CN112017772A - 一种基于妇女白带的疾病认知模型构建方法及系统 - Google Patents
一种基于妇女白带的疾病认知模型构建方法及系统 Download PDFInfo
- Publication number
- CN112017772A CN112017772A CN202010900072.7A CN202010900072A CN112017772A CN 112017772 A CN112017772 A CN 112017772A CN 202010900072 A CN202010900072 A CN 202010900072A CN 112017772 A CN112017772 A CN 112017772A
- Authority
- CN
- China
- Prior art keywords
- leucorrhea
- abnormal
- characteristic information
- woman
- disease
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 45
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 45
- 230000019771 cognition Effects 0.000 title claims abstract description 7
- 238000010276 construction Methods 0.000 title claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 238000003745 diagnosis Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 29
- 208000024891 symptom Diseases 0.000 claims description 15
- 230000001149 cognitive effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 150000001412 amines Chemical class 0.000 claims description 7
- 230000001965 increasing effect Effects 0.000 claims description 6
- 230000003749 cleanliness Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 206010046901 vaginal discharge Diseases 0.000 claims description 5
- 201000005630 leukorrhea Diseases 0.000 claims description 4
- 241000224526 Trichomonas Species 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 4
- 206010000117 Abnormal behaviour Diseases 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 208000004926 Bacterial Vaginosis Diseases 0.000 description 4
- 206010046914 Vaginal infection Diseases 0.000 description 4
- 201000008100 Vaginitis Diseases 0.000 description 4
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 3
- 208000037009 Vaginitis bacterial Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 206010008342 Cervix carcinoma Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000007074 Trichomonas Vaginitis Diseases 0.000 description 2
- 208000025206 Trichomonas vaginitis urogenital infection Diseases 0.000 description 2
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 description 2
- 206010046798 Uterine leiomyoma Diseases 0.000 description 2
- 201000010881 cervical cancer Diseases 0.000 description 2
- 206010008323 cervicitis Diseases 0.000 description 2
- 210000003756 cervix mucus Anatomy 0.000 description 2
- 201000003988 chronic cervicitis Diseases 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010260 leiomyoma Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 230000028327 secretion Effects 0.000 description 2
- 206010003693 Atrophic vulvovaginitis Diseases 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 206010057687 Bloody discharge Diseases 0.000 description 1
- 208000004145 Endometritis Diseases 0.000 description 1
- 201000001342 Fallopian tube cancer Diseases 0.000 description 1
- 208000013452 Fallopian tube neoplasm Diseases 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241001502500 Trichomonadida Species 0.000 description 1
- 235000013527 bean curd Nutrition 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 201000003505 cervical polyp Diseases 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002357 endometrial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229940011871 estrogen Drugs 0.000 description 1
- 239000000262 estrogen Substances 0.000 description 1
- 210000000416 exudates and transudate Anatomy 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004877 mucosa Anatomy 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 206010029864 nystagmus Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000624 ovulatory effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 201000010808 postmenopausal atrophic vaginitis Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 208000010579 uterine corpus leiomyoma Diseases 0.000 description 1
- 201000007954 uterine fibroid Diseases 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种基于妇女白带的疾病认知模型构建方法及系统，该方法包括：获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，根据计算结果建立异常白带自学习模型；基于组合算法和异常白带自学习模型建立诊断模型，以根据所述诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。可以提高妇女白带状况的诊断确诊效率，减少依靠专业经验导致的误判，保障疾病认知的准确性和效率。
Description
技术领域
本发明涉及机器学习领域，尤其涉及一种基于妇女白带的疾病认知模型构建方法及系统。
背景技术
白带为女性的阴道分泌物，是由阴道黏膜渗出物、宫颈管及子宫内膜腺体分泌液混合而成。白带是能够反应女性身体健康的一个重要的标志，当女性发现自己的白带有异常的时候，需要及时到医院做检查。目前，白带常规检查是妇科最常见的一种检查，一般是通过阴道PH值、阴道清洁度、阴道微生物检查等5项检查，来判断女性是否白带异常。而这种方法作为最传统的检查方法，通常要靠专业的设备以及医生专业的经验进行判断，这样白带状况诊断判定效率较低。
发明内容
有鉴于此，本发明实施例提供了一种妇女白带认知模型构建方法及系统，以解决现有白带状况的诊断判定效率较低的问题。
在本发明实施例的第一方面，提供了一种基于妇女白带的疾病认知模型构建方法，包括：
获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；
基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，根据计算结果建立异常白带自学习模型；
基于组合算法和异常白带自学习模型建立诊断模型，以根据所述诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。
在本发明实施例的第二方面，提供了一种基于妇女白带的疾病认知系统，包括：
获取模块，用于获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；
训练模块，用于基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，根据计算结果建立异常白带自学习模型；
诊断模型构建模块，用于基于组合算法和异常白带自学习模型建立诊断模型，以根据所述诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。
在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面，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时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例，获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，建立异常白带自学习模型；基于组合算法和异常白带自学习模型建立诊断模型，以根据诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。利用组合算法和增强学习算法构建妇女异常白带自学习和诊断模型，通过诊断模型对妇女白带异常特征信息和常规检查获取的数据值进行诊断，解决了现有白带状况的诊断判定效率较低的问题，不仅可以实现基于妇女白带认知疾病的自学习，同时减少了依靠经验的误判以及人力物力资源，提高疾病确认判断效率，保障疾病的确诊效率和准确度，可以作为一种简单的辅助诊断系统。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述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取其他附图。
图1为本发明的一个实施例提供的一种基于妇女白带的疾病认知模型构建方法的流程示意图；
图2为本发明的一个实施例提供的一种基于妇女白带的疾病认知系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1，图1为本发明实施例提供的一种基于妇女白带的疾病认知模型构建方法的流程示意图，包括：
S101、获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；
所述妇女白带特征信息包括妇女白带异常征兆特征信息和正常特征信息，所述常规检查数据值包括妇女白带异常的数据值和妇女白带正常的数据值。所述妇女白带异常征兆特征信息包括白带异常颜色、异常性状、异常气味、异常感知的形态文本描述，所述常规检查数据值包括白带常规检查数据值正常或异常，其中，白带常规检查至少包括阴道清洁度正常和异常值、胺试验阴性和阳性、pH值正常和异常值、发现线索细胞和未发现线索细胞、显微镜下是否发现有无滴虫或霉菌。
所述白带异常对应的各种疾病征兆特征信息和数据值集包括疾病征兆特征信息的文本描述，并根据疾病征兆特征信息的文本描述建立疾病文本描述集。一般的，某一种白带异常可能对应于多种疾病，所述疾病特征信息集中至少包括不同疾病对应的白带特征信息。单个异常白带类别对应至少一种异常白带的文本描述的特征信息或者数据值。
示例性的，1)如果出现脓性白带：白带色黄或黄绿，如脓样，有臭味。一般由感染造成，常见于滴虫性阴道炎，慢性宫颈炎、阴道炎、子宫内膜炎等；2)如果出现无色透明粘液性白带：外观与排卵期的正常白带相似，量多，常见于应用雌激素类药物后；3)血性白带：白带如染血，应警惕宫颈癌、宫体癌等恶性肿瘤；宫颈息肉、重度慢性宫颈炎、宫内节育器、老年性阴道炎、粘膜下子宫肌瘤等良性病变也会有此症状；4)如果出现豆腐渣样白带：可能是霉菌性阴道炎的特征；5)如果出现黄水样白带：多由于病变组织坏死所致，常见于子宫颈癌、粘膜下子宫肌瘤、输卵管癌等；6)如果出现脓血样白带：可能为阿米巴性阴道炎的特征。
示例性的，通过常规检查结果数值进行诊断：正常阴道PH值在4--4.5之间，患有滴虫性或细菌性阴道炎时白带的pH值上升，可大于5-6；阴道清洁度一般分为四度，一般Ⅰ、Ⅱ度为正常的，Ⅲ、Ⅳ度提示有阴道炎，即分泌物图片上可以看到多量白细胞或杂菌；微生物检查：一般会有真菌、滴虫、淋病奈涩菌等项，如果有，则在结果上表示是"+"；胺试验：患细菌性阴道病的白带可发出鱼腥味，它是由存在于白带中的胺通过氢氧化钾碱化后挥发出来所致；线索细胞：线索细胞是细菌性阴道病的最敏感最特异的体征，临床医生根据胺试验阳性及有线索细胞即可做出细菌性阴道病的诊断。
需要注意的是，数据获取包括两种方式：一种利用TF-IDF选取特征项，采集妇女白带症状特征信息和患者待识别的临床症状特征信息，建立妇女白带症状特征信息与待识别的临床症状特征信息向量集。另一种是通过人工标注，先将白带常规检查的数据标准化和归一化，然后建立白带常规检查的标准数据库和常规检查待识别的数据集。
S102、基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，根据计算结果建立异常白带自学习模型；
具体的，所述AdaBoost算法进行特征计算过程包括：(1)初始化训练数据的权值分布D1。假设有N个训练样本数据，则每一个训练样本开始时，都被赋予相同的权值：w1＝1/N；(2)训练弱分类器hi，具体的，若某个训练样本点，被弱分类器hi准确地分类，则在构造下一个训练集中，该样本对应的权值减小；反之，若某个训练样本点被错误分类，则在构造下一个训练集中，该样本对应的权值增大。权值更新过的样本集用于训练下一个分类器，迭代进行整个训练过程；(3)将各个训练得到的弱分类器组合成一个强分类器。各个弱分类器的训练过程结束后，加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起着较大的决定作用，而降低分类误差率大的弱分类器的权重，使其在最终的分类函数中起着较小的决定作用。
其中，在每一轮迭代中，加入一个新的弱分类器，直到低于预定的错误率或达到预先的最大迭代次数确定最终的强分类器。
示例性的，给定训练数据集：(x1,y1)，…,(xN,yN),其中，yi∈{1，-1},用于表示训练样本的类别标签，i＝1,2…,N。Adaboost的目的就是从训练数据中学习一系列弱分类器或基本分类器，然后将这些弱分类器组合成一个强分类器。具体数学描述为：
第一步：初始化训练数据的权值分布。
D1＝(w11，w12，…，w1i，…，w1N)，
其中，D1表示第一次迭代时每个样本的权值，w11表示第一次迭代时第一个样本的权值，N为样本总数。
第二步：进行M次迭代。
a)使用拥有权值分布Dm(m＝1，2，3，…，N)的训练样本进行学习,得到弱分类器:Dm(x):x→{-1，1}。
弱分类器的性能指标通过以下误差函数的值em来衡量：
b)计算弱分类器Gm的话语权αm(亦是权值)，它表示Gm在最终分类器中的重要程度。计算方法如下：
随着em减小，αm逐渐增大。该式表明，误差率小的分类器，在最终分类器中的重要程度大。
c)更新训练样本的权值分布，用于下一轮迭代。被错误分类的样本权值增加；被正确分类的样本权值减小。计算方法如下：
Dm+1＝(wm+1，1，wm+1，2，…，wm+1，i，…，wm+1，N)；
其中，Dm+1是用于下次迭代时样本的权值,wm+1，1是下一次迭代时，第i个样本的权值。yi代表第i个样本对应的类别(1或-1),Gm(xi)表示弱分类器对样本xi的分类(1或-1)。若分类正确，则yiGm(xi)的值为1，反之为-1。其中Zm是归一化因子，计算方法如下：
第三步：组合弱分类器，获得强分类器。
首先，对所有迭代过的分类器加权求和：
接着，将sign函数作用于求和结果，得到最终的强分类器G(x)：
另外，SIGN函数，主要指用于返回数字的符号。当数字为正数时，则返回1；数字为0时，则返回0；当数字为负数时，则返回－1。
S103、基于组合算法和异常白带自学习模型建立诊断模型，根据所述诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。
所述组合算法为：Z＝(A∪B)-(A∩B)，其中，Z为新的白带异常特征信息集合，A为正常白带特征信息中抽取的出现频率高的信息数据集合，B为异常白带特征信息中抽取的出现频率高的信息数据集合。集合A和B中可以对出现频率高于预设值的信息数据进行抽取，或出现频率为排名前几位的信息数据进行抽取，如抽取出现频率在前5位的信息数据，在此不做具体限定。
进一步的，获取待诊断妇女异常白带特征信息和数据值，根据诊断模型对待诊断妇女异常白带特征信息和数据值进行诊断，生成对应的诊断报告。
AdaBoost算法用于对症状特征信息数据的不确定性和完整性进行增强，实现自学习能力。结合组合算法可以起到互相补充和完善诊断结果的作用。
在本发明实施例中，可以实现基于妇女白带认知疾病的自学习能力，减少了人力物力和依靠经验的误判，提高疾病诊断确认效率。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种的基于妇女白带的疾病认知系统的结构示意图，该系统包括：
获取模块210，用于获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；
其中，所述妇女白带特征信息包括妇女白带异常征兆特征信息和白带正常特征信息，所述妇女白带异常征兆特征信息包括白带异常颜色、异常性状、异常气味、异常感知的形态文本描述，所述常规检查数据值包括白带常规检查数据值正常或异常，其中，白带常规检查至少包括阴道清洁度正常和异常值、胺试验阴性和阳性、pH值正常和异常值、发现线索细胞和未发现线索细胞、显微镜下是否发现有无滴虫或霉菌。
训练模块220，用于基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，根据计算结果建立异常白带自学习模型；
诊断模型构建模块230，用于基于组合算法和异常白带自学习模型建立诊断模型，以根据所述诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。
其中，所述组合算法为：Z＝(A∪B)-(A∩B)，式中，Z为新的白带异常特征信息集合，A为正常白带特征信息中抽取的出现频率高的信息数据集合，B为异常白带特征信息中抽取的出现频率高的信息数据集合。
可以理解的是，在一个实施例中，所述电子设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现步骤S101至S103以基于妇女白带确定对应的疾病。
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步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤S101至S103，所述的存储介质包括如：ROM/RAM、磁碟、光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于妇女白带的疾病认知模型构建方法，其特征在于，包括：
获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；
基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，根据计算结果建立异常白带自学习模型；
基于组合算法和异常白带自学习模型建立诊断模型，以根据所述诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。
2.根据权利要求1所述的方法，其特征在于，所述妇女白带特征信息包括妇女白带异常征兆特征信息和白带正常特征信息，所述妇女白带异常征兆特征信息包括白带异常颜色、异常性状、异常气味、异常感知的形态文本描述，所述常规检查数据值包括白带常规检查数据值正常或异常，其中，白带常规检查至少包括阴道清洁度正常和异常值、胺试验阴性和阳性、pH值正常和异常值、发现线索细胞和未发现线索细胞、显微镜下是否发现有无滴虫或霉菌。
3.根据权利要求1所述的方法，其特征在于，所述获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集包括：
利用TF-IDF选取特征项，采集妇女白带症状特征信息和患者待识别的临床症状特征信息，建立妇女白带症状特征信息与待识别的临床症状特征信息向量集。
4.根据权利要求1所述的方法，其特征在于，所述获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集还包括：
通过人工标注，将白带常规检查数据标准化和归一化；
建立白带常规检查的标准数据库和常规检查待识别的数据集。
5.根据权利要求1所述的方法，其特征在于，所述基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算包括：
初始化训练数据的权值分布；
根据所述训练数据训练弱分类器，若训练样本点被弱分类器准确地分类，则在下一个训练集中对应的样本权值减小，若训练样本点被弱分类器错误地分类，在下一个训练集中对应的样本权值增大；
将训练得到的弱分类器组合成一个强分类器，加大分类误差率小的弱分类器的权重，并降低分类误差率大的弱分类器的权重。
6.根据权利要求1所述的方法，其特征在于，所述组合算法为：Z＝(A∪B)-(A∩B)，其中，Z为新的白带异常特征信息集合，A为正常白带特征信息中抽取的出现频率高的信息数据集合，B为异常白带特征信息中抽取的出现频率高的信息数据集合。
7.一种基于妇女白带的疾病认知系统，其特征在于，包括：
获取模块，用于获取妇女白带特征信息、常规检查数据值以及白带异常对应的疾病和疾病特征信息集；
训练模块，用于基于AdaBoost算法对妇女白带特征信息和常规检查数据值进行计算，根据计算结果建立异常白带自学习模型；
诊断模型构建模块，用于基于组合算法和异常白带自学习模型建立诊断模型，以根据所述诊断模型对待诊断妇女白带异常特征信息和数据值进行诊断。
8.根据权利要求7所述的系统，其特征在于，所述组合算法为：Z＝(A∪B)-(A∩B)，其中，Z为新的白带异常特征信息集合，A为正常白带特征信息中抽取的出现频率高的信息数据集合，B为异常白带特征信息中抽取的出现频率高的信息数据集合。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述基于妇女白带的疾病认知模型构建方法的步骤。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于妇女白带的疾病认知模型构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010900072.7A CN112017772B (zh) | 2020-08-31 | 2020-08-31 | 一种基于妇女白带的疾病认知模型构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010900072.7A CN112017772B (zh) | 2020-08-31 | 2020-08-31 | 一种基于妇女白带的疾病认知模型构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112017772A true CN112017772A (zh) | 2020-12-01 |
| CN112017772B CN112017772B (zh) | 2024-04-02 |
Family
ID=73515255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010900072.7A Active CN112017772B (zh) | 2020-08-31 | 2020-08-31 | 一种基于妇女白带的疾病认知模型构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017772B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112786191A (zh) * | 2021-01-18 | 2021-05-11 | 吾征智能技术(北京)有限公司 | 一种基于便常规的疾病认知系统、设备、存储介质 |
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110164545A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安财产保险股份有限公司 | 数据辅助处理方法、装置、计算机设备及存储介质 |
| US20200227168A1 (en) * | 2019-01-10 | 2020-07-16 | Travera LLC | Machine learning in functional cancer assays |
| CN111563891A (zh) * | 2020-05-09 | 2020-08-21 | 吾征智能技术(北京)有限公司 | 基于颜色认知的疾病预测系统 |
-
2020
- 2020-08-31 CN CN202010900072.7A patent/CN112017772B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200227168A1 (en) * | 2019-01-10 | 2020-07-16 | Travera LLC | Machine learning in functional cancer assays |
| CN110164545A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安财产保险股份有限公司 | 数据辅助处理方法、装置、计算机设备及存储介质 |
| CN111563891A (zh) * | 2020-05-09 | 2020-08-21 | 吾征智能技术(北京)有限公司 | 基于颜色认知的疾病预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| KHALED A.ABUHASEL: "A combined Adaboost and NEWFM Technique for Medical Data Classification", INFORMATION SCIENCE AND APPLICATIONS, 1 January 2015 (2015-01-01), pages 801 - 809 * |
| 邢欣来;何中市;王健;: "组合分类器辅助诊断肺栓塞的研究", 计算机工程与应用, no. 12, pages 214 - 217 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112786191A (zh) * | 2021-01-18 | 2021-05-11 | 吾征智能技术(北京)有限公司 | 一种基于便常规的疾病认知系统、设备、存储介质 |
| CN112786191B (zh) * | 2021-01-18 | 2023-12-05 | 吾征智能技术(北京)有限公司 | 一种基于便常规的疾病认知系统、设备、存储介质 |
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN113488183B (zh) * | 2021-06-30 | 2023-10-31 | 吾征智能技术(北京)有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112017772B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573490B (zh) | 一种针对肿瘤影像数据的智能读片系统 | |
| Dundar et al. | Computerized classification of intraductal breast lesions using histopathological images | |
| US12051200B2 (en) | Artificial intelligence based medical image automatic diagnosis system and method | |
| Peng et al. | Diagnosis of cervical precancerous lesions based on multimodal feature changes | |
| CN103096786A (zh) | 宫颈瘤变检测和诊断的图像分析 | |
| CN107330263A (zh) | 一种计算机辅助乳腺浸润性导管癌组织学分级的方法 | |
| CN112950614B (zh) | 一种基于多尺度空洞卷积的乳腺癌病理图片分类方法 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断系统 | |
| CN110838110A (zh) | 一种基于超声成像的良恶性肿块的识别系统 | |
| CN111986148B (zh) | 一种前列腺数字病理图像的快速Gleason评分系统 | |
| CN112017772A (zh) | 一种基于妇女白带的疾病认知模型构建方法及系统 | |
| CN111696667A (zh) | 一种常见妇科疾病预测模型构建方法和预测系统 | |
| WO2022247573A1 (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
| CN112071418B (zh) | 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法 | |
| Visalaxi et al. | An analogy of endometriosis recognition using machine learning techniques | |
| CN115359483A (zh) | 一种针对宫颈液基细胞分类的训练方法 | |
| Nayar et al. | Deep learning based model for multi-class classification of cervical cells using pap smear images | |
| CN110399899A (zh) | 基于胶囊网络的宫颈oct图像分类方法 | |
| CN114764855A (zh) | 基于深度学习的膀胱镜下肿瘤智能分割方法、装置及设备 | |
| CN113255718B (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
| CN111554381A (zh) | 一种基于深度学习的肾透明细胞癌人工智能病理诊断方法及其诊断模型 | |
| Yi et al. | Diagnosis of rectal cancer based on the Xception-MS network | |
| Liu et al. | HSIL colposcopy image segmentation using improved U-Net | |
| CN115222675A (zh) | 一种基于深度学习的子宫肌瘤自动分型方法及装置 | |
| Ko et al. | A computer-aided grading system of breast carcinoma: scoring of tubule formation |
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 |