CN113571169A - 医疗数据管理方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了一种医疗数据管理方法、装置、设备和存储介质，其中，所述方法包括：查询或创建模型训练请求信号所指向的云端机器学习模型；查询训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至医院终端；向训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使其他医院终端以训练数据选择信号所选择的医疗数据作为训练数据在各个其他医院终端的本地进行模型训练；将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至医院终端。本申请的有益之处在于通过联邦学习和积分激励的方法实现医疗数据不出医院本地而能进行基于数据协作的机器模型训练。

Description

医疗数据管理方法、装置、电子设备和存储介质

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种医疗数据管理方法、装置、设备和存储介质。

背景技术

不久的将来医疗行业将融入更多人工智能、传感技术等高科技，使医疗服务走向真正意义的智能化，推动医疗事业的繁荣发展。在中国新医改的大背景下，智慧医疗正在走进寻常百姓的生活。医疗行业数据存在隐私保护的需要，因此将人工智能应用于医疗领域进行研究、模型训练和数据预测时，往往需要多个医疗机构通过联网和数据协同的方式进行。

但是现有技术方案并无法保证模型和数据的隐私性。

发明内容

本申请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。本申请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。

本申请的一些实施例提出了医疗数据管理方法、装置、电子设备和计算机存储介质，来解决以上背景技术部分提到的技术问题。

作为本申请的第一方面，本申请的一些实施例提供了一种医疗数据管理方法，包括：响应于一个医院终端的模型训练请求信号，查询或创建模型训练请求信号所指向的云端机器学习模型；响应于医院终端的训练数据请求信号，查询训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至医院终端；响应于医院终端的训练数据选择信号，向训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使其他医院终端以训练数据选择信号所选择的医疗数据作为训练数据在各个其他医院终端的本地进行模型训练；响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至医院终端。

作为本申请的第二方面，本申请的一些实施例提供了一种医疗数据管理装置，包括：第一查询模块，用于响应于一个医院终端的模型训练请求信号，查询或创建模型训练请求信号所指向的云端机器学习模型；第二查询模块，用于响应于医院终端的训练数据请求信号，查询训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至医院终端；协助模块，用于响应于医院终端的训练数据选择信号，向训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使其他医院终端以训练数据选择信号所选择的医疗数据作为训练数据在各个其他医院终端的本地进行模型训练；聚合模块，用于响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至医院终端。

作为本申请的第三方面，本申请的一些实施例提供了一种电子设备，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上述第一方面任一实现方式所描述的方法。

作为本申请的第四方面，本申请的一些实施例提供了一种计算机存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本申请的有益效果在于：通过联邦学习和积分激励的方法实现医疗数据不出医院本地而能进行基于数据协作的机器模型训练。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。

另外，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，元件和元素不一定按照比例绘制。

在附图中：

图1是本申请的一些实施例的医疗数据管理方法的应用场景的示意图；

图2是根据本申请一种实施例的医疗数据管理方法的流程图；

图3是根据本申请一种实施例的医疗数据管理方法的一部分步骤的流程图；

图4是根据本申请一种实施例的医疗数据管理方法的又一部分步骤的流程图；

图5是根据本申请一种实施例的医疗数据管理方法的另一部分步骤的流程图；

图6是根据本申请一种实施例的医疗数据管理方法的再一部分步骤的流程图；

图7是根据本申请一种实施例的医疗数据管理装置的结构图；

图8是根据本申请一种实施例的电子设备的结构示意图；

图9是根据本申请一种实施例的医疗数据管理方法中医院终端的第一个操作界面的示意图；

图10是根据本申请一种实施例的医疗数据管理方法中医院终端的第二操作界面的示意图；

图11是根据本申请一种实施例的医疗数据管理方法中医院终端的第三操作界面的示意图；

图12是根据本申请一种实施例的医疗数据管理方法中医院终端的第四操作界面的示意图；

图13是根据本申请一种实施例的医疗数据管理方法中医院终端的第五操作界面的示意图；

图14是根据本申请一种实施例的医疗数据管理方法中医院终端的第六操作界面的示意图；

图15是根据本申请一种实施例的医疗数据管理方法中医院终端的第七操作界面的示意图；

图16是根据本申请一种实施例的医疗数据管理方法中医院终端的第八操作界面的示意图；。

图中附图标记的含义：

100、医疗数据管理系统；101、医院终端1；102、医院终端2；103、医院终端3；104、服务器。

800、电子设备；801、处理装置；802、ROM；803、RAM；804、总线；805、I/O接口；806、输入装置；807、输出装置；808、存储装置；809、通信装置。

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”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的， 而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

参照图1所示，本申请的医疗是数据管理方法由图1所示的医疗数据管理系统所执行。该医疗数据管理里系统包括：若干医院终端和一个服务器。其中，医院终端与服务器可以构成基于有线通讯或无线通讯的数据交互。

其中，医院终端可以被构造为一台PC终端，也可以被构造为诸如平板电脑等其他智能终端设备。

参照图2所示，本申请的一个实施例的医疗数据管理方法，包括如下步骤：

S1：响应于一个医院终端的模型训练请求信号，查询或创建模型训练请求信号所指向的云端机器学习模型。

S2：响应于医院终端的训练数据请求信号，查询训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至医院终端。

S3：响应于医院终端的训练数据选择信号，向训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使其他医院终端以训练数据选择信号所选择的医疗数据作为训练数据在各个其他医院终端的本地进行模型训练。

S4：响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至医院终端。

作为具体方案，在步骤S1中，其中一个医院终端发起模型训练请求信号，参照图9所示，医院终端的用户可以通过新增场景的操作发起模型训练。如图10所示，用户可以根据自身的需要设置模型的类型和参数。

参照图3所示，作为具体方案，步骤S1具体包括如下步骤：

S11：解析模型训练请求信号中的模型类型和模型参数。

S12：判断是否存在模型类型和模型参数均符合模型训练请求信号的云端机器学习模型。

S13：如果是则将该云端机器学习模型作为查询结果，如果否则按照模型训练请求信号中的模型类型和模型参数创建一个云端机器学习模型。

即如果在服务器中未存在对应的模型，则可以根据发起训练请求的医院终端的需要创建一个云端机器学习模型。

作为具体方案，在步骤S2中，用户可以在发起训练请求的医院终端通过检索式的方式检索所需的数据。具体而言，这里检索并非是是数据内容本身，而是医疗数据的索引，即根据索引里的条件可以检索到医疗数据本身。

如图11所示，可以通过检索式对数据进行检索，如图12所示，获得检索结果后，可以通过勾选的方式选择需要其他医院终端的数据进行模型训练协助。

另外，为了使各个医院的数据能够被彼此检索，需要将各个医院终端上传医疗数据进行标准化，具体而言，本申请还包含一个医疗数据的标准化配置方法，包括如下步骤：制定数据标准化的统一参照标准，将其定义为国际值域；制定数据标准化的院方参考标准，将其定义为地方值域；将国际值域和地方值域进行映射以建立转换映射关系；根据转换映射关系将根据地方值域输入的医疗转化为按照国际值域的标准化数据。

更具体而言，制定国际值域时包括设置国标值和对应的国标值描述。国标值至少包括阿拉伯数字和中文字符。

更具体而言，医疗数据的标准化配置方法还包括如下步骤：编辑或删除国标值或其对应的国标值描述。导入具有国标值和国标值描述的表格文件。制定地方值域时包括设置地方值和对应的地方值描述。地方值至少包括阿拉伯数字和中文字符。

更具体而言，医疗数据的标准化配置方法还包括如下步骤：编辑或删除地方值或其对应的地方值描述。

参照图15所示，可以通过界面或导入方式进行国际值域的编辑工作。参照图16所示，国际值域和地方值域可以通过国际值描述和地方值描述的中文字符进行关联映射。

参照图4所示，作为具体方案，步骤S2具体包括如下步骤：

S21：至少根据查询到的其他医院终端上传的数据索引的数目生成对应的积分数据。

S22：将积分数据反馈至医院终端。

S23：解析训练数据选择信号中所选择的数据索引。

S24：获取数据索引所对应的积分数据并根据积分数据在医院终端和其他医院终端之间进行积分结算。

如图13所示，在选择数据之后，系统会预算一下具体需要扣除积分反馈给发起协助训练的医院终端。如果用户同意积分扣除以换取协助训练，则系统按照积分进行结算。

作为本申请另一方面，本申请还包括一个医疗数据的价值评估方法，通过该价值评估方法评估数据的积分。

具体而言，医疗数据的价值评估方法包括如下步骤：

采集医疗数据的原始数据；根据医疗数据的采集来源为所述原始数据附加数据来源标签；根据医疗数据的采集时间为所述原始数据附加数据时效标签；根据医疗数据的公开数据为所述原始数据附加数据属性标签；根据所述数据来源标签、数据时效标签和数据属性标签的系数值计算并显示对应医疗数据的积分值。

具体而言，所述适用于医疗数据的价值评估方法还包括：将所述医疗数据的部分数据和对应的积分值上传至区块链。

具体而言，所述适用于医疗数据的价值评估方法还包括：将通过所述积分值对对应的所述医疗数据进行交易而产生的交易数据上传至所述区块链。

具体而言，所述适用于医疗数据的价值评估方法还包括：根据数据标准校验所述医疗数据的完整性。

具体而言，所述适用于医疗数据的价值评估方法还包括：根据所述医疗数据的完整性的结果为所述原始数据附加数据完整性标签。

具体而言，所述适用于医疗数据的价值评估方法还包括：根据所述数据完整性标签计算并显示对应所述医疗数据的积分值。

具体而言，所述数据来源标签包括：医院等级系数、医生职称系数和手术分级系数。

具体而言，所述数据属性标签包括：数据稀缺性系数；所述数据稀缺性系数根据所述医疗数据所涉及的病症进行设置。

具体而言，所述数据属性标签包括：医疗费用系数；所述医疗费用系数根据所述医疗数据对应患者的医疗费用进行设置。

具体而言，所述数据属性标签包括：手术分级系数；所述手术分级系数根据所述医疗数据所涉及的手术等级进行设置。

作为具体方案，可以采用以下具体方案：

积分=（30*费用+10*医院等级系数+7*医生职称系数+9*手术分级系数+12*数据完整性系数+11*数据时效性系数+21*数据稀缺性系数）/100

医院等级系数：通过医院等级判断，如三级甲等系数为1；

医生职称系数：根据业务的医生职称判断系数，如主任医师系数为1；

手术分级系数：根据手术分级给系数，如四级手术系数为1；

数据完整性系数：根据数据完整性计算系数，即该条数据有无空值，100%即系数为1；

数据时效性系数：根据数据时效性计算系数，如1年内的数据系数为1；

数据稀缺性系数：根据数据稀缺性计算系数，如一般并在，系数为1；

费用系数：根据该条数据产生的医疗费用来计算系数，如100000元以上为1；

各系数从需要计算积分的数据，关联医院其他信息表获取详细如下所示：

医院等级：

三级甲等1.0；

三级乙等0.8；

二级甲等0.6；

二级乙等0.4；

一级0.2。

医生职称：

主任医师（正高1；

副主任医师（副高）0.8；

主治医师0.6；

住院医师0.4。

手术分级：

四级1.0；

三级0.8；

二级0.6；

一级0.4；

无手术0.2；

数据完整性：

100%为1.0；

90%-99%为0.9；

80%-89%为0.8；

70%-79%为0.7；

60%-69%为0.6；

50%-59%为0.5；

40%-49%为0.4；

30%-39%为0.3；

20%-29%为0.2；

10%-19%为0.1；

1%-10%为0.05；

1%以下为0。

数据时效性：

1年内1；

2-4年0.8；

5-7年0.6；

7-9年0.4；

9-11年0.2；

11-13年0.1；

数据稀缺性：

全球十大罕见怪病症1.7；

成人患病率低于百万分之一，新生儿中发病率低于五十万分之一的遗传病1.6；

成人患病率百万分之一，新生儿中发病率五十万分之一的遗传病1.5；

成人患病率九十万分之一，新生儿中发病率四十万分之一的遗传病1.4；

成人患病率低于五十万分之一，新生儿中发病率低于万分之一1.0。

费用：

0~1000元为0.2；

1000~10000元为0.4；

10000~50000元为0.6；

50000~100000元为0.8；

100000元以上为1.0。

如图5所示，作为具体方案，步骤S3具体包括如下步骤：

S31：判断其他医院终端是否存在与云端机器学习模型匹配的本地机器学习模型。

S32：如果是则为该本地机器学习模型查询训练数据，如果否则将云端机器学习模型发送至其他医院终端并使云端机器学习模型保存云端机器学习模型作为本地机器学习模型。

如图6所示，作为具体方案，步骤S3具体包括如下步骤：

S33：其他医院终端根据训练数据选择信号中所选择的数据索引查询本地的医疗数据。

S34：其他医院终端将查询到的本地的医疗数据作为训练数据输入至其他医院终端中的本地机器学习模型。

如图7所示，作为具体方案，步骤S4具体包括如下步骤：

S41：对其他医院终端的模型梯度参数信号中的梯度参数进行解密。

S42：将解密后的梯度参数进行汇总计算总梯度值并将总梯度值加密后反馈至其他医院终端的本地机器学习模型。

S43：其他医院终端的本地机器学习模型根据解密后的总梯度值更新各自的模型参数。

S44：迭代上述步骤直至其他医院终端的本地机器学习模型收敛。

如图13所示，用户在医院终端可以查看发起模型训练的项目，如图14所示，用户可以设置模型的隐私权限，如果选择不公开则该模型别的医院终端则无法分享该模型进一步保证数据安全性。

在以上方案中，需要用户进行检索并选择具体的数据，某种意义上还是存在一定的隐私风险。

作为本申请的进一步方案优选方案，可以训练一个数据索引模型，该数据索引模型的输入数据为用户输入的检索项目和剩余积分，其输出数据为对其他医院终端数据的选择结果和置信度，当置信度满足阈值时，系统直接根据数据索引模型选择其他医院终端的数据，而不必再经用户选择具体数据，但是仍需要用户确认是否支付积分。

参照图7所示，本申请的一个实施例的医疗数据管理装置，包括：第一查询模块，用于响应于一个医院终端的模型训练请求信号，查询或创建模型训练请求信号所指向的云端机器学习模型；第二查询模块，用于响应于医院终端的训练数据请求信号，查询训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至医院终端；协助模块，用于响应于医院终端的训练数据选择信号，向训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使其他医院终端以训练数据选择信号所选择的医疗数据作为训练数据在各个其他医院终端的本地进行模型训练；聚合模块，用于响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至医院终端。

参照图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储装置808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806：包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808：以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图8中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，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，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机存储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。在这样的一些实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置808被安装，或者从ROM802被安装。在该计算机程序被处理装置801执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机存储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。

在本公开的一些实施例中，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。而在本公开的一些实施例中，计算机可读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存储介质，该计算机可读信号介质可以发送、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。计算机存储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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，adhoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机存储介质可以是上述电子设备中所包含的：也可以是单独存在，而未装配入该电子设备中。上述计算机存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于一个医院终端的模型训练请求信号，查询或创建模型训练请求信号所指向的云端机器学习模型；响应于医院终端的训练数据请求信号，查询训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至医院终端；响应于医院终端的训练数据选择信号，向训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使其他医院终端以训练数据选择信号所选择的医疗数据作为训练数据在各个其他医院终端的本地进行模型训练；响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至医院终端。

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一些实施例的操作的计算机程序代码，上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。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些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，本公开的实施例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的实施例中公开的（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 (10)

1.一种医疗数据管理方法，包括：

响应于一个医院终端的模型训练请求信号，查询或创建所述模型训练请求信号所指向的云端机器学习模型；

响应于所述医院终端的训练数据请求信号，查询所述训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至所述医院终端；

响应于所述医院终端的训练数据选择信号，向所述训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使所述其他医院终端以所述训练数据选择信号所选择的医疗数据作为训练数据在各个所述其他医院终端的本地进行模型训练；

响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至所述医院终端。

2.根据权利要求1所述的医疗数据管理方法，其中，所述响应于一个医院终端的模型训练请求信号，查询或创建所述模型训练请求信号所指向的云端机器学习模型，包括：

解析所述模型训练请求信号中的模型类型和模型参数；

判断是否存在模型类型和模型参数均符合所述模型训练请求信号的云端机器学习模型；

如果是则将该云端机器学习模型作为查询结果，如果否则按照所述模型训练请求信号中的模型类型和模型参数创建一个云端机器学习模型。

3.根据权利要求2所述的医疗数据管理方法，其中，所述响应于所述医院终端的训练数据请求信号，查询所述训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至所述医院终端，包括：

至少根据查询到的所述其他医院终端上传的数据索引的数目生成对应的积分数据；

将所述积分数据反馈至所述医院终端。

4.根据权利要求3所述的医疗数据管理方法，其中，所述响应于所述医院终端的训练数据请求信号，查询所述训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至所述医院终端，还包括：

解析所述训练数据选择信号中所选择的数据索引；

获取所述数据索引所对应的积分数据并根据所述积分数据在所述医院终端和其他所述医院终端之间进行积分结算。

5.根据权利要求4所述的医疗数据管理方法，其中，所述响应于所述医院终端的训练数据选择信号，向所述训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使所述其他医院终端以所述训练数据选择信号所选择的医疗数据作为训练数据在各个所述其他医院终端的本地进行模型训练，包括：

判断其他医院终端是否存在与所述云端机器学习模型匹配的本地机器学习模型；

如果是则为该本地机器学习模型查询训练数据，如果否则将所述云端机器学习模型发送至其他医院终端并使所述云端机器学习模型保存所述云端机器学习模型作为所述本地机器学习模型。

6.根据权利要求5所述的医疗数据管理方法，其中，所述响应于所述医院终端的训练数据选择信号，向所述训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使所述其他医院终端以所述训练数据选择信号所选择的医疗数据作为训练数据在各个所述其他医院终端的本地进行模型训练，还包括：

其他医院终端根据所述训练数据选择信号中所选择的数据索引查询本地的医疗数据；

其他医院终端将查询到的本地的医疗数据作为训练数据输入至其他医院终端中的本地机器学习模型。

7.根据权利要求6所述的医疗数据管理方法，其中，所述响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至所述医院终端，包括：

对其他医院终端的模型梯度参数信号中的梯度参数进行解密；

将解密后的梯度参数进行汇总计算总梯度值并将总梯度值加密后反馈至其他医院终端的本地机器学习模型；

其他医院终端的本地机器学习模型根据解密后的总梯度值更新各自的模型参数；

迭代上述步骤直至其他医院终端的本地机器学习模型收敛。

8.一种医疗数据管理装置，包括：

第一查询模块，用于响应于一个医院终端的模型训练请求信号，查询或创建所述模型训练请求信号所指向的云端机器学习模型；

第二查询模块，用于响应于所述医院终端的训练数据请求信号，查询所述训练数据请求信号所指向的其他医院终端上传的数据索引并反馈至所述医院终端；

协助模块，用于响应于所述医院终端的训练数据选择信号，向所述训练数据选择信号所指向的其他医院终端发送模型训练协助信号以使所述其他医院终端以所述训练数据选择信号所选择的医疗数据作为训练数据在各个所述其他医院终端的本地进行模型训练；

聚合模块，用于响应于其他医院终端反馈的模型梯度参数信号，将其他医院终端的模型梯度参数信号中的梯度参数进行聚合以更新云端机器学习模型并将更新后的云端机器学习模型反馈至所述医院终端。

9.一种电子设备，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，使得所述处理器实现如权利要求1至7任意一项所述的方法。

10.一种计算机存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法。

Images