CN112669973B - 基于大数据深度学习的疾病协同递进预测方法和机器人 - Google Patents
基于大数据深度学习的疾病协同递进预测方法和机器人 Download PDFInfo
- Publication number
- CN112669973B CN112669973B CN202011629899.5A CN202011629899A CN112669973B CN 112669973 B CN112669973 B CN 112669973B CN 202011629899 A CN202011629899 A CN 202011629899A CN 112669973 B CN112669973 B CN 112669973B
- Authority
- CN
- China
- Prior art keywords
- disease
- prediction model
- model
- target
- disease prediction
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
基于大数据深度学习的疾病协同递进预测方法和机器人，包括：目标用户确定步骤；疾病预测模型获取步骤；疾病预测模型信息获取步骤；疾病预测模型优选度计算步骤；疾病预测模型使用步骤；预设功能第一设置步骤；目标疾病检测的疾病预测第一模型步骤；目标疾病检测的疾病预测更多模型步骤。上述方法、系统和机器人，充分利用望闻问切、西医中医等各种手段获取的数据进行基于深度学习的疾病预测模型的训练和预测，并且能够将各种数据源进行不同组合，通过计算预设功能的多种疾病预测模型的成本、数据获取难度、预测准确率来确定每个疾病预测模型的优选度，寻找出最佳的组合方式，获得最低成本、最易实施、最优效果的疾病预测模型。
Description
技术领域
本发明涉及人工智能技术领域，特别是涉及一种基于大数据深度学习的疾病协同递进预测方法和机器人。
背景技术
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：中医辨证的诊法虽然是体外检测，成本低、而且方便，可以随处(例如在家里)进行，但如果不是老中医亲自当面诊断，可能不如西医抽血化验那种准确，很难保证基于大数据深度学习的自助时空预测模型的准确率。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术的缺陷或不足，提供基于大数据深度学习的疾病协同递进预测方法和机器人，以解决现有技术中中西医难以智能地自动地综合进行疾病个人风险预测的问题。
第一方面，本发明实施例提供一种人工智能方法，所述方法包括：
目标用户确定步骤：将待监测的用户作为目标用户；
疾病预测模型获取步骤：获取预设功能的多个疾病预测模型；
疾病预测模型信息获取步骤：获取预设功能的每一疾病预测模型的预测效果(预测效果包括预测准确率)记为P；获取预设功能的每一疾病预测模型的输入项的数量记为M；获取预设功能的每一疾病预测模型的输入项的单个样本获取成本记为C；获取预设功能的每一疾病预测模型的输入项的难度记为D；所述成本包括经济成本或/和时间成本或/和人力成本等；
疾病预测模型优选度计算步骤：根据预设功能的每一疾病预测模型的P、M、C、D，计算预设功能的每一疾病预测模型的优选度记为Q；Q＝f(P，M，C，D)，其中f为函数或算法，f能使得P越大时Q越大、M越小时Q越大、C越小时Q越大、D越小时Q越大；
疾病预测模型使用步骤：获取目标用户的数据，针对预设功能的每一疾病预测模型，判断目标用户的数据是否包含预设功能的该一疾病预测模型的所有输入项的数据；若是，则计算预设功能的该一疾病预测模型的Q；若否，则将预设功能的该一疾病预测模型的Q设置为无穷小；比较预设功能的每一疾病预测模型的Q值，将最大Q值对应的预设功能的疾病预测模型作为预设功能的最优疾病预测模型；将从目标用户的数据中选取预设功能的最优疾病预测模型的输入数据，通过预设功能的最优疾病预测模型进行计算，得到的输出作为目标用户的预设功能的预测结果。
优选地，所述方法还包括：
目标疾病确定步骤：将待监测的疾病作为目标疾病；
预设功能第一设置步骤：所述预设功能设置为目标疾病检测；预设功能的疾病预测模型设置为目标疾病检测的疾病预测模型；
目标疾病检测的疾病预测第一模型步骤：初始化深度学习模型作为目标疾病检测的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的疾病预测第一模型的输出项，对目标疾病检测的疾病预测第一模型进行训练，得到目标疾病检测的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，通过目标疾病检测的疾病预测第一模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值；
目标疾病检测的疾病预测更多模型步骤：将目标疾病检测的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化目标疾病检测的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的所述对应的疾病预测模型的输出项，对目标疾病检测的所述对应的疾病预测模型进行训练，得到目标疾病检测的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，通过目标疾病检测的所述对应的疾病预测模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值。
优选地，所述方法还包括：
输入项设置步骤：所属输入项包括目标用户的图像或/和声音或/和情况或/和体征或/和其他相关数据；
用户图像获取步骤：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
用户声音获取步骤：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
用户情况获取步骤：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
用户体征获取步骤：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
用户其他相关数据获取步骤：获取目标用户的包括医学检查数据在内的其他数据，作为目标用户的其他相关数据预期值获取步骤：将历史数据中用户患有目标疾病的概率、用户患有预设数个疾病的名称及其概率、用户的预设数个健康状况及其概率的诊断结果分别作为用户患有目标疾病的概率、用户患有预设数个疾病的名称及其概率、用户的预设数个健康状况及其概率的预期值；
预期值获取步骤：将历史数据中用户患有目标疾病的概率、用户患有预设数个疾病的名称及其概率、用户的预设数个健康状况及其概率的诊断结果分别作为用户患有目标疾病的概率、用户患有预设数个疾病的名称及其概率、用户的预设数个健康状况及其概率的预期值。
优选地，所述方法还包括：
预设功能第二设置步骤：所述预设功能设置为疾病排查；预设功能的疾病预测模型设置为疾病排查的疾病预测模型；
疾病排查的疾病预测第一模型步骤：初始化深度学习模型作为疾病排查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率作为疾病排查的疾病预测第一模型的输出项，对疾病排查的疾病预测第一模型进行训练，得到疾病排查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，通过疾病排查的疾病预测第一模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值；
疾病排查的更多疾病预测模型步骤：将疾病排查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化疾病排查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率作为疾病排查的所述对应的疾病预测模型的输出项，对疾病排查的所述对应的疾病预测模型进行训练，得到疾病排查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，通过疾病排查的所述对应的疾病预测模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值。
优选地，所述方法还包括：
预设功能第三设置步骤：所述预设功能设置为健康检查；预设功能的疾病预测模型设置为健康检查的疾病预测模型；
健康检查的疾病预测第一模型步骤：初始化深度学习模型作为健康检查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的疾病预测第一模型的输出项，对健康检查的疾病预测第一模型进行训练，得到健康检查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，通过健康检查的疾病预测第一模型的计算，得到的输出为目标用户的预设数个健康状况及其概率；
健康检查的更多疾病预测模型步骤：将健康检查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化健康检查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的所述对应的疾病预测模型的输出项，对健康检查的所述对应的疾病预测模型进行训练，得到健康检查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，通过健康检查的所述对应的疾病预测模型的计算，得到的输出为目标用户的预设数个健康状况及其概率的预测值。
第二方面，本发明实施例提供一种人工智能系统，所述系统包括：
目标用户确定步骤：将待监测的用户作为目标用户；
疾病预测模型获取步骤：获取预设功能的多个疾病预测模型；
疾病预测模型信息获取步骤：获取预设功能的每一疾病预测模型的预测效果(预测效果包括预测准确率)记为P；获取预设功能的每一疾病预测模型的输入项的数量记为M；获取预设功能的每一疾病预测模型的输入项的单个样本获取成本记为C；获取预设功能的每一疾病预测模型的输入项的难度记为D；所述成本包括经济成本或/和时间成本或/和人力成本等；
疾病预测模型优选度计算步骤：根据预设功能的每一疾病预测模型的P、M、C、D，计算预设功能的每一疾病预测模型的优选度记为Q；Q＝f(P，M，C，D)，其中f为函数或算法，f能使得P越大时Q越大、M越小时Q越大、C越小时Q越大、D越小时Q越大；
疾病预测模型使用步骤：获取目标用户的数据，针对预设功能的每一疾病预测模型，判断目标用户的数据是否包含预设功能的该一疾病预测模型的所有输入项的数据；若是，则计算预设功能的该一疾病预测模型的Q；若否，则将预设功能的该一疾病预测模型的Q设置为无穷小；比较预设功能的每一疾病预测模型的Q值，将最大Q值对应的预设功能的疾病预测模型作为预设功能的最优疾病预测模型；将从目标用户的数据中选取预设功能的最优疾病预测模型的输入数据，通过预设功能的最优疾病预测模型进行计算，得到的输出作为目标用户的预设功能的预测结果。
优选地，所述系统还包括：
目标疾病确定模块：将待监测的疾病作为目标疾病；
预设功能第一设置模块：所述预设功能设置为目标疾病检测；预设功能的疾病预测模型设置为目标疾病检测的疾病预测模型；
目标疾病检测的疾病预测第一模型模块：初始化深度学习模型作为目标疾病检测的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的疾病预测第一模型的输出项，对目标疾病检测的疾病预测第一模型进行训练，得到目标疾病检测的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，通过目标疾病检测的疾病预测第一模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值；
目标疾病检测的疾病预测更多模型模块：将目标疾病检测的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化目标疾病检测的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的所述对应的疾病预测模型的输出项，对目标疾病检测的所述对应的疾病预测模型进行训练，得到目标疾病检测的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，通过目标疾病检测的所述对应的疾病预测模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值。
优选地，所述系统还包括：
输入项设置模块：所属输入项包括目标用户的图像或/和声音或/和情况或/和体征或/和其他相关数据；
用户图像获取模块：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
用户声音获取模块：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
用户情况获取模块：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
用户体征获取模块：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
用户其他相关数据获取模块：获取目标用户的包括医学检查数据在内的其他数据，作为目标用户的其他相关数据。
优选地，所述系统还包括：
预设功能第二设置模块：所述预设功能设置为疾病排查；预设功能的疾病预测模型设置为疾病排查的疾病预测模型；
疾病排查的疾病预测第一模型模块：初始化深度学习模型作为疾病排查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率作为疾病排查的疾病预测第一模型的输出项，对疾病排查的疾病预测第一模型进行训练，得到疾病排查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，通过疾病排查的疾病预测第一模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值；
疾病排查的更多疾病预测模型模块：将疾病排查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化疾病排查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率作为疾病排查的所述对应的疾病预测模型的输出项，对疾病排查的所述对应的疾病预测模型进行训练，得到疾病排查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，通过疾病排查的所述对应的疾病预测模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值。
优选地，所述系统还包括：
预设功能第三设置模块：所述预设功能设置为健康检查；预设功能的疾病预测模型设置为健康检查的疾病预测模型；
健康检查的疾病预测第一模型模块：初始化深度学习模型作为健康检查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的疾病预测第一模型的输出项，对健康检查的疾病预测第一模型进行训练，得到健康检查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，通过健康检查的疾病预测第一模型的计算，得到的输出为目标用户的预设数个健康状况及其概率；
健康检查的更多疾病预测模型模块：将健康检查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化健康检查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的所述对应的疾病预测模型的输出项，对健康检查的所述对应的疾病预测模型进行训练，得到健康检查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，通过健康检查的所述对应的疾病预测模型的计算，得到的输出为目标用户的预设数个健康状况及其概率的预测值。
第三方面，本发明实施例提供一种人工智能装置，所述装置包括第二方面实施例任意一项所述系统的模块。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面，本发明实施例提供一种机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的基于大数据深度学习的疾病协同递进预测方法和机器人，包括：目标用户确定步骤；疾病预测模型获取步骤；疾病预测模型信息获取步骤；疾病预测模型优选度计算步骤；疾病预测模型使用步骤；预设功能第一设置步骤；目标疾病检测的疾病预测第一模型步骤；目标疾病检测的疾病预测更多模型步骤。上述方法、系统和机器人，充分利用望闻问切、西医中医等各种手段获取的数据进行基于深度学习的疾病预测模型的训练和预测，并且能够将各种数据源进行不同组合，通过计算预设功能的多种疾病预测模型的成本、数据获取难度、预测准确率来确定每个疾病预测模型的优选度，寻找出最佳的组合方式，获得最低成本、最易实施、最优效果的疾病预测模型。
附图说明
图1为本发明的实施例提供的人工智能方法的流程图；
图2为本发明的实施例提供的人工智能方法包括的流程图；
图3为本发明的实施例提供的人工智能方法包括的流程图；
图4为本发明的实施例提供的人工智能方法包括的流程图；
图5为本发明的实施例提供的人工智能方法包括的流程图；
图6为本发明的实施例提供的基于大数据深度学习的自助的传染病个人风险递进协同预测模型路线图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
本发明的基本实施例
第一方面，本发明实施例提供一种人工智能方法，如图1所示，所述方法包括：目标用户确定步骤；疾病预测模型获取步骤；疾病预测模型信息获取步骤；疾病预测模型优选度计算步骤；疾病预测模型使用步骤。技术效果：所述方法通过计算预设功能的多种疾病预测模型的成本、数据获取难度、预测准确率来确定每个疾病预测模型的优选度，从不同的疾病预测模型中优选出更好的疾病预测模型来提高疾病预测的效果和效率。
在一个优选的实施例中，如图2所示，所述方法还包括：目标疾病确定步骤；预设功能第一设置步骤；目标疾病检测的疾病预测第一模型步骤；目标疾病检测的疾病预测更多模型步骤。技术效果：所述方法能够充分利用望闻问切、西医中医等各种手段获取的数据进行目标疾病检测的疾病预测模型的训练和预测，并且能够将各种数据源进行不同组合，寻找出最佳的组合方式，获得最低成本、最易实施、最优效果的目标疾病检测的疾病预测模型。
在一个优选的实施例中，如图3所示，所述方法还包括：输入项设置步骤；用户图像获取步骤；用户声音获取步骤；用户情况获取步骤；用户体征获取步骤；用户其他相关数据获取步骤。技术效果：所述方法能够充分利用望闻问切、西医中医等各种手段获取的数据作为疾病预测模型的输入项，从而为疾病预测模型提高了多种数据组合的选择，为构建出最优的疾病预测模型提供了数据的基础，并且能够获取历史数据中专家的诊断结果作为预期结果对疾病预测模型进行训练，从而可以传承人类的经验，使得疾病预测模型能够传承中西医医生的能力。
在一个优选的实施例中，如图4所示，所述方法还包括：预设功能第二设置步骤；疾病排查的疾病预测第一模型步骤；疾病排查的更多疾病预测模型步骤。技术效果：所述方法能够充分利用望闻问切、西医中医等各种手段获取的数据进行疾病排查的疾病预测模型的训练和预测，并且能够将各种数据源进行不同组合，寻找出最佳的组合方式，获得最低成本、最易实施、最优效果的疾病排查的疾病预测模型。
在一个优选的实施例中，如图5所示，所述方法还包括：预设功能第三设置步骤；健康检查的疾病预测第一模型步骤；健康检查的更多疾病预测模型步骤。技术效果：所述方法能够充分利用望闻问切、西医中医等各种手段获取的数据进行健康检查的疾病预测模型的训练和预测，并且能够将各种数据源进行不同组合，寻找出最佳的组合方式，获得最低成本、最易实施、最优效果的健康检查的疾病预测模型。
本发明的优选实施例
输入项设置步骤：所属输入项包括目标用户的图像或/和声音或/和情况或/和体征或/和其他相关数据；
用户图像获取步骤：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
用户声音获取步骤：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
用户情况获取步骤：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
用户体征获取步骤：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
用户其他相关数据获取步骤：获取目标用户的包括医学检查数据在内的其他数据，作为目标用户的其他相关数据。
目标用户确定步骤：将待监测的用户作为目标用户；
疾病预测模型获取步骤：获取预设功能的多个疾病预测模型；
疾病预测模型信息获取步骤：获取预设功能的每一疾病预测模型的预测效果(预测效果包括预测准确率)记为P；获取预设功能的每一疾病预测模型的输入项的数量记为M；获取预设功能的每一疾病预测模型的输入项的单个样本获取成本记为C；获取预设功能的每一疾病预测模型的输入项的难度记为D；所述成本包括经济成本或/和时间成本或/和人力成本等；
疾病预测模型优选度计算步骤：根据预设功能的每一疾病预测模型的P、M、C、D，计算预设功能的每一疾病预测模型的优选度记为Q；Q＝f(P，M，C，D)，其中f为函数或算法，f能使得P越大时Q越大、M越小时Q越大、C越小时Q越大、D越小时Q越大；
疾病预测模型使用步骤：获取目标用户的数据，针对预设功能的每一疾病预测模型，判断目标用户的数据是否包含预设功能的该一疾病预测模型的所有输入项的数据；若是，则计算预设功能的该一疾病预测模型的Q；若否，则将预设功能的该一疾病预测模型的Q设置为无穷小；比较预设功能的每一疾病预测模型的Q值，将最大Q值对应的预设功能的疾病预测模型作为预设功能的最优疾病预测模型；将从目标用户的数据中选取预设功能的最优疾病预测模型的输入数据，通过预设功能的最优疾病预测模型进行计算，得到的输出作为目标用户的预设功能的预测结果。
目标疾病确定步骤：将待监测的疾病作为目标疾病；
预设功能第一设置步骤：所述预设功能设置为目标疾病检测；预设功能的疾病预测模型设置为目标疾病检测的疾病预测模型；
目标疾病检测的疾病预测第一模型步骤：初始化深度学习模型作为目标疾病检测的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，将目标用户患有目标疾病的概率的预期值(确诊患有目标疾病，则概率为1，否则为0)作为目标疾病检测的疾病预测第一模型的输出项，对目标疾病检测的疾病预测第一模型进行训练，得到目标疾病检测的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，通过目标疾病检测的疾病预测第一模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值；
目标疾病检测的疾病预测更多模型步骤：将目标疾病检测的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化目标疾病检测的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，将目标用户患有目标疾病的概率的预期值(确诊患有目标疾病，则概率为1，否则为0)作为目标疾病检测的所述对应的疾病预测模型的输出项，对目标疾病检测的所述对应的疾病预测模型进行训练，得到目标疾病检测的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，通过目标疾病检测的所述对应的疾病预测模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值。
预设功能第二设置步骤：所述预设功能设置为疾病排查；预设功能的疾病预测模型设置为疾病排查的疾病预测模型；
疾病排查的疾病预测第一模型步骤：初始化深度学习模型作为疾病排查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率(确诊患有某疾病，则该疾病对应的概率为1，否则为0)作为疾病排查的疾病预测第一模型的输出项，对疾病排查的疾病预测第一模型进行训练，得到疾病排查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，通过疾病排查的疾病预测第一模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值；
疾病排查的更多疾病预测模型步骤：将疾病排查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化疾病排查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率(确诊患有某疾病，则该疾病对应的概率为1，否则为0)作为疾病排查的所述对应的疾病预测模型的输出项，对疾病排查的所述对应的疾病预测模型进行训练，得到疾病排查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，通过疾病排查的所述对应的疾病预测模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值。
预设功能第三设置步骤：所述预设功能设置为健康检查；预设功能的疾病预测模型设置为健康检查的疾病预测模型；
健康检查的疾病预测第一模型步骤：初始化深度学习模型作为健康检查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的疾病预测第一模型的输出项，对健康检查的疾病预测第一模型进行训练，得到健康检查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，通过健康检查的疾病预测第一模型的计算，得到的输出为目标用户的预设数个健康状况及其概率；
健康检查的更多疾病预测模型步骤：将健康检查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化健康检查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的所述对应的疾病预测模型的输出项，对健康检查的所述对应的疾病预测模型进行训练，得到健康检查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，通过健康检查的所述对应的疾病预测模型的计算，得到的输出为目标用户的预设数个健康状况及其概率的预测值。
本发明的其他实施例
老中医如果通过一种或几种诊断确定个人是否有病后可能就不需要再进行其他诊断了，那在如何做到这点来减少对个人的检测项并加快预测的速度。基于大数据深度学习的自助的新发重大传染病个人风险递进协同预测的方法来解决这个难题，通过基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型和基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型来实现基于大数据深度学习的自助的新发重大传染病个人风险递进协同预测。
基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型只需要少量的个人数据项，只需要进行少量的检测(例如望诊、闻诊)，如果基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的结果是病人没有新发重大传染病，则不需要再使用基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型进行检测。如果基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型预测的结果不确定(例如概率低于可信阈值)，再通过基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型进行进一步诊断预测得了该病的风险概率，而基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型输入项只占基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型输入项的一部分，降低了个人的检查时间。为了方便理解，在介绍基于大数据深度学习的自助的新发重大传染病个人风险递进协同预测模型方案步骤时，只设定了基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型预测和基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型预测，在实际中可以根据需要设定基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型、基于大数据深度学习的自助的新发重大传染病个人风险一级深入预测模型、基于大数据深度学习的自助的新发重大传染病个人风险二级深入预测模型、等，但深入的级别也不宜过多，因为一方面通过分级递进可以使得很多个人风险的预测在初级就可以完成，但级别过多，会造成模型组合过于复杂。图6展示的是基于大数据深度学习的自助的新发重大传染病个人风险递进协同预测模型路线图(这里假设通过基于大数据深度学习的自助的新发重大传染病个人风险递进协同预测模型的方案步骤得到的初步模型为基于大数据深度学习的自助的新发重大传染病个人风险望诊预测模型与闻诊预测模型的组合)。
基于大数据深度学习的自助的新发重大传染病个人风险递进协同预测模型的方案主要步骤：
在模型训练阶段有如下步骤：
1)获取基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型。基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的输入项为多源数据的模型的顶层特征。基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的输出项则包括该新发重大传染病标签(例如，用标签值0来表示无该新发重大传染病,标签值1表示有该新发重大传染病，并有相应的概率)。
2)获取基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型所有输入项和输出项。
3)获取基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的无监督训练数据、有监督训练数据和测试数据。
4)初始化基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的输出层为一个输出节点,对应的输出项则包括该新发重大传染病标签(例如，用标签值0来表示无该新发重大传染病,标签值1表示有该新发重大传染病)。
5)生成基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型所有输入项的每一种组合，用每一种组合作为输入项初始化基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的输入层，得到每一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型。
6)获取基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的无监督训练输入数据中与每一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的各输入项对应的数据作为该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型在无监督训练时的输入数据，对该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型进行无监督训练。
7)获取基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的有监督训练输入数据中与每一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的各输入项对应的数据作为该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型在有监督训练时的输入数据，将基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的有监督训练预期输出数据中各标签输出值进行求并得到的值作为该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型在有监督训练时的预期输出数据，对该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型进行有监督训练。
8)获取基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的测试输入数据中与每一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的各输入项对应的数据作为该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型在测试时的输入数据，将基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的测试预期输出数据中各标签输出值进行求并得到的值作为该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型在测试时的预期输出数据，对该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型进行测试，统计该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的测试实际输出与同次测试的测试预期输出一致的测试次数与总测试次数的比值，作为该一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的测试成功率。
9)获取预测关注点。当预测关注点为准确率优先时，从所有组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型中，选取测试成功率最大的且组合中各输入项的数据所需检查及采集的成本(包括时间成本)之和最低的且输入项数最少的一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型，作为选取的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型返回给用户；当预测关注点为成本优先时，选取测试成功率大于预设成功率阈值的且组合中各输入项的数据所需检查及采集的成本之和最小的且输入项数最少的一种组合对应的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型，作为选取的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型返回给用户。
在模型使用阶段有如下步骤：
10)根据选取的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的输入项获取相应的数据，输入选取的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型，计算得到选取的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的输出。
11)如果选取的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的输出的概率大于可信阈值，则返回结果给用户；否则进行下一步。
12)将选取的基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型的输入数据作为基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型中相同的输入项对应的数据，获取基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的剩余输入项的数据，输入基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型，计算得到基于大数据深度学习的自助的新发重大传染病个人风险深入预测模型的输出，并返回给用户。
通过上述步骤只是简单地分为两级，如果分为更多级，也是同理的。通过上述步骤就能得到基于大数据深度学习的自助的新发重大传染病个人风险初步预测模型，例如为基于大数据深度学习的自助的新发重大传染病个人风险望诊预测模型与闻诊预测模型的组合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，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 (10)
1.一种疾病协同递进预测方法，其特征在于，所述方法包括：
目标用户确定步骤：将待监测的用户作为目标用户；
疾病预测模型获取步骤：获取预设功能的多个疾病预测模型；
疾病预测模型信息获取步骤：获取预设功能的每一疾病预测模型的预测效果记为P；获取预设功能的每一疾病预测模型的输入项的数量记为M；获取预设功能的每一疾病预测模型的输入项的单个样本获取成本记为C； 获取预设功能的每一疾病预测模型的输入项的难度记为D；所述成本包括经济成本或/和时间成本或/和人力成本；
疾病预测模型优选度计算步骤：根据预设功能的每一疾病预测模型的P、M、C、D，计算预设功能的每一疾病预测模型的优选度记为Q；Q=f（P，M，C，D），其中f为函数或算法，f能使得P越大时Q越大、M越小时Q越大、C越小时Q越大、D越小时Q越大；
疾病预测模型使用步骤：获取目标用户的数据，针对预设功能的每一疾病预测模型，判断目标用户的数据是否包含预设功能的该一疾病预测模型的所有输入项的数据；若是，则计算预设功能的该一疾病预测模型的Q；若否，则将预设功能的该一疾病预测模型的Q设置为无穷小；比较预设功能的每一疾病预测模型的Q值，将最大Q值对应的预设功能的疾病预测模型作为预设功能的最优疾病预测模型；将从目标用户的数据中选取预设功能的最优疾病预测模型的输入数据，通过预设功能的最优疾病预测模型进行计算，得到的输出作为目标用户的预设功能的预测结果。
2.根据权利要求1所述的疾病协同递进预测方法，其特征在于，所述方法还包括：
目标疾病确定步骤：将待监测的疾病作为目标疾病；
预设功能第一设置步骤：所述预设功能设置为目标疾病检测；预设功能的疾病预测模型设置为目标疾病检测的疾病预测模型；
目标疾病检测的疾病预测第一模型步骤：初始化深度学习模型作为目标疾病检测的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的疾病预测第一模型的输出项，对目标疾病检测的疾病预测第一模型进行训练，得到目标疾病检测的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，通过目标疾病检测的疾病预测第一模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值；
目标疾病检测的疾病预测更多模型步骤：将目标疾病检测的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化目标疾病检测的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的所述对应的疾病预测模型的输出项，对目标疾病检测的所述对应的疾病预测模型进行训练，得到目标疾病检测的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，通过目标疾病检测的所述对应的疾病预测模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值。
3.根据权利要求1所述的疾病协同递进预测方法，其特征在于，所述方法还包括：
输入项设置步骤：所属输入项包括目标用户的图像或/和声音或/和情况或/和体征或/和其他相关数据；
用户图像获取步骤：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
用户声音获取步骤：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
用户情况获取步骤：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
用户体征获取步骤：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
用户其他相关数据获取步骤：获取目标用户的包括医学检查数据在内的其他数据，作为目标用户的其他相关数据；
预期值获取步骤：将历史数据中用户患有目标疾病的概率、用户患有预设数个疾病的名称及其概率、用户的预设数个健康状况及其概率的诊断结果分别作为用户患有目标疾病的概率、用户患有预设数个疾病的名称及其概率、用户的预设数个健康状况及其概率的预期值。
4.根据权利要求1所述的疾病协同递进预测方法，其特征在于，所述方法还包括：
预设功能第二设置步骤：所述预设功能设置为疾病排查；预设功能的疾病预测模型设置为疾病排查的疾病预测模型；
疾病排查的疾病预测第一模型步骤：初始化深度学习模型作为疾病排查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率作为疾病排查的疾病预测第一模型的输出项，对疾病排查的疾病预测第一模型进行训练，得到疾病排查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为疾病排查的疾病预测第一模型的每一输入项，通过疾病排查的疾病预测第一模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值；
疾病排查的更多疾病预测模型步骤：将疾病排查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化疾病排查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，将目标用户患有预设数个疾病的名称及其概率作为疾病排查的所述对应的疾病预测模型的输出项，对疾病排查的所述对应的疾病预测模型进行训练，得到疾病排查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为疾病排查的所述对应的疾病预测模型的每一输入项，通过疾病排查的所述对应的疾病预测模型的计算，得到的输出为目标用户患有预设数个疾病的名称及其概率的预测值。
5.根据权利要求1所述的疾病协同递进预测方法，其特征在于，所述方法还包括：
预设功能第三设置步骤：所述预设功能设置为健康检查；预设功能的疾病预测模型设置为健康检查的疾病预测模型；
健康检查的疾病预测第一模型步骤：初始化深度学习模型作为健康检查的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的疾病预测第一模型的输出项，对健康检查的疾病预测第一模型进行训练，得到健康检查的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为健康检查的疾病预测第一模型的每一输入项，通过健康检查的疾病预测第一模型的计算，得到的输出为目标用户的预设数个健康状况及其概率；
健康检查的更多疾病预测模型步骤：将健康检查的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化健康检查的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，将目标用户的预设数个健康状况及其概率作为健康检查的所述对应的疾病预测模型的输出项，对健康检查的所述对应的疾病预测模型进行训练，得到健康检查的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为健康检查的所述对应的疾病预测模型的每一输入项，通过健康检查的所述对应的疾病预测模型的计算，得到的输出为目标用户的预设数个健康状况及其概率的预测值。
6.一种疾病协同递进预测系统，其特征在于，所述系统包括：
目标用户确定模块：将待监测的用户作为目标用户；
疾病预测模型获取模块：获取预设功能的多个疾病预测模型；
疾病预测模型信息获取模块：获取预设功能的每一疾病预测模型的预测效果记为P；获取预设功能的每一疾病预测模型的输入项的数量记为M；获取预设功能的每一疾病预测模型的输入项的单个样本获取成本记为C； 获取预设功能的每一疾病预测模型的输入项的难度记为D；所述成本包括经济成本或/和时间成本或/和人力成本；
疾病预测模型优选度计算模块：根据预设功能的每一疾病预测模型的P、M、C、D，计算预设功能的每一疾病预测模型的优选度记为Q；Q=f（P，M，C，D），其中f为函数或算法，f能使得P越大时Q越大、M越小时Q越大、C越小时Q越大、D越小时Q越大；
疾病预测模型使用模块：获取目标用户的数据，针对预设功能的每一疾病预测模型，判断目标用户的数据是否包含预设功能的该一疾病预测模型的所有输入项的数据；若是，则计算预设功能的该一疾病预测模型的Q；若否，则将预设功能的该一疾病预测模型的Q设置为无穷小；比较预设功能的每一疾病预测模型的Q值，将最大Q值对应的预设功能的疾病预测模型作为预设功能的最优疾病预测模型；将从目标用户的数据中选取预设功能的最优疾病预测模型的输入数据，通过预设功能的最优疾病预测模型进行计算，得到的输出作为目标用户的预设功能的预测结果。
7.根据权利要求6所述的疾病协同递进预测系统，其特征在于，所述系统还包括：
目标疾病确定模块：将待监测的疾病作为目标疾病；
预设功能第一设置模块：所述预设功能设置为目标疾病检测；预设功能的疾病预测模型设置为目标疾病检测的疾病预测模型；
目标疾病检测的疾病预测第一模型模块：初始化深度学习模型作为目标疾病检测的疾病预测第一模型；将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的疾病预测第一模型的输出项，对目标疾病检测的疾病预测第一模型进行训练，得到目标疾病检测的疾病预测第一模型；在使用时，将目标用户的每一图像、每一声音、每一情况、每一体征、每一其他相关数据作为目标疾病检测的疾病预测第一模型的每一输入项，通过目标疾病检测的疾病预测第一模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值；
目标疾病检测的疾病预测更多模型模块：将目标疾病检测的第一疾病深入预测模型的所有输入项进行组合形成多个组合，为每一个组合初始化目标疾病检测的一个对应的疾病预测模型，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，将目标用户患有目标疾病的概率的预期值作为目标疾病检测的所述对应的疾病预测模型的输出项，对目标疾病检测的所述对应的疾病预测模型进行训练，得到目标疾病检测的所述对应的疾病预测模型；在使用时，将所述每一个组合中的每一输入项作为目标疾病检测的所述对应的疾病预测模型的每一输入项，通过目标疾病检测的所述对应的疾病预测模型的计算，得到的输出为目标用户患有目标疾病的概率的预测值。
8.一种疾病协同递进预测装置，其特征在于，所述装置用于实现权利要求1-5任意一项所述方法的步骤。
9.一种疾病协同递进预测机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能疾病协同递进预测机器人程序，其特征在于，所述处理器执行所述程序时实现权利要求1-5任意一项所述方法的步骤。
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，所述程序被处理器执行时实现权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011629899.5A CN112669973B (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的疾病协同递进预测方法和机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011629899.5A CN112669973B (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的疾病协同递进预测方法和机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669973A CN112669973A (zh) | 2021-04-16 |
| CN112669973B true CN112669973B (zh) | 2023-06-27 |
Family
ID=75412874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011629899.5A Active CN112669973B (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的疾病协同递进预测方法和机器人 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669973B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113948201A (zh) * | 2021-09-29 | 2022-01-18 | 新瑞鹏宠物医疗集团有限公司 | 临床决策辅助方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| NZ572036A (en) * | 2008-10-15 | 2010-03-26 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
| CN108231189B (zh) * | 2017-12-12 | 2022-12-09 | 华南师范大学 | 基于双深度神经学习网络的数据处理方法和疾病诊断装置 |
| CN109192300A (zh) * | 2018-08-17 | 2019-01-11 | 百度在线网络技术（北京）有限公司 | 智能问诊方法、系统、计算机设备和存储介质 |
| CN109767308A (zh) * | 2018-11-30 | 2019-05-17 | 连连银通电子支付有限公司 | 金融欺诈检测中时间与成本特征选择方法、设备、介质 |
| CN111816316A (zh) * | 2020-07-16 | 2020-10-23 | 山东大学 | 一种疾病数据调度管理方法和骨癌风险预测系统 |
| CN111564223B (zh) * | 2020-07-20 | 2021-01-12 | 医渡云（北京）技术有限公司 | 传染病生存概率的预测方法、预测模型的训练方法及装置 |
-
2020
- 2020-12-30 CN CN202011629899.5A patent/CN112669973B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669973A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2020126598A (ja) | 人工知能の検出出力から疾患の進行を決定するシステムおよび方法 | |
| US20130124527A1 (en) | Report authoring | |
| KR102140402B1 (ko) | 기계학습을 이용한 의료 영상 판독의 품질 관리 방법 및 장치 | |
| US20060200010A1 (en) | Guiding differential diagnosis through information maximization | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| RU2011116406A (ru) | Система и способ для объединения клинических признаков и признаков изображений для диагностики с применением компьютера | |
| KR20200077852A (ko) | 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법 | |
| CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
| JP2022527571A (ja) | 病状によって影響を受ける可能性がある被験者を識別するための方法およびシステム | |
| CN112183572B (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
| US20060247544A1 (en) | Characterization of cardiac motion with spatial relationship | |
| TW202016948A (zh) | 控制方法以及醫學系統 | |
| CN110993096B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
| CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
| CN115719328A (zh) | 用于量化医学图像评估的不确定性的方法、系统和装置 | |
| da Cruz et al. | Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach | |
| CN110911011B (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| US20230060794A1 (en) | Diagnostic Tool | |
| CN110555472B (zh) | 基于主动学习的心电信号数据标注方法 | |
| CN116705302A (zh) | 一种用于早期判断心脏术后急性肾损伤风险的XGBoost机器学习模型构建方法 | |
| CN113678208A (zh) | 主动脉狭窄超声心动图随访专家系统 | |
| CN112992362B (zh) | 一种身体状态评估装置、电子设备及存储介质 | |
| WO2021103623A1 (zh) | 一种脓毒血症的预警装置、设备及存储介质 | |
| Van Gorp et al. | Aleatoric Uncertainty Estimation of Overnight Sleep Statistics Through Posterior Sampling Using Conditional Normalizing Flows |
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 |