程序指令，执行以下步骤：
通过所述解码模块根据所述隐变量进行解码处理，得到第二处理数据；第二处理数据是指根据所述隐变量进行解码处理后得到的数据；
对所述第二处理数据进行反归一化处理，得到所述每个依从性条件对应的第二患者数据。
3.一种样本生成方法，其特征在于，包括：
获取至少一个依从性条件中每个依从性条件对应的第一患者数据；
对所述每个依从性条件对应的第一患者数据进行归一化处理，得到第一处理数据；
将所述第一处理数据作为原始的变分自编码器的输入数据，通过所述原始的变分自编码器包括的编码模块根据所述第一处理数据进行编码处理，得到均值和方差；
对所述均值和方差服从的高斯分布进行采样，得到隐变量；
将所述隐变量输入到所述原始的变分自编码器包括的解码模块，通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据；
根据所述第一患者数据和所述第二患者数据，构建所述原始的变分自编码器的损失函数，利用所述损失函数训练所述原始的变分自编码器，得到预训练的变分自编码器；
接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件，所述依从性条件包括依从性等级；
调用预训练的深度生成模型，所述深度生成模型为所述变分自编码器，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为；所述目标患者样本包括患者数据，所述患者数据包括：患者基本信息、就诊信息、疾病信息，所述就诊信息包括就诊医院的类别和就诊的频次，所述疾病信息可以包括基础疾病的信息以及就诊疾病的信息；
将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本；
所述调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，包括：
通过预训练的变分自编码器包括的解码模块以根据该依从性条件得到输出数据，对该输出数据进行反归一化处理，得到该依从性条件对应的目标患者样本；
确定与所述目标患者样本匹配的目标心理护理策略；
获取目标患者的患者数据，并利用所述患者数据对所述目标心理护理策略进行更新，得到更新后的心理护理策略，并将所述更新后的心理护理策略发送至终端设备以进行展示；
从医护人员信息集合，匹配出执行所述更新后的心理辅导策略的目标医护人员的信息，并将该目标医护人员的信息发送至该终端设备以进行显示；匹配方式包括根据医护人员的历史心理辅导数据确定的匹配方式。
4.一种样本生成装置，其特征在于，包括：
通信模块，用于接收终端设备发送的患者样本生成请求，所述患者样本生成请求携带预置的依从性条件，所述依从性条件包括依从性等级；
处理模块，用于调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，所述目标患者样本用于指导满足所述依从性条件的患者的就医行为；所述目标患者样本包括患者数据，所述患者数据包括：患者基本信息、就诊信息、疾病信息，所述就诊信息包括就诊医院的类别和就诊的频次，所述疾病信息可以包括基础疾病的信息以及就诊疾病的信息；
所述通信模块，还用于将所述目标患者样本发送至所述终端设备，以便所述终端设备展示所述目标患者样本；
所述处理模块，具体用于在所述深度生成模型为变分自编码器时，获取至少一个依从性条件中每个依从性条件对应的第一患者数据；对所述每个依从性条件对应的第一患者数据进行归一化处理，得到第一处理数据；将所述第一处理数据作为原始的变分自编码器的输入数据，通过所述原始的变分自编码器包括的编码模块根据所述第一处理数据进行编码处理，得到均值和方差；对所述均值和方差服从的高斯分布进行采样，得到隐变量；将所述隐变量输入到所述原始的变分自编码器包括的解码模块，通过所述解码模块根据所述隐变量进行解码处理，得到所述每个依从性条件对应的第二患者数据；
根据所述第一患者数据和所述第二患者数据，构建所述原始的变分自编码器的损失函数，利用所述损失函数训练所述原始的变分自编码器，得到预训练的变分自编码器；
所述处理模块调用预训练的深度生成模型，以根据所述依从性条件生成所述依从性条件对应的目标患者样本，具体用于：
通过预训练的变分自编码器包括的解码模块以根据该依从性条件得到输出数据，对该输出数据进行反归一化处理，得到该依从性条件对应的目标患者样本；
所述处理模块，还用于确定与所述目标患者样本匹配的目标心理护理策略；获取目标患者的患者数据，并利用所述患者数据对所述目标心理护理策略进行更新，得到更新后的心理护理策略，并将所述更新后的心理护理策略发送至终端设备以进行展示；从医护人员信息集合，匹配出执行所述更新后的心理辅导策略的目标医护人员的信息，并将该目标医护人员的信息发送至该终端设备以进行显示；匹配方式包括根据医护人员的历史心理辅导数据确定的匹配方式。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1或2所述的服务器执行的步骤。
CN202011045854.3A 2020-09-28 2020-09-28 一种样本生成方法、装置、服务器及存储介质 Active CN111899844B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011045854.3A CN111899844B (zh) 2020-09-28 2020-09-28 一种样本生成方法、装置、服务器及存储介质
PCT/CN2020/124610 WO2021159740A1 (zh) 2020-09-28 2020-10-29 一种样本生成方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011045854.3A CN111899844B (zh) 2020-09-28 2020-09-28 一种样本生成方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN111899844A CN111899844A (zh) 2020-11-06
CN111899844B true CN111899844B (zh) 2021-11-23

Family

ID=73224003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011045854.3A Active CN111899844B (zh) 2020-09-28 2020-09-28 一种样本生成方法、装置、服务器及存储介质

Country Status (2)

Country Link
CN (1) CN111899844B (zh)
WO (1) WO2021159740A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927812B (zh) * 2021-03-30 2024-03-19 平安科技（深圳）有限公司 治疗策略的动态干预方法、装置、电子设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2650920C (en) * 2006-05-02 2016-10-18 Proteus Biomedical, Inc. Patient customized therapeutic regimens
CN107103201B (zh) * 2017-05-10 2020-11-24 北京大数医达科技有限公司 医疗导航路径的生成方法、装置及医疗路径导航方法
US11589924B2 (en) * 2017-08-01 2023-02-28 Siemens Healthcare Gmbh Non-invasive assessment and therapy guidance for coronary artery disease in diffuse and tandem lesions
US11321831B2 (en) * 2017-09-29 2022-05-03 The Brigham And Women's Hospital, Inc. Automated evaluation of human embryos
WO2019089830A1 (en) * 2017-10-31 2019-05-09 Apple, Inc. Monitoring system for assessing control of a disease state
US10859657B2 (en) * 2018-05-31 2020-12-08 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
CN109698017B (zh) * 2018-12-12 2020-11-27 中电健康云科技有限公司 医疗病历数据生成方法及装置
CN109793645B (zh) * 2019-01-21 2021-07-13 徐州医科大学附属医院 一种辅助帕金森病人步态康复训练装置
CN110572696B (zh) * 2019-08-12 2021-04-20 浙江大学 一种变分自编码器与生成对抗网络结合的视频生成方法

Also Published As

Publication number Publication date
CN111899844A (zh) 2020-11-06
WO2021159740A1 (zh) 2021-08-19

Similar Documents

Publication Publication Date Title
US10014080B2 (en) Evidence based medical record
CA2849313C (en) Method for generating healthcare-related validated prediction models from multiple sources
US9298766B2 (en) Empathy injection for question-answering systems
US9443002B1 (en) Dynamic data analysis and selection for determining outcomes associated with domain specific probabilistic data sets
US20170154374A1 (en) Output adjustment and monitoring in accordance with resource unit performance
CN107767929A (zh) 病例报告表填写方法、装置、电子设备及存储介质
US20160110502A1 (en) Human and Machine Assisted Data Curation for Producing High Quality Data Sets from Medical Records
Sulik et al. No longer a patient: The social construction of the medical consumer
US8762171B2 (en) Medical resource estimation and simulation system
CN111899844B (zh) 一种样本生成方法、装置、服务器及存储介质
CN114822741A (zh) 患者分类模型的处理装置、计算机设备及存储介质
US20210335491A1 (en) Predictive adaptive intelligent diagnostics and treatment
JP2022069566A (ja) オンデマンドリアルタイム患者固有データ解析計算プラットフォームを提供するシステムおよび方法
CN111081325B (zh) 医疗数据处理方法与装置
CN114661985A (zh) 患者健康管理平台的信息推送方法、平台、设备及介质
CN112394924B (zh) 用于生成提问模型的方法、装置、电子设备和介质
US11610654B1 (en) Digital fingerprinting for automatic generation of electronic health record notes
CN113113124A (zh) 一种神经外科多患者的整合护理方法及系统
CN113053479A (zh) 医学数据处理方法、装置、介质及电子设备
Lewis et al. Applying" big data" and business intelligence insights to improving clinical care for cancer
CN111554387B (zh) 医生信息推荐的方法、装置、存储介质及电子设备
US11842801B2 (en) Systems and methods for guiding traversal through logic series for event chains
US20160132653A1 (en) Method and system for processing clinical data
US20230395229A1 (en) Home exercise plan prediction
US20230395230A1 (en) Physical therapy prediction

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