CN114373539A - 中西医临床数据的处理方法、系统、存储介质及终端 - Google Patents
中西医临床数据的处理方法、系统、存储介质及终端 Download PDFInfo
- Publication number
- CN114373539A CN114373539A CN202111623837.8A CN202111623837A CN114373539A CN 114373539 A CN114373539 A CN 114373539A CN 202111623837 A CN202111623837 A CN 202111623837A CN 114373539 A CN114373539 A CN 114373539A
- Authority
- CN
- China
- Prior art keywords
- data
- western medicine
- traditional chinese
- clinical data
- processing
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000003745 diagnosis Methods 0.000 claims abstract description 31
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000007499 fusion processing Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 208000011580 syndromic disease Diseases 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 201000010099 disease Diseases 0.000 claims description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 208000024891 symptom Diseases 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 17
- 238000011084 recovery Methods 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 206010043946 Tongue conditions Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供一种中西医临床数据的处理方法、系统、存储介质及终端，所述方法包括获取中医临床数据和西医临床数据；对所述中医临床数据和西医临床数据进行融合处理；对融合处理后的数据进行时序深度学习计算以获得诊疗对象的状态数据和治疗数据的相关性信息。本发明采集获取多源异构的中西医临床数据，在临床数据分析过程中充分结合中西医治疗诊疗中各自的优势，有效挖掘分析出诊疗对象治疗过程与恢复状态的全局关联性，不仅能够为医生决策提供更多依据，而且节省医生的时间和精力，提高医生诊断效率，也能降低诊疗对象临床治疗过程中的医疗成本。
Description
技术领域
本发明涉及医疗临床数据处理技术领域，特别是涉及中西医临床数据的处理方法、系统、存储介质及终端。
背景技术
随着医疗设备仪器的精密化和智能化的发展，合理利用各项医疗数据能够辅助医生快速、准确地判断诊疗对象病情，改善诊疗对象治疗手段且能提高治疗效果。
当前医院医疗数据的采集提取与计算应用平台主要有两类：一类是集中于单一病种类型或单一设备采集数据的处理与分析，另一类是提供多种临床数据的采集提取与治理工作。前者虽然能够为医生的部分决策提供依据，但是该类方法在当前的大数据场景中过于单一，辅助决策的效果有限，并不能完全适用于复杂的临床分析应用中；后者虽然会对较多类型的临床数据进行提取、处理与简单计算，但其仅仅利用西医临床数据，缺乏对中医临床数据的有效利用，同样具有一定的局限性。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供中西医临床数据的处理方法、系统、存储介质及终端，用于解决现有技术中中医临床数据和西医临床数据未被有效融合利用的技术问题。
为实现上述目的及其它相关目的，本发明的第一方面提供一种中西医临床数据的处理方法，包括：获取中医临床数据和西医临床数据；对所述中医临床数据和西医临床数据进行融合处理；对融合处理后的数据进行时序深度学习计算以获得诊疗对象的状态数据和治疗数据的相关性信息。
于本发明的第一方面的一些实施例中，所述融合处理包括：对所述中医临床数据和西医临床数据进行预处理；对预处理后的数据进行数据转换、数据一致性校验和数据筛选；多维度提取筛选后数据的多粒度信息；基于多维度的所述多粒度信息进行特征信息、语义信息和结构信息的融合。
于本发明的第一方面的一些实施例中，所述中医临床数据包括：中医舌象图像数据、中医脉象记录数据和中医文本数据；所述西医临床数据包括：西医检测结果数据、西医心电波数据、西医图像影像数据和西医文本数据；所述对融合处理后的数据进行时序深度学习计算，其包括：基于卷积神经网络获得所述中医舌象图像数据和西医图像影像数据的第一相关数据；基于长短期记忆网络获得所述中医脉象记录数据、西医检测结果数据和西医心电波数据的第二相关数据；基于双向长短期记忆模型获得所述中医文本数据和西医文本数据的第三相关数据；基于长短期记忆网络对所述第一相关数据、第二相关数据和第三相关数据进行时序预测以获得诊疗对象的状态数据和治疗数据的相关性信息。
于本发明的第一方面的一些实施例中，所述中医临床数据包括中医文本数据；所述中医文本数据的预处理方式包括：提取所述中医文本数据中的疾病症状描述数据、望闻问切诊断结果数据、证型数据、证候数据和药方数据；并对所提取的数据进行分词、同义词替换和标准化处理。
于本发明的第一方面的一些实施例中，所述数据转换包括：将所述中医临床数据和西医临床数据转换为可计算形式；其中，基于词向量或预训练模型编码文本数据，基于卷积神经网络提取图像影像数据的特征。
于本发明的第一方面的一些实施例中，所述数据一致性校验包括：数据源自身的对比校验和不同数据源间的推理校验；其中，基于大数据技术分析数据本身特性与个体数据的变化情况进行数据源自身的对比校验，基于其它相关数据源进行不同数据源间的推理校验。
于本发明的第一方面的一些实施例中，所述多粒度信息包括文本多粒度信息和图像影像多粒度信息，所述方法包括：通过字、词、词组和字词组合进行多粒度构造以获得所述文本多粒度信息；通过不同的卷积核构造多粒度特征以获得所述图像影像多粒度信息。
为实现上述目的及其它相关目的，本发明的第二方面提供一种中西医临床数据的处理系统，包括：数据获取模块，用于获取中医临床数据和西医临床数据；数据融合模块，用于对所述中医临床数据和西医临床数据进行融合处理；深度学习模块，用于对融合处理后的数据进行时序深度学习计算以获得诊疗对象的状态数据和治疗数据的相关性信息。
为实现上述目的及其它相关目的，本发明的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述中西医临床数据的处理方法。
为实现上述目的及其它相关目的，本发明的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述中西医临床数据的处理方法。
如上所述，本发明提出的中西医临床数据的处理方法、系统、存储介质及终端，具有以下有益效果：采集获取多源异构的中西医临床数据，如脉象记录数据、舌象图像数据、中医文本数据等中医临床数据与检测结果数据、图像影像数据、西医文本数据等西医临床数据，构建全方位的临床数据采集、提取与计算分析体系，结合大数据分析和深度学习技术，在临床数据分析过程中充分结合中西医治疗诊疗中各自的优势，有效挖掘分析出诊疗对象治疗过程与恢复状态的全局关联性，不仅能够为医生决策提供更多依据，而且节省医生的时间和精力，提高医生诊断效率，也能降低诊疗对象临床治疗过程中的医疗成本。进一步地，考虑到中医文本数据中包含的中医习惯性用词相较于西医用词有特殊性和专业性，对中医文本数据中的疾病症状描述、望闻问切诊断结果、证型、证候和药方等分别进行提取与特殊分词，对一些中医术语进行同义词替换与标准化处理，使之与西医文本数据中的疾病、症状描述相兼容，便于模型统一处理，有利于提高数据处理的效率和数据融合的质量。
附图说明
图1显示为本发明一实施例中一种中西医临床数据的处理方法流程示意图。
图2显示为本发明一实施例中一种融合处理后数据的深度学习方法流程示意图。
图3显示为本发明一实施例中一种中西医临床数据的处理系统的结构示意图。
图4显示为本发明一实施例中一种电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本发明的若干实施例。应当理解，还可使用其它实施例，并且可以在不背离本发明的精神和范围的情况下进行操作上的改变。下面的详细描述不应该被认为是限制性的，并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本发明。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其它特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
本发明提出一种中西医临床数据的处理方法、系统、存储介质及终端，通过对中西医临床数据进行智能采集、提取和分析计算，为医生提取有效信息，辅助医生合理决策，节省医生的时间和精力，也能为诊疗对象节省医疗成本。
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，本发明实施例提出一种中西医临床数据的处理方法流程示意图，该处理方法包括步骤S11～S13，可具体表述如下：
步骤S11.获取中医临床数据和西医临床数据。例如，可通过摄像装置采集图像数据，通过扫描装置采集文本数据，从医疗系统中获取权限以调用电子病历、检测结果数据等。通过不同的采集方式、从不同的系统中采集与临床治疗相关的数据，以获取多源异构的中西医临床数据，该多源异构临床数据包括但不限于结构化数据、半结构化数据和/或非结构化数据。
可选的，所述中医临床数据包括但不限于：中医舌象图像数据、中医脉象记录数据和/或中医文本数据；所述西医临床数据包括但不限于：西医检测结果数据、西医心电波数据、西医图像影像数据和/或西医文本数据。
步骤S12.对所述中医临床数据和西医临床数据进行融合处理。这里的融合处理是指在一定准则下对所获取的中西医临床数据加以分析、综合，以辅助完成所需的医学决策，其中可选的有数据层融合、特征层融合和/或决策层融合等等。
在本实施例较佳的实施方式中，所述融合处理包括：多维度提取数据的多粒度信息；基于所述多维度的多粒度信息进行特征信息、语义信息和结构信息的融合。
进一步地，对所述中医临床数据和西医临床数据进行预处理；对预处理后的数据进行数据转换、数据一致性校验和数据筛选；多维度提取筛选后数据的多粒度信息；基于所述多维度的多粒度信息进行特征信息、语义信息和结构信息的融合。
在本实施例较佳的实施方式中，所述中医临床数据包括中医脉象记录数据；所述中医中医脉象记录数据的预处理方式包括：将所述中医脉象记录数据划分为脉力数据、脉位数据、脉数数据、脉势数据和脉形数据。本实施方式基于中医临床数据的特征对其进行数据划分，便于精确提取特征信息，以利于后续与心电波数据的融合，为用户决策提供更有效的辅助。
在本实施例较佳的实施方式中，所述中医临床数据包括中医文本数据；所述中医文本数据的预处理方式包括：提取所述中医文本数据中的疾病症状描述数据、望闻问切诊断结果数据、证型数据、证候数据和药方数据；并对所提取的数据进行分词、同义词替换和标准化处理。本实施方式考虑到中医文本数据中包含的中医习惯性用词相较于西医用词有特殊性和专业性，对中医文本数据中的疾病症状描述、望闻问切诊断结果、证型、证候和药方等分别进行提取与特殊分词，对一些中医术语进行同义词替换与标准化处理，使之与西医文本数据中的疾病、症状描述相兼容，便于模型统一处理，有利于提高数据处理的效率和数据融合的质量。
在一些示例中，所述中西医临床数据的预处理方式还包括：对各种数据进行清洗与去噪；基于检测指标参考范围对各项西医检测结果数据进行数值转换；对中医舌象图像数据、西医图像数据进行裁剪和目标提取；对三维影像数据进行图像分割和裁剪；提取西医文本数据中的诊疗对象病程、手术、用药等记录与讨论结果，分别进行实体抽取与术语标准化，等等。
在本实施例较佳的实施方式中，所述中西医临床数据的数据转换方式包括：将所述中医临床数据和西医临床数据转换为可计算形式。中西医临床数据中待转换的数据有符号数据、文本数据、图像影像数据等等，可利用规则、机器学习、深度学习等方式将其转换为对应的可计算形式。优选的，基于词向量或预训练模型编码文本数据，基于卷积神经网络提取图像影像数据的特征，基于独热码(one-hot)编码处理符号数据。
在本实施例较佳的实施方式中，所述数据一致性校验包括：数据源自身的对比校验和不同数据源间的推理校验；其中，基于大数据技术分析数据本身特性与个体数据的变化情况进行数据源自身的对比校验，基于其它相关数据源进行不同数据源间的推理校验。
在一些示例中，对预处理后的各类数据利用规则、机器学习或深度学习进行转换，得到各数据源的可计算表达；对转换后的多源数据利用已掌握的先验知识与关系推理进行数据一致性与合理性校验，提纯筛选可用于后续决策的可计算数据。进一步地，基于结构化、半结构化和非结构化的数据特征，分别从不同维度提取可计算数据的多粒度信息，进行同一粒度特征信息、语义信息和结构信息的融合。
在本实施例较佳的实施方式中，所述多维度提取筛选后的数据的多粒度信息，其多粒度信息可表示为：
其中，
表示数据源xn在i粒度m个维度的特征、语义和结构信息。
优选的，通过字、词、词组和字词组合进行多粒度构造以获得文本多粒度信息；通过不同的卷积核构造多粒度特征以获得图像影像多粒度信息。
进一步地，进行特征信息、语义信息和结构信息的融合，其i粒度到i+1粒度的信息融合表达式如下：
其中，IFE表示多源异构数据的信息融合表达式，FI表示特征信息，SI_1表示语义信息，SI_2表示结构信息，α1、α2和α3分别表示FI、SI_1和SI_2的权重，σ表示激活函数。需要说明的是，并不是所有数据源都能够同时提取到特征信息、语义信息和结构信息，三种信息的选择与否和信息重要程度，可以根据实际情况通过设置权重参数α1、α2和α3进行调节。
步骤S13.对融合处理后的数据进行时序深度学习计算以获得诊疗对象的状态数据和治疗数据的相关性信息。典型的深度学习模型有卷积神经网络(ConvolutionalNeural Networks，CNN)、深度置信网络(Deep Belief Networks，DBN)、堆栈自编码网络(Stacked Auto-encoder Network)模型等。
如图2所示，本发明实施例提出一种融合处理后数据的深度学习方法流程示意图，其包括：基于卷积神经网络获得所述中医舌象图像数据和西医图像影像数据的第一相关数据；基于长短期记忆网络(Long Short-Term Memory，LSTM)获得所述中医脉象记录数据、西医检测结果数据和西医心电波数据的第二相关数据；基于双向长短期记忆模型(Bi-directional Long Short-Term Memory，BiLSTM)获得所述中医文本数据和西医文本数据的第三相关数据；基于长短期记忆网络(LSTM)对所述第一相关数据、第二相关数据和第三相关数据进行时序预测以获得诊疗对象的状态数据和治疗数据的相关性信息。
图2所示的实施方式结合不同数据源的多粒度信息，利用CNN+LSTM结构捕获不同数据源间的高阶相关性，进行跨模态的深度学习时序预测。该结合多粒度信息的深度学习时序预测模型能够执行清晰的、可解释的推理过程。
在一些示例中，通过临床数据的采集时间划分数据的时序变化情况以获得时序临床数据，利用深度学习方法为时序临床数据建立时序模型并进行智能计算；根据时序模型的智能计算结果，为诊疗对象治疗过程和恢复状态进行全局关联性分析，以获得诊疗对象的状态数据和治疗数据的相关性信息。
在本实施例较佳的实施方式中，所述诊疗对象治疗过程和恢复状态进行全局关联性分析，其中，t时刻的全局关联性表达如下：
Tt∝αRt；
其中，Tt和Rt分别表示t时刻的治疗过程与恢复状态，α为关联因子，当α>0表示正相关过程，α<0表示负相关过程。该全局关联性分析能够充分反映诊疗对象恢复状态与治疗过程之间相互依存性和关联性，为医生清晰呈现治疗过程中各检查检验、执行操作、用药情况等与诊疗对象恢复情况的直接关联性，辅助医生制定更合理的诊疗计划。
在一些实施方式中，所述方法可应用于控制器，所述控制器例如为ARM(AdvancedRISC Machines)控制器、FPGA(Field Programmable Gate Array)控制器、SoC(System onChip)控制器、DSP(Digital Signal Processing)控制器、或者MCU(MicrocontrollerUnit)控制器等等。在一些实施方式中，所述方法也可应用于包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其它输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(PersonalDigital Assistant，简称PDA)等个人电脑。在另一些实施方式中，所述方法还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。
实施例二
如图3所示，本发明实施例提出一种中西医临床数据的处理系统的结构示意图，该处理系统包括：数据获取模块31，用于获取中医临床数据和西医临床数据；数据融合模块32，用于对所述中医临床数据和西医临床数据进行融合处理；深度学习模块33，用于对融合处理后的数据进行时序深度学习计算以获得诊疗对象的状态数据和治疗数据的相关性信息。
在本实施例较佳的实施方式中，所述数据融合模块32包括：预处理模块，用于对所述中医临床数据和西医临床数据进行预处理；数据转换子模块，用于对预处理后的数据进行数据转换；数据校验子模块，用于对数据转换后的数据进行一致性校验；数据筛选子模块，用于对校验后的数据进行数据筛选；多粒度信息提取子模块，用于多维度提取筛选后数据的多粒度信息；融合子模块，用于基于多维度的所述多粒度信息进行特征信息、语义信息和结构信息的融合。
在本实施例较佳的实施方式中，所述深度学习模块33包括：基于卷积神经网络获得所述中医舌象图像数据和西医图像影像数据的第一相关数据；基于长短期记忆网络获得所述中医脉象记录数据、西医检测结果数据和西医心电波数据的第二相关数据；基于双向长短期记忆模型获得所述中医文本数据和西医文本数据的第三相关数据；基于长短期记忆网络对所述第一相关数据、第二相关数据和第三相关数据进行时序预测以获得诊疗对象的状态数据和治疗数据的相关性信息。
需要说明的是，本实施例提供的模块与上文中提供的方法、实施方式类似，故不再赘述。另外需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，数据融合模块32可以为单独设立的处理元件，也可以集成在上述系统的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述系统的存储器中，由上述系统的某一个处理元件调用并执行以上数据融合模块32的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital signal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
实施例三
如图4所示，本发明实施例提供一种电子终端的结构示意图。本实施例提供的电子终端，包括：处理器41、存储器42、通信器43；存储器42通过系统总线与处理器41和通信器43连接并完成相互间的通信，存储器42用于存储计算机程序，通信器43用于和其它设备进行通信，处理器41用于运行计算机程序，使电子终端执行如上中西医临床数据的处理方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其它设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
实施例四
本发明实施例提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述中西医临床数据的处理方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本发明提供一种中西医临床数据的处理方法、系统、存储介质及终端，对多源异构的中西医临床数据，包括脉象记录数据、舌象图像数据、中医文本数据等中医临床数据与检测结果数据、图像影像数据、西医文本数据等西医临床数据，构建全方位的临床数据采集、提取与计算分析体系，结合大数据分析和深度学习技术，在临床数据分析过程中充分结合中西医治疗诊疗中各自的优势，有效挖掘分析出诊疗对象治疗过程与恢复状态的全局关联性，不仅能够为医生决策提供更多依据，而且节省医生的时间和精力，提高医生诊断效率，也能降低诊疗对象临床治疗过程中的医疗成本。因此，本发明有效克服了现有技术中的种种缺点而具有高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种中西医临床数据的处理方法，其特征在于，包括：
获取中医临床数据和西医临床数据；
对所述中医临床数据和西医临床数据进行融合处理；
对融合处理后的数据进行时序深度学习计算以获得诊疗对象的状态数据和治疗数据的相关性信息。
2.根据权利要求1所述的中西医临床数据的处理方法，其特征在于，所述融合处理包括：
对所述中医临床数据和西医临床数据进行预处理；
对预处理后的数据进行数据转换、数据一致性校验和数据筛选；
多维度提取筛选后数据的多粒度信息；
基于多维度的所述多粒度信息进行特征信息、语义信息和结构信息的融合。
3.根据权利要求1所述的中西医临床数据的处理方法，其特征在于，所述中医临床数据包括：中医舌象图像数据、中医脉象记录数据和中医文本数据；所述西医临床数据包括：西医检测结果数据、西医心电波数据、西医图像影像数据和西医文本数据；所述对融合处理后的数据进行时序深度学习计算，其包括：
基于卷积神经网络获得所述中医舌象图像数据和西医图像影像数据的第一相关数据；
基于长短期记忆网络获得所述中医脉象记录数据、西医检测结果数据和西医心电波数据的第二相关数据；
基于双向长短期记忆模型获得所述中医文本数据和西医文本数据的第三相关数据；
基于长短期记忆网络对所述第一相关数据、第二相关数据和第三相关数据进行时序预测以获得诊疗对象的状态数据和治疗数据的相关性信息。
4.根据权利要求2所述的中西医临床数据的处理方法，其特征在于，所述中医临床数据包括中医文本数据；所述中医文本数据的预处理方式包括：
提取所述中医文本数据中的疾病症状描述数据、望闻问切诊断结果数据、证型数据、证候数据和药方数据；并对所提取的数据进行分词、同义词替换和标准化处理。
5.根据权利要求2所述的中西医临床数据的处理方法，其特征在于，所述数据转换包括：
将所述中医临床数据和西医临床数据转换为可计算形式；其中，基于词向量或预训练模型编码文本数据，基于卷积神经网络提取图像影像数据的特征。
6.根据权利要求2所述的中西医临床数据的处理方法，其特征在于，所述数据一致性校验包括：
数据源自身的对比校验和不同数据源间的推理校验；其中，基于大数据技术分析数据本身特性与个体数据的变化情况进行数据源自身的对比校验，基于其它相关数据源进行不同数据源间的推理校验。
7.根据权利要求2所述的中西医临床数据的处理方法，其特征在于，所述多粒度信息包括文本多粒度信息和图像影像多粒度信息，所述方法包括：
通过字、词、词组和字词组合进行多粒度构造以获得所述文本多粒度信息；
通过不同的卷积核构造多粒度特征以获得所述图像影像多粒度信息。
8.一种中西医临床数据的处理系统，其特征在于，包括：
数据获取模块，用于获取中医临床数据和西医临床数据；
数据融合模块，用于对所述中医临床数据和西医临床数据进行融合处理；
深度学习模块，用于对融合处理后的数据进行时序深度学习计算以获得诊疗对象的状态数据和治疗数据的相关性信息。
9.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述中西医临床数据的处理方法。
10.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至7中任一项所述中西医临床数据的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623837.8A CN114373539A (zh) | 2021-12-28 | 2021-12-28 | 中西医临床数据的处理方法、系统、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623837.8A CN114373539A (zh) | 2021-12-28 | 2021-12-28 | 中西医临床数据的处理方法、系统、存储介质及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114373539A true CN114373539A (zh) | 2022-04-19 |
Family
ID=81141450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111623837.8A Pending CN114373539A (zh) | 2021-12-28 | 2021-12-28 | 中西医临床数据的处理方法、系统、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114373539A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116576A (zh) * | 2022-06-30 | 2022-09-27 | 上海国民集团健康科技有限公司 | 融合知识的中医诊断报告自动化生成方法、系统及终端 |
| CN117649413A (zh) * | 2024-01-30 | 2024-03-05 | 数据空间研究院 | 一种基于中医舌象的肠癌深度学习辅助诊断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109431463A (zh) * | 2018-10-23 | 2019-03-08 | 南开大学 | 基于中西医样本标记的深度学习中医智能诊疗系统 |
| CN111695834A (zh) * | 2020-06-23 | 2020-09-22 | 上海用正医药科技有限公司 | 临床试验质量实时管控优化方法和系统 |
-
2021
- 2021-12-28 CN CN202111623837.8A patent/CN114373539A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109431463A (zh) * | 2018-10-23 | 2019-03-08 | 南开大学 | 基于中西医样本标记的深度学习中医智能诊疗系统 |
| CN111695834A (zh) * | 2020-06-23 | 2020-09-22 | 上海用正医药科技有限公司 | 临床试验质量实时管控优化方法和系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116576A (zh) * | 2022-06-30 | 2022-09-27 | 上海国民集团健康科技有限公司 | 融合知识的中医诊断报告自动化生成方法、系统及终端 |
| CN117649413A (zh) * | 2024-01-30 | 2024-03-05 | 数据空间研究院 | 一种基于中医舌象的肠癌深度学习辅助诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | A deep neural network for early detection and prediction of chronic kidney disease | |
| Kumar et al. | Big data analytics for healthcare industry: impact, applications, and tools | |
| Haq et al. | Intelligent machine learning approach for effective recognition of diabetes in E-healthcare using clinical data | |
| El Aboudi et al. | Big data management for healthcare systems: architecture, requirements, and implementation | |
| CN112183747B (zh) | 神经网络训练的方法、神经网络的压缩方法以及相关设备 | |
| Bodenreider et al. | Non-lexical approaches to identifying associative relations in the gene ontology | |
| CN114373539A (zh) | 中西医临床数据的处理方法、系统、存储介质及终端 | |
| CN111128391B (zh) | 一种信息处理设备、方法和存储介质 | |
| Khanna et al. | A distinctive explainable machine learning framework for detection of polycystic ovary syndrome | |
| Abbad Ur Rehman et al. | Effective K-nearest neighbor algorithms performance analysis of thyroid disease | |
| WO2022068160A1 (zh) | 基于人工智能的重症问诊数据识别方法、装置、设备及介质 | |
| US10290370B2 (en) | Systems and methods for extracting specified data from narrative text | |
| CN113284572A (zh) | 多模态异构的医学数据处理方法及相关装置 | |
| CN114491072A (zh) | 一种中医数据处理系统、方法、存储介质及终端 | |
| WO2022134357A1 (zh) | 分诊数据处理方法、装置、计算机设备及存储介质 | |
| Lv et al. | ConAnomaly: Content-based anomaly detection for system logs | |
| CN117542467B (zh) | 基于患者数据的专病标准数据库自动构建方法 | |
| Ayad et al. | Predicting abnormalities in laboratory values of patients in the intensive care unit using different deep learning models: comparative study | |
| CN111797862A (zh) | 任务处理方法、装置、存储介质和电子设备 | |
| Chippalakatti et al. | Comparative review on the machine learning algorithms for medical data | |
| Shanmugarajeshwari et al. | Chronic Kidney Disease for Collaborative Healthcare Data Analytics using Random Forest Classification Algorithms | |
| CN112699907A (zh) | 数据融合的方法、装置和设备 | |
| Lau et al. | Tree structure convolutional neural networks for gait-based gender and age classification | |
| Sachdeva | Standard-based personalized healthcare delivery for kidney illness using deep learning | |
| Yange et al. | A multi-nodal implementation of apriori algorithm for big data analytics using MapReduce framework |
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 |