CN113869335A - 分类模型训练、病毒参考信息的获取方法和装置 - Google Patents
分类模型训练、病毒参考信息的获取方法和装置 Download PDFInfo
- Publication number
- CN113869335A CN113869335A CN202010615150.9A CN202010615150A CN113869335A CN 113869335 A CN113869335 A CN 113869335A CN 202010615150 A CN202010615150 A CN 202010615150A CN 113869335 A CN113869335 A CN 113869335A
- Authority
- CN
- China
- Prior art keywords
- information
- detected
- virus
- features
- lesion
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
Abstract
本申请实施例提供了一种分类模型训练、病毒参考信息的获取方法和装置。所述基于病毒特征的分类模型训练方法,包括:获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。基于病毒特征对人员进行分类的分类模型可以为医疗人员对被检查的人员进行分类提供辅助意见,提高医疗人员对被检查人员进行分类的效率以及准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于病毒特征的分类模型训练方法、一种病毒参考信息的获取方法、一种基于病毒特征的分类模型训练装置和一种病毒参考信息的获取装置。
背景技术
人体在感染病毒之后,容易患上病毒性疾病。一般来说,病毒性疾病可以对应具有特定的临床表现,还可以通过核酸检测方式检测到患者体内含有特定的病毒。
但是,对于病毒性疾病来说,其可能与其他疾病具有相似的临床表现,导致通过临床表现确诊病毒性疾病可能存在一定的难度。而核酸检测的检测准确度受到采样方式、检测性能等方面影响,存在假阳性、假阴性的可能。从而导致医疗人员较难将患有病毒性疾病的人员与健康的或者患有其他疾病的人员进行区分。
发明内容
鉴于上述问题,提出了本申请实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于病毒特征的分类模型训练方法、一种病毒参考信息的获取方法、一种基于病毒特征的分类模型训练装置和一种病毒参考信息的获取装置。
为了解决上述问题,本申请实施例公开了一种基于病毒特征的分类模型训练方法,包括:
获取至少一个被测人员的病毒特征以及人员分类信息;
采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
可选地,所述病毒特征包括结构化特征以及非结构化特征;
所述采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型的步骤,包括:
在所述非结构化特征中,提取医学关联特征;
在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;
采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
可选地,所述获取至少一个被测人员的病毒特征以及人员分类信息的步骤,包括:
获取至少一个被测人员的病历信息;
采用所述病历信息,提取所述病毒特征以及人员分类信息。
可选地,所述结构化特征包括被测人员基本信息,和/或,检查项目信息。
可选地,所述非结构化特征包括文本类信息以及图像类信息;其中,所述文本类信息包括被测人员医学记录信息,和/或,检查文本信息,所述图像类信息包括检查图像信息。
可选地,所述在所述非结构化特征中,提取医学关联特征的步骤,包括:
在所述文本类信息中,提取至少一个医学实体词语;
采用预设的命名标准以及所述医学实体词语,确定医学关联特征。
可选地,所述医学关联特征包括病变部位信息、病变尺寸信息、病变类别信息中的至少一种;
所述在所述非结构化特征中,提取医学关联特征的步骤,包括:
在所述检查图像信息中确定病变所在部位,得到病变部位信息;
和/或,
在所述检查图像信息中,提取病变部位图像信息;基于所述病变部位图像信息确定病变部位的尺寸,得到所述病变尺寸信息;
和/或,
采用预设的图像分类模型,确定所述检查图像信息对应的病变类别信息。
可选地,所述在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征的步骤,包括:
确定所述结构化特征以及所述医学关联特征的重要度;
根据所述重要度,在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征。
可选地,所述人员分类信息包括病毒类别信息,和/或,严重度信息。
本申请实施例还公开了一种病毒参考信息的获取方法,包括:
获取待测人员的待测病毒特征;
将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息;其中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型得到。
可选地,所述待测病毒特征包括待测结构化特征和待测非结构化特征;
所述将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息的步骤,包括:
在所述待测非结构化特征中,提取待测医学关联特征;
将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。
可选地,所述病毒参考信息包括分类参考信息,和/或,参考依据信息。
可选地,所述分类参考信息包括类别参考信息,和/或,严重度参考信息。
可选地,所述将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息的步骤,包括:
将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述分类参考信息;
根据所述分类模型的分类过程,确定所述参考依据信息;或者,根据所述待测结构化特征以及所述待测医学关联特征的预设重要度,确定所述参考依据信息。
可选地,所述待测非结构化特征包括待测文本类信息以及待测图像类信息;其中,所述待测文本类信息包括待测人员医学记录信息,和/或,待测检查文本信息,所述待测图像类信息包括待测检查图像信息。
可选地,所述在所述待测非结构化特征中,提取待测医学关联特征的步骤,包括:
在所述待测文本类信息中,提取至少一个医学实体词语;
采用预设的命名标准以及所述医学实体词语,确定待测医学关联特征。
可选地,所述待测医学关联特征包括待测病变部位信息、待测病变尺寸信息、待测病变类别信息中的至少一种;
所述在所述待测非结构化特征中,提取待测医学关联特征的步骤,包括:
在所述待测检查图像信息中确定病变所在部位,得到所述待测病变部位信息;
和/或,
在所述待测检查图像信息中,提取待测病变部位图像信息;基于所述待测病变部位图像信息确定病变部位的尺寸,得到所述待测病变尺寸信息;
和/或,
采用预设的图像分类模型,确定所述待测检查图像信息对应的待测病变类别信息。
本申请实施例还公开了一种基于病毒特征的分类模型训练装置,包括:
被测特征获取模块,用于获取至少一个被测人员的病毒特征以及人员分类信息;
训练模块,用于采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
可选地,所述训练模块包括:
第一提取子模块,用于在所述非结构化特征中,提取医学关联特征;
目标特征选取子模块,用于在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;
训练子模块,用于采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
可选地,所述被测特征获取模块包括:
病历获取子模块,用于获取至少一个被测人员的病历信息;
被测特征获取子模块,用于采用所述病历信息,提取所述病毒特征以及人员分类信息。
可选地,所述结构化特征包括被测人员基本信息,和/或,检查项目信息。
可选地,所述非结构化特征包括文本类信息以及图像类信息;其中,所述文本类信息包括被测人员医学记录信息,和/或,检查文本信息,所述图像类信息包括检查图像信息。
可选地,所述第一提取子模块包括:
第一实体词语提取单元,用于在所述文本类信息中,提取至少一个医学实体词语;
第一关联特征确定单元,用于采用预设的命名标准以及所述医学实体词语,确定医学关联特征。
可选地,所述医学关联特征包括病变部位信息、病变尺寸信息、病变类别信息中的至少一种;
所述第一提取子模块步骤,包括:
第一部位确定单元,用于在所述检查图像信息中确定病变所在部位,得到病变部位信息;
和/或,
第一尺寸确定单元,用于在所述检查图像信息中,提取病变部位图像信息;基于所述病变部位图像信息确定病变部位的尺寸,得到所述病变尺寸信息;
和/或,
第一类别确定单元,用于采用预设的图像分类模型,确定所述检查图像信息对应的病变类别信息。
可选地,所述目标特征选取子模块包括:
重要度确定单元,用于确定所述结构化特征以及所述医学关联特征的重要度;
目标特征选取单元,用于根据所述重要度,在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征。
可选地,所述人员分类信息包括病毒类别信息,和/或,严重度信息。
本申请实施例还公开了一种病毒参考信息的获取装置,包括:
待测特征获取模块,用于获取待测人员的待测病毒特征;所述待测病毒特征包括待测结构化特征和待测非结构化特征;
参考信息获取模块,用于将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息;其中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型得到。
可选地,所述待测病毒特征包括待测结构化特征和待测非结构化特征;
所述参考信息获取模块包括:
第二提取子模块,用于在所述待测非结构化特征中,提取待测医学关联特征;
参考信息获取子模块,用于将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。
可选地,所述病毒参考信息包括分类参考信息,和/或,参考依据信息。
可选地,所述分类参考信息包括类别参考信息,和/或,严重度参考信息。
可选地,所述参考信息获取子模块包括:
分类参考信息获取单元,用于将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述分类参考信息;
参考依据信息获取单元,用于根据所述分类模型的分类过程,确定所述参考依据信息;或者,根据所述待测结构化特征以及所述待测医学关联特征的预设重要度,确定所述参考依据信息。
可选地,所述待测非结构化特征包括待测文本类信息以及待测图像类信息;其中,所述待测文本类信息包括待测人员医学记录信息,和/或,待测检查文本信息,所述待测图像类信息包括待测检查图像信息。
可选地,所述第二提取子模块包括:
第二实体词语提取单元,用于在所述待测文本类信息中,提取至少一个医学实体词语;
第二关联特征确定单元,用于采用预设的命名标准以及所述医学实体词语,确定待测医学关联特征。
可选地,所述待测医学关联特征包括待测病变部位信息、待测病变尺寸信息、待测病变类别信息中的至少一种;
所述第二提取子模块包括:
第二部位确定单元,用于在所述待测检查图像信息中确定病变所在部位,得到所述待测病变部位信息;
和/或,
第二尺寸确定单元,用于在所述待测检查图像信息中,提取待测病变部位图像信息;基于所述待测病变部位图像信息确定病变部位的尺寸,得到所述待测病变尺寸信息;
和/或,
第二类别确定单元,用于采用预设的图像分类模型,确定所述待测检查图像信息对应的待测病变类别信息。
本申请实施例还公开了一种装置,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行如本申请实施例所述的一个或多个的方法。
本申请实施例还公开了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如本申请实施例所述的一个或多个的方法。
本申请实施例包括以下优点:
通过本申请实施例的基于病毒特征的分类模型训练方法,获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。从而可以采用被测人员的病毒特征以及人员分类信息,对待训练的分类模型进行训练,得到可以基于病毒特征对人员进行分类的分类模型。为医疗人员对被检查的人员进行分类提供辅助意见,提高医疗人员对被检查人员进行分类的效率以及准确性。
附图说明
图1是本申请的一种基于病毒特征的分类模型训练方法实施例的步骤流程图;
图2是本申请的另一种基于病毒特征的分类模型训练方法实施例的步骤流程图;
图3是本申请的一种病毒参考信息的获取方法实施例的步骤流程图;
图4是本申请的另一种病毒参考信息的获取方法实施例的步骤流程图;
图5是本申请的一种基于病毒特征的分类装置实施例的结构框图;
图6是本申请的一种病毒参考信息的获取装置实施例的结构框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请参照图1,示出了本申请的一种基于病毒特征的分类模型训练方法实施例的步骤流程图,具体可以包括如下步骤:
步骤101,获取至少一个被测人员的病毒特征以及人员分类信息;
在本申请实施例中,为了对分类模型进行训练,可以获取至少一个被测人员的病毒特征,以及被测人员的人员分类信息。
其中,所述病毒特征可以为与病毒性疾病存在关联的特征。具体地,所述病毒特征可以包括被测人员身体基本信息,例如,姓名、身高、体重等。所述病毒特征还可以包括被测人员与病毒关联的图像信息、音频信息、视频信息等。
其中,被测人员可以已经被测试,并且已经得到的医疗人员对被测人员的分类结果。从而所述被测人员可以具有人员分类信息。所述人员分类信息可以为被测人员所属的分类信息。所述人员分类信息可以用于表示所述被测人员是否可能患有病毒性疾病。作为本申请的一种示例,所述人员分类信息可以为患有病毒性疾病、患有其他疾病、正常人。
步骤102,采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
在本申请的实施例中,可以采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,从而可以得到基于病毒特征对人员进行分类的分类模型。
其中,所述待训练的分类模型可以为最邻近算法模型、回归模型、树形模型(如决策树模型、随机森林模型、Adaboost(Adaptive Boosting,自适应增强)模型、Xgboost(Extreme Gradient Boosting,极限梯度提升)模型、Catboost(Gradient Boosting andCategorical Features,梯度提升以及类别型特征)模型、GBDT(Gradient BoostingDecision Tree,梯度提升树)模型等,本申请对此不做限制。
在具体实现中,可以将所述被测人员分为训练集以及测试集,将训练集中的所述被测人员的目标训练特征作为所述待训练分类模型的输入,将所述人员分类信息作为所述待训练分类模型的输出,对所述待训练分类模型进行训练。其后,可以采用测试集中的被测人员的目标训练特征以及人员分类信息测试所述待训练分类模型里的分类准确率,在准确率大于预设阈值的情况下,所述待训练分类模型完成训练,得到所述分类模型。
在具体实现中,也可以将所述被测人员的病毒特征作为所述待训练分类模型的输入,将所述人员分类信息作为所述待训练分类模型的输出,对所述待训练分类模型进行迭代训练。其后,可以计算所述待训练分类模型的损失函数,并基于所述损失函数,确定所述待训练分类模型是否已经达到收敛。若所述待训练分类模型已经收敛,则可以认为所述待训练分类模型已经完成训练,得到所述分类模型。
通过本申请实施例的基于病毒特征的分类模型训练方法,获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。从而可以采用被测人员的病毒特征以及人员分类信息,对待训练的分类模型进行训练,从而得到可以基于病毒特征对人员进行分类的分类模型,为医疗人员对被检查的人员进行分类提供辅助意见,提高医疗人员对被检查人员进行分类的效率以及准确性。
参照图2,示出了本申请的一种基于病毒特征的分类模型训练方法实施例的步骤流程图,具体可以包括如下步骤:
步骤201,获取至少一个被测人员的病历信息;
在本申请实施例中,为了提取被测人员的病毒特征以及人员分类信息,可以获取至少一个被测人员的病历信息。所述病历信息可以包括被测人员的基本信息,医疗人员为被测人员记录的医学记录,以及被测人员进行医学检查得到的检查报告、检查图像等。
步骤202,采用所述病历信息,提取所述病毒特征以及人员分类信息;
在本申请实施例中,可以采用所述病历信息,提取得到与病毒性疾病存在关联的病毒特征。同时,医疗人员可以对被测人员进行分类并记录在医学记录中,可以还可以提取得到所述被测人员的人员分类信息。
其中,所述病毒特征可以为与病毒性疾病存在关联的特征。所述病毒特征可以包括结构化特征以及非结构化特征。所述结构化特征可以为属于至少一种预设类别的特征。例如,姓名、身高、体重等。所述非结构特征可以为不属于预设类别的特征。所述非结构特征可以无法用简单的数值或者文本表示,较难清晰地归类于一种预设类别中,例如,复杂文本信息、图像信息、音频信息、视频信息等。
在本申请的一种实施例中,所述结构化特征包括被测人员基本信息,和/或,检查项目信息。
在本申请的实施例中,所述结构化特征可以包括所述被测人员基本信息,和/或,检查项目信息。
其中,所述被测人员基本信息可以为所述被测人员个人的基本信息。例如,姓名、身高、体重、性别等。所述被测人员基本信息可以由被测人员执行填写或者医疗人员为被测人员进行测量得到。
其中,所述检查项目信息可以为所述被测人员接受的检查项目信息。例如,检查项目的名称、检查项目结果报告单所包含的检查指标名称、以及检查指标名称对应的数值。例如,被测人员进行了血常规检查,则检查项目名称可以为血常规,检查项目结果报告单所包含的检查指标名称可以为红细胞计数、血红蛋白、白细胞、白细胞分类计数等。检查指标名称对应的数值可以为白细胞对应9.57,血红蛋白对应92.0等。
一般来说,所述被测人员基本信息以及所述检查项目信息通常可以采用预设格式进行记录。例如,采用预设的表格进行记录,从而可以基于表格中的每一栏的类别以及对应的文本或者数值,直接提取得到被测人员的基本信息以及检查项目信息。
可选地,由于不同医院之间可能采用不同的命名方式命名同一种检查项目。由此,可以根据实际需要,收集多个医院的检查项目清单。并基于检查项目清单中不同检查项目信息之间的名称相似度,对检查项目信息进行分类。其后可以基于分类结果,确定统一的命名标准。对于无法直接匹配命名标准中的名称的检查项目信息,可以基于检查项目信息与命名标准中名称之间的相似度,将所述检查项目信息与命名标准中名称匹配。
在本申请的一种实施例中,所述非结构化特征包括文本类信息以及图像类信息;其中,所述文本类信息包括被测人员医学记录信息,和/或,检查文本信息,所述图像类信息包括检查图像信息。
在本申请实施例中,所述非结构化特征可以包括文本类信息以及图像类信息。所述文本类信息可以为复杂文本信息,无法直接归类至一种预设类别中。所述图像类信息需要进行进一步处理,以得到结构化的医学关联特征。
其中,所述文本类信息可以包括被测人员医学记录信息,和/或,检查文本信息。所述被测人员医学记录信息可以为医疗人员为所述被测人员记录的医学记录。其可以包含有被测人员的临床症状、流行病学史、家族史、过去病史等信息。所述检查文本信息可以为被测人员接受检查项目检查后,采用自然语言进行描述的检查报告文本。由于所述被测医学记录信息以及检查文本信息可以采用自然语言进行描述的复杂文本,因此,无法直接得到结构化特征,而需要进行进一步处理得到医学关联特征。
其中,所述图像类信息可以包括检查图像信息。所述检查图像信息可以为被测人员接收检查项目检查后得到的医学图像,例如,胸片、CT影像、增强CT影像、磁共振影像等。由于检查图像信息为图像,无法直接得到结构化特征,需要进行进一步处理得到医学关联特征。
在本申请的一种实施例中,所述人员分类信息包括病毒类别信息,和/或,严重度信息。
在本申请实施例中,所述人员分类信息可以包括病毒类别信息,和/或,严重度信息。其中,所述病毒类别信息可以用于表示所述被测人员是否可能患有病毒性疾病。作为本申请的一种示例,所述人员分类信息可以为患有病毒性疾病、患有其他疾病、正常人。所述严重度信息可以用于标识在所述被测人员患有病毒性疾病或者其他疾病的情况下,所述被测人员的患病严重程度。作为本申请的一种示例,所述严重度信息可以为轻症患者、重症患者、危重患者。
步骤203,在所述非结构化特征中,提取医学关联特征;
在本申请实施例中,由于所述非结构化特征包含的信息较为复杂,无法直接归类于一种预设类别中,由此,可以对所述非结构化特征进行处理,在所述非结构化特征中,提取可能与病毒性基本存在关联的医学关联特征。
其中,所述医学关联特征可以为所述非结构化特征中可以得到的,可以用于基于医学对被测人员进行分类的关联特征。例如,从病历中提取得到的被测人员的服用的药物信息、症状信息等,从检查图像中提取得到的被测人员的病变部位信息、病变尺寸信息等。
在本申请的一种实施例中,所述在所述非结构化特征中,提取医学关联特征的步骤,包括:
S11,在所述文本类信息中,提取至少一个医学实体词语;
在本申请实施例中,可以采用文本匹配、实体识别等方式,从所述文本类信息中,提取至少一个医学实体词语。其中,所述医学实体词语可以为在医学领域中具有特定意义的词语,例如人名、地名、机构名、医学专有名词等。医学专有名词可以为症状词、疾病词、手术词、身体部位词、流行病学词、处方药名称、历史检查检验项等。
在具体实现中,可以预设一医学领域的知识图谱,所述知识图谱可以包括多个医学实体词语,以及医学实体词语之间的关联关系。可以采用文本匹配的方式,提取所述文本类信息中与知识图谱相似的词语,从而得到医学实体词语,并基于知识图谱中医学实体词语之间的关联关系,确定提取到的医学实体词语之间的关联关系。也可以使用一基于知识图谱训练得到的文本分类模型,对所述文本类信息进行实体识别。将所述文本类信息输入所述文本分类模型后,所述文本分类模型可以确定所述文本类信息中的医学实体词语以及所述医学实体词语之间的关联关系,并给出所述医学实体词语对应的分类,如时间、人名、医学专有名词等。
S12,采用预设的命名标准以及所述医学实体词语,确定医学关联特征。
在本申请实施例中,由于不同医院之间,不同的医生之间可能采用不同的命名方式命名同一种事物,由此,可以预设一命名标准,在提取得到医学实体词语后,可以基于医学实体词语以及所述命名标准之间的相似度,确定所述医学实体词语的标准表达。其后可以基于所述医学实体词语的标准表达以及所述医学实体词语之间的关联关系,确定所述医学实体词语对应的医学关联特征。
作为本申请的一种示例,在所述文本类信息中识别得到医学实体词语“肺部CT影像”以及“玻璃影”,且两者具有关联关系。其中,基于预设的命名标准,肺部CT影像”的标准表达为“肺部放射性影像”。其后,可以基于“肺部放射性影像”以及“玻璃影”的关联关系,将“肺部放射性影像”作为类别,将“玻璃影”作为类别“肺部放射性影像”的值,生成结构化的医学关联特征“肺部放射性影像:玻璃影”。
在本申请的一种实施例中,所述医学关联特征包括病变部位信息、病变尺寸信息、病变类别信息中的至少一种;
在本申请实施例中,所述病变部位信息可以为被测人员体内的病变所处的部位信息。所述病变尺寸信息可以为被测人员体内的病变部位的面积信息,体积信息,病变占整个器官组织的比例信息中的至少一种。所述病变类别信息可以为被测人员体内的病变所属的类别,例如,癌症、病毒性病症等。
所述在所述非结构化特征中,提取医学关联特征的步骤,包括:
S21,在所述检查图像信息中确定病变所在部位,得到病变部位信息;和/或,
在本申请实施例中,可以在所述检查图像信息中,基于病变图像具有的特征,确定病变所在部位,从而得到病变部位信息。
在具体实现中,可以采用预设的多种不同尺寸的滑动窗口,框选所述检查图像信息中的部分区域,作为候选区域。其后,可以将所述候选区域输入预设的分类器中,所述分类器可以输出所述候选区域为病变所在部位的概率,从而可以基于所述分类器输出的结果,确定所述候选区域是否为病变所在的部位。若所述候选区域为病变所在的部位,则可以生成记录所述候选区域为病变部位的病变部位信息。其中,所述分类器可以采用已经标注有类别的训练样本训练得到。
S22,在所述检查图像信息中,提取病变部位图像信息;基于所述病变部位图像信息确定病变部位的尺寸,得到所述病变尺寸信息;和/或,
在本申请实施例中,如果所述检查图像信息中存在病变,则可以提取病变部位所在的病变部位图像信息,并基于所述病变部位图像信息确定病变部位的尺寸,得到所述病变尺寸信息,以基于所述病变尺寸信息判断病变的严重程度。
在具体实现中,可以基于检查图像信息中的颜色差异,确定病变部位的边缘,并从检查图像信息中提取出所述病变部位的图像,得到病变部位图像信息。其后,可以基于所述病变部位图像信息的像素面积以及所述检查图像信息与真实检查部位之间的缩放比例,确定所述病变部位的面积,得到病变部位的面积信息。
在所述被测人员进行的检查项目为采用逐层扫描方式的影像学检查的情况下,可以得到多张所述检查图像信息。在此情况下,可以提取各张检查图像信息中的病变部位图像信息,并确定所述病变部位图像信息的面积信息。其后,可以基于每张检查图像信息对应的病变部位的面积信息,逐层扫描过程中每层的厚度,确定所述病变部位的体积,得到体积信息。
S23,采用预设的图像分类模型,确定所述检查图像信息对应的病变类别信息。
在本申请实施例中,所述病变部位可能由不同的疾病造成。例如,病变部位可能为肿瘤,则其对应的疾病可以为癌症。又例如,病变部位为毛玻璃样阴影,则其对应的疾病可以为病毒性肺炎,也可能是普通肺炎。
为了确定所述病变部位可能对应的疾病类别,可以采用预设的图像分类模型,确定所述检查图像信息可以对应的疾病类型,从而得到病变类别信息。其中,所述病变类型信息可以包括所述病变部位对应的至少一种疾病类别。
在具体实现中,所述图像分类模型可以为多标签分类模型。所述图像分类模型可以采用已经标注有疾病类别的训练样本训练得到。可以将所述检查图像信息输入所述图像分类模型,所述图像分类模型可以输出所述检查图像信息对应的至少一个疾病类别,从而得到所述病变类别信息。
步骤204,在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;
在本申请实施例中,由于所述结构化特征以及所述医学关联特征的数量可以较多,若将所有特征皆用于训练分类模型,可能导致分类模型的性能变差。由此,可以在所述结构化特征以及所述医学关联特征中,选取对所述被测人员的分类影响较大的特征,作为目标训练特征。
在本申请的一种实施例中,所述在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征的步骤,包括:
S31,确定所述结构化特征以及所述医学关联特征的重要度;
在本申请实施例中,为了在所述结构化特征以及所述医学关联特征中,选取对所述被测人员的分类影响较大的特征,可以确定所述结构化特征以及所述医学关联特征的重要度。
在具体实现中,可以采用基于统计指标的筛选、相关性系数、互信息法、随机森林、梯度提升树等方式,确定所述结构化特征以及所述医学关联特征是否可以明显影响被测人员的分类结果,从而确定所述结构化特征以及所述医学关联特征的重要度,本申请对此不做限制。
作为本申请的一种示例,在基于统计指标的筛选确定所述结构化特征以及所述医学关联特征的重要度的情况下,可以依次在所述结构化特征以及所述医学关联特征中选取一特征,并确定该特征是否与所述被测人员的人员分类信息之间是否倾向于相互独立。若所述特征所述被测人员的人员分类信息之间倾向于相互独立,则所述特征的重要度较低。若所述特征所述被测人员的人员分类信息之间不倾向于相互独立,则所述特征的重要度较高。
作为本申请的另一种示例,在基于梯度提升树确定所述结构化特征以及所述医学关联特征的重要度的情况下,可以确定所述结构化特征以及所述医学关联特征在构建梯度提升树过程中的作用,若一特征在梯度提升树构建过程中,作为划分属性的次数越多,则可以认为该特征具有更高的重要度。
S32,根据所述重要度,在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征。
在本申请实施例中,可以根据所述重要度,在所述结构化特征以及所述医学关联特征中,选取至少一个重要度较高的目标训练特征。采用所述目标训练特征对所述待训练的分类模型训练,可以更加容易获得泛化能力强,准确度高的分类模型。
步骤205,采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
在本申请的实施例中,可以采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,从而可以得到基于病毒特征对人员进行分类的分类模型。
其中,所述待训练的分类模型可以为最邻近算法模型、回归模型、树形模型(如决策树模型、随机森林模型、Adaboost(Adaptive Boosting,自适应增强)模型、Xgboost(Extreme Gradient Boosting,极限梯度提升)模型、Catboost(Gradient Boosting andCategorical Features,梯度提升以及类别型特征)模型、GBDT(Gradient BoostingDecision Tree,梯度提升树)模型等,本申请对此不做限制。
在具体实现中,可以将所述被测人员分为训练集以及测试集,将训练集中的所述被测人员的目标训练特征作为所述待训练分类模型的输入,将所述人员分类信息作为所述待训练分类模型的输出,对所述待训练分类模型进行训练。其后,可以采用测试集中的被测人员的目标训练特征以及人员分类信息测试所述待训练分类模型里的分类准确率,在准确率大于预设阈值的情况下,所述待训练分类模型完成训练,得到所述分类模型。
在具体实现中,也可以将所述被测人员的目标训练特征作为所述待训练分类模型的输入,将所述人员分类信息作为所述待训练分类模型的输出,对所述待训练分类模型进行迭代训练。其后,可以计算所述待训练分类模型的损失函数,并基于所述损失函数,确定所述待训练分类模型是否已经达到收敛。若所述待训练分类模型已经收敛,则可以认为所述待训练分类模型已经完成训练,得到所述分类模型。
在具体实现中,作为所述待训练分类模型的输出的所述人员分类信息,可以包括病毒类别信息,和/或,严重度信息。在所述待训练分类模型用于执行单独分类任务的情况下,可以只将所述病毒类别信息作为所述待训练分类模型的输出,则此时所述待训练分类模型可以输出的标签为病毒性疾病患者、其他疾病患者、以及正常人。也可以同时将所述病毒类别信息以及严重度信息作为待训练分类模型的输出,则此时待训练分类模型可以输出的标签为轻症病毒性疾病患者、重症病毒性疾病患者、危重病毒性疾病患者、轻症其他疾病患者、重症其他疾病患者、危重其他疾病患者、以及正常人。在所述待训练分类模型用于执行多输出分类任务的情况下,可以将病毒类别信息以及严重度信息作为两类相互独立的输出,则此时待训练分类模型可以输出两个独立的标签,例如,病毒性疾病患者以及轻症患者,其他疾病患者以及危重患者。
通过本申请实施例的基于病毒特征的分类模型训练方法,获取至少一个被测人员的病历信息;采用所述病历信息,提取所述病毒特征以及人员分类信息;在所述非结构化特征中,提取医学关联特征;在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。从而可以采用被测人员的目标训练特征以及人员分类信息,对待训练的分类模型进行训练,从而得到可以基于病毒特征对人员进行分类的分类模型,为医疗人员对被检查的人员进行分类提供辅助意见,提高医疗人员对被检查人员进行分类的效率以及准确性。
参照图3,示出了本申请的一种病毒参考信息的获取方法实施例的步骤流程图,具体可以包括如下步骤:
步骤301,获取待测人员的待测病毒特征;
在本申请实施例中,可以采用基于病毒特征的分类模型,为医疗人员对待测人员进行分类提供辅助意见。由此,可以获取待测人员的待测病毒特征,以获取可作为所述基于病毒特征的分类模型的输入的信息。
其中,所述待测病毒特征可以为从待测人员处获取得到的,与病毒性疾病存在关联的特征。具体地,所述待测病毒特征可以包括待测人员身体基本信息,例如,姓名、身高、体重等。所述病毒特征还可以包括待测人员与病毒关联的图像信息、音频信息、视频信息等。
步骤302,将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息;其中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型得到;
在本申请实施例中,可以将所述待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。所述病毒参考信息可以包括类别参考信息以及该类别参考信息对应的概率信息,从而医疗人员可以得知待测人员可能属于哪一种分类,以及属于该分类的概率。
其中,所述类别参考信息可以用于表示所述待测人员是否可能患有病毒性疾病。作为本申请的一种示例,所述类别参考信息可以为患有病毒性疾病、患有其他疾病、正常人。
在本申请实施例中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型得到。
其中,所述基于病毒特征的分类模型可以为最邻近算法模型、回归模型、树形模型(如决策树模型、随机森林模型、Adaboost(Adaptive Boosting,自适应增强)模型、Xgboost(Extreme Gradient Boosting,极限梯度提升)模型、Catboost(Gradient Boosting andCategorical Features,梯度提升以及类别型特征)模型、GBDT(Gradient BoostingDecision Tree,梯度提升树)模型等,本申请对此不做限制。
通过本申请实施例的病毒参考信息的获取方法,获取待测人员的待测病毒特征;将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。从而可以采用基于病毒特征的分类模型输出的病毒参考信息,辅助医疗人员对所述待测人员进行分类,提高医疗人员对所述待测人员进行分类的准确性。
参照图4,示出了本申请的一种病毒参考信息的获取方法实施例的步骤流程图,具体可以包括如下步骤:
步骤401,获取待测人员的待测病毒特征;所述待测病毒特征包括待测结构化特征和待测非结构化特征;
在本申请实施例中,可以采用基于病毒特征的分类模型,为医疗人员对待测人员进行分类提供辅助意见。由此,可以获取待测人员的待测病毒特征,以获取可作为所述基于病毒特征的分类模型的输入的信息。
其中,所述待测病毒特征可以为从待测人员处获取得到的,与病毒性疾病存在关联的特征。所述待测病毒特征可以包括待测结构化特征和待测非结构化特征。所述待测结构化特征可以为属于至少一种预设类别的特征。例如,姓名、身高、体重等。所述非结构特征可以为不属于预设类别的特征。所述待测非结构特征可以无法用简单的数值或者文本表示,较难清晰地归类于一种预设类别中,例如,复杂文本信息、图像信息、音频信息、视频信息等。
在本申请的一种实施例中,所述待测非结构化特征包括待测文本类信息以及待测图像类信息;其中,所述待测文本类信息包括待测人员医学记录信息,和/或,待测检查文本信息,所述待测图像类信息包括待测检查图像信息。
在本申请实施例中,所述待测非结构化特征可以包括待测文本类信息以及待测图像类信息。所述待测文本类信息可以为复杂文本信息,无法直接归类至一种预设类别中。所述待测图像类信息需要进行进一步处理,以得到结构化的待测医学关联特征。
其中,所述待测文本类信息可以包括待测人员医学记录信息,和/或,检查文本信息。所述待测人员医学记录信息可以为医疗人员为所述待测人员记录的医学记录。其可以包含有待测人员的临床症状、流行病学史、家族史、过去病史等信息。所述检查文本信息可以为待测人员接受检查项目检查后,采用自然语言进行描述的检查报告文本。由于所述待测医学记录信息以及检查文本信息可以采用自然语言进行描述的复杂文本,因此,无法直接得到待测结构化特征,而需要进行进一步处理得到待测医学关联特征。
其中,所述待测图像类信息可以包括待测检查图像信息。所述待测检查图像信息可以为待测人员接收检查项目检查后得到的医学图像,例如,胸片、CT影像、增强CT影像、磁共振影像等。由于待测检查图像信息为图像,无法直接得到待测结构化特征,需要进行进一步处理得到待测医学关联特征。
步骤402,在所述待测非结构化特征中,提取待测医学关联特征;
在本申请实施例中,由于所述待测非结构化特征包含的信息较为复杂,无法直接归类于一种预设类别中,由此,可以对所述待测非结构化特征进行处理,在所述待测非结构化特征中,提取可能与病毒性疾病存在关联的待测医学关联特征。
其中,所述医学关联特征可以为所述非结构化特征中可以得到的,可以用于对待测人员进行分类的关联特征。例如,从病历中提取得到的待测人员的服用的药物信息、症状信息等,从检查图像中提取得到的待测人员的病变部位信息、病变尺寸信息等。
在具体实现中,可以采用自然语言处理的方式,识别复杂文本中包含的医学关联特征。也可以采用预设的图像分类模型,对检查图像进行分类,得到的分类结果为医学关联特征。也可以识别待测人员的检查图像中病变部位的尺寸,从而得到病变部位的尺寸信息。
在本申请的一种实施例中,所述在所述待测非结构化特征中,提取待测医学关联特征的步骤,包括:
S41,在所述待测文本类信息中,提取至少一个医学实体词语;
在本申请实施例中,可以采用文本匹配、实体识别等方式,从所述待测文本类信息中,提取至少一个医学实体词语。其中,所述医学实体词语可以为在医学领域中具有特定意义的词语,例如人名、地名、机构名、医学专有名词等。医学专有名词可以为症状词、疾病词、手术词、身体部位词、流行病学词、处方药名称、历史检查检验项等。
在具体实现中,可以预设一医学领域的知识图谱,所述知识图谱可以包括多个医学实体词语,以及医学实体词语之间的关联关系。可以采用文本匹配的方式,提取所述待测文本类信息中与知识图谱相似的词语,从而得到医学实体词语,并基于知识图谱中医学实体词语之间的关联关系,确定提取到的医学实体词语之间的关联关系。也可以使用一基于知识图谱训练得到的文本分类模型,对所述待测文本类信息进行实体识别。将所述待测文本类信息输入所述文本分类模型后,所述文本分类模型可以确定所述文本类信息中的医学实体词语以及所述医学实体词语之间的关联关系,并给出所述医学实体词语对应的分类,如时间、人名、医学专有名词等。
S42,采用预设的命名标准,确定所述医学实体词语对应的待测医学关联特征。
在本申请实施例中,由于不同医院之间,不同的医生之间可能采用不同的命名方式命名同一种事物,由此,可以预设一命名标准,在提取得到医学实体词语后,可以基于医学实体词语以及所述命名标准之间的相似度,确定所述医学实体词语的标准表达。其后可以基于所述医学实体词语的标准表达以及所述医学实体词语之间的关联关系,确定所述医学实体词语对应的待测医学关联特征。
在本申请的一种实施例中,所述待测医学关联特征包括待测病变部位信息、待测病变尺寸信息、待测病变类别信息中的至少一种;
在本申请实施例中,所述待测病变部位信息可以为待测人员体内的病变所处的部位信息。所述待测病变尺寸信息可以为待测人员体内的病变部位的面积信息,体积信息,病变占整个器官组织的比例信息中的至少一种。所述待测病变类别信息可以为待测人员体内的病变所属的类别,例如,癌症、病毒性病症等。
所述在所述待测非结构化特征中,提取待测医学关联特征的步骤,包括:
S51,在所述待测检查图像信息中确定病变所在部位,得到所述待测病变部位信息;和/或,
在本申请实施例中,可以在所述待测检查图像信息中,基于病变图像具有的特征,确定病变所在部位,从而得到病变部位信息。
在具体实现中,可以采用预设的多种不同尺寸的滑动窗口,框选所述待测检查图像信息中的部分区域,作为候选区域。其后,可以将所述候选区域输入预设的分类器中,所述分类器可以输出所述候选区域为病变所在部位的概率,从而可以基于所述分类器输出的结果,确定所述候选区域是否为病变所在的部位。若所述候选区域为病变所在的部位,则可以生成记录所述候选区域为病变部位的待测病变部位信息。其中,所述分类器可以采用已经标注有类别的训练样本训练得到。
S52,在所述待测检查图像信息中,提取待测病变部位图像信息;基于所述待测病变部位图像信息确定病变部位的尺寸,得到所述待测病变尺寸信息;和/或,
在本申请实施例中,如果所述检查图像信息中存在病变,则可以提取病变部位所在的待测病变部位图像信息,并基于所述待测病变部位图像信息确定病变部位的尺寸,得到所述待测病变尺寸信息,以基于所述待测病变尺寸信息判断病变的严重程度。
在具体实现中,可以基于待测检查图像信息中的颜色差异,确定病变部位的边缘,并从待测检查图像信息中提取出所述病变部位的图像,得到待测病变部位图像信息。其后,可以基于所述待测病变部位图像信息的像素面积以及所述待测检查图像信息与真实检查部位之间的缩放比例,确定所述待测病变部位的面积,得到病变部位的面积信息。
在所述待测人员进行的检查项目为采用逐层扫描方式的影像学检查的情况下,可以得到多张所述待测检查图像信息。在此情况下,可以提取各张待测检查图像信息中的待测病变部位图像信息,并确定所述待测病变部位图像信息的面积信息。其后,可以基于每张待测检查图像信息对应的病变部位的面积信息,逐层扫描过程中每层的厚度,确定所述病变部位的体积,得到体积信息。
S53,采用预设的图像分类模型,确定所述待测检查图像信息对应的待测病变类别信息。
在本申请实施例中,所述病变部位可能由不同的疾病造成。例如,病变部位可能为肿瘤,则其对应的疾病可以为癌症。又例如,病变部位为毛玻璃样阴影,则其对应的疾病可以为病毒性肺炎,也可能是普通肺炎。
为了确定所述病变部位可能对应的疾病类别,可以采用预设的图像分类模型,确定所述待测检查图像信息可以对应的疾病类型,从而得到待测病变类别信息。其中,所述待测病变类型信息可以包括所述病变部位对应的至少一种疾病类别。
在具体实现中,所述图像分类模型可以为多标签分类模型。所述图像分类模型可以采用已经标注有疾病类别的训练样本训练得到。可以将所述待测检查图像信息输入所述图像分类模型,所述图像分类模型可以输出所述待测检查图像信息对应的至少一个疾病类别,从而得到所述待测病变类别信息。
步骤403,将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息;其中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息,所述病毒特征包括结构化特征以及非结构化特征;在所述非结构化特征中,提取医学关联特征;在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练得到;
在本申请实施例中,可以将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。所述病毒参考信息可以包括类别参考信息以及该类别参考信息对应的概率信息,从而医疗人员可以得知待测人员可能属于哪一种分类,以及属于该分类的概率。
其中,所述类别参考信息可以用于表示所述待测人员是否可能患有病毒性疾病。作为本申请的一种示例,所述类别参考信息可以为患有病毒性疾病、患有其他疾病、正常人。
在本申请实施例中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息,所述病毒特征包括结构化特征以及非结构化特征;在所述非结构化特征中,提取医学关联特征;在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练得到。
其中,所述基于病毒特征的分类模型可以为最邻近算法模型、回归模型、树形模型(如决策树模型、随机森林模型、Adaboost(Adaptive Boosting,自适应增强)模型、Xgboost(Extreme Gradient Boosting,极限梯度提升)模型、Catboost(Gradient Boosting andCategorical Features,梯度提升以及类别型特征)模型、GBDT(Gradient BoostingDecision Tree,梯度提升树)模型等,本申请对此不做限制。
在本申请的一种实施例中,所述病毒参考信息包括分类参考信息,和/或,参考依据信息。
在本申请实施例中,所述分类参考信息可以包括所述基于病毒特征的分类模型输出的所述待测人员对应的类别信息以及概率信息。从而为医疗人员对所述待测人员进行分类提供参考。
在本申请实施例中,所述参考依据信息可以为所述基于病毒特征的分类模型输出所述分类参考信息的依据信息。从而医疗人员可以采用所述参考依据信息,了解所述基于病毒特征的分类模型输出所述分类参考信息是基于所述待测人员的哪些特征确定的。从而可以所述基于病毒特征的分类模型可以更好地辅助医疗人员对所述待测人员进行分类。
在本申请的一种实施例中,所述将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息的步骤,包括:
S61,将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述分类参考信息;
在本申请实施例中,可以将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型,所述基于病毒特征的分类模型可以输出所述分类参考信息,为医疗人员对所述待测人员进行分类提供参考。
在本申请的一种实施例中,所述分类参考消息具体可以包括类别参考信息,和/或,严重度参考信息。
其中,所述类别参考信息可以用于表示所述待测人员对应的类别信息以及概率信息。作为本申请的一种示例,所述类别参考信息可以包括病毒性疾病患者、其他疾病患者、以及正常人,以及待测人员属于每种类别的概率。
其中,所述严重度参考信息可以用于表示所述待测人员的患病严重程度。作为本申请的一种示例,所述严重度参考信息可以包括轻症患者、重症患者、危重患者。
在具体实现中,所述基于病毒特征的分类模型输出的分类参考信息,可以只包含所述类别参考信息。则所述基于病毒特征的分类模型可以为所述待测人员是否可能被分类为病毒性疾病患者提供参考,医疗人员可以得知待测人员可能属于哪一种分类,以及属于该分类的概率。
在具体实现中,所述基于病毒特征的分类模型输出的分类参考信息,可以同时包含所述类别参考信息以及所述严重度参考信息。则所述基于病毒特征的分类模型可以为所述待测人员是否被分类为病毒性疾病患者提供参考的同时,还可以为所述被测人员应被分类为何种患病严重程度提供参考。医疗人员可以得知待测人员可能属于哪一种分类,以及属于该分类的概率,并进一步得知待测人员的患病严重程度,便于后续为待测人员提供治疗服务。
S62,根据所述分类模型的分类过程,确定所述参考依据信息;或者,根据所述待测结构化特征以及所述待测医学关联特征的预设重要度,确定所述参考依据信息。
在本申请实施例中,为了了解所述基于病毒特征的分类模型输出所述分类参考信息是基于所述待测人员的哪些特征确定的,还可以进一步确定参考依据信息,以更好地辅助医疗人员对所述待测人员进行分类。作为本申请的一种示例,所述参考依据信息可以为发热7天,最近两周去过疫区,肺部放射性影像有玻璃影,病变部位大小占比为25%,血常规多项指标异常。
在具体实现中,确定所述参考依据信息的方式,可以根据所述基于病毒特征的分类模型的类型确定。
在所述基于病毒特征的分类模型的类型为树形模型的情况下,由于树形模型的分类过程是可视的,可以得知树形模型在分类过程的每一结点所依据的所述待测结构化特征和/或所述待测医学关联特征。由此,可以基于所述分类模型的分类过程所依据的所述待测结构化特征和/或所述待测医学关联特征,生成参考依据信息。
在所述基于病毒特征的分类模型的类型为不具有可解释性的模型的情况下,由于分类模型不具有可解释性,无法直接得到所述分类模型具体如何确定所述分类参考信息。则此时可以基于所述待测结构化特征以及所述待测医学关联特征的预设重要度,按照重要度由高至低的顺序,依次排列所述被测人员的所述待测结构化特征以及所述待测医学关联特征,从而得到所述参考依据信息。
其中,所述预设重要度是在所述分类模型的训练过程中,基于所述结构化特征以及所述医学关联特征是否可以明显影响被测人员的分类结果确定的。具体地,可以采用基于统计指标的筛选、相关性系数、互信息法、随机森林、梯度提升树等方式确定所述重要度。
通过本申请实施例的病毒参考信息的获取方法,获取待测人员的待测病毒特征;在所述待测非结构化特征中,提取待测医学关联特征;将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述分类参考信息;根据所述分类模型的分类过程,确定所述参考依据信息;或者,根据所述待测结构化特征以及所述待测医学关联特征的预设重要度,确定所述参考依据信息。从而可以采用基于病毒特征的分类模型输出的病毒参考信息,辅助医疗人员对所述待测人员进行分类,提高医疗人员对所述待测人员进行分类的准确性。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请实施例并不受所描述的动作顺序的限制,因为依据本申请实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本申请实施例所必须的。
参照图5,示出了本申请的一种基于病毒特征的分类模型训练装置实施例的结构框图,具体可以包括如下模块:
被测特征获取模块501,用于获取至少一个被测人员的病毒特征以及人员分类信息,所述病毒特征包括结构化特征以及非结构化特征;
训练模块502,用于采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
在本申请的一种实施例中,所述训练模块包括:
第一提取子模块,用于在所述非结构化特征中,提取医学关联特征;
目标特征选取子模块,用于在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;
训练子模块,用于采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
在本申请的一种实施例中,所述被测特征获取模块501包括:
病历获取子模块,用于获取至少一个被测人员的病历信息;
被测特征获取子模块,用于采用所述病历信息,提取所述病毒特征以及人员分类信息。
在本申请的一种实施例中,所述结构化特征包括被测人员基本信息,和/或,检查项目信息。
在本申请的一种实施例中,所述非结构化特征包括文本类信息以及图像类信息;其中,所述文本类信息包括被测人员医学记录信息,和/或,检查文本信息,所述图像类信息包括检查图像信息。
在本申请的一种实施例中,所述第一提取子模块包括:
第一实体词语提取单元,用于在所述文本类信息中,提取至少一个医学实体词语;
第一关联特征确定单元,用于采用预设的命名标准以及所述医学实体词语,确定医学关联特征。
在本申请的一种实施例中,所述医学关联特征包括病变部位信息、病变尺寸信息、病变类别信息中的至少一种;
所述第一提取子模块步骤,包括:
第一部位确定单元,用于在所述检查图像信息中确定病变所在部位,得到病变部位信息;
和/或,
第一尺寸确定单元,用于在所述检查图像信息中,提取病变部位图像信息;基于所述病变部位图像信息确定病变部位的尺寸,得到所述病变尺寸信息;
和/或,
第一类别确定单元,用于采用预设的图像分类模型,确定所述检查图像信息对应的病变类别信息。
在本申请的一种实施例中,所述目标特征选取子模块包括:
重要度确定单元,用于确定所述结构化特征以及所述医学关联特征的重要度;
目标特征选取单元,用于根据所述重要度,在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征。
在本申请的一种实施例中,所述人员分类信息包括病毒类别信息,和/或,严重度信息。
参照图6,示出了本申请的一种病毒参考信息的获取装置实施例的结构框图,具体可以包括如下模块:
待测特征获取模块601,用于获取待测人员的待测病毒特征;所述待测病毒特征包括待测结构化特征和待测非结构化特征;
参考信息获取模块602,用于将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息;其中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型得到。
可选地,所述待测病毒特征包括待测结构化特征和待测非结构化特征;
所述参考信息获取模块包括:
第二提取子模块,用于在所述待测非结构化特征中,提取待测医学关联特征;
参考信息获取子模块,用于将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。
在本申请的一种实施例中,所述病毒参考信息包括分类参考信息,和/或,参考依据信息。
在本申请的一种实施例中,所述分类参考信息包括类别参考信息,和/或,严重度参考信息。
在本申请的一种实施例中,所述参考信息获取子模块包括:
分类参考信息获取单元,用于将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述分类参考信息;
参考依据信息获取单元,用于根据所述分类模型的分类过程,确定所述参考依据信息;或者,根据所述待测结构化特征以及所述待测医学关联特征的预设重要度,确定所述参考依据信息。
在本申请的一种实施例中,所述待测非结构化特征包括待测文本类信息以及待测图像类信息;其中,所述待测文本类信息包括待测人员医学记录信息,和/或,待测检查文本信息,所述待测图像类信息包括待测检查图像信息。
在本申请的一种实施例中,所述第二提取子模块包括:
第二实体词语提取单元,用于在所述待测文本类信息中,提取至少一个医学实体词语;
第二关联特征确定单元,用于采用预设的命名标准以及所述医学实体词语,确定待测医学关联特征。
在本申请的一种实施例中,所述待测医学关联特征包括待测病变部位信息、待测病变尺寸信息、待测病变类别信息中的至少一种;
所述第二提取子模块包括:
第二部位确定单元,用于在所述待测检查图像信息中确定病变所在部位,得到所述待测病变部位信息;
和/或,
第二尺寸确定单元,用于在所述待测检查图像信息中,提取待测病变部位图像信息;基于所述待测病变部位图像信息确定病变部位的尺寸,得到所述待测病变尺寸信息;
和/或,
第二类别确定单元,用于采用预设的图像分类模型,确定所述待测检查图像信息对应的待测病变类别信息。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例还提供了一种装置,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行本申请实施例所述的方法。
本申请实施例还提供了一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行本申请实施例所述的方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于病毒特征的分类模型训练方法、一种病毒参考信息的获取方法、一种基于病毒特征的分类模型训练装置和一种病毒参考信息的获取装置,进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (36)
1.一种基于病毒特征的分类模型训练方法,其特征在于,包括:
获取至少一个被测人员的病毒特征以及人员分类信息;
采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
2.根据权利要求1所述的方法,其特征在于,所述病毒特征包括结构化特征以及非结构化特征;
所述采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型的步骤,包括:
在所述非结构化特征中,提取医学关联特征;
在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;
采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
3.根据权利要求1所述的方法,其特征在于,所述获取至少一个被测人员的病毒特征以及人员分类信息的步骤,包括:
获取至少一个被测人员的病历信息;
采用所述病历信息,提取所述病毒特征以及人员分类信息。
4.根据权利要求2所述的方法,其特征在于,所述结构化特征包括被测人员基本信息,和/或,检查项目信息。
5.根据权利要求2所述的方法,其特征在于,所述非结构化特征包括文本类信息以及图像类信息;其中,所述文本类信息包括被测人员医学记录信息,和/或,检查文本信息,所述图像类信息包括检查图像信息。
6.根据权利要求2或5所述的方法,其特征在于,所述在所述非结构化特征中,提取医学关联特征的步骤,包括:
在所述文本类信息中,提取至少一个医学实体词语;
采用预设的命名标准以及所述医学实体词语,确定医学关联特征。
7.根据权利要求5所述的方法,其特征在于,所述医学关联特征包括病变部位信息、病变尺寸信息、病变类别信息中的至少一种;
所述在所述非结构化特征中,提取医学关联特征的步骤,包括:
在所述检查图像信息中确定病变所在部位,得到病变部位信息;
和/或,
在所述检查图像信息中,提取病变部位图像信息;基于所述病变部位图像信息确定病变部位的尺寸,得到所述病变尺寸信息;
和/或,
采用预设的图像分类模型,确定所述检查图像信息对应的病变类别信息。
8.根据权利要求2所述的方法,其特征在于,所述在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征的步骤,包括:
确定所述结构化特征以及所述医学关联特征的重要度;
根据所述重要度,在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征。
9.根据权利要求1所述的方法,其特征在于,所述人员分类信息包括病毒类别信息,和/或,严重度信息。
10.一种病毒参考信息的获取方法,其特征在于,包括:
获取待测人员的待测病毒特征;
将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息;其中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型得到。
11.根据权利要求10所述的方法,其特征在于,所述待测病毒特征包括待测结构化特征和待测非结构化特征;
所述将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息的步骤,包括:
在所述待测非结构化特征中,提取待测医学关联特征;
将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。
12.根据权利要求11所述的方法,其特征在于,所述病毒参考信息包括分类参考信息,和/或,参考依据信息。
13.根据权利要求12所述的方法,其特征在于,所述分类参考信息包括类别参考信息,和/或,严重度参考信息。
14.根据权利要求12或13所述的方法,其特征在于,所述将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息的步骤,包括:
将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述分类参考信息;
根据所述分类模型的分类过程,确定所述参考依据信息;或者,根据所述待测结构化特征以及所述待测医学关联特征的预设重要度,确定所述参考依据信息。
15.根据权利要求11的方法,其特征在于,所述待测非结构化特征包括待测文本类信息以及待测图像类信息;其中,所述待测文本类信息包括待测人员医学记录信息,和/或,待测检查文本信息,所述待测图像类信息包括待测检查图像信息。
16.根据权利要求11或15所述的方法,其特征在于,所述在所述待测非结构化特征中,提取待测医学关联特征的步骤,包括:
在所述待测文本类信息中,提取至少一个医学实体词语;
采用预设的命名标准以及所述医学实体词语,确定待测医学关联特征。
17.根据权利要求15所述的方法,其特征在于,所述待测医学关联特征包括待测病变部位信息、待测病变尺寸信息、待测病变类别信息中的至少一种;
所述在所述待测非结构化特征中,提取待测医学关联特征的步骤,包括:
在所述待测检查图像信息中确定病变所在部位,得到所述待测病变部位信息;
和/或,
在所述待测检查图像信息中,提取待测病变部位图像信息;基于所述待测病变部位图像信息确定病变部位的尺寸,得到所述待测病变尺寸信息;
和/或,
采用预设的图像分类模型,确定所述待测检查图像信息对应的待测病变类别信息。
18.一种基于病毒特征的分类模型训练装置,其特征在于,包括:
被测特征获取模块,用于获取至少一个被测人员的病毒特征以及人员分类信息;
训练模块,用于采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
19.根据权利要求18所述的装置,其特征在于,所述训练模块包括:
第一提取子模块,用于在所述非结构化特征中,提取医学关联特征;
目标特征选取子模块,用于在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征;
训练子模块,用于采用所述被测人员的目标训练特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型。
20.根据权利要求18所述的装置,其特征在于,所述被测特征获取模块包括:
病历获取子模块,用于获取至少一个被测人员的病历信息;
被测特征获取子模块,用于采用所述病历信息,提取所述病毒特征以及人员分类信息。
21.根据权利要求19所述的装置,其特征在于,所述结构化特征包括被测人员基本信息,和/或,检查项目信息。
22.根据权利要求19所述的装置,其特征在于,所述非结构化特征包括文本类信息以及图像类信息;其中,所述文本类信息包括被测人员医学记录信息,和/或,检查文本信息,所述图像类信息包括检查图像信息。
23.根据权利要求19或22所述的装置,其特征在于,所述第一提取子模块包括:
第一实体词语提取单元,用于在所述文本类信息中,提取至少一个医学实体词语;
第一关联特征确定单元,用于采用预设的命名标准以及所述医学实体词语,确定医学关联特征。
24.根据权利要求22所述的装置,其特征在于,所述医学关联特征包括病变部位信息、病变尺寸信息、病变类别信息中的至少一种;
所述第一提取子模块步骤,包括:
第一部位确定单元,用于在所述检查图像信息中确定病变所在部位,得到病变部位信息;
和/或,
第一尺寸确定单元,用于在所述检查图像信息中,提取病变部位图像信息;基于所述病变部位图像信息确定病变部位的尺寸,得到所述病变尺寸信息;
和/或,
第一类别确定单元,用于采用预设的图像分类模型,确定所述检查图像信息对应的病变类别信息。
25.根据权利要求19所述的装置,其特征在于,所述目标特征选取子模块包括:
重要度确定单元,用于确定所述结构化特征以及所述医学关联特征的重要度;
目标特征选取单元,用于根据所述重要度,在所述结构化特征以及所述医学关联特征中,选取至少一个目标训练特征。
26.根据权利要求18所述的装置,其特征在于,所述人员分类信息包括病毒类别信息,和/或,严重度信息。
27.一种病毒参考信息的获取装置,其特征在于,包括:
待测特征获取模块,用于获取待测人员的待测病毒特征;
参考信息获取模块,用于将所述待测人员的待测病毒特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息;其中,所述基于病毒特征的分类模型通过获取至少一个被测人员的病毒特征以及人员分类信息;采用所述被测人员的病毒特征以及人员分类信息,对预设的待训练分类模型进行训练,得到基于病毒特征的分类模型得到。
28.根据权利要求27所述的装置,其特征在于,所述待测病毒特征包括待测结构化特征和待测非结构化特征;
所述参考信息获取模块包括:
第二提取子模块,用于在所述待测非结构化特征中,提取待测医学关联特征;
参考信息获取子模块,用于将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述待测人员的病毒参考信息。
29.根据权利要求27所述的装置,其特征在于,所述病毒参考信息包括分类参考信息,和/或,参考依据信息。
30.根据权利要求29所述的装置,其特征在于,所述分类参考信息包括类别参考信息,和/或,严重度参考信息。
31.根据权利要求29或30所述的装置,其特征在于,所述参考信息获取子模块包括:
分类参考信息获取单元,用于将所述待测结构化特征以及所述待测医学关联特征输入预设的基于病毒特征的分类模型中,得到所述分类参考信息;
参考依据信息获取单元,用于根据所述分类模型的分类过程,确定所述参考依据信息;或者,根据所述待测结构化特征以及所述待测医学关联特征的预设重要度,确定所述参考依据信息。
32.根据权利要求28的装置,其特征在于,所述待测非结构化特征包括待测文本类信息以及待测图像类信息;其中,所述待测文本类信息包括待测人员医学记录信息,和/或,待测检查文本信息,所述待测图像类信息包括待测检查图像信息。
33.根据权利要求28或32所述的装置,其特征在于,所述第二提取子模块包括:
第二实体词语提取单元,用于在所述待测文本类信息中,提取至少一个医学实体词语;
第二关联特征确定单元,用于采用预设的命名标准以及所述医学实体词语,确定待测医学关联特征。
34.根据权利要求32所述的装置,其特征在于,所述待测医学关联特征包括待测病变部位信息、待测病变尺寸信息、待测病变类别信息中的至少一种;
所述第二提取子模块包括:
第二部位确定单元,用于在所述待测检查图像信息中确定病变所在部位,得到所述待测病变部位信息;
和/或,
第二尺寸确定单元,用于在所述待测检查图像信息中,提取待测病变部位图像信息;基于所述待测病变部位图像信息确定病变部位的尺寸,得到所述待测病变尺寸信息;
和/或,
第二类别确定单元,用于采用预设的图像分类模型,确定所述待测检查图像信息对应的待测病变类别信息。
35.一种装置,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个机器可读介质,当由所述一个或多个处理器执行时,使得所述装置执行如权利要求1-9或10-17所述的一个或多个的方法。
36.一个或多个机器可读介质,其上存储有指令,当由一个或多个处理器执行时,使得所述处理器执行如权利要求1-9或10-17所述的一个或多个的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615150.9A CN113869335A (zh) | 2020-06-30 | 2020-06-30 | 分类模型训练、病毒参考信息的获取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010615150.9A CN113869335A (zh) | 2020-06-30 | 2020-06-30 | 分类模型训练、病毒参考信息的获取方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869335A true CN113869335A (zh) | 2021-12-31 |
Family
ID=78981350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010615150.9A Pending CN113869335A (zh) | 2020-06-30 | 2020-06-30 | 分类模型训练、病毒参考信息的获取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869335A (zh) |
-
2020
- 2020-06-30 CN CN202010615150.9A patent/CN113869335A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5952835B2 (ja) | 撮像プロトコルの更新及び/又はリコメンダ | |
Ravi et al. | A multichannel EfficientNet deep learning-based stacking ensemble approach for lung disease detection using chest X-ray images | |
CN113241135A (zh) | 一种基于多模态融合的疾病风险预测方法和系统 | |
CN103530491B (zh) | 用于生成检查报告的装置和方法 | |
CN111564223B (zh) | 传染病生存概率的预测方法、预测模型的训练方法及装置 | |
Roy et al. | Early prediction of COVID-19 using ensemble of transfer learning | |
Aria et al. | ADA-COVID: adversarial deep domain adaptation-based diagnosis of COVID-19 from lung CT scans using triplet embeddings | |
Kolossváry et al. | Deep learning analysis of chest radiographs to triage patients with acute chest pain syndrome | |
EP3467770B1 (en) | Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium | |
Xue et al. | Using deep learning for detecting gender in adult chest radiographs | |
Kumar et al. | Recent advances in machine learning for diagnosis of lung disease: A broad view | |
Gupta et al. | Application of Convolutional Neural Networks for COVID-19 Detection in X-ray Images Using InceptionV3 and U-Net | |
Chiwariro et al. | Comparative analysis of deep learning convolutional neural networks based on transfer learning for pneumonia detection | |
CN113869335A (zh) | 分类模型训练、病毒参考信息的获取方法和装置 | |
US8756234B1 (en) | Information theory entropy reduction program | |
Mayya et al. | A novel medical support deep learning fusion model for the diagnosis of COVID-19 | |
Rao et al. | COVID-19 detection method based on SVRNet and SVDNet in lung x-rays | |
Yetisgen-Yildiz et al. | Identifying patients with pneumonia from free-text intensive care unit reports | |
Abbasa et al. | The application of Hybrid deep learning Approach to evaluate chest ray images for the diagnosis of pneumonia in children | |
Morani | COVID-19 Detection Using Segmentation, Region Extraction and Classification Pipeline | |
Deva et al. | Machine Learning-Based Prediction & Analysis of COVID-19 using Clinical Data | |
Ogungbe et al. | Design and Implementation of Diagnosis System for Cardiomegaly from Clinical Chest X-ray Reports | |
Mohapatra et al. | A SVM based model for COVID detection using CXR image | |
Cherezov et al. | Resolving impact of technical and biological variability on the convolutional neural networks: evaluating chest x-ray scans | |
Choomueang et al. | CCVNet: COVID-19 Detection in Chest X-ray Imaging based on Convolutional Neural Network |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40064969 Country of ref document: HK |