CN114783618A - 基于知识结构及四诊性状的中医模型训练方法、装置 - Google Patents
基于知识结构及四诊性状的中医模型训练方法、装置 Download PDFInfo
- Publication number
- CN114783618A CN114783618A CN202210540736.2A CN202210540736A CN114783618A CN 114783618 A CN114783618 A CN 114783618A CN 202210540736 A CN202210540736 A CN 202210540736A CN 114783618 A CN114783618 A CN 114783618A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- entity
- chinese medicine
- model
- training
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 220
- 239000003814 drug Substances 0.000 title claims abstract description 119
- 238000012549 training Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000000873 masking effect Effects 0.000 claims abstract description 21
- 238000002405 diagnostic procedure Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000002555 auscultation Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 208000011580 syndromic disease Diseases 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 206010013954 Dysphoria Diseases 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 210000002784 stomach Anatomy 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000000952 spleen Anatomy 0.000 description 3
- 206010033557 Palpitations Diseases 0.000 description 2
- 208000028017 Psychotic disease Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000003001 depressive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010000077 Abdominal mass Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000019790 abdominal distention Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010013781 dry mouth Diseases 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/268—Morphological analysis
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Alternative & Traditional Medicine (AREA)
- Pharmacology & Pharmacy (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及智能决策技术,揭露了一种基于知识结构及四诊性状的中医模型训练方法,包括:对中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合;对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;根据预设的掩码遮蔽策略,利用预构建的四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。本发明还提出一种基于知识结构及四诊性状的中医模型训练装置、设备及存储介质。本发明通过整理知识结构与掩码预测四诊性状的方法,训练得到诊断准确率更高的中医诊断模型。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种基于知识结构及四诊性状的中医模型训练方法、装置、设备及计算机可读存储介质。
背景技术
近年来,随着中医解决国际医疗问题的增多,使得中医的国际地位逐渐提高。中医是我国源远流长的知识积累,通过望闻问切的四诊性状对病人进行全方面的无身体损害的诊断,其要求医者具有涵盖人体各个方面知识,但知识点积累也使得中医的发展受到限制。随着时代的发展,为了更多人能够享受到中医诊治的便利,目前已经产生了通过海量中医相关的文本语料对神经网络进行训练,然后再通过医案典籍进行微调训练,得到医疗诊断模型。
然而,中医为一种高度专业化的领域,现有的训练方法,利用的体量庞大、质量参差不齐的文本语料,训练完的模型不能很好的融入中医辨证论治的思辨逻辑,训练完的模型勉强算作医疗诊断模型而不能称为中医诊断模型。因此,需要一种更加有效的训练方法来得到一个能够体现中医能量的、增加诊断准确率的中医诊断模型。
发明内容
本发明提供一种基于知识结构及四诊性状的中医模型训练方法、装置、设备及存储介质,其主要目的在于通过整理知识结构与掩码预测四诊性状的方法,训练得到诊断准确率更高的中医诊断模型。
为实现上述目的,本发明提供的一种基于知识结构及四诊性状的中医模型训练方法,包括:
对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合;
对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;
对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;
获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合;
根据预设的掩码遮蔽方式和所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。
可选的,所述根据预设的掩码遮蔽方法,利用所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型,包括:
根据预设掩码和预设的遮蔽比例对所述四诊文本集合进行遮蔽,得到遮蔽样本集,其中,每个所述遮蔽样本包括至少一处被遮蔽;
根据预设比例,将所述遮蔽样本集分配为训练集及测试集;
通过所述初级中医诊断模型对所述遮蔽序列进行预测,得到预测结果;
计算所述预测结果与真实被遮蔽部分的损失值,并根据所述损失值,对所述初级中医诊断模型进行反向更新,得到更新诊断模型;
判断所述训练集中的遮蔽样本是否全部参与训练;
当所述训练集中的遮蔽样本未全部参与训练,则返回上述利用所述初级中医诊断模型,对所述训练集中的遮蔽部分进行预测,得到预测结果的步骤对所述更新诊断模型进行迭代更新;
当所述训练集中的遮蔽样本全部参与训练,则得到最终更新的更新诊断模型;
利用所述更新诊断模型对所述测试集进行对比预测,得到预测准确度;并在所述预测准确度小于合格阈值时,返回所述利用预设掩码,根据预设的遮蔽比例,对所述四诊文本集合进行遮蔽,得到遮蔽样本集的步骤,对所述初级中医诊断模型进行重新训练;
当所述预测准确度大于或等于所述合格阈值时,得到中医诊断模型。
可选的,所述对所述链式样本集合进行知识结构训练,得到初级中医诊断模型,包括:
依次将所述链式样本集合中的链式样本导入预训练的语义识别模型中,对所述链式样本中的各个医疗实体进行类型识别,得到预测类型,并预测各个所述医疗实体的下一阶段类型对应的预测实体;
根据链式样本中各个医疗实体的实际类型与真实下一实体,对所述预测类型及所述预测实体进行对比,得到误差值;
最小化所述误差值,得到误差值最小时的神经网络参数,并利用所述神经网络参数进行反向网络传播,更新所述语义识别模型的模型参数,得到更新模型;
记录所述误差值,并判断所述误差值的收敛性;
当所述误差值不收敛时,返回上述依次将所述链式样本集合中的一个链式样本导入预构建的语义识别模型中的步骤,对所述语义识别模型进行迭代更新;
当所述误差值收敛时,将最终更新的语义识别模型进行输出,得到初级中医诊断模型。
可选的,所述根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合,包括:
将所述四诊性状中包含脸部、舌部图片的望诊断性状进行图像特征提取,得到图像特征文本集合;
将所述四诊性状中包含脉动规律的切诊断性状及包含听诊噪声的问诊断性状进行声纹特征提取,分别得到脉搏特征文本集合及听诊特征文本集合;
将所述图像特征文本集合、所述脉搏特征文本集合、所述听诊特征文本集合及所述四诊性状中的问答文本作为四诊文本集合。
可选的,所述对预构建的中医语料数据集进行实体识别,得到实体结果,包括:
对所述中医语料数据集进行分词,并将分词结果进行词性标注,得到医疗分词集合;
对所述医疗分词集合进行量化操作,得到量化数据集合;
利用预训练的实体提取网络对所述量化数据集合进行实体识别,得到实体结果。
可选的,所述将所述实体结果进行分类,得到各个类型的医疗实体集合,包括:
根据预设的分类策略及类别集合,对所述实体结果进行初级分类,得到初级分类结果;
将同一分类下的初级分类结果中的各个实体进行等级分类,得到各个类型的医疗实体集合。
可选的,所述对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合,包括:
根据预设的实体上下级关系,将相邻类型医疗实体集合中的医疗实体构建键值对;
根据所述键值对,将各个所述医疗实体进行链式连接,得到链式样本集合。
为了解决上述问题,本发明还提供一种基于知识结构及四诊性状的中医模型训练装置,所述装置包括:
知识样本获取模块,用于对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合,及对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;
初级训练模块,用于对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;
四诊性状样本获取模块,用于获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合;
微调训练模块,用于根据预设的掩码遮蔽方式和所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的基于知识结构及四诊性状的中医模型训练方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于知识结构及四诊性状的中医模型训练方法。
本发明实施,先获取中医语料数据集中的医疗实体,然后根据预设的实体上下级关系,将各个医疗实体构建为链式样本集合,来训练模型,得到初级中医诊断模型,其中,所述初级中医诊断模型能够根据某一特定医疗实体推断出后续类型的医疗实体,例如从证素推导出证型,实现关于中医知识结构的机器学习;然后本方案将四诊性状进行转文本操作,得到四诊文本集合,并根据预设的掩码遮蔽方式,利用所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型,其中,所述掩码遮蔽方法,是随机遮蔽所述四诊文本集合中的几个四诊形状特征,通过然后模型将被遮蔽部分的特征预测出来,使得训练得到的中医诊断模型,能够根据已有的诊断性状,推断出可能存在的其他性状,当推导出的性状被病人认可后,即可得到最终的诊断结论。因此,本发明实施例提供的一种基于知识结构及四诊性状的中医模型训练方法、装置、设备及存储介质,能够通过整理知识结构与掩码预测四诊性状的方法,训练得到诊断准确率更高的中医诊断模型。
附图说明
图1为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练方法的流程示意图;
图2为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练方法中一个步骤的详细流程示意图;
图3为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练方法中一个步骤的详细流程示意图;
图4为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练方法中一个步骤的详细流程示意图;
图5为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练方法中一个步骤的详细流程示意图;
图6为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练方法中一个步骤的详细流程示意图;
图7为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练装置的功能模块图;
图8为本发明一实施例提供的实现所述基于知识结构及四诊性状的中医模型训练方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于知识结构及四诊性状的中医模型训练方法。本申请实施例中,所述基于知识结构及四诊性状的中医模型训练方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于知识结构及四诊性状的中医模型训练方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于知识结构及四诊性状的中医模型训练方法的流程示意图。在本实施例中,所述基于知识结构及四诊性状的中医模型训练方法包括步骤S1—S5:
S1、对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合。
本发明实施例中,所述中医语料数据集为中医相关的文本形式的知识文本段落,例如“烦躁是肝发热的表现……”。
详细的,参考图2所示,本发明实施例中,所述对预构建的中医语料数据集进行实体识别,得到实体结果,包括步骤S101—S103:
S101、对所述中医语料数据集进行分词,并将分词结果进行词性标注,得到医疗分词集合;
S102、对所述医疗分词集合进行量化操作,得到量化数据集合;
S103、利用预训练的实体提取网络对所述量化数据集合进行实体识别,得到实体结果。
本发明实施例可以利用NLPIR汉语分词系统或其他工具对所述中医语料数据集进行分词标注,如:“烦躁(普名)、是(助词)、肝(普名)、发热(普名)、……”。本发明实施例利用one-hot量化模型将各个分词进行量化编码,得到“E烦躁、E是、E肝、……”。然后利用预训练的实体提取网络对所述量化数据集合进行实体识别,得到实体结果“E烦躁、E肝、E发热”。
其中,本发明实施例中的所述实体提取网络是基于Bert+Bi-LSTM+CRF 的实体识别方法,可通过文本上下文语义、词性关系,将文本中的主体进行提取,具体实体提取过程此处不加以赘述。
进一步的,参考图3所示,本发明实施例中,所述将所述实体结果进行分类,得到各个类型的医疗实体集合,包括步骤S111—S112:
S111、根据预设的分类策略及类别集合,对所述实体结果进行初级分类,得到初级分类结果;
S112、将同一分类下的所述初级分类结果中的各个实体进行等级分类,得到各个类型的医疗实体集合。
其中,所述分类策略是指先对不同类型的医疗实体进行分类,在对同一类型医疗实体进行是否存在包含关系分类。
本发明实施例根据预设的类别集合对所述实体结果进行分类,得到医疗实体集合。其中,所述医疗实体集合中包括:【“症状类别,如烦躁、口干”、“证素类别,如肝热、气虚”、“证型类别,如脾胃虚寒”、“疾病类别,如心悸”、“诊断类型,如问答、脉诊”及“症状部位类型,如癫顶、腹部”】。然后,对同一类型医疗实体,如证型,进行包含关系分类,如表证→表虚证;湿热证→湿热并重证→湿重于热证。
S2、对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合。
本发明实施例中,所述实体上下级关系为根据中医诊断理论构建的病情推导诊断流程。如,根据症状推导证素(烦躁→肝热)、根据证素推导证型(气虚→脾胃虚寒)、根据证型推导疾病类型(心脾两虚→心悸病)、证型包含关系(热湿证→湿热并重、湿重于热)、根据症状推导诊断方式(脉弦细→脉诊) 及症状推导部位(癫顶痛→头)。
详细的,本发明实施例中,所述对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合,包括:根据预设的实体上下级关系,将相邻类型医疗实体集合中的医疗实体构建键值对;根据所述键值对,将各个所述医疗实体进行链式连接,得到链式样本集合。
具体的,本发明实施例根据所述实体上下级关系R,对所述医疗实体集合K中的各个医疗实体进行函数F映射,得到键值对集合K′,其中函数映射关系如下:
F(R,K)=K′
然后,将所述K′中各个键值对进行对应连接,得到链式样本集合,其中一个链式样本为例如:
脉诊→舌苔黄厚→湿、热→湿热证
问诊→腹胀→腹 →湿热并重→胃痞病
问诊→脘痞→胃
S3、对所述链式样本集合进行知识结构训练,得到初级中医诊断模型。
详细的,参考图4所示,本发明实施例中,所述对所述链式样本集合进行知识结构训练,得到初级中医诊断模型,包括步骤S31—S35:
S31、依次将所述链式样本集合中的链式样本导入预训练的语义识别模型中,对所述链式样本中的各个医疗实体进行类型识别,得到预测类型,并预测各个所述医疗实体的下一阶段类型对应的预测实体;
S32、根据链式样本中各个医疗实体的实际类型与真实下一实体,对所述预测类型及所述预测实体进行对比,得到误差值;
S33、最小化所述误差值,得到误差值最小时的神经网络参数,并利用所述神经网络参数进行反向网络传播,更新所述语义识别模型的模型参数,得到更新模型;
S34、记录所述误差值,并判断所述误差值的收敛性;
当所述误差值不收敛时,返回上述依次将所述链式样本集合中的一个链式样本导入预构建的语义识别模型中的步骤,对所述语义识别模型进行迭代更新;
当所述误差值收敛时,S35、将最终更新的语义识别模型进行输出,得到初级中医诊断模型。
其中,所述语义识别模型为基于bert神经网络的文本识别模型,可对文本分词内容进行识别、分类的操作。
本发明实施例对所述语义识别模型的输出层进行配置,使得所述语义识别模型输出医疗实体的类别及下一阶段类型对应的预测实体,其中,下一阶段类型例如:证型为证素的下一阶段类型、证素为症状的下一阶段类型。
本发明实施例利用所述语义识别模型对所述链式样本中的各个医疗实体进行类型识别,得到预测类型,并预测所述各个医疗实体的下一阶段类型对应的预测实体,再通过均方差计算的方式将得到的预测类型及预测实体,与真实类型、真实实体进行对比,得到误差值;根据梯度下降方法,对所述误差值进行最小化操作,得到误差值最小时的神经网络参数,然后利用所述神经网络参数对所述语义识别模型进行更新,由此完成一次样本训练,并对其他样本进行训练,直至所述误差值收敛,表明所述语义识别模型的训练效果逐渐消失,则停止训练过程,得到可以根据一个医疗实体推断出下一阶段医疗实体的初级中医诊断模型。
S4、获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合。
本发明实施例中,所述四诊性状是指通过“望闻问切”的四种手段得到的诊断性状,例如【望:舌苔如何、面色如何】【闻:听诊胸、腹腔声音】【问:询问哪里不舒服、有什么感觉】【切:诊脉、按压某部位等】。
其中,除了问诊外,其他诊断方式均不是文本形式,因此,本发明实施例要将所述四诊性状进行转文本操作。
详细的,参考图5所示,本发明实施例中,所述根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合,包括步骤S41—S43:
S41、将所述四诊性状中包含脸部、舌部图片的望诊断性状进行图像特征提取,得到图像特征文本集合;
S42、将所述四诊性状中包含脉动规律的切诊断性状及包含听诊噪声的问诊断性状进行声纹特征提取,分别得到脉搏特征文本集合及听诊特征文本集合;
S43、将所述图像特征文本集合、所述脉搏特征文本集合、所述听诊特征文本集合及所述四诊性状中的问答文本作为四诊文本集合。
本发明实施例,望诊的诊断性状属于图片类型数据,本发明实施例可以利用图像特征提取的方法对诊断性状进行提取;然后,诊脉及听诊,可以通过声音特征提取的方法查看脉动规律以及是否腹、胸内是否有杂音,分别得到脉搏特征文本集合及听诊特征文本集合,最终得到含有所述图像特征文本集合、所述脉搏特征文本集合、所述听诊特征文本集合及所述四诊性状中的问答文本的四诊文本集合。
S5、根据预设的掩码遮蔽方式和所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。
所述掩码是指遮蔽四诊文本集合中的部分内容,然后再对被遮蔽部分进行推导的训练方式。
本发明实施例中,上述步骤S3的过程为对链式样本进行单链的、单项的预测,不符合中医辨证论治思想,因此,本发明实施例利用所述掩码遮蔽方法对初级中医诊断模型进行跨链的,不定向的医疗实体预测。
详细的,参考图6所示,本发明实施例中,所述根据预设的掩码遮蔽方法,利用所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型,包括步骤S61—S69:
S61、根据预设掩码和预设的遮蔽比例对所述四诊文本集合进行遮蔽,得到遮蔽样本集,其中,每个所述遮蔽样本包括至少一处被遮蔽;
S62、根据预设比例,将所述遮蔽样本集分配为训练集及测试集;
S63、通过所述初级中医诊断模型对所述遮蔽序列进行预测,得到预测结果;
S64、计算所述预测结果与真实被遮蔽部分的损失值,并根据所述损失值,对所述初级中医诊断模型进行反向更新,得到更新诊断模型;
S65、判断所述训练集中的遮蔽样本是否全部参与训练;
当所述训练集中的遮蔽样本未全部参与训练,则返回上述利用所述初级中医诊断模型,对所述训练集中的遮蔽部分进行预测,得到预测结果的步骤对所述更新诊断模型进行迭代更新;
当所述训练集中的遮蔽样本全部参与训练,则S66、得到最终更新的更新诊断模型;
S67、利用所述更新诊断模型对所述测试集进行对比预测,得到预测准确度;
S68、判断所述预测准确度是否大于或等于预设的合格阈值;
当所述预测准确度小于所述合格阈值时,则返回所述利用预设掩码,根据预设的遮蔽比例,对所述四诊文本集合进行遮蔽,得到遮蔽样本集的步骤,对所述初级中医诊断模型进行重新训练;
当所述预测准确度大于或等于所述合格阈值时,S69、得到中医诊断模型。
本发明实施例中,所述遮蔽比例为15%,则将所述四诊性状中的15%的医疗实体进行遮蔽,利用所述初级中医诊断模型根据被遮蔽部分前后未被遮蔽的医疗实体来推断被遮蔽的部分。然后利用交叉熵算法,根据预测结果与真实结果的损失值,利用上述步骤S3中类似的反向更新方法,对所述初级中医诊断模型进行训练,使得所述初级中医诊断模型能够对前后或并列的医疗实体进行预测。
本发明实施例将遮蔽样本分为训练集及测试集,比例为7:1。当所述训练集训练完成后,利用测试集测试训练完的模型的准确度,当准确度达到预设的合格阈值如90%,则表明所述初级中医诊断模型通过训练可以根据中医辨证诊断精髓,从几个医疗实体中推断出未被提供的医疗实体,进而准确得到诊断效果,从初级中医诊断模型训练成为中医诊断模型。
本发明实施,先获取中医语料数据集中的医疗实体,然后根据预设的实体上下级关系,将各个医疗实体构建为链式样本集合,来训练模型,得到初级中医诊断模型,其中,所述初级中医诊断模型能够根据某一特定医疗实体推断出后续类型的医疗实体,例如从证素推导出证型,实现关于中医知识结构的机器学习;然后本方案将四诊性状进行转文本操作,得到四诊文本集合,并根据预设的掩码遮蔽方法,利用所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型,其中,所述掩码遮蔽方法,是随机遮蔽所述四诊文本集合中的几个四诊形状特征,通过然后模型将被遮蔽部分的特征预测出来,使得训练得到的中医诊断模型,能够根据已有的诊断性状,推断出可能存在的其他性状,进而更加精准地得到最终的诊断结论。因此,本发明实施例提供的一种基于知识结构及四诊性状的中医模型训练方法,能够通过整理知识结构与掩码预测四诊性状的方法,训练得到诊断准确率更高的中医诊断模型。
如图7所示,是本发明一实施例提供的基于知识结构及四诊性状的中医模型训练装置的功能模块图。
本发明所述基于知识结构及四诊性状的中医模型训练装置100可以安装于电子设备中。根据实现的功能,所述基于知识结构及四诊性状的中医模型训练装置100可以包括知识样本获取模块101、初级训练模块102、四诊性状样本获取模块及微调训练模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述知识样本获取模块101,用于对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合,及对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;
所述初级训练模块102,用于对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;
所述四诊性状样本获取模块103,用于获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合;
所述微调训练模块104,用于根据预设的掩码遮蔽方式,利用所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。
详细地,本申请实施例中所述基于知识结构及四诊性状的中医模型训练装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于知识结构及四诊性状的中医模型训练方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图8所示,是本发明一实施例提供的实现基于知识结构及四诊性状的中医模型训练方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于知识结构及四诊性状的中医模型训练程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于知识结构及四诊性状的中医模型训练程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于知识结构及四诊性状的中医模型训练程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12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。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如 WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图8仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图8 示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于知识结构及四诊性状的中医模型训练程序是多个指令的组合,在所述处理器10中运行时,可以实现:
对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合;
对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;
对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;
获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合;
根据预设的掩码遮蔽方式,利用所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合;
对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;
对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;
获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合;
根据预设的掩码遮蔽方式,利用所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于知识结构及四诊性状的中医模型训练方法,其特征在于,所述方法包括:
对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合;
对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;
对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;
获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合;
根据预设的掩码遮蔽方式和所述四诊文本集合,对所述初级中医诊断模型进行训练,得到中医诊断模型。
2.如权利要求1所述的基于知识结构及四诊性状的中医模型训练方法,其特征在于,所述根据预设的掩码遮蔽方式和所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型,包括:
根据预设掩码和预设的遮蔽比例对所述四诊文本集合进行遮蔽,得到遮蔽样本集,其中,每个所述遮蔽样本包括至少一处被遮蔽;
根据预设比例,将所述遮蔽样本集分配为训练集及测试集;
通过所述初级中医诊断模型对所述遮蔽序列进行预测,得到预测结果;
计算所述预测结果与真实被遮蔽部分的损失值,并根据所述损失值,对所述初级中医诊断模型进行反向更新,得到更新诊断模型;
判断所述训练集中的遮蔽样本是否全部参与训练;
当所述训练集中的遮蔽样本未全部参与训练,则返回上述利用所述初级中医诊断模型,对所述训练集中的遮蔽部分进行预测,得到预测结果的步骤对所述更新诊断模型进行迭代更新;
当所述训练集中的遮蔽样本全部参与训练,则得到最终更新的更新诊断模型;
利用所述更新诊断模型对所述测试集进行对比预测,得到预测准确度;并在所述预测准确度小于合格阈值时,返回所述利用预设掩码,根据预设的遮蔽比例,对所述四诊文本集合进行遮蔽,得到遮蔽样本集的步骤,对所述初级中医诊断模型进行重新训练;
当所述预测准确度大于或等于所述合格阈值时,得到中医诊断模型。
3.如权利要求1所述的基于知识结构及四诊性状的中医模型训练方法,其特征在于,所述对所述链式样本集合进行知识结构训练,得到初级中医诊断模型,包括:
依次将所述链式样本集合中的链式样本导入预训练的语义识别模型中,对所述链式样本中的各个医疗实体进行类型识别,得到预测类型,并预测各个所述医疗实体的下一阶段类型对应的预测实体;
根据链式样本中各个医疗实体的实际类型与真实下一实体,对所述预测类型及所述预测实体进行对比,得到误差值;
最小化所述误差值,得到误差值最小时的神经网络参数,并利用所述神经网络参数进行反向网络传播,更新所述语义识别模型的模型参数,得到更新模型;
记录所述误差值,并判断所述误差值的收敛性;
当所述误差值不收敛时,返回上述依次将所述链式样本集合中的一个链式样本导入预构建的语义识别模型中的步骤,对所述语义识别模型进行迭代更新;
当所述误差值收敛时,将最终更新的语义识别模型进行输出,得到初级中医诊断模型。
4.如权利要求1所述的基于知识结构及四诊性状的中医模型训练方法,其特征在于,所述根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合,包括:
将所述四诊性状中包含脸部、舌部图片的望诊断性状进行图像特征提取,得到图像特征文本集合;
将所述四诊性状中包含脉动规律的切诊断性状及包含听诊噪声的问诊断性状进行声纹特征提取,分别得到脉搏特征文本集合及听诊特征文本集合;
将所述图像特征文本集合、所述脉搏特征文本集合、所述听诊特征文本集合及所述四诊性状中的问答文本作为四诊文本集合。
5.如权利要求1所述的基于知识结构及四诊性状的中医模型训练方法,其特征在于,所述对预构建的中医语料数据集进行实体识别,得到实体结果,包括:
对所述中医语料数据集进行分词,并将分词结果进行词性标注,得到医疗分词集合;
对所述医疗分词集合进行量化操作,得到量化数据集合;
利用预训练的实体提取网络对所述量化数据集合进行实体识别,得到实体结果。
6.如权利要求1所述的基于知识结构及四诊性状的中医模型训练方法,其特征在于,所述将所述实体结果进行分类,得到各个类型的医疗实体集合,包括:
根据预设的分类策略及类别集合,对所述实体结果进行初级分类,得到初级分类结果;
将同一分类下的初级分类结果中的各个实体进行等级分类,得到各个类型的医疗实体集合。
7.如权利要求1所述的基于知识结构及四诊性状的中医模型训练方法,其特征在于,所述对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合,包括:
根据预设的实体上下级关系,将相邻类型医疗实体集合中的医疗实体构建键值对;
根据所述键值对,将各个所述医疗实体进行链式连接,得到链式样本集合。
8.一种基于知识结构及四诊性状的中医模型训练装置,其特征在于,所述装置包括:
知识样本获取模块,用于对预构建的中医语料数据集进行实体识别,得到实体结果,并将所述实体结果进行分类,得到各个类型的医疗实体集合,及对所述医疗实体集合,根据预设的实体上下级关系,构建链式样本集合;
初级训练模块,用于对所述链式样本集合进行知识结构训练,得到初级中医诊断模型;
四诊性状样本获取模块,用于获取四诊性状的诊断信息集合,根据预设的预处理策略,将所述四诊性状的诊断信息集合进行转文本操作,得到四诊文本集合;
微调训练模块,用于根据预设的掩码遮蔽方式和所述四诊文本集合对所述初级中医诊断模型进行训练,得到中医诊断模型。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于知识结构及四诊性状的中医模型训练方法。
10.一种计算机可读存储介质,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如权利要求1至7中任意一项所述的基于知识结构及四诊性状的中医模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540736.2A CN114783618A (zh) | 2022-05-17 | 2022-05-17 | 基于知识结构及四诊性状的中医模型训练方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540736.2A CN114783618A (zh) | 2022-05-17 | 2022-05-17 | 基于知识结构及四诊性状的中医模型训练方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114783618A true CN114783618A (zh) | 2022-07-22 |
Family
ID=82408086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210540736.2A Pending CN114783618A (zh) | 2022-05-17 | 2022-05-17 | 基于知识结构及四诊性状的中医模型训练方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783618A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631852A (zh) * | 2022-11-02 | 2023-01-20 | 北京大学重庆大数据研究院 | 证型推荐方法、装置、电子设备及非易失性存储介质 |
CN115719628A (zh) * | 2022-11-16 | 2023-02-28 | 联仁健康医疗大数据科技股份有限公司 | 一种中医处方生成方法、装置、设备及存储介质 |
CN117708338A (zh) * | 2024-02-05 | 2024-03-15 | 成都中医药大学 | 一种中文电子病历实体识别与四诊分类的抽取方法及模型 |
-
2022
- 2022-05-17 CN CN202210540736.2A patent/CN114783618A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115631852A (zh) * | 2022-11-02 | 2023-01-20 | 北京大学重庆大数据研究院 | 证型推荐方法、装置、电子设备及非易失性存储介质 |
CN115631852B (zh) * | 2022-11-02 | 2024-04-09 | 北京大学重庆大数据研究院 | 证型推荐方法、装置、电子设备及非易失性存储介质 |
CN115719628A (zh) * | 2022-11-16 | 2023-02-28 | 联仁健康医疗大数据科技股份有限公司 | 一种中医处方生成方法、装置、设备及存储介质 |
CN117708338A (zh) * | 2024-02-05 | 2024-03-15 | 成都中医药大学 | 一种中文电子病历实体识别与四诊分类的抽取方法及模型 |
CN117708338B (zh) * | 2024-02-05 | 2024-04-26 | 成都中医药大学 | 一种中文电子病历实体识别与四诊分类的抽取方法及模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114783618A (zh) | 基于知识结构及四诊性状的中医模型训练方法、装置 | |
US10854335B2 (en) | Computer aided medical method and medical system for medical prediction | |
WO2016192612A1 (zh) | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 | |
Hu et al. | Automatic construction of Chinese herbal prescriptions from tongue images using CNNs and auxiliary latent therapy topics | |
CN110427486B (zh) | 身体病况文本的分类方法、装置及设备 | |
Manzak et al. | Automated classification of Alzheimer’s disease using deep neural network (DNN) by random forest feature elimination | |
CN112100406B (zh) | 数据处理方法、装置、设备以及介质 | |
CN113674858B (zh) | 在线医疗处方用药智能检查方法、装置、设备及存储介质 | |
CN109192299A (zh) | 一种基于卷积神经网络的医疗分析辅助系统 | |
CN111048167A (zh) | 一种层级式病例结构化方法及系统 | |
CN109615012A (zh) | 基于机器学习的就诊数据异常识别方法、设备及存储介质 | |
US20230401466A1 (en) | Method for temporal knowledge graph reasoning based on distributed attention | |
CN112489769A (zh) | 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统 | |
Ghazal et al. | Early detection of autism in children using transfer learning | |
CN109935337A (zh) | 一种基于相似性度量的病案查找方法及系统 | |
CN114420279A (zh) | 一种医疗资源推荐方法、装置、设备及存储介质 | |
Casti et al. | Calibration of vision-based measurement of pain intensity with multiple expert observers | |
CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
Shankar et al. | A novel discriminant feature selection–based mutual information extraction from MR brain images for Alzheimer's stages detection and prediction | |
KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
CN114334175A (zh) | 医院疫情监测方法、装置、计算机设备及存储介质 | |
Hong et al. | Predicting risk of mortality in pediatric ICU based on ensemble step-wise feature selection | |
CN114649071A (zh) | 一种基于真实世界数据的消化性溃疡治疗方案的预测系统 | |
Milewska et al. | Graphical representation of the relationships between qualitative variables concerning the process of hospitalization in the gynecological ward using correspondence analysis | |
WO2021114626A1 (zh) | 一种病历数据的质量检测方法和相关装置 |
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 |