CN112185548A - 一种基于神经网络算法的智能中医诊断方法及装置 - Google Patents
一种基于神经网络算法的智能中医诊断方法及装置 Download PDFInfo
- Publication number
- CN112185548A CN112185548A CN202011024247.9A CN202011024247A CN112185548A CN 112185548 A CN112185548 A CN 112185548A CN 202011024247 A CN202011024247 A CN 202011024247A CN 112185548 A CN112185548 A CN 112185548A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- diagnosis
- historical
- test
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pharmacology & Pharmacy (AREA)
- Alternative & Traditional Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于神经网络算法的智能中医诊断方法及装置,在收集中医专家提供的历史诊断数据后,通过神经网络算法生成模板,以便坐诊医生输入患者临床表现后即可获得系统智能判断的中医诊断,辅助医生进行问诊;同时,由于神经网络算法非常依赖于训练数据的准确度,因此本发明所提供的一种基于神经网络算法的智能中医诊断方法及装置,还包括了纠错机制,可以在预设周期内对中医专家所提供的历史诊断数据的可信度进行批判,以便及时的剔除不准确的训练数据。
Description
技术领域
本发明涉及医疗信息化技术领域,特别涉及一种基于神经网络算法的智能中医诊断方法及装置。
背景技术
中医问诊是中医诊察疾病的基本方法之一。通过问诊可以了解有关患者身体状况很多情况,如病人的自觉症状、起病过程、治疗经过、生活起居、平素体质及既往病史、家族病史等。中医问诊对于做出最后的辨证诊断结果具有诊断信息全、信息早、信息准(来自待诊断的个体感受)的特点。如何将传统中医问诊的方法通过采用现代科学技术实现并能广泛应用是一个重要的课题。
近年来,人工智能技术发展迅速,其商业化速度超出预期,人工智能将会给整个社会带来颠覆性的变化,已经成为未来各国重要的发展战略。特别是以深度学习为核心的算法演进,其超强的进化能力,在大数据的支持下,通过训练构建得到类似人脑结构的大规模卷积神经网络,已经可以解决各类问题,因此将其与传统的中医问诊方式的结合,将是实现中医智能化的重要实现方式之一。
发明内容
本发明的目的在于克服现有技术不足,提供了一种基于神经网络算法的智能中医诊断方法及装置,能够通过收集中医专家的历史诊断记录,通过神经网络算法对诊断记录进行训练并形成相应的模板神经网络,当坐诊医生输入患者的临床表现后,可以通过所述模板神经网络获取系统智能判断的中医诊断。
本发明为实现上述目的采用以下的技术方案:
第一方面,本发明提供了一种基于神经网络算法的智能中医诊断方法,包括:
获取第一用户发送的至少一个历史诊断数据集,其中,所述历史诊断数据集中包括至少一个历史诊断记录,所述历史诊断记录包括历史临床表现数据及历史辩证数据;
将所获取的历史诊断数据集进行归一化,并将所有归一化后的历史诊断数据集整合为训练数据集;
根据所述训练数据集通过神经网络算法生成模型神经网络;
当获取第二用户发送的临床表现数据时;
将所述临床表现数据进行归一化,并记归一化后的临床表现数据为待诊断数据;
根据所述待诊断数据及所述模型神经网络生成预估中医诊断数据;
将所述预估中医诊断数据发送给所述第二用户。
在本发明一实施例中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
则,所述的一种基于神经网络算法的智能中医诊断方法,还包括:
在预设周期内,获取任意一个历史诊断数据集,记为第一待验证数据集;
获取用户标签与所述第一待验证数据集的用户标签不一致的历史诊断数据集,记为对比数据集;
根据第一预设数量,从所述第一待验证数据集中随机抽取历史诊断记录,并将所抽取的历史诊断进行归一化,并记为第一待验证诊断数据;
将所述对比数据集进行归一化,并根据第二预设数量抽取其中与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据;
将所述第一待验证诊断数据反归一化后删除历史辩证数据,并记为第一测试数据;
将所述第二待验证诊断数据反归一化后删除历史辩证数据,并记为第二测试数据;
将所述第一测试数据及第二测试数据乱序组合生成测试数据集;
将所述测试数据集发送给与所述第一待验证数据集用户标签匹配的第一用户;
获取所述第一用户发送的反馈测试数据集,其中所述反馈测试数据集中包括所述第一测试数据及第二测试数据,以及与所述所述第一测试数据及第二测试数据匹配的中医辩证数据;
从所述反馈测试数据中获取第一测试数据及匹配的的中医辩证数据,记为第一反馈数据;
将所述第一反馈数据与所述第一待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第一反馈数据为不匹配第一反馈数据;
根据所述不匹配第一反馈数据数量及第一反馈数据数量生成第一匹配率;
从所述反馈测试数据中获取第二测试数据及匹配的的中医辩证数据,记为第二反馈数据;
将所述第二反馈数据与所述第二待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第二反馈数据为不匹配第二反馈数据;
根据所述不匹配第二反馈数据数量及第二反馈数据数量生成第二匹配率;
当所述第一匹配率低于第一预设匹配率,且第二匹配率不低于第二预设匹配率时;
则判断所述第一待验证数据集为不合格诊断数据集;
从所述训练数据集中删除所述不合格诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述第一匹配率低于第一预设匹配率,且第二匹配率低于第二预设匹配率时;
则判断所述第一待验证数据集为不合格诊断数据集,并记与所述不合格数据集用户标签匹配的第一用户为不合格用户;
从所述训练数据集中删除所有用户标签与所述不合格用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
在本发明一实施例中,所述的将所述对比数据集进行归一化,并根据第二预设数量抽取其中与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据,具体包括:
将所述对比数据集进行归一化,记为归一化数据集;
将所述归一化数据集根据聚类算法生成至少一个聚类数据集;
将所述待验证诊断数据代入所述聚类算法中,计算所述待验证诊断数与各个所述聚类数据集的距离,记其中与所述待验证诊断数距离最短年的聚类数据集为候选数据集;
根据第二预设数量从所述候选数据集中抽取历史诊断记录,并记为第二待验证诊断数据。
在本发明一实施例中,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
则,所述的一种基于神经网络算法的智能中医诊断方法,还包括:
获取至少一个测试临床表现数据;
根据各个所述测试临床表现数据及所述模型神经网络分别生成匹配的预估中医诊断测试数据;
将各个所述测试临床表现数据及匹配的预估中医诊断测试数据写入测试数据集;
将所述测试数据集发送给第一用户;
获取第一用户发送的测试评价数据集,其中,所述测试评价数据集包括测试临床表现数据、与所述测试临床表现数据匹配的预估中医诊断测试数据、以及与所述预估中医诊断测试数据匹配的评价数据,所述评价数据包括好评与差评;
根据所述测试评价数据集中的好评数量及总评价数据数量生成好评率数据;
当所述好评率数据低于预设好评率时;
则获取与该好评率数据匹配的第一用户标签;
获取用户标签与所述第一用户标签匹配的历史诊断数据集,记为第二待验证数据集;
将所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,且历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;
根据所述存疑诊断记录的数量及所述第二待验证数据集中所有历史诊断记录的数量生成与该第二待验证数据集匹配的诊断准确率;
当所述诊断准确率低于第一预设准确率时;
则判断所述第二待验证数据集为存疑诊断数据集;
从所述训练数据集中删除所述存疑诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述诊断准确率低于第二预设准确率时;
则判断所述第二待验证数据集为存疑诊断数据集,并记与所述存疑数据集用户标签匹配的第一用户为存疑用户;
从所述训练数据集中删除所有用户标签与所述存疑用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
第二方面,本发明还提供了一种计算机可读存储介质,其特征在于,存储有可执行代码,其中,所述可执行代码经配置为被至少一个处理器执行,以实现本发明第一方面所提供的一种基于神经网络算法的智能中医诊断方法。
第三方面,本发明还提供了一种基于神经网络算法的智能中医诊断系统,包括历史诊断数据集获取模块、归一化处理模块、神经网络训练模块、临床表现数据获取模块、智能诊断模块及发送模块;
其中,所述历史诊断数据集获取模块,用于获取第一用户发送的至少一个历史诊断数据集;所述历史诊断数据集中包括至少一个历史诊断记录,所述历史诊断记录包括历史临床表现数据及历史辩证数据;
所述归一化处理模块,用于将所获取的历史诊断数据集进行归一化,并将所有归一化后的历史诊断数据集整合为训练数据集;
所述神经网络训练模块,用于根据所述训练数据集通过神经网络算法生成模型神经网络;
所述临床表现数据获取模块,用于获取第二用户发送的临床表现数据;
所述归一化处理模块,还用于将所述临床表现数据进行归一化,并记归一化后的临床表现数据为待诊断数据;
所述智能诊断模块,用于根据所述待诊断数据及所述模型神经网络生成预估中医诊断数据;
所述发送模块,用于将所述预估中医诊断数据发送给所述第二用户。
在本发明一实施例中,所述的一种基于神经网络算法的智能中医诊断系统还包括数据验证模块、对比数据获取模块、数据抽取模块、测试数据生成模块、反馈获取模块、反馈判断模块、纠错模块;
其中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
所述数据验证模块,用于在预设周期内获取任意一个历史诊断数据集,记为第一待验证数据集;
所述对比数据获取模块,用于获取用户标签与所述第一待验证数据集的用户标签不一致的历史诊断数据集,记为对比数据集;
所述数据抽取模块,用于根据第一预设数量,从所述第一待验证数据集中随机抽取历史诊断记录;
所述归一化处理模块,还用于将所述数据抽取模块所抽取的历史诊断进行归一化,并记为第一待验证诊断数据;
所述归一化处理模块,还用于将所述对比数据集进行归一化;
所述数据抽取模块,还用于根据第二预设数量从归一化后的对比数据集中抽取与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据;
所述测试数据生成模块,用于将所述第一待验证诊断数据反归一化后删除历史辩证数据,并记为第一测试数据;
所述测试数据生成模块,还用于将所述第二待验证诊断数据反归一化后删除历史辩证数据,并记为第二测试数据;
所述测试数据生成模块,还用于将所述第一测试数据及第二测试数据乱序组合生成测试数据集;
所述发送模块,还用于将所述测试数据集发送给与所述第一待验证数据集用户标签匹配的第一用户;
所述反馈获取模块,用于获取所述第一用户发送的反馈测试数据集,其中所述反馈测试数据集中包括所述第一测试数据及第二测试数据,以及与所述所述第一测试数据及第二测试数据匹配的中医辩证数据;
所述反馈判断模块,用于从所述反馈测试数据中获取第一测试数据及匹配的的中医辩证数据,记为第一反馈数据;
所述反馈判断模块,还用于将所述第一反馈数据与所述第一待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第一反馈数据为不匹配第一反馈数据;
所述反馈判断模块,还用于根据所述不匹配第一反馈数据数量及第一反馈数据数量生成第一匹配率;
所述反馈判断模块,还用于从所述反馈测试数据中获取第二测试数据及匹配的的中医辩证数据,记为第二反馈数据;
所述反馈判断模块,还用于将所述第二反馈数据与所述第二待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第二反馈数据为不匹配第二反馈数据;
所述反馈判断模块,还用于根据所述不匹配第二反馈数据数量及第二反馈数据数量生成第二匹配率;
所述反馈判断模块,还用于将所述第一匹配率与第一预设匹配率进行比对;
所述反馈判断模块,还用于将所述第二匹配率与第预设匹配率进行比对;
当所述反馈判断模块判断所述第一匹配率低于第一预设匹配率,且第二匹配率不低于第二预设匹配率时;
则所述纠错模块判断所述第一待验证数据集为不合格诊断数据集,所述纠错模块,用于从所述训练数据集中删除所述不合格诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述反馈判断模块判断所述第一匹配率低于第一预设匹配率,且第二匹配率低于第二预设匹配率时;
则所述纠错模块判断所述第一待验证数据集为不合格诊断数据集,并记与所述不合格数据集用户标签匹配的第一用户为不合格用户;
所述纠错模块,还用于从所述训练数据集中删除所有用户标签与所述不合格用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
所述神经网络训练模块,还用于根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
在本发明一实施例中,所述数据抽取模块,还用于将所述对比数据集进行归一化,记为归一化数据集;
所述数据抽取模块,还用于将所述归一化数据集根据聚类算法生成至少一个聚类数据集;
所述数据抽取模块,还用于将所述待验证诊断数据代入所述聚类算法中,计算所述待验证诊断数与各个所述聚类数据集的距离,记其中与所述待验证诊断数距离最短年的聚类数据集为候选数据集;
所述数据抽取模块,还用于根据第二预设数量从所述候选数据集中抽取历史诊断记录,并记为第二待验证诊断数据。
在本发明一实施例中,所述的一种基于神经网络算法的智能中医诊断系统还包括测试临床表现获取模块,测试数据生成模块、测试评价获取模块、评价判断模块、原始数据验证模块及纠错模块;
其中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
所述测试临床表现获取模块,用于获取至少一个测试临床表现数据;
所述智能诊断模块,还用于所述根据各个所述测试临床表现数据及所述模型神经网络分别生成匹配的预估中医诊断测试数据;
所述测试数据生成模块,用于将各个所述测试临床表现数据及匹配的预估中医诊断测试数据写入测试数据集;
所述发送模块,还用于将所述测试数据集发送给第一用户;
所述测试评价获取模块,用于获取第一用户发送的测试评价数据集,其中,所述测试评价数据集包括测试临床表现数据、与所述测试临床表现数据匹配的预估中医诊断测试数据、以及与所述预估中医诊断测试数据匹配的评价数据,所述评价数据包括好评与差评;
所述评价判断模块,用于根据所述测试评价数据集中的好评数量及总评价数据数量生成好评率数据;
所述评价判断模块,还用于将所述好评率数据与预设好评率进行比较;
当所述评价判断模块判断所述好评率数据低于预设好评率时,所述原始数据验证模块,用于获取与该好评率数据匹配的第一用户标签;
所述原始数据验证模块,还用于获取用户标签与所述第一用户标签匹配的历史诊断数据集,记为第二待验证数据集;
所述原始数据验证模块,还用于将所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,且历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;
所述原始数据验证模块,还用于根据所述存疑诊断记录的数量及所述第二待验证数据集中所有历史诊断记录的数量生成与该第二待验证数据集匹配的诊断准确率;
所述原始数据验证模块,还用于将所述诊断准确率与第一预设准确率进行比较;
当所述原始数据验证模块判断所述诊断准确率低于第一预设准确率时,所述纠错模块判断所述第二待验证数据集为存疑诊断数据集;
所述纠错模块,用于从所述训练数据集中删除所述存疑诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述原始数据验证模块判断所述诊断准确率低于第二预设准确率时,所述纠错模块判断所述第二待验证数据集为存疑诊断数据集,并记与所述存疑数据集用户标签匹配的第一用户为存疑用户;
所述纠错模块,还用于从所述训练数据集中删除所有用户标签与所述存疑用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
所述神经网络训练模块,还用于根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
本发明的有益效果:
本发明提供了一种基于神经网络算法的智能中医诊断方法及装置,在收集中医专家提供的历史诊断数据后,通过神经网络算法生成模板,以便坐诊医生输入患者临床表现后即可获得系统智能判断的中医诊断,辅助医生进行问诊;
同时,由于神经网络算法非常依赖于训练数据的准确度,因此本发明所提供的一种基于神经网络算法的智能中医诊断方法及装置,还包括了纠错机制,可以在预设周期内对中医专家所提供的历史诊断数据的可信度进行批判,以便及时的剔除不准确的训练数据。
附图说明
图1为本发明一实施例中一种基于神经网络算法的智能中医诊断方法的流程示意图;
图2为本发明一实施例中一种基于神经网络算法的智能中医诊断装置的结构示意图。
具体实施方式
下面结合附图以及具体实施例对本发明做进一步说明,其中的示意性实施例以及说明仅用来解释本发明,且并不作为对本发明的限定。
第一方面,如图1所示,本发明提供了一种基于神经网络算法的智能中医诊断方法,包括:
S100:获取第一用户发送的至少一个历史诊断数据集,其中,所述历史诊断数据集中包括至少一个历史诊断记录,所述历史诊断记录包括历史临床表现数据及历史辩证数据;
S200:将所获取的历史诊断数据集进行归一化,并将所有归一化后的历史诊断数据集整合为训练数据集;
S300:根据所述训练数据集通过神经网络算法生成模型神经网络;
S400:当获取第二用户发送的临床表现数据时;
S500:将所述临床表现数据进行归一化,并记归一化后的临床表现数据为待诊断数据;
S600:根据所述待诊断数据及所述模型神经网络生成预估中医诊断数据;
S700:将所述预估中医诊断数据发送给所述第二用户。
具体的,所述对历史诊断数据集进行归一化,具体为对历史诊断数据集中的历史临床表现数据进行归一化处理;所述历史临床表现数据包括临床表现名称及其表现程度,在归一化时,依据预先设置的参数为不同程度的临床表现赋予不同的值,以使其可以代入神经网络算法中使用,如下表所示:
临床表现名称 | 归一化赋值 |
没有头疼□ | 0 |
有一点头疼 | 0.3 |
头疼 | 0.5 |
头疼得无法忍受 | 0.8 |
具体的归一化赋值比例及依据可以根据用户预设的参数进行设置,本申请对此不作特别限定。
在本发明一实施例中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
则,所述的一种基于神经网络算法的智能中医诊断方法,还包括:
在预设周期内,获取任意一个历史诊断数据集,记为第一待验证数据集;
获取用户标签与所述第一待验证数据集的用户标签不一致的历史诊断数据集,记为对比数据集;
根据第一预设数量,从所述第一待验证数据集中随机抽取历史诊断记录,并将所抽取的历史诊断进行归一化,并记为第一待验证诊断数据;
将所述对比数据集进行归一化,并根据第二预设数量抽取其中与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据;
将所述第一待验证诊断数据反归一化后删除历史辩证数据,并记为第一测试数据;
将所述第二待验证诊断数据反归一化后删除历史辩证数据,并记为第二测试数据;
将所述第一测试数据及第二测试数据乱序组合生成测试数据集;
将所述测试数据集发送给与所述第一待验证数据集用户标签匹配的第一用户;
获取所述第一用户发送的反馈测试数据集,其中所述反馈测试数据集中包括所述第一测试数据及第二测试数据,以及与所述所述第一测试数据及第二测试数据匹配的中医辩证数据;
从所述反馈测试数据中获取第一测试数据及匹配的的中医辩证数据,记为第一反馈数据;
将所述第一反馈数据与所述第一待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第一反馈数据为不匹配第一反馈数据;
根据所述不匹配第一反馈数据数量及第一反馈数据数量生成第一匹配率;
从所述反馈测试数据中获取第二测试数据及匹配的的中医辩证数据,记为第二反馈数据;
将所述第二反馈数据与所述第二待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第二反馈数据为不匹配第二反馈数据;
根据所述不匹配第二反馈数据数量及第二反馈数据数量生成第二匹配率;
当所述第一匹配率低于第一预设匹配率,且第二匹配率不低于第二预设匹配率时;
则判断所述第一待验证数据集为不合格诊断数据集;
从所述训练数据集中删除所述不合格诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述第一匹配率低于第一预设匹配率,且第二匹配率低于第二预设匹配率时;
则判断所述第一待验证数据集为不合格诊断数据集,并记与所述不合格数据集用户标签匹配的第一用户为不合格用户;
从所述训练数据集中删除所有用户标签与所述不合格用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
在本发明一实施例中,所述的将所述对比数据集进行归一化,并根据第二预设数量抽取其中与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据,具体包括:
将所述对比数据集进行归一化,记为归一化数据集;
将所述归一化数据集根据聚类算法生成至少一个聚类数据集;
将所述待验证诊断数据代入所述聚类算法中,计算所述待验证诊断数与各个所述聚类数据集的距离,记其中与所述待验证诊断数距离最短年的聚类数据集为候选数据集;
根据第二预设数量从所述候选数据集中抽取历史诊断记录,并记为第二待验证诊断数据。
具体的,在本发明一实际应用场景中,本发明第一方面所提供的方法由云服务器实现;其中,第一用户为向系统提供训练数据的中医专家,第二用户为医院实际坐诊的医生;为了确保训练数据的多样性,一般会需要多名中医专家提供历史诊断记录作为训练数据;
为了保证神经网络所训练的模型的准确性,在一定周期内,如每半年,在所收集的历史诊断数据集中随机抽取一组作为第一待验证数据集,并记发送所述第一待验证数据集的中医专家为待验证专家;并从所收集的历史诊断数据集中抽取其他专家发送的历史诊断记录,作为对比数据集;云服务器根据预设的数量,从第一待验证数据集中抽取若干条数据,如抽取100条历史诊断记录,并对所抽取的历史诊断记录进行归一化处理,记为第一待验证诊断数据;之后云服务器对所述对比数据集进行归一化,并根据预设数量,如400条历史诊断记录,云服务器将归一化后的对比数据集代通过聚类算法,如KNN聚类算法,生成若干个聚类数据集,并计算所述第一待验证诊断数据与各个聚类数据集的距离,记其中距离最近的聚类数据集为候选数据集,云服务器抽取其中与所述第一待验证诊断数据相近的历史诊断记录,记为第二待验证诊断数据;云服务器将所述第一待验证诊断数据及第二待验证诊断数据中的历史辩证数据删除,并对所述第一待验证诊断数据及第二待验证诊断数据中的历史临床表现数据反归一化后,将所述第一待验证诊断数据及第二待验证诊断数据打乱顺序组成测试数据集,并将所述测试数据集发送给所述待验证专家;
所述待验证专家接到测试数据集后,根据其中的历史临床表现数据做出相应的中医辩证诊断,并作为与所述临时临床表现数据匹配的中医辩证数据写入所述测试数据集中;当所述待验证专家完成判断后,将所述测试数据集重新发送给云服务器;
云服务器在接收到所述待验证专家发回的反馈测试数据集后,从中抽取出为原来第一待验证诊断数据的历史临床表现数据及其对应的中医辩证数据,并将所述中医辩证数据与第一待验证诊断数据中的历史辩证数据进行逐一比较,并生成相应的匹配率,记为第一匹配率;同时抽取出为原来第二待验证诊断数据的历史临床表现数据及其对应的中医辩证数据,并将所述中医辩证数据与第二待验证诊断数据中的历史辩证数据进行逐一比较,,并生成相应的匹配率,记为第二匹配率;云服务器对所述第一匹配率及第二匹配率与预设的匹配率进行比较,以判断所述待验证专家所提供的数据集可信度及专家本身的可信度;
如当第一匹配率为90%,低于第一预设匹配率95%,但第二匹配率为88%,高于第二预设匹配率85%,则此时云服务器判断该专家的专业程度比较可信,但是所抽取的第一待验证数据集的可信度不高,因此云服务器将所述第一待验证数据集从所述训练数据集中,并重新对神经网络进行训练;
如当第一匹配率为90%,低于第一预设匹配率95%,但第二匹配率为80%,低于第二预设匹配率85%,则此时云服务器判断该专家的专业程度不可信,因此云服务器将所述待验证专家所提供的所有历史诊断数据集从所述训练数据集中,并对神经网络进行训练。
在本发明一实施例中,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
则,所述的一种基于神经网络算法的智能中医诊断方法,还包括:
获取至少一个测试临床表现数据;
根据各个所述测试临床表现数据及所述模型神经网络分别生成匹配的预估中医诊断测试数据;
将各个所述测试临床表现数据及匹配的预估中医诊断测试数据写入测试数据集;
将所述测试数据集发送给第一用户;
获取第一用户发送的测试评价数据集,其中,所述测试评价数据集包括测试临床表现数据、与所述测试临床表现数据匹配的预估中医诊断测试数据、以及与所述预估中医诊断测试数据匹配的评价数据,所述评价数据包括好评与差评;
根据所述测试评价数据集中的好评数量及总评价数据数量生成好评率数据;
当所述好评率数据低于预设好评率时;
则获取与该好评率数据匹配的第一用户标签;
获取用户标签与所述第一用户标签匹配的历史诊断数据集,记为第二待验证数据集;
将所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,且历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;
根据所述存疑诊断记录的数量及所述第二待验证数据集中所有历史诊断记录的数量生成与该第二待验证数据集匹配的诊断准确率;
当所述诊断准确率低于第一预设准确率时;
则判断所述第二待验证数据集为存疑诊断数据集;
从所述训练数据集中删除所述存疑诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述诊断准确率低于第二预设准确率时;
则判断所述第二待验证数据集为存疑诊断数据集,并记与所述存疑数据集用户标签匹配的第一用户为存疑用户;
从所述训练数据集中删除所有用户标签与所述存疑用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
具体的,在本发明一实际应用场景中,沿用上例,除了对专家及其提供的诊断数据进行验证外,还可以对训练出来的模型神经网络进行评价;
云服务区获取若干条测试临床表现数据,并将其代入模型神经网络中获取各个测试临床表现数据的预估中医诊断数据,并将其写入测试数据集中;云服务将所述测试数据集发送给中医专家进行评价,并获取中医专家对所述测试数据集中各个测试临床表现数据的预估中医诊断数据的评价数据,并生成该测试数据集的好评率,如其好评率高于预设好评率时,则云服务器判断该模型神经网络效果良好,可以继续使用;如其好评率低于预设好评率时,则云服务器判断当前模型神经网络的效果不好,需要对其原因进行分析;
云服务器获取对所述测试数据集做出低于预设好评率评价的中医专家,记为存疑专家;云服务器获取所述存疑专家所提供的所有历史诊断数据集,记为第二待验证数据集;云服务器分别将各个所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,但是历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;云服务区根据所述存疑诊断记录的数量及所述第二待验证数据集的历史诊断记录数量生成诊断准确率;
当云服务器判断所述诊断准确率低于第一预设准确率,如诊断准确率为90%,低于第一预设准确率95%,则此时云服务器判断该所述第二待验证数据集为存疑数据集,因此云服务器将所述存疑数据集从所述训练数据集中,并重新对神经网络进行训练;
当云服务器判断所述诊断准确率低于第二预设准确率,如诊断准确率为70%,低于第二预设准确率75%,则此时云服务器判断该所述存疑专家的专业程度不可信,因此云服务器将所述存疑专家所提供的所有历史诊断数据集从所述训练数据集中,并对神经网络进行训练。
第二方面,本发明还提供了一种计算机可读存储介质,其特征在于,存储有可执行代码,其中,所述可执行代码经配置为被至少一个处理器执行,以实现本发明第一方面所提供的一种基于神经网络算法的智能中医诊断方法。
第三方面,如图2所示,本发明还提供了一种基于神经网络算法的智能中医诊断系统,包括历史诊断数据集获取模块100、归一化处理模块200、神经网络训练模块300、临床表现数据获取模块400、智能诊断模块500及发送模块600;
其中,所述历史诊断数据集获取模块100,用于获取第一用户发送的至少一个历史诊断数据集;所述历史诊断数据集中包括至少一个历史诊断记录,所述历史诊断记录包括历史临床表现数据及历史辩证数据;
所述归一化处理模块200,用于将所获取的历史诊断数据集进行归一化,并将所有归一化后的历史诊断数据集整合为训练数据集;
所述神经网络训练模块300,用于根据所述训练数据集通过神经网络算法生成模型神经网络;
所述临床表现数据获取模块400,用于获取第二用户发送的临床表现数据;
所述归一化处理模块200,还用于将所述临床表现数据进行归一化,并记归一化后的临床表现数据为待诊断数据;
所述智能诊断模块500,用于根据所述待诊断数据及所述模型神经网络生成预估中医诊断数据;
所述发送模块600,用于将所述预估中医诊断数据发送给所述第二用户。
在本发明一实施例中,所述的一种基于神经网络算法的智能中医诊断系统还包括数据验证模块、对比数据获取模块、数据抽取模块、测试数据生成模块、反馈获取模块、反馈判断模块、纠错模块;
其中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
所述数据验证模块,用于在预设周期内获取任意一个历史诊断数据集,记为第一待验证数据集;
所述对比数据获取模块,用于获取用户标签与所述第一待验证数据集的用户标签不一致的历史诊断数据集,记为对比数据集;
所述数据抽取模块,用于根据第一预设数量,从所述第一待验证数据集中随机抽取历史诊断记录;
所述归一化处理模块200,还用于将所述数据抽取模块所抽取的历史诊断进行归一化,并记为第一待验证诊断数据;
所述归一化处理模块200,还用于将所述对比数据集进行归一化;
所述数据抽取模块,还用于根据第二预设数量从归一化后的对比数据集中抽取与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据;
所述测试数据生成模块,用于将所述第一待验证诊断数据反归一化后删除历史辩证数据,并记为第一测试数据;
所述测试数据生成模块,还用于将所述第二待验证诊断数据反归一化后删除历史辩证数据,并记为第二测试数据;
所述测试数据生成模块,还用于将所述第一测试数据及第二测试数据乱序组合生成测试数据集;
所述发送模块600,还用于将所述测试数据集发送给与所述第一待验证数据集用户标签匹配的第一用户;
所述反馈获取模块,用于获取所述第一用户发送的反馈测试数据集,其中所述反馈测试数据集中包括所述第一测试数据及第二测试数据,以及与所述所述第一测试数据及第二测试数据匹配的中医辩证数据;
所述反馈判断模块,用于从所述反馈测试数据中获取第一测试数据及匹配的的中医辩证数据,记为第一反馈数据;
所述反馈判断模块,还用于将所述第一反馈数据与所述第一待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第一反馈数据为不匹配第一反馈数据;
所述反馈判断模块,还用于根据所述不匹配第一反馈数据数量及第一反馈数据数量生成第一匹配率;
所述反馈判断模块,还用于从所述反馈测试数据中获取第二测试数据及匹配的的中医辩证数据,记为第二反馈数据;
所述反馈判断模块,还用于将所述第二反馈数据与所述第二待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第二反馈数据为不匹配第二反馈数据;
所述反馈判断模块,还用于根据所述不匹配第二反馈数据数量及第二反馈数据数量生成第二匹配率;
所述反馈判断模块,还用于将所述第一匹配率与第一预设匹配率进行比对;
所述反馈判断模块,还用于将所述第二匹配率与第预设匹配率进行比对;
当所述反馈判断模块判断所述第一匹配率低于第一预设匹配率,且第二匹配率不低于第二预设匹配率时;
则所述纠错模块判断所述第一待验证数据集为不合格诊断数据集,所述纠错模块,用于从所述训练数据集中删除所述不合格诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述反馈判断模块判断所述第一匹配率低于第一预设匹配率,且第二匹配率低于第二预设匹配率时;
则所述纠错模块判断所述第一待验证数据集为不合格诊断数据集,并记与所述不合格数据集用户标签匹配的第一用户为不合格用户;
所述纠错模块,还用于从所述训练数据集中删除所有用户标签与所述不合格用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
所述神经网络训练模块300,还用于根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
在本发明一实施例中,所述数据抽取模块,还用于将所述对比数据集进行归一化,记为归一化数据集;
所述数据抽取模块,还用于将所述归一化数据集根据聚类算法生成至少一个聚类数据集;
所述数据抽取模块,还用于将所述待验证诊断数据代入所述聚类算法中,计算所述待验证诊断数与各个所述聚类数据集的距离,记其中与所述待验证诊断数距离最短年的聚类数据集为候选数据集;
所述数据抽取模块,还用于根据第二预设数量从所述候选数据集中抽取历史诊断记录,并记为第二待验证诊断数据。
具体的,在本发明一实际应用场景中,本发明第三方面所提供的系统集成在云服务器中;其中,第一用户为向系统提供训练数据的中医专家,第二用户为医院实际坐诊的医生;为了确保训练数据的多样性,一般会需要多名中医专家提供历史诊断记录作为训练数据;
为了保证神经网络所训练的模型的准确性,在一定周期内,如每半年,在所收集的历史诊断数据集中随机抽取一组作为第一待验证数据集,并记发送所述第一待验证数据集的中医专家为待验证专家;并从所收集的历史诊断数据集中抽取其他专家发送的历史诊断记录,作为对比数据集;云服务器根据预设的数量,从第一待验证数据集中抽取若干条数据,如抽取100条历史诊断记录,并对所抽取的历史诊断记录进行归一化处理,记为第一待验证诊断数据;之后云服务器对所述对比数据集进行归一化,并根据预设数量,如400条历史诊断记录,云服务器将归一化后的对比数据集代通过聚类算法,如KNN聚类算法,生成若干个聚类数据集,并计算所述第一待验证诊断数据与各个聚类数据集的距离,记其中距离最近的聚类数据集为候选数据集,云服务器抽取其中与所述第一待验证诊断数据相近的历史诊断记录,记为第二待验证诊断数据;云服务器将所述第一待验证诊断数据及第二待验证诊断数据中的历史辩证数据删除,并对所述第一待验证诊断数据及第二待验证诊断数据中的历史临床表现数据反归一化后,将所述第一待验证诊断数据及第二待验证诊断数据打乱顺序组成测试数据集,并将所述测试数据集发送给所述待验证专家;
所述待验证专家接到测试数据集后,根据其中的历史临床表现数据做出相应的中医辩证诊断,并作为与所述临时临床表现数据匹配的中医辩证数据写入所述测试数据集中;当所述待验证专家完成判断后,将所述测试数据集重新发送给云服务器;
云服务器在接收到所述待验证专家发回的反馈测试数据集后,从中抽取出为原来第一待验证诊断数据的历史临床表现数据及其对应的中医辩证数据,并将所述中医辩证数据与第一待验证诊断数据中的历史辩证数据进行逐一比较,并生成相应的匹配率,记为第一匹配率;同时抽取出为原来第二待验证诊断数据的历史临床表现数据及其对应的中医辩证数据,并将所述中医辩证数据与第二待验证诊断数据中的历史辩证数据进行逐一比较,,并生成相应的匹配率,记为第二匹配率;云服务器对所述第一匹配率及第二匹配率与预设的匹配率进行比较,以判断所述待验证专家所提供的数据集可信度及专家本身的可信度;
如当第一匹配率为90%,低于第一预设匹配率95%,但第二匹配率为88%,高于第二预设匹配率85%,则此时云服务器判断该专家的专业程度比较可信,但是所抽取的第一待验证数据集的可信度不高,因此云服务器将所述第一待验证数据集从所述训练数据集中,并重新对神经网络进行训练;
如当第一匹配率为90%,低于第一预设匹配率95%,但第二匹配率为80%,低于第二预设匹配率85%,则此时云服务器判断该专家的专业程度不可信,因此云服务器将所述待验证专家所提供的所有历史诊断数据集从所述训练数据集中,并对神经网络进行训练。
在本发明一实施例中,所述的一种基于神经网络算法的智能中医诊断系统还包括测试临床表现获取模块,测试数据生成模块、测试评价获取模块、评价判断模块、原始数据验证模块及纠错模块;
其中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
所述测试临床表现获取模块,用于获取至少一个测试临床表现数据;
所述智能诊断模块500,还用于所述根据各个所述测试临床表现数据及所述模型神经网络分别生成匹配的预估中医诊断测试数据;
所述测试数据生成模块,用于将各个所述测试临床表现数据及匹配的预估中医诊断测试数据写入测试数据集;
所述发送模块600,还用于将所述测试数据集发送给第一用户;
所述测试评价获取模块,用于获取第一用户发送的测试评价数据集,其中,所述测试评价数据集包括测试临床表现数据、与所述测试临床表现数据匹配的预估中医诊断测试数据、以及与所述预估中医诊断测试数据匹配的评价数据,所述评价数据包括好评与差评;
所述评价判断模块,用于根据所述测试评价数据集中的好评数量及总评价数据数量生成好评率数据;
所述评价判断模块,还用于将所述好评率数据与预设好评率进行比较;
当所述评价判断模块判断所述好评率数据低于预设好评率时,所述原始数据验证模块,用于获取与该好评率数据匹配的第一用户标签;
所述原始数据验证模块,还用于获取用户标签与所述第一用户标签匹配的历史诊断数据集,记为第二待验证数据集;
所述原始数据验证模块,还用于将所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,且历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;
所述原始数据验证模块,还用于根据所述存疑诊断记录的数量及所述第二待验证数据集中所有历史诊断记录的数量生成与该第二待验证数据集匹配的诊断准确率;
所述原始数据验证模块,还用于将所述诊断准确率与第一预设准确率进行比较;
当所述原始数据验证模块判断所述诊断准确率低于第一预设准确率时,所述纠错模块判断所述第二待验证数据集为存疑诊断数据集;
所述纠错模块,用于从所述训练数据集中删除所述存疑诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述原始数据验证模块判断所述诊断准确率低于第二预设准确率时,所述纠错模块判断所述第二待验证数据集为存疑诊断数据集,并记与所述存疑数据集用户标签匹配的第一用户为存疑用户;
所述纠错模块,还用于从所述训练数据集中删除所有用户标签与所述存疑用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
所述神经网络训练模块300,还用于根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
具体的,在本发明一实际应用场景中,沿用上例,除了对专家及其提供的诊断数据进行验证外,还可以对训练出来的模型神经网络进行评价;
云服务区获取若干条测试临床表现数据,并将其代入模型神经网络中获取各个测试临床表现数据的预估中医诊断数据,并将其写入测试数据集中;云服务将所述测试数据集发送给中医专家进行评价,并获取中医专家对所述测试数据集中各个测试临床表现数据的预估中医诊断数据的评价数据,并生成该测试数据集的好评率,如其好评率高于预设好评率时,则云服务器判断该模型神经网络效果良好,可以继续使用;如其好评率低于预设好评率时,则云服务器判断当前模型神经网络的效果不好,需要对其原因进行分析;
云服务器获取对所述测试数据集做出低于预设好评率评价的中医专家,记为存疑专家;云服务器获取所述存疑专家所提供的所有历史诊断数据集,记为第二待验证数据集;云服务器分别将各个所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,但是历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;云服务区根据所述存疑诊断记录的数量及所述第二待验证数据集的历史诊断记录数量生成诊断准确率;
当云服务器判断所述诊断准确率低于第一预设准确率,如诊断准确率为90%,低于第一预设准确率95%,则此时云服务器判断该所述第二待验证数据集为存疑数据集,因此云服务器将所述存疑数据集从所述训练数据集中,并重新对神经网络进行训练;
当云服务器判断所述诊断准确率低于第二预设准确率,如诊断准确率为70%,低于第二预设准确率75%,则此时云服务器判断该所述存疑专家的专业程度不可信,因此云服务器将所述存疑专家所提供的所有历史诊断数据集从所述训练数据集中,并对神经网络进行训练。
显然,上述实施例仅仅是为了更清楚的表达本发明技术方案所作的举例,而非对本发明实施方式的限定。对于本领域技术人员来说,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,在不脱离本发明构思的前提下,这些都属于本发明的保护范围。因此本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于神经网络算法的智能中医诊断方法,其特征在于,包括:
获取第一用户发送的至少一个历史诊断数据集,其中,所述历史诊断数据集中包括至少一个历史诊断记录,所述历史诊断记录包括历史临床表现数据及历史辩证数据;
将所获取的历史诊断数据集进行归一化,并将所有归一化后的历史诊断数据集整合为训练数据集;
根据所述训练数据集通过神经网络算法生成模型神经网络;
当获取第二用户发送的临床表现数据时;
将所述临床表现数据进行归一化,并记归一化后的临床表现数据为待诊断数据;
根据所述待诊断数据及所述模型神经网络生成预估中医诊断数据;
将所述预估中医诊断数据发送给所述第二用户。
2.如权利要求1所述的一种基于神经网络算法的智能中医诊断方法,其特征在于,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
则,所述的一种基于神经网络算法的智能中医诊断方法,还包括:
在预设周期内,获取任意一个历史诊断数据集,记为第一待验证数据集;
获取用户标签与所述第一待验证数据集的用户标签不一致的历史诊断数据集,记为对比数据集;
根据第一预设数量,从所述第一待验证数据集中随机抽取历史诊断记录,并将所抽取的历史诊断进行归一化,并记为第一待验证诊断数据;
将所述对比数据集进行归一化,并根据第二预设数量抽取其中与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据;
将所述第一待验证诊断数据反归一化后删除历史辩证数据,并记为第一测试数据;
将所述第二待验证诊断数据反归一化后删除历史辩证数据,并记为第二测试数据;
将所述第一测试数据及第二测试数据乱序组合生成测试数据集;
将所述测试数据集发送给与所述第一待验证数据集用户标签匹配的第一用户;
获取所述第一用户发送的反馈测试数据集,其中所述反馈测试数据集中包括所述第一测试数据及第二测试数据,以及与所述所述第一测试数据及第二测试数据匹配的中医辩证数据;
从所述反馈测试数据中获取第一测试数据及匹配的的中医辩证数据,记为第一反馈数据;
将所述第一反馈数据与所述第一待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第一反馈数据为不匹配第一反馈数据;
根据所述不匹配第一反馈数据数量及第一反馈数据数量生成第一匹配率;
从所述反馈测试数据中获取第二测试数据及匹配的的中医辩证数据,记为第二反馈数据;
将所述第二反馈数据与所述第二待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第二反馈数据为不匹配第二反馈数据;
根据所述不匹配第二反馈数据数量及第二反馈数据数量生成第二匹配率;
当所述第一匹配率低于第一预设匹配率,且第二匹配率不低于第二预设匹配率时;
则判断所述第一待验证数据集为不合格诊断数据集;
从所述训练数据集中删除所述不合格诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述第一匹配率低于第一预设匹配率,且第二匹配率低于第二预设匹配率时;
则判断所述第一待验证数据集为不合格诊断数据集,并记与所述不合格数据集用户标签匹配的第一用户为不合格用户;
从所述训练数据集中删除所有用户标签与所述不合格用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
3.如权利要求2所述的一种基于神经网络算法的智能中医诊断方法,其特征在于,所述的将所述对比数据集进行归一化,并根据第二预设数量抽取其中与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据,具体包括:
将所述对比数据集进行归一化,记为归一化数据集;
将所述归一化数据集根据聚类算法生成至少一个聚类数据集;
将所述待验证诊断数据代入所述聚类算法中,计算所述待验证诊断数与各个所述聚类数据集的距离,记其中与所述待验证诊断数距离最短年的聚类数据集为候选数据集;
根据第二预设数量从所述候选数据集中抽取历史诊断记录,并记为第二待验证诊断数据。
4.如权利要求1所述的一种基于神经网络算法的智能中医诊断方法,其特征在于,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
则,所述的一种基于神经网络算法的智能中医诊断方法,还包括:
获取至少一个测试临床表现数据;
根据各个所述测试临床表现数据及所述模型神经网络分别生成匹配的预估中医诊断测试数据;
将各个所述测试临床表现数据及匹配的预估中医诊断测试数据写入测试数据集;
将所述测试数据集发送给第一用户;
获取第一用户发送的测试评价数据集,其中,所述测试评价数据集包括测试临床表现数据、与所述测试临床表现数据匹配的预估中医诊断测试数据、以及与所述预估中医诊断测试数据匹配的评价数据,所述评价数据包括好评与差评;
根据所述测试评价数据集中的好评数量及总评价数据数量生成好评率数据;
当所述好评率数据低于预设好评率时;
则获取与该好评率数据匹配的第一用户标签;
获取用户标签与所述第一用户标签匹配的历史诊断数据集,记为第二待验证数据集;
将所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,且历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;
根据所述存疑诊断记录的数量及所述第二待验证数据集中所有历史诊断记录的数量生成与该第二待验证数据集匹配的诊断准确率;
当所述诊断准确率低于第一预设准确率时;
则判断所述第二待验证数据集为存疑诊断数据集;
从所述训练数据集中删除所述存疑诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述诊断准确率低于第二预设准确率时;
则判断所述第二待验证数据集为存疑诊断数据集,并记与所述存疑数据集用户标签匹配的第一用户为存疑用户;
从所述训练数据集中删除所有用户标签与所述存疑用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
5.一种计算机可读存储介质,其特征在于,存储有可执行代码,其中,所述可执行代码经配置为被至少一个处理器执行,以实现如权利要求1-4任一所述的一种基于神经网络算法的智能中医诊断方法。
6.一种基于神经网络算法的智能中医诊断系统,其特征在于,包括历史诊断数据集获取模块、归一化处理模块、神经网络训练模块、临床表现数据获取模块、智能诊断模块及发送模块;
其中,所述历史诊断数据集获取模块,用于获取第一用户发送的至少一个历史诊断数据集;所述历史诊断数据集中包括至少一个历史诊断记录,所述历史诊断记录包括历史临床表现数据及历史辩证数据;
所述归一化处理模块,用于将所获取的历史诊断数据集进行归一化,并将所有归一化后的历史诊断数据集整合为训练数据集;
所述神经网络训练模块,用于根据所述训练数据集通过神经网络算法生成模型神经网络;
所述临床表现数据获取模块,用于获取第二用户发送的临床表现数据;
所述归一化处理模块,还用于将所述临床表现数据进行归一化,并记归一化后的临床表现数据为待诊断数据;
所述智能诊断模块,用于根据所述待诊断数据及所述模型神经网络生成预估中医诊断数据;
所述发送模块,用于将所述预估中医诊断数据发送给所述第二用户。
7.如权利要求6所述的一种基于神经网络算法的智能中医诊断系统,其特征在于,所述的一种基于神经网络算法的智能中医诊断系统还包括数据验证模块、对比数据获取模块、数据抽取模块、测试数据生成模块、反馈获取模块、反馈判断模块、纠错模块;
其中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
所述数据验证模块,用于在预设周期内获取任意一个历史诊断数据集,记为第一待验证数据集;
所述对比数据获取模块,用于获取用户标签与所述第一待验证数据集的用户标签不一致的历史诊断数据集,记为对比数据集;
所述数据抽取模块,用于根据第一预设数量,从所述第一待验证数据集中随机抽取历史诊断记录;
所述归一化处理模块,还用于将所述数据抽取模块所抽取的历史诊断进行归一化,并记为第一待验证诊断数据;
所述归一化处理模块,还用于将所述对比数据集进行归一化;
所述数据抽取模块,还用于根据第二预设数量从归一化后的对比数据集中抽取与所述待验证诊断数据相近的历史诊断记录,并记为第二待验证诊断数据;
所述测试数据生成模块,用于将所述第一待验证诊断数据反归一化后删除历史辩证数据,并记为第一测试数据;
所述测试数据生成模块,还用于将所述第二待验证诊断数据反归一化后删除历史辩证数据,并记为第二测试数据;
所述测试数据生成模块,还用于将所述第一测试数据及第二测试数据乱序组合生成测试数据集;
所述发送模块,还用于将所述测试数据集发送给与所述第一待验证数据集用户标签匹配的第一用户;
所述反馈获取模块,用于获取所述第一用户发送的反馈测试数据集,其中所述反馈测试数据集中包括所述第一测试数据及第二测试数据,以及与所述所述第一测试数据及第二测试数据匹配的中医辩证数据;
所述反馈判断模块,用于从所述反馈测试数据中获取第一测试数据及匹配的的中医辩证数据,记为第一反馈数据;
所述反馈判断模块,还用于将所述第一反馈数据与所述第一待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第一反馈数据为不匹配第一反馈数据;
所述反馈判断模块,还用于根据所述不匹配第一反馈数据数量及第一反馈数据数量生成第一匹配率;
所述反馈判断模块,还用于从所述反馈测试数据中获取第二测试数据及匹配的的中医辩证数据,记为第二反馈数据;
所述反馈判断模块,还用于将所述第二反馈数据与所述第二待验证诊断数据进行比对,记其中历史临床表现数据一致且中医辩证数据与历史辩证数据不一致的第二反馈数据为不匹配第二反馈数据;
所述反馈判断模块,还用于根据所述不匹配第二反馈数据数量及第二反馈数据数量生成第二匹配率;
所述反馈判断模块,还用于将所述第一匹配率与第一预设匹配率进行比对;
所述反馈判断模块,还用于将所述第二匹配率与第预设匹配率进行比对;
当所述反馈判断模块判断所述第一匹配率低于第一预设匹配率,且第二匹配率不低于第二预设匹配率时;
则所述纠错模块判断所述第一待验证数据集为不合格诊断数据集,所述纠错模块,用于从所述训练数据集中删除所述不合格诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述反馈判断模块判断所述第一匹配率低于第一预设匹配率,且第二匹配率低于第二预设匹配率时;
则所述纠错模块判断所述第一待验证数据集为不合格诊断数据集,并记与所述不合格数据集用户标签匹配的第一用户为不合格用户;
所述纠错模块,还用于从所述训练数据集中删除所有用户标签与所述不合格用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
所述神经网络训练模块,还用于根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
8.如权利要求7所述的一种基于神经网络算法的智能中医诊断系统,其特征在于,所述数据抽取模块,还用于将所述对比数据集进行归一化,记为归一化数据集;
所述数据抽取模块,还用于将所述归一化数据集根据聚类算法生成至少一个聚类数据集;
所述数据抽取模块,还用于将所述待验证诊断数据代入所述聚类算法中,计算所述待验证诊断数与各个所述聚类数据集的距离,记其中与所述待验证诊断数距离最短年的聚类数据集为候选数据集;
所述数据抽取模块,还用于根据第二预设数量从所述候选数据集中抽取历史诊断记录,并记为第二待验证诊断数据。
9.如权利要求6所述的一种基于神经网络算法的智能中医诊断系统,其特征在于,所述的一种基于神经网络算法的智能中医诊断系统还包括测试临床表现获取模块,测试数据生成模块、测试评价获取模块、评价判断模块、原始数据验证模块及纠错模块;
其中,所述历史诊断数据集的数量不少于两个,所述历史诊断数据集还包括与发送该历史诊断数据集的第一用户匹配的用户标签;
所述测试临床表现获取模块,用于获取至少一个测试临床表现数据;
所述智能诊断模块,还用于所述根据各个所述测试临床表现数据及所述模型神经网络分别生成匹配的预估中医诊断测试数据;
所述测试数据生成模块,用于将各个所述测试临床表现数据及匹配的预估中医诊断测试数据写入测试数据集;
所述发送模块,还用于将所述测试数据集发送给第一用户;
所述测试评价获取模块,用于获取第一用户发送的测试评价数据集,其中,所述测试评价数据集包括测试临床表现数据、与所述测试临床表现数据匹配的预估中医诊断测试数据、以及与所述预估中医诊断测试数据匹配的评价数据,所述评价数据包括好评与差评;
所述评价判断模块,用于根据所述测试评价数据集中的好评数量及总评价数据数量生成好评率数据;
所述评价判断模块,还用于将所述好评率数据与预设好评率进行比较;
当所述评价判断模块判断所述好评率数据低于预设好评率时,所述原始数据验证模块,用于获取与该好评率数据匹配的第一用户标签;
所述原始数据验证模块,还用于获取用户标签与所述第一用户标签匹配的历史诊断数据集,记为第二待验证数据集;
所述原始数据验证模块,还用于将所述第二待验证数据集与所述测试数据集进行比对,记其中历史临床表现数据与测试临床表现数据一致,且历史辩证数据与预估中医诊断测试数据不一致的历史诊断记录为存疑诊断记录;
所述原始数据验证模块,还用于根据所述存疑诊断记录的数量及所述第二待验证数据集中所有历史诊断记录的数量生成与该第二待验证数据集匹配的诊断准确率;
所述原始数据验证模块,还用于将所述诊断准确率与第一预设准确率进行比较;
当所述原始数据验证模块判断所述诊断准确率低于第一预设准确率时,所述纠错模块判断所述第二待验证数据集为存疑诊断数据集;
所述纠错模块,用于从所述训练数据集中删除所述存疑诊断数据集,并记删除后的训练数据集为纠正训练数据集;
当所述原始数据验证模块判断所述诊断准确率低于第二预设准确率时,所述纠错模块判断所述第二待验证数据集为存疑诊断数据集,并记与所述存疑数据集用户标签匹配的第一用户为存疑用户;
所述纠错模块,还用于从所述训练数据集中删除所有用户标签与所述存疑用户匹配的历史诊断数据集,并记删除后的训练数据集为纠正训练数据集;
所述神经网络训练模块,还用于根据所述纠错训练数据集通过神经网络算法重新生成模型神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024247.9A CN112185548B (zh) | 2020-09-25 | 2020-09-25 | 一种基于神经网络算法的智能中医诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011024247.9A CN112185548B (zh) | 2020-09-25 | 2020-09-25 | 一种基于神经网络算法的智能中医诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112185548A true CN112185548A (zh) | 2021-01-05 |
CN112185548B CN112185548B (zh) | 2022-10-28 |
Family
ID=73945321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011024247.9A Active CN112185548B (zh) | 2020-09-25 | 2020-09-25 | 一种基于神经网络算法的智能中医诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112185548B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451407A (zh) * | 2017-07-31 | 2017-12-08 | 广东工业大学 | 一种中医智能诊断方法、系统及中医医疗系统 |
CN110010246A (zh) * | 2019-04-16 | 2019-07-12 | 湖南大学 | 一种基于神经网络和置信区间的疾病智能诊断技术 |
WO2019172181A1 (ja) * | 2018-03-09 | 2019-09-12 | 日本メジフィジックス株式会社 | 診断支援装置、プログラム、学習済みモデル、および学習装置 |
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN111028945A (zh) * | 2019-11-26 | 2020-04-17 | 佛山科学技术学院 | 一种基于数据融合的分类预测方法、装置及存储介质 |
CN111199797A (zh) * | 2019-12-31 | 2020-05-26 | 中国中医科学院中医药信息研究所 | 一种辅助诊断模型建立和辅助诊断方法及装置 |
US20200185054A1 (en) * | 2018-04-16 | 2020-06-11 | Turing Ai Institute (nanjing) Co., Ltd. | Device and method of identifying and evaluating a tumor progression |
CN111353033A (zh) * | 2020-02-27 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种训练文本相似度模型的方法和系统 |
US20200303075A1 (en) * | 2019-03-18 | 2020-09-24 | Kundan Krishna | System and a method to predict occurrence of a chronic diseases |
-
2020
- 2020-09-25 CN CN202011024247.9A patent/CN112185548B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451407A (zh) * | 2017-07-31 | 2017-12-08 | 广东工业大学 | 一种中医智能诊断方法、系统及中医医疗系统 |
US20200211706A1 (en) * | 2017-07-31 | 2020-07-02 | Guangdong University Of Technology | Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system |
WO2019172181A1 (ja) * | 2018-03-09 | 2019-09-12 | 日本メジフィジックス株式会社 | 診断支援装置、プログラム、学習済みモデル、および学習装置 |
US20200185054A1 (en) * | 2018-04-16 | 2020-06-11 | Turing Ai Institute (nanjing) Co., Ltd. | Device and method of identifying and evaluating a tumor progression |
US20200303075A1 (en) * | 2019-03-18 | 2020-09-24 | Kundan Krishna | System and a method to predict occurrence of a chronic diseases |
CN110010246A (zh) * | 2019-04-16 | 2019-07-12 | 湖南大学 | 一种基于神经网络和置信区间的疾病智能诊断技术 |
CN110517256A (zh) * | 2019-08-30 | 2019-11-29 | 重庆大学附属肿瘤医院 | 一种基于人工智能的早期癌辅助诊断系统 |
CN111028945A (zh) * | 2019-11-26 | 2020-04-17 | 佛山科学技术学院 | 一种基于数据融合的分类预测方法、装置及存储介质 |
CN111199797A (zh) * | 2019-12-31 | 2020-05-26 | 中国中医科学院中医药信息研究所 | 一种辅助诊断模型建立和辅助诊断方法及装置 |
CN111353033A (zh) * | 2020-02-27 | 2020-06-30 | 支付宝(杭州)信息技术有限公司 | 一种训练文本相似度模型的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112185548B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108198615B (zh) | 一种在线认知评估系统 | |
CN109949938B (zh) | 用于将医疗非标准名称标准化的方法及装置 | |
CN108778097A (zh) | 用于评估心力衰竭的装置和方法 | |
KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
CN106951719A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
CN107038343A (zh) | 临床诊断模型的构建方法及构建系统、临床诊断系统 | |
Li et al. | Robust ECG biometrics using GNMF and sparse representation | |
CN109009102B (zh) | 一种基于脑电图深度学习的辅助诊断方法及系统 | |
JP2022146884A (ja) | 人工知能に基づく困難な気道の評価方法及び装置 | |
CN113160974A (zh) | 一种基于超图聚类的精神疾病生物型发掘方法 | |
CN109907751B (zh) | 一种基于人工智能监督学习的实验室胸痛数据检查辅助识别方法 | |
CN112185548B (zh) | 一种基于神经网络算法的智能中医诊断方法及装置 | |
CN116631638B (zh) | 一种基于人工智能的医疗数据多通路搜索系统 | |
CN116631558B (zh) | 一种基于互联网的医学检测项目的构建方法 | |
CN116013511B (zh) | 基于知识图谱的糖尿病干预智能推荐方法及系统 | |
Lin et al. | Medical Concept Embedding with Variable Temporal Scopes for Patient Similarity. | |
CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
CN116504392A (zh) | 一种基于数据分析的智能辅助诊断提示系统 | |
CN112365992A (zh) | 一种基于nrs-lda的医疗体检数据识别分析方法 | |
CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 | |
CN113593698A (zh) | 一种基于图注意网络的中医证型识别方法 | |
CN111938652A (zh) | 人工智能诊断模式在支气管哮喘早期诊断中的应用 | |
CN110675927A (zh) | 一种基于大数据的病情检索方法 | |
CN110660479A (zh) | 一种动态医学影像ai训练诊断系统 | |
Shende et al. | Soft computing approach for feature extraction of palm biometric |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 623, building 2, No. 6, Jiapin 2nd Street, Shatou street, Panyu District, Guangzhou, Guangdong 511400 Applicant after: Smart traditional Chinese medicine technology (Guangdong) Co.,Ltd. Address before: 623, building 2, No. 6, Jiapin 2nd Street, Shatou street, Panyu District, Guangzhou, Guangdong 511400 Applicant before: GUANGZHOU BAORONG TECHNOLOGY APPLICATION Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |