CN115831356B - 一种基于人工智能算法的辅助预测诊断方法 - Google Patents
一种基于人工智能算法的辅助预测诊断方法 Download PDFInfo
- Publication number
- CN115831356B CN115831356B CN202310132242.5A CN202310132242A CN115831356B CN 115831356 B CN115831356 B CN 115831356B CN 202310132242 A CN202310132242 A CN 202310132242A CN 115831356 B CN115831356 B CN 115831356B
- Authority
- CN
- China
- Prior art keywords
- symptom
- representing
- information
- user
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 20
- 208000024891 symptom Diseases 0.000 claims abstract description 167
- 201000010099 disease Diseases 0.000 claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 55
- 238000003066 decision tree Methods 0.000 claims abstract description 46
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003475 lamination Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims 1
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术领域,具体公开了一种基于人工智能算法的辅助预测诊断方法,获取待诊断用户的问诊需求信息和用户画像信息,构建症状事件神经网络模型,通过所述症状事件神经网络模型从症状图像中提取症状特征信息,对待诊断用户的问诊需求信息进行症状事件提取,得到症状事件;基于提取到的待诊断用户的症状事件,根据症状事件和用户画像信息构建诊断决策树,将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,从而辅助给出最为相似的疾病可能性。本发明解决了现有技术难以理解海量的疾病信息及不同病症之间细微的差距,对于诊断的正确性难以确保的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能算法的辅助预测诊断方法。
背景技术
随着人工智能的发展,其在计算机辅助预测诊断方面取得了许多进展,利用人工智能结合医师经验及历史信息,计算机辅助预测诊断可以在一定程度上发挥辅助的功能,减少医师的工作量,并提升低年资医生的诊断水准。另外,由于在线问诊方式的普及,通过在线问诊的方式得到医生的云诊断,可以大大节约时间、金钱成本,但医生无法时时刻刻在线并及时对患者进行疾病判断,当医生不在线时,无法及时获取用户的诉求,因此,不能围绕用户诉求对患者情况进行进一步了解,也无法智能给出辅助预测诊断结果。
由于人工智能算法在医学分析领域取得巨大成功,研究人员尝试结合人工智能算法来辅助医生进行诊断,通过人工智能算法处理来自患者的疾病信息,相对于人工处理能够更加快速精准的提供可行的结论和科学的决策。
中国发明专利公开号CN112614586A,公开了一种基于医学影像和区块链的远程疾病智能诊断系统和诊断方法。诊断方法应用于诊断服务器,诊断方法包括:接收疾病诊断请求,疾病诊断请求中包含多张医学影像和用户信息;对多张医学影像进行去噪处理,得到一张去噪后的医学影像,然后基于去噪后的医学影像进行疾病预测,得到疾病预测结果;生成公钥查询交易,以及对公钥查询交易进行签名;将签名后的公钥查询交易发送给区块链服务器,以使得区块链服务器调取用户对应的用户公钥,并将该用户公钥返回给诊断服务器;接收用户公钥,并利用该用户公钥对疾病预测结果进行加密,以及将加密后的疾病预测结果发送给用户终端。
但上述技术至少存在如下技术问题:在对患者进行辅助预测诊断时,对于患者症状信息的了解不够全面,机器难以理解海量的疾病信息及不同病症之间细微的差距,因此对于诊断的正确性难以确保,无法为医生提供有效的帮助。
发明内容
本申请实施例通过提供一种基于人工智能算法的辅助预测诊断方法,目的在于解决现有技术在对患者进行辅助预测诊断时,对于患者症状信息的了解不够全面,机器难以理解海量的疾病信息及不同病症之间细微的差距,因此对于诊断的正确性难以确保,无法为医生提供有效的帮助的问题,实现了提高提取的症状信息的准确度,与现有疾病知识图谱进行了准确的匹配,大大提升了诊断的正确率,缩短了医生的操作时间,提升医生诊断的效率。
本申请具体包括以下技术方案:
一种基于人工智能算法的辅助预测诊断方法,包括以下步骤:
S1. 获取待诊断用户的问诊需求信息和用户画像信息,构建症状事件神经网络模型,通过所述症状事件神经网络模型从症状图像中提取症状特征信息,对待诊断用户的问诊需求信息进行症状事件提取,得到症状事件;
S2. 基于提取到的待诊断用户的症状事件,根据症状事件和用户画像信息构建诊断决策树,将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,从而辅助给出最为相似的疾病可能性。
进一步,所述步骤S1具体包括:
构建症状事件神经网络模型,症状事件神经网络模型包括输入层、图卷积层、池化层、双向循环层、分类层和输出层;症状事件神经网络的输入为症状图像信息,通过所述症状事件神经网络模型从症状图像中提取症状特征信息,输出为症状图像信息中的所有症状特征信息,即症状事件。
进一步,所述步骤S1具体包括:
在图卷积层中确定症状图像信息对应的症状特征信息,对卷积核进行翻转,用滑动窗口的点积计算实现,池化层对特征进行选择,降低特征数量。
进一步,所述步骤S1具体包括:
在双向循环层中,分为正向隐含状态和反向隐含状态,分别计算正向隐含状态和反向隐含状态;分类层对提取的症状图像中的症状特征信息与知识图谱中的图像信息进行症状事件匹配,即将从症状图像中提取的症状特征信息用知识图谱中已有的相似度达到相似阈值之上的症状事件表示;相似阈值由实验获得或专家经验指定。
进一步,所述步骤S2具体包括:
基于提取到的待诊断用户的症状事件,根据症状事件和用户画像信息构建诊断决策树,所述诊断决策树通过迭代训练得到待诊断用户的诊断结果。
进一步,所述步骤S2具体包括:
在训练数据集所在的输入空间中,递归地将每个区域划分为两个子区域,并决定每个子区域上的输出值,构建二叉决策树,初始化弱学习器,以分阶段的形式迭代学习每个弱学习器,每个弱学习器在上一轮弱学习器的残差基础上进行训练。
进一步,所述步骤S2具体包括:
通过结合诊断决策树的全局影响和局部影响,即所有诊断决策树的整体残差和每棵诊断决策树的叶子节点的残差,通过诊断决策强学习器将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,根据待诊断用户的症状事件和用户画像从疾病知识图谱中寻找相似度大于相似阈值的疾病信息,从而辅助给出最为相似的疾病可能性。
本申请至少具有如下技术效果或优点:
1、从待诊断用户的问诊需求信息和用户画像信息中提取至少一个症状事件,结合症状描述、历史诊断信息、历史治疗信息、体检信息等生成症状事件,构建症状事件神经网络模型,通过人工智能算法,提高提取的症状信息的准确度,便于后续识别。
2、构建诊断决策树,将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,从而辅助给出最为相似的疾病可能性,实现基于人工智能的辅助预测诊断方法,通过在每轮迭代过程中根据上轮迭代获得的残差进行自适应样本加权,在保持精度不变的情况下,极大的减少了训练所需的轮数,避免了噪声的引入,同时也进行了准确的匹配,大大提升了诊断的正确率。
3、真实反应病人病灶的真实情况,准确有效地辅助后续的疾病诊断,提高后续人为诊断的准确性,缩短了医生的操作时间,提升医生诊断的效率,节省人力成本和物力成本。
4、本申请的技术方案能够有效解决现有技术在对患者进行辅助预测诊断时,对于患者症状信息的了解不够全面,机器难以理解海量的疾病信息及不同病症之间细微的差距,因此对于诊断的正确性难以确保,无法为医生提供有效的帮助的问题。
附图说明
图1为本申请所述的一种基于人工智能算法的辅助预测诊断方法流程图;
图2为本申请所述的诊断决策树结构图。
具体实施方式
本申请实施例中的技术方案为解决上述问题,总体思路如下:
从待诊断用户的问诊需求信息和用户画像信息中提取至少一个症状事件,结合症状描述、历史诊断信息、历史治疗信息、体检信息等生成症状事件,构建症状事件神经网络模型,通过人工智能算法,提高提取的症状信息的准确度,便于后续识别;构建诊断决策树,将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,从而辅助给出最为相似的疾病可能性,实现基于人工智能的辅助预测诊断方法,通过在每轮迭代过程中根据上轮迭代获得的残差进行自适应样本加权,在保持精度不变的情况下,极大的减少了训练所需的轮数,避免了噪声的引入,同时也进行了准确的匹配,大大提升了诊断的正确率。真实反应病人病灶的真实情况,准确有效地辅助后续的疾病诊断,提高后续人为诊断的准确性,缩短了医生的操作时间,提升医生诊断的效率,节省人力成本和物力成本。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1,本申请所述的一种基于人工智能算法的辅助预测诊断方法包括以下步骤:
S1. 获取待诊断用户的问诊需求信息和用户画像信息,构建症状事件神经网络模型,通过所述症状事件神经网络模型从症状图像中提取症状特征信息,对待诊断用户的问诊需求信息进行症状事件提取,得到症状事件。
随着移动互联网的应用和普及,越来越多的用户开始借助移动终端,线上开展业务,通过用户终端将医疗数据上传到辅助预测诊断服务器,辅助预测诊断服务器根据用户端上传的医疗数据,做出相应的疾病辅助预测诊断。
获取待诊断用户的问诊需求信息和用户画像信息,所述问诊需求信息是指用户当前症状表现,用户可以通过描述或者上传症状视频、图像进行问诊,所述描述可包括文本描述和语音描述;所述用户画像信息包括用户的个人信息、历史诊断信息、历史治疗信息、体检信息等;所述个人信息包括年龄、性别、地域、喜好、家族史等多个维度。
从待诊断用户的问诊需求信息和用户画像信息中提取至少一个症状事件。
对待诊断用户的问诊需求信息进行症状事件提取,得到至少一个症状事件。具体而言,对于文本类的问诊需求信息,可以通过设置关键字,对文本信息进行提取,获得症状事件;对于音频类的问诊需求信息,可以通过将音频信号转化为文本信息,然后对文本信息进行提取,获得症状事件;对于视频、图像类的问诊需求信息,可以对视频进行拆分,提取关键帧图像,识别图像中的症状信息,对应到症状事件。
作为一个具体实施例,从图像类问诊需求信息中识别用户的症状信息,并匹配到对应的症状表现,构成症状事件。所述症状动作的识别方法具体过程如下:
对用户的问诊需求图像集进行预处理和图像分割处理,在一个实施例中,所述预处理包括图像锐化、平滑、去噪等操作;所述图像分割处理是采用图像分割算法将症状图像从问诊需求图像中分割出来,所述预处理方法采用现有技术即可,所述图像分割算法可采用基于边缘检测的分割方法,也可以采用基于区域生长的分割方法,或者其他图像分割算法,本发明在此不做过多限定。
构建症状事件神经网络模型,通过所述症状事件神经网络模型从症状图像中提取症状特征信息,形成症状事件。
所述疾病知识图谱为提前构建的包括各种疾病的疾病名称、症状、检查项目、治疗方案等信息的知识图谱。在一些实施例中,所述症状信息包括文本描述和症状图像信息;在一些实施例中,疾病知识图谱可以提取由专业人员通过建模、知识获取、数据处理、知识存储的方式构建得到。
从历史数据中选取用户问诊需求信息中提取的症状图像及对应的症状事件,用于对症状事件神经网络模型进行训练和测试,将历史数据分为训练集和测试集。首先用n个训练集对症状事件神经网络进行训练,具体训练过程如下:
所述症状事件神经网络模型包括输入层、图卷积层、池化层、双向循环层、分类层和输出层。症状事件神经网络的输入为症状图像信息,输出为症状图像信息中的所有症状特征信息,即症状事件。所述症状事件神经网络模型的具体实现过程如下:
设立症状图像信息为,对于任意一个症状图像信息元素用表示,每个症状图像信息元素含有不同像素点的信息/>,其中,/>表示第/>个像素点的横坐标,/>表示第/>个像素点的纵坐标,/>用于表征像素点的灰度值,设立症状图像尺寸为/>,则/>,/>。将症状图像信息输入到症状事件神经网络的输入层,输入层包含n个神经元,输入层与图卷积层之间为全连接;
在图卷积层中确定症状图像信息对应的症状特征信息,设立卷积核大小为,对于任意一个卷积核用/>表示,则症状特征信息与卷积核的二维卷积运算为:
。
其中,表示第i个神经元的输出,/>表示卷积运算,/>表示偏置。对卷积核进行翻转,用滑动窗口的点积计算实现,具体公式为:
。
池化层对特征进行选择,降低特征数量,池化层的计算公式为:
。
其中,表示池化层的输出,/>表示激活函数,/>表示上采样操作,/>表示逐元素相乘。
在双向循环层中,分为正向隐含状态和反向隐含状态,时间步正向隐含状态为,t表示时间步,/>表示样本数为m,正向隐含单元个数为d的样本集合;反向隐含状态为/>,q为反向隐含单元个数。分别计算正向隐含状态和反向隐含状态:
;
。
其中,表示激活函数,/>表示正向隐含单元的权重,/>表示正向隐含单元之间的连接权重,/>表示正向隐含单元的偏置,/>表示反向隐含单元的权重,/>表示反向隐含单元之间的连接权重,/>表示反向隐含单元的偏置。
分类层对提取的症状图像中的特征信息与知识图谱中的图像信息进行症状事件匹配,即将从症状图像中提取的特征信息用知识图谱中已有的最接近的症状事件表示,从而提高从知识图谱中匹配到正确症状的效率。连接双向循环层中正反方向的隐含状态和/>得到隐含状态/>,计算输出分类结果,具体计算为:
。
其中,表示分类成的输出,/>表示双向循环层与分类层的连接权重,/>表示分类层的偏置。分类层将分类结果输送给输出层,由输出层输出最终的症状事件。
症状事件神经网络在输出结果后,将模型输出与训练集中的实际输出进行误差计算,并根据现有的梯度下降法更新症状事件神经网络中的参数,直至模型输出与实际输出的误差达到预期差值范围,即训练完成;所述误差计算法可采用均方误差法等常用方法。再由测试集对症状事件神经网络模型进行测试,衡量模型的性能,症状事件神经网络模型测试通过后,将待诊断的用户症状图像信息输入到症状事件神经网络模型中,得到待诊断用户的症状事件。
S2. 基于提取到的待诊断用户的症状事件,根据症状事件和用户画像信息构建诊断决策树,将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,从而辅助给出最为相似的疾病可能性,实现基于人工智能的辅助预测诊断方法。
基于提取到的待诊断用户的症状事件,根据症状事件和用户画像信息构建诊断决策树,如图2所示,所述诊断决策树通过迭代训练得到待诊断用户的诊断结果。将待诊断用户的症状事件和用户画像信息组成训练数据集 ,其中,/>表示第r个输入数据,/>表示第t个输出数据,r为训练数据集的数据个数。在训练数据集所在的输入空间中,递归地将每个区域划分为两个子区域,并决定每个子区域上的输出值,构建二叉决策树,具体过程如下:
初始化弱学习器,设立迭代次数为,即有/>棵树,以分阶段的形式迭代学习每个弱学习器,每个弱学习器在上一轮弱学习器的残差基础上进行训练,则诊断决策树模型表示为:
。
其中,表示诊断决策树模型,/>表示输入数据,/>表示模型参数,/>表示第/>棵诊断决策树的权重,/>表示第/>棵诊断决策树,/>表示第/>棵诊断决策树的模型参数。
初始化第一棵诊断决策树:
。
其中,表示第一棵诊断决策树,/>表示第j个输出的损失函数值, ,/>表示第j个输出,/>表示常数因子。计算每个样本数据诊断决策树关于损失值的偏导,具体公式为:
。
其中,表示残差,/>表示第j个输入。
在上一轮弱学习器的残差基础上继续进行训练,得到第k棵诊断决策树。第k棵诊断决策树为:
。
其中,表示第/>次迭代的残差。由弱学习器融合形成强学习器:
。
其中,表示第k棵树的第e个叶子节点的残差,/>表示叶子节点的数量。计算得到最终的诊断决策强学习器:
。
通过结合诊断决策树的全局影响和局部影响,即所有诊断决策树的整体残差和每棵诊断决策树的叶子节点的残差,通过诊断决策强学习器将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,根据待诊断用户的症状事件和用户画像从疾病知识图谱中寻找相似度大于相似阈值的疾病信息,从而辅助给出最为相似的疾病可能性,实现基于人工智能的辅助预测诊断方法。通过在每轮迭代过程中根据上轮迭代获得的残差进行自适应样本加权,在保持精度不变的情况下,极大的减少了训练所需的轮数,避免了噪声的引入,同时也进行了准确的匹配,大大提升了诊断的正确率。
综上所述,便完成了本申请所述的一种基于人工智能算法的辅助预测诊断方法。
本发明是参照根据本发明实施例的方法、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装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作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发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于人工智能算法的辅助预测诊断方法,其特征在于,包括以下步骤:
S1. 获取待诊断用户的问诊需求信息和用户画像信息,构建症状事件神经网络模型,症状事件神经网络的输入为症状图像信息,通过症状事件神经网络模型从症状图像中提取症状特征信息,输出为症状图像信息中的所有症状特征信息,即症状事件;对待诊断用户的问诊需求信息进行症状事件提取,得到待诊断用户的症状事件;
所述症状事件神经网络模型包括输入层、图卷积层、池化层、双向循环层、分类层和输出层, 所述症状事件神经网络模型的具体实现过程如下:
设立症状图像信息为,对于任意一个症状图像信息元素用/>表示,每个症状图像信息元素含有不同像素点的信息/>,其中,/>表示第/>个像素点的横坐标,表示第/>个像素点的纵坐标,/>用于表征像素点的灰度值,设立症状图像尺寸为/>,则,/>;将症状图像信息输入到症状事件神经网络的输入层,输入层包含n个神经元,输入层与图卷积层之间为全连接;
在图卷积层中确定症状图像信息对应的症状特征信息,对卷积核进行翻转,用滑动窗口的点积计算实现,池化层对特征进行选择,降低特征数量;
设立卷积核大小为,对于任意一个卷积核用/>表示,则症状特征信息与卷积核的二维卷积运算为:
,
其中,表示第i个神经元的输出,/>表示卷积运算,/>表示偏置;对卷积核进行翻转,用滑动窗口的点积计算实现,具体公式为:
,
池化层对特征进行选择,降低特征数量,池化层的计算公式为:
,
其中,表示池化层的输出,/>表示激活函数,/>表示上采样操作,/>表示逐元素相乘;
在双向循环层中,分为正向隐含状态和反向隐含状态,分别计算正向隐含状态和反向隐含状态;分类层对提取的症状图像中的症状特征信息与知识图谱中的图像信息进行症状事件匹配,即将从症状图像中提取的症状特征信息用知识图谱中已有的相似度达到相似阈值之上的症状事件表示;相似阈值由实验获得或专家经验指定;
分别计算正向隐含状态和反向隐含状态:
,
,
其中,时间步正向隐含状态为,t表示时间步,/>表示样本数为m,正向隐含单元个数为d的样本集合;反向隐含状态为/>,q为反向隐含单元个数,/>表示激活函数,/>表示正向隐含单元的权重,/>表示正向隐含单元之间的连接权重,/>表示正向隐含单元的偏置,/>表示反向隐含单元的权重,/>表示反向隐含单元之间的连接权重,表示反向隐含单元的偏置;
连接双向循环层中正反方向的隐含状态和/>得到隐含状态/>,计算输出分类结果,具体计算为:
,
其中,表示分类成的输出,/>表示双向循环层与分类层的连接权重,/>表示分类层的偏置;分类层将分类结果输送给输出层,由输出层输出最终的症状事件;
S2. 基于提取到的待诊断用户的症状事件,根据症状事件和用户画像信息构建诊断决策树,将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,从而辅助给出最为相似的疾病可能性;
将待诊断用户的症状事件和用户画像信息组成训练数据集,其中,/>表示第r个输入数据,/>表示第t个输出数据,r为训练数据集的数据个数;在训练数据集所在的输入空间中,递归地将每个区域划分为两个子区域,并决定每个子区域上的输出值,构建二叉决策树,具体过程如下:
初始化弱学习器,设立迭代次数为,即有/>棵树,以分阶段的形式迭代学习每个弱学习器,每个弱学习器在上一轮弱学习器的残差基础上进行训练,则诊断决策树模型表示为:
,
其中,表示诊断决策树模型,/>表示输入数据,/>表示模型参数,/>表示第/>棵诊断决策树的权重,/>表示第/>棵诊断决策树,/>表示第/>棵诊断决策树的模型参数。
2.如权利要求1所述的一种基于人工智能算法的辅助预测诊断方法,其特征在于,所述S2具体包括:
基于提取到的待诊断用户的症状事件,根据症状事件和用户画像信息构建诊断决策树,所述诊断决策树通过迭代训练得到待诊断用户的诊断结果。
3.如权利要求2所述的一种基于人工智能算法的辅助预测诊断方法,其特征在于,所述S2具体包括:
在训练数据集所在的输入空间中,递归地将每个区域划分为两个子区域,并决定每个子区域上的输出值,构建二叉决策树,初始化弱学习器,以分阶段的形式迭代学习每个弱学习器,每个弱学习器在上一轮弱学习器的残差基础上进行训练;
初始化第一棵诊断决策树:
,
其中,表示第一棵诊断决策树,/>表示第j个输出的损失函数值,/>,表示第j个输出,/>表示常数因子;计算每个样本数据诊断决策树关于损失值的偏导,具体公式为:
,
其中,表示残差,/>表示第j个输入;
在上一轮弱学习器的残差基础上继续进行训练,得到第k棵诊断决策树;第k棵诊断决策树为:
,
其中,表示第/>次迭代的残差;由弱学习器融合形成强学习器:
,
其中,表示第k棵树的第e个叶子节点的残差,/>表示叶子节点的数量;计算得到最终的诊断决策强学习器:
。
4.如权利要求3所述的一种基于人工智能算法的辅助预测诊断方法,其特征在于,所述S2具体包括:
通过结合诊断决策树的全局影响和局部影响,即所有诊断决策树的整体残差和每棵诊断决策树的叶子节点的残差,通过诊断决策强学习器将待诊断用户的症状事件和用户画像信息与疾病知识图谱中的疾病信息进行对比,根据待诊断用户的症状事件和用户画像从疾病知识图谱中寻找相似度大于相似阈值的疾病信息,从而辅助给出最为相似的疾病可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132242.5A CN115831356B (zh) | 2023-02-20 | 2023-02-20 | 一种基于人工智能算法的辅助预测诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132242.5A CN115831356B (zh) | 2023-02-20 | 2023-02-20 | 一种基于人工智能算法的辅助预测诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115831356A CN115831356A (zh) | 2023-03-21 |
CN115831356B true CN115831356B (zh) | 2024-02-27 |
Family
ID=85521777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132242.5A Active CN115831356B (zh) | 2023-02-20 | 2023-02-20 | 一种基于人工智能算法的辅助预测诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115831356B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN112035636A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
CN112614586A (zh) * | 2020-12-15 | 2021-04-06 | 广东德澳智慧医疗科技有限公司 | 一种基于医学影像和区块链的远程疾病智能诊断系统 |
CN113436754A (zh) * | 2021-07-06 | 2021-09-24 | 吴国军 | 一种智能终端问诊的医疗软件及其方法 |
WO2022019355A1 (ko) * | 2020-07-23 | 2022-01-27 | 주식회사 딥바이오 | 다중 페이즈 생체 이미지를 이용하여 학습된 뉴럴 네트워크를 이용한 질병 진단 방법 및 이를 수행하는 질병 진단 시스템 |
CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
-
2023
- 2023-02-20 CN CN202310132242.5A patent/CN115831356B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
WO2022019355A1 (ko) * | 2020-07-23 | 2022-01-27 | 주식회사 딥바이오 | 다중 페이즈 생체 이미지를 이용하여 학습된 뉴럴 네트워크를 이용한 질병 진단 방법 및 이를 수행하는 질병 진단 시스템 |
CN112035636A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
CN112614586A (zh) * | 2020-12-15 | 2021-04-06 | 广东德澳智慧医疗科技有限公司 | 一种基于医学影像和区块链的远程疾病智能诊断系统 |
CN113436754A (zh) * | 2021-07-06 | 2021-09-24 | 吴国军 | 一种智能终端问诊的医疗软件及其方法 |
CN114048806A (zh) * | 2021-11-09 | 2022-02-15 | 安徽大学 | 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 |
Non-Patent Citations (2)
Title |
---|
A machine learning model for quantifying the effect of lifestyle interventions for patients with type 2 diabetes mellitus;Suhuan Bi et al.;2nd International Seminar on Computer Science and Engineering Technology (SCSET) 2020;20210215;第1732卷;全文 * |
数据挖掘技术在临床疾病诊疗中的应用研究;杨洁;中国优秀硕士学位论文全文数据库 (信息科技辑)(第3期);I138-531 * |
Also Published As
Publication number | Publication date |
---|---|
CN115831356A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11393090B2 (en) | Online adaptation of neural networks | |
Wu et al. | Cascaded fully convolutional networks for automatic prenatal ultrasound image segmentation | |
Suriyal et al. | Mobile assisted diabetic retinopathy detection using deep neural network | |
CN114727766A (zh) | 从图像和专家知识收集和识别皮肤状况的系统 | |
Sahasrabudhe et al. | Self-supervised nuclei segmentation in histopathological images using attention | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
CN111881926A (zh) | 图像生成、图像生成模型的训练方法、装置、设备及介质 | |
CN111863247B (zh) | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
CN115798711A (zh) | 基于反事实对比学习的慢性肾病诊疗决策支持系统 | |
CN112990359B (zh) | 一种影像数据处理方法、装置、计算机及存储介质 | |
CN114445356A (zh) | 基于多分辨率的全视野病理切片图像肿瘤快速定位方法 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN115190999A (zh) | 使用对比损失对分布外的数据进行分类 | |
CN115831356B (zh) | 一种基于人工智能算法的辅助预测诊断方法 | |
CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
Hao et al. | Radiographs and texts fusion learning based deep networks for skeletal bone age assessment | |
CN112086174B (zh) | 一种三维知识诊断模型构建方法和系统 | |
CN113160115A (zh) | 一种基于改进深度残差网络的农作物病害识别方法及系统 | |
Baltruschat | Deep learning for automatic lung disease analysis in chest x-rays | |
EP4198997A1 (en) | A computer implemented method, a method and a system | |
CN116487030A (zh) | 一种基于注意力机制的多模态异步时序预测方法及装置 | |
Prabha et al. | Deep Learning for Medical Image Segmentation Using Convolutional Neural Networks | |
CN113782221A (zh) | 基于自训练学习的疾病预测装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |