CN113314206B - 图像显示方法、装置和终端设备 - Google Patents
图像显示方法、装置和终端设备 Download PDFInfo
- Publication number
- CN113314206B CN113314206B CN202110638502.7A CN202110638502A CN113314206B CN 113314206 B CN113314206 B CN 113314206B CN 202110638502 A CN202110638502 A CN 202110638502A CN 113314206 B CN113314206 B CN 113314206B
- Authority
- CN
- China
- Prior art keywords
- initial
- feature matrix
- target
- data set
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 116
- 238000013475 authorization Methods 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 28
- 208000024891 symptom Diseases 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000000547 structure data Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 206010024378 leukocytosis Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 206010019233 Headaches Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 231100000869 headache Toxicity 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 206010036790 Productive cough Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开的实施例公开了图像显示方法、装置和终端设备。该方法的一具体实施方式包括:检测是否从目标终端设备接收到操作授权信号;响应于检测到操作授权信号,获取医学病历图数据集合;基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵;将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵;将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。该实施方式利用预先确定的模型根据获取到的医学病历图数据集合生成高维空间中的目标特征矩阵,提高了获取既往医学病历图数据间关联关系的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及图像显示方法、装置和终端设备。
背景技术
随着人工智能技术的发展,分类聚类、识别分析和预测等方法已经成为了人工智能应用的基础技术。同时,智慧医疗作为人工智能应用的主要组成部分,得到了越来越多的关注。医生在进行科学研究的时候,会通过对既往相关病历的总结,找到既往病历中高度关联的临床表现,以辅助开展后续的研究工作。
然而,当在疾病相关科学研究过程中引入人工智能技术时,经常会存在如下技术问题:
第一,医学相关信息量巨大,一个临床症状相关联的症状通常有成百上千个。对临床症状信息进行疑似排除、匹配查找,可能需要多次翻阅多批量的医学文档、记录,耗费时间长且最终确定关联症状的准确度也较低。
第二,对相关病历进行统计分析,在统计分析相关特征次的基础上进行有关联性的病症临床表现筛选,仅仅能够进行浅层、表面化的关联性临床表现挖掘上。虽然能提高医生科研的效率,但是也难以做到深层次的临床特征之间关联的分析,对后续研究辅助也比较有限。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了图像显示方法和终端设备,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种图像显示方法,该方法包括:检测是否从目标终端设备接收到操作授权信号;响应于检测到操作授权信号,获取医学病历图数据集合;基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵;将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵;将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。
第二方面,本公开的一些实施例提供了一种图像显示装置,该装置包括:检测单元,被配置成检测是否从目标终端设备接收到操作授权信号,其中,操作授权信号是用户对目标控件执行目标操作产生的信号;接收单元,被配置成响应于检测到操作授权信号,获取医学病历图数据集合,其中,医学病历图数据集合包括第一数目个医学病历图数据,医学病历图数据为图结构数据;第一生成单元,被配置成基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵;第二生成单元,被配置成将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵;控制单元,被配置成将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。
第三方面,本公开的一些实施例提供了一种终端设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的图像显示方法能够利用预先确定的模型根据获取到的医学病历图数据集合生成高维空间中的目标特征矩阵,提高了获取既往医学病历图数据间关联关系的准确度。具体来说,发明人发现,造成目前获取病历中临床症状关联性准确度较差的原因在于:医学相关信息量巨大,一个临床症状相关联的症状通常有成百上千个。对临床症状信息进行疑似排除、匹配查找,可能需要多次翻阅多批量的医学文档、记录,耗费时间长且最终确定关联症状的准确度也较低。基于此,首先,本公开的一些实施例获取医学病历图数据集合。其中,医学病历图数据为从医院中获取的记录病人临床诊断疾病情况的图结构数据。其次,基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵。具体的,初始特征矩阵为根据医学病历图数据集合直接抽取的初始特征生成的初始特征矩阵。然后,将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵。具体的,利用预先确定的模型生成包含高维信息的目标特征矩阵。目标特征矩阵中的每行目标特征对应一个临床症状,可以根据目标特征间的加权距离判断目标特征间的相似度。最后,将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。利用目标特征矩阵判断临床症状之间的关联性,能够有效利用多份病历中的信息,从而提高获取病历中临床症状关联性的准确度。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的一些实施例可以应用于其中的示例性系统的架构图;
图2是根据本公开的图像显示方法的一些实施例的流程图;
图3是示例性的授权提示框;
图4是示例性的医学病历图数据;
图5是根据本公开的用于训练模型的训练步骤的一个实施例的流程图;
图6是根据本公开的图像显示装置的一些实施例的流程图;
图7是适于用来实现本公开的一些实施例的终端设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的图像显示方法的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如信息处理应用、信息生成应用、图像显示应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏的各种终端设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的终端设备中。其可以实现成多个软件或软件模块(例如用来提供医学病历图数据集合输入等),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103输入的医学病历图数据集合进行存储的服务器等。服务器可以对接收到的医学病历图数据集合进行处理,并将处理结果(例如目标特征矩阵)反馈给终端设备。
需要说明的是,本公开实施例所提供的图像显示方法可以由服务器105,也可以由终端设备执行。
需要指出的是,服务器105的本地也可以直接存储医学病历图数据集合,服务器105可以直接提取本地的医学病历图数据集合通过处理后得到目标特征矩阵,此时,示例性系统架构100可以不包括终端设备101、102、103和网络104。
还需要指出的是,终端设备101、102、103中也可以安装有图像显示应用,此时,处理方法也可以由终端设备101、102、103执行。此时,示例性系统架构100也可以不包括服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供图像显示服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的图像显示方法的一些实施例的流程200。该图像显示方法,包括以下步骤:
步骤201,检测是否从目标终端设备接收到操作授权信号。
在一些实施例中,图像显示方法的执行主体(例如图1所示的服务器)可以检测是否从目标终端设备接收到操作授权信号。其中,操作授权信号是用户对目标控件执行目标操作产生的信号。上述目标终端设备可以是登录有上述用户对应账号的终端设备。上述终端设备可以是“手机”,也可以是“电脑”。上述目标控件可以包含于授权提示框中。目标控件显示于授权提示框中,授权提示框在目标终端设备上显示。
步骤202,响应于检测到操作授权信号,获取医学病历图数据集合。
在一些实施例中,图像显示方法的执行主体(例如图1所示的服务器)可以响应于接收到操作授权信号,获取响应于检测到操作授权信号,获取医学病历图数据集合。其中,医学病历图数据集合包括第一数目个医学病历图数据,医学病历图数据为图结构数据。
上述操作授权信号可以是上述医学病历图数据集合对应的用户,对目标控件执行目标操作产生的信号。上述目标控件可以包含于授权提示框中。上述授权提示框可以在目标终端设备显示。上述目标终端设备可以是登录有上述用户对应账号的终端设备。上述终端设备可以是“手机”,也可以是“电脑”。上述目标操作可以是“点击操作”,也可以是“滑动操作”。上述目标控件可以是“确认按钮”。
作为示例,上述授权提示框可以如图3所示。上述授权提示框可以包括:提示信息显示部分301和控件302。其中,上述提示信息显示部分301可以用于显示提示信息。上述提示信息可以是“是否允许获取医学病历图数据集合”。上述控件302可以是“确认按钮”,也可以是“取消按钮”。
具体的,医学病历图数据集中的医学病历图数据对应临床获取的病人诊断信息。具体的,图4给出一个示例性的医学病历图数据。
步骤203,基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵。
在一些实施例中,上述执行主体基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵。其中,初始特征矩阵包括第一数目个行,初始特征矩阵包括第二数目个列。初始特征为第二数目维度的向量。初始特征矩阵包括第一数目个初始特征。
可选的,对于医学病历图数据集合中的每个医学病历图数据,基于该医学病历图数据中的各个节点,随机生成初始特征向量集合,以得到初始特征向量集合的集合。其中,初始特征向量为第二数目维度的向量。具体的,第二数目可以是128,可以确定初始特征向量的维度为128。对于输入节点“头痛”,可以将其随机初始化为E[头痛]=[0.1,-1.2,…,0.1]。对于输入节点“25岁”,可以将其随机初始化为[25岁]=[0.1,-1.3,…,0.1]。对于输入节点“白细胞增多”,可以将其随机初始化为E[白细胞增多]=[0.1,-1.4,…,0.1]。基于初始特征向量集合的集合,生成初始特征矩阵。具体的,将初始特征向量集合的集合中的各个初始特征向量作为初始特征矩阵中的各个行,以得到初始特征矩阵。具体的,初始特征矩阵包括128列。基于医学病历图数据集合,生成初始图数据集合。其中,初始图数据集合包括第三数目个初始图数据,初始图数据为图结构数据,初始图数据包括初始节点集合和初始边集合。具体的,可以将医学病历图数据集合中的医学病历图数据节点确定为初始节点,以得到初始节点集合。对初始节点集合中的重复初始节点进行合并处理。根据医学病历图数据集合中的各个医学病历图数据之间的关系判断初始节点之间的关系,以得到初始边集合。
步骤204,将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵。
在一些实施例中,上述执行主体将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵。
可选的,将初始图数据集合和初始特征矩阵输入预先确定的模型,生成输出特征矩阵和结果值。具体的,结果值可以是预先确定模型的输出结果,结果值可以是分类的类别结果,结果值也可以是识别的识别结果。其中,预先确定的模型包括第一数目个预先训练的神经网络。预先训练的神经网络利用下式生成分层输出特征矩阵:
其中,W为预先训练的神经网络的权重参数,t表示预先训练的神经网络在预先确定的模型中的层数。D为表征初始节点集合的节点矩阵。A为表征初始边集合的边矩阵。I为与A尺寸相同的单位矩阵,α为控制参数,α与预先训练的神经网络在预先确定的模型中的层数相关。H为分层输出特征矩阵,Ht+1表示第t层预先训练的神经网络的分层输出特征矩阵。第一数目层预先训练的神经网络的分成输出特征矩阵为输出特征矩阵。可选的,将输出特征矩阵确定为目标特征矩阵。
上述步骤203-204中的可选内容,即:“通过预先确定的模型生成高维空间中目标特征矩阵的技术内容”作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“对相关病历进行统计分析,在统计分析相关特征次的基础上进行有关联性的病症临床表现筛选,仅仅能够进行浅层、表面化的关联性临床表现挖掘上。虽然能提高医生科研的效率,但是也难以做到深层次的临床特征之间关联的分析,对后续研究辅助也比较有限。”。导致关联性临床表现特征的挖掘水平较低的因素往往如下:在大量的医学病历中进行关联性临床表现特征进行查找效率很差,从而影响最终挖掘出特征的水平。为了达到这一效果,本公开引入预先确定的模型对初始图数据集合和初始特征矩阵进行处理后生成高维向量的集合。首先,利用获取到的医学病历图数据集合生成初始图数据集合和初始特征矩阵。然后,将初始图数据集合和初始特征矩阵输入预先确定的模型以得到目标特征矩阵。目标特征矩阵是高维矩阵,能够利用初始特征矩阵中来源于不同医学病历图数据的临床表现特征之间的关联关系,生成准确度高的高维目标特征,从而提供针对临床特征之间关联关系的深层次分析,改进后续辅助研究的水平,从而解决了技术问题二。
步骤205,将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。
在一些实施例中,上述执行主体将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。其中,目标终端设备可以是与上述执行主体通信连接的设备,可以根据接收到的目标特征矩阵进行显示相关操作。例如,用户感兴趣的信息可以是“感冒”,“白细胞增多”,在目标特征矩阵中搜索“感冒”,“白细胞增多”对应的目标特征,通过加权算出距离“感冒”,“白细胞增多”对应的目标特征加权距离最近的目标特征集合,可以准确地在高维空间上查找到““咳痰”、“咽痛”、“头痛”、“加重”、“持续2天””为加权距离最近的目标特征集合,以提示针对上述“感冒”,“白细胞增多”的存在高度关联性的症状特征为“咳痰”、“咽痛”、“头痛”、“加重”和“持续2天”。可以根据目标特征矩阵查找到的高度关联性的症状特征开展后续专项研究。
图2给出的一个实施例具有如下有益效果:检测是否从目标终端设备接收到操作授权信号;响应于检测到操作授权信号,获取医学病历图数据集合;基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵;将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵;将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。该实施方式利用预先确定的模型根据获取到的医学病历图数据集合生成高维空间中的目标特征矩阵,提高了获取既往医学病历图数据间关联关系的准确度。
继续参考图5,示出了根据本公开的预先确定的模型的训练步骤的一个实施例的流程500。该训练步骤可以包括以下步骤:
步骤501,获取样本集。
在一些实施例中,该训练步骤的执行主体可以与图像显示方法的执行主体(例如图1所示的终端设备)相同或者不同。如果相同,则该训练步骤的执行主体可以在训练得到模型后将训练好的模型的模型结构信息和模型参数的参数值存储在本地。如果不同,则该训练步骤的执行主体可以在训练得到模型后将训练好的模型的模型结构信息和模型参数的参数值发送给图像显示方法的执行主体。
在一些实施例中,该训练步骤的执行主体可以本地或者远程地从与上述执行主体网络连接的其他终端设备获取样本集。其中,样本集中的样本包括样本输入图、样本输入特征矩阵和对应于样本输入图和样本输入特征矩阵的样本输出值和样本输出特征矩阵。
可选的,获取历史病历文档集合。具体的,历史病历文档集合中的历史病历文档可以是来源于不同医疗机构的病历文档。其中,历史病历文档集合包括第三数目个历史病历文档。基于历史病历文档集合,生成历史初始图集合。其中,历史初始图集合包括第三数目个历史初始图,历史初始图包括历史初始节点集合和历史初始边集合,历史初始节点为历史病历文档中的临床症状特征,历史初始边表示不同历史初始节点之间的关系,历史初始边的权重为不同历史初始节点间的累计连接次数。将历史初始图集合确定为样本输入图集合。
对于样本输入图集合中的每个样本输入图,基于该样本输入图中的各个节点,随机生成样本输入特征矩阵,以得到样本输入特征矩阵的集合。其中,样本输入特征矩阵中每行的样本输入特征向量为第二数目维度的向量。具体的,可以确定样本输入特征向量的维度为128,第二数目可以是128。
步骤502,确定初始模型的模型结构以及初始化初始模型的模型参数。
在一些实施例中,该训练步骤的执行主体可以首先确定初始模型的模型结构。可选的,初始预测模型可以包括第一数目个预先训练的神经网络。
然后,该训练步骤的执行主体可以初始化初始模型的模型参数。实践中,可以将初始模型的各个模型参数(例如,权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态,从而导致训练失败,“不同”用来保证模型可以正常地学习。
步骤503,利用机器学习方法,将样本集中的样本包括的样本输入图和样本输入特征矩阵作为初始模型的输入,将与输入的样本输入图和样本输入特征矩阵对应的样本的输出值和输出特征矩阵作为初始模型的期望输出,训练得到模型。
在一些实施例中,该训练步骤的执行主体可以将用机器学习方法,将样本集中的样本包括的样本输入图和样本输入特征矩阵作为初始模型的输入,将与输入的样本输入图和样本输入特征矩阵对应的样本的输出值和输出特征矩阵作为初始模型的期望输出,训练得到模型。
具体,将选取的样本的样本输入图和样本输入特征矩阵输入至初始模型,以得到选取的样本的输出值和输出特征矩阵。将选取的样本的输出值和输出特征矩阵分别与对应的样本输出值和样本输出特征矩阵进行比较。根据比较结果确定初始模型是否达到预设的优化目标。具体的,优化目标可以是小于预先确定的阈值,优化目标也可以是达到预先确定的迭代次数。响应于确定初始模型达到优化目标,将初始模型作为预先训练的模型。
响应于确定初始模型未训练完成,调整初始模型中的相关参数,以及从样本集中重新选取样本,使用调整后的初始模型作为初始模型,再次执行训练步骤。
图5给出的一个实施例具有如下有益效果:利用样本集训练模型,能够提升模型针对所输入的初始图数据集合和初始特征矩阵生成高维目标特征矩阵的准确度,从而提高目标矩阵表征医学病历图数据集合中不同临床症状间关联关系的准确度水平。
进一步参考图6,作为对上述各图上述方法的实现,本公开提供了一种图像显示装置的一些实施例,这些装置实施例与图2上述的那些方法实施例相对应,该装置具体可以应用于各种终端设备中。
如图6所示,一些实施例的图像显示装置600,装置包括:检测单元601、接收单元602、第一生成单元603、第二生成单元604和控制单元605。其中,检测单元601,被配置成检测是否从目标终端设备接收到操作授权信号。其中,操作授权信号是用户对目标控件执行目标操作产生的信号。接收单元602,被配置成响应于检测到操作授权信号,获取医学病历图数据集合。其中,医学病历图数据集合包括第一数目个医学病历图数据,医学病历图数据为图结构数据。第一生成单元603,被配置成基于医学病历图数据集合,生成初始图数据集合和初始特征矩阵。第二生成单元604,被配置成将初始图数据集合和初始特征矩阵输入预先确定的模型,以得到目标特征矩阵。控制单元605,被配置成将目标特征矩阵推送至目标终端设备,以及控制目标终端设备进行展示相关操作。
可以理解的是,该装置600中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU,Central Processing Unit)701,其可以根据存储在只读存储器(ROM,Read Only Memory)702中的程序或者从存储部分708加载到随机访问存储器(RAM,Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O,Input/Output)接口705也连接至总线704。
以下部件连接至I/O接口705:包括硬盘等的存储部分706;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器708也根据需要连接至I/O接口705。可拆卸介质709,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器708上,以便于从其上读出的计算机程序根据需要被安装入存储部分706。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分707从网络上被下载和安装,和/或从可拆卸介质709被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本公开的方法中限定的上述功能。需要说明的是,本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种图像显示方法,包括:
检测是否从目标终端设备接收到操作授权信号,其中,所述操作授权信号是用户对目标控件执行目标操作产生的信号;
响应于检测到操作授权信号,获取医学病历图数据集合,其中,所述医学病历图数据集合包括第一数目个医学病历图数据,所述医学病历图数据为图结构数据;
基于所述医学病历图数据集合,生成初始图数据集合和初始特征矩阵;
将所述初始图数据集合和所述初始特征矩阵输入预先确定的模型,以得到目标特征矩阵,目标特征矩阵中的每行目标特征对应一个临床症状,根据目标特征间的加权距离判断目标特征间的相似度;
将所述目标特征矩阵推送至目标终端设备,以及控制所述目标终端设备进行展示相关操作;
其中,所述基于所述医学病历图数据集合,生成初始图数据集合和初始特征矩阵,包括:
对于所述医学病历图数据集合中的每个医学病历图数据,基于该医学病历图数据中的各个节点,随机生成初始特征向量集合,以得到初始特征向量集合的集合,其中,所述初始特征向量为第二数目维度的向量;
基于所述初始特征向量集合的集合,生成所述初始特征矩阵,包括:将初始特征向量集合的集合中的各个初始特征向量作为初始特征矩阵中的各个行,以得到初始特征矩阵;
基于所述医学病历图数据集合,生成初始图数据集合,其中,所述初始图数据集合包括第三数目个初始图数据,所述初始图数据为图结构数据,所述初始图数据包括初始节点集合和初始边集合。
2.根据权利要求1所述的方法,其中,所述目标特征矩阵包括第二数目个列,所述目标特征矩阵中的每行目标特征为第二数目维度的向量,所述目标特征矩阵中的每行表征一个临床症状。
3.根据权利要求2所述的方法,其中,所述将所述初始图数据集合和所述初始特征矩阵输入预先确定的模型,以得到目标特征矩阵,包括:
将所述初始图数据集合和所述初始特征矩阵输入预先确定的模型,生成输出特征矩阵和结果值;
将所述输出特征矩阵确定为所述目标特征矩阵。
4.根据权利要求3所述的方法,其中,所述预先确定的模型包括第一数目个预先训练的神经网络。
5.根据权利要求4所述的方法,其中,所述预先训练的模型是通过如下步骤得到的:
确定初始模型的结构以及初始化所述初始模型的参数;
获取样本集,其中,所述样本集中的样本包括样本输入图、样本输入特征矩阵和对应于所述样本输入图和所述样本输入特征矩阵的样本输出值和样本输出特征矩阵;
从所述样本集中选取样本,以及执行以下训练步骤:
将选取的样本输入图和样本输入特征矩阵输入至初始模型,得到所述选取的样本的输出值和输出特征矩阵;
将所述选取的样本的输出值和输出特征矩阵与对应的样本输出值和样本输出特征矩阵进行比较;
根据比较结果确定所述初始模型是否达到预设的优化目标;
响应于确定所述初始模型达到所述优化目标,将所述初始模型作为所述预先训练的模型。
6.根据权利要求5所述的方法,其中,所述方法还包括:
响应于确定初始模型未训练完成,调整初始模型中的相关参数,以及从所述样本集中重新选取样本,使用调整后的初始模型作为初始模型,再次执行所述训练步骤。
7.一种图像显示装置,包括:
检测单元,被配置成检测是否从目标终端设备接收到操作授权信号,其中,所述操作授权信号是用户对目标控件执行目标操作产生的信号;
接收单元,被配置成响应于检测到操作授权信号,获取医学病历图数据集合,其中,所述医学病历图数据集合包括第一数目个医学病历图数据,所述医学病历图数据为图结构数据;
第一生成单元,被配置成基于所述医学病历图数据集合,生成初始图数据集合和初始特征矩阵;
第二生成单元,被配置成将所述初始图数据集合和所述初始特征矩阵输入预先确定的模型,以得到目标特征矩阵,目标特征矩阵中的每行目标特征对应一个临床症状,根据目标特征间的加权距离判断目标特征间的相似度;
控制单元,被配置成将所述目标特征矩阵推送至目标终端设备,以及控制所述目标终端设备进行展示相关操作;
其中,所述第一生成单元,进一步被配置成:对于所述医学病历图数据集合中的每个医学病历图数据,基于该医学病历图数据中的各个节点,随机生成初始特征向量集合,以得到初始特征向量集合的集合,其中,所述初始特征向量为第二数目维度的向量;基于所述初始特征向量集合的集合,生成所述初始特征矩阵,包括:将初始特征向量集合的集合中的各个初始特征向量作为初始特征矩阵中的各个行,以得到初始特征矩阵;基于所述医学病历图数据集合,生成初始图数据集合,其中,所述初始图数据集合包括第三数目个初始图数据,所述初始图数据为图结构数据,所述初始图数据包括初始节点集合和初始边集合。
8.一种终端设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638502.7A CN113314206B (zh) | 2021-06-08 | 2021-06-08 | 图像显示方法、装置和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110638502.7A CN113314206B (zh) | 2021-06-08 | 2021-06-08 | 图像显示方法、装置和终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113314206A CN113314206A (zh) | 2021-08-27 |
CN113314206B true CN113314206B (zh) | 2024-04-26 |
Family
ID=77377796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110638502.7A Active CN113314206B (zh) | 2021-06-08 | 2021-06-08 | 图像显示方法、装置和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113314206B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5893069A (en) * | 1997-01-31 | 1999-04-06 | Quantmetrics R&D Associates, Llc | System and method for testing prediction model |
JP2010165127A (ja) * | 2009-01-14 | 2010-07-29 | Canon Inc | 情報処理装置および情報処理方法 |
EP3432173A1 (en) * | 2017-07-18 | 2019-01-23 | Siemens Aktiengesellschaft | Method and system for predictive clinical decision support |
CN110111905A (zh) * | 2019-04-24 | 2019-08-09 | 北京云知声信息技术有限公司 | 一种医疗知识图谱的构建系统和构建方法 |
KR20190123609A (ko) * | 2018-04-24 | 2019-11-01 | 네이버 주식회사 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
CN111626311A (zh) * | 2019-02-27 | 2020-09-04 | 京东数字科技控股有限公司 | 一种异构图数据处理方法和装置 |
CN111899883A (zh) * | 2020-09-29 | 2020-11-06 | 平安科技(深圳)有限公司 | 少样本或零样本的疾病预测设备、方法、装置及存储介质 |
CN111914562A (zh) * | 2020-08-21 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 电子信息分析方法、装置、设备及可读存储介质 |
CN112466462A (zh) * | 2020-11-26 | 2021-03-09 | 华侨大学 | 一种基于图深度学习的emr信息关联及演化方法 |
-
2021
- 2021-06-08 CN CN202110638502.7A patent/CN113314206B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5893069A (en) * | 1997-01-31 | 1999-04-06 | Quantmetrics R&D Associates, Llc | System and method for testing prediction model |
JP2010165127A (ja) * | 2009-01-14 | 2010-07-29 | Canon Inc | 情報処理装置および情報処理方法 |
EP3432173A1 (en) * | 2017-07-18 | 2019-01-23 | Siemens Aktiengesellschaft | Method and system for predictive clinical decision support |
KR20190123609A (ko) * | 2018-04-24 | 2019-11-01 | 네이버 주식회사 | 딥 어텐션 네트워크를 이용하여 환자 의료 기록으로부터 질병 예후를 예측하는 방법 및 시스템 |
CN111626311A (zh) * | 2019-02-27 | 2020-09-04 | 京东数字科技控股有限公司 | 一种异构图数据处理方法和装置 |
CN110111905A (zh) * | 2019-04-24 | 2019-08-09 | 北京云知声信息技术有限公司 | 一种医疗知识图谱的构建系统和构建方法 |
CN111914562A (zh) * | 2020-08-21 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 电子信息分析方法、装置、设备及可读存储介质 |
CN111899883A (zh) * | 2020-09-29 | 2020-11-06 | 平安科技(深圳)有限公司 | 少样本或零样本的疾病预测设备、方法、装置及存储介质 |
CN112466462A (zh) * | 2020-11-26 | 2021-03-09 | 华侨大学 | 一种基于图深度学习的emr信息关联及演化方法 |
Non-Patent Citations (2)
Title |
---|
Implementation and Use of Disease Diagnosis Systems for Electronic Medical Records Based on Machine Learning: A Complete Review;Jahanzaib Latif等;IEEE Access;第8卷;150489-150513 * |
电子病历的检索和结果多样化算法研究;王超等;科学技术与工程;第16卷(第36期);190-195、200 * |
Also Published As
Publication number | Publication date |
---|---|
CN113314206A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898696B (zh) | 伪标签及标签预测模型的生成方法、装置、介质及设备 | |
CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
CN111191791B (zh) | 基于机器学习模型的图片分类方法、装置及设备 | |
CN112115257B (zh) | 用于生成信息评估模型的方法和装置 | |
CN107590168B (zh) | 用于关系推断的系统和方法 | |
US20180260735A1 (en) | Training a hidden markov model | |
CN110490304B (zh) | 一种数据处理方法及设备 | |
CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
CN115034315A (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
YAN et al. | AttentionSplice: An Interpretable Multi‐Head Self‐Attention Based Hybrid Deep Learning Model in Splice Site Prediction | |
CN112651467B (zh) | 卷积神经网络的训练方法和系统以及预测方法和系统 | |
CN112287144B (zh) | 图片检索方法、设备及存储介质 | |
US11593700B1 (en) | Network-accessible service for exploration of machine learning models and results | |
CN113886821A (zh) | 基于孪生网络的恶意进程识别方法、装置、电子设备及存储介质 | |
US20220292132A1 (en) | METHOD AND DEVICE FOR RETRIEVING IMAGE (As Amended) | |
CN117521063A (zh) | 基于残差神经网络并结合迁移学习的恶意软件检测方法及装置 | |
CN113314206B (zh) | 图像显示方法、装置和终端设备 | |
CN116340752A (zh) | 一种面向预测性分析结果的数据故事生成方法及系统 | |
CN115601629A (zh) | 模型训练方法、图像识别方法、介质、装置和计算设备 | |
WO2023130386A1 (en) | Procedural video assessment | |
EP3917117A1 (en) | Systems and methods for email campaign domain classification | |
CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
CN113313254A (zh) | 面向记忆增强元学习的深度学习模型去偏方法 | |
CN113095589A (zh) | 一种人口属性确定方法、装置、设备及存储介质 |
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 |