CN117747085A - 一种基于ai智能的中医辅助诊疗平台 - Google Patents
一种基于ai智能的中医辅助诊疗平台 Download PDFInfo
- Publication number
- CN117747085A CN117747085A CN202311746638.5A CN202311746638A CN117747085A CN 117747085 A CN117747085 A CN 117747085A CN 202311746638 A CN202311746638 A CN 202311746638A CN 117747085 A CN117747085 A CN 117747085A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- diagnosis
- model
- intelligence
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 95
- 239000003814 drug Substances 0.000 title claims abstract description 26
- 238000005516 engineering process Methods 0.000 title claims description 11
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 208000024891 symptom Diseases 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 208000032023 Signs and Symptoms Diseases 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000000554 physical therapy Methods 0.000 abstract 1
- 230000003993 interaction Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
本发明公开了一种基于AI智能的中医辅助诊疗平台,属于中医理疗技术领域,其包括患者界面模块、数据采集模块、模型训练模块、辅助诊断模块、病例库与推荐模块、反馈模块,本发明通过数据预处理模块对数据进行清洗、归一化等处理,以准备用于模型训练,模型训练模块采用深度学习算法对预处理后的数据进行训练,以构建高精度的诊断模型,辅助诊断模块根据诊断模型和患者数据生成诊断建议,供医生参考,提高中医医生的诊疗效率和准确性,降低误诊的可能性,同时为医生提供更加准确和客观的诊断参考。
Description
技术领域
本发明属于AI智能的中医辅助诊疗平台技术领域,具体是指一种基于AI智能的中医辅助诊疗平台。
背景技术
随着人工智能技术的不断发展,越来越多的领域开始应用人工智能技术来提高效率和准确性。在医学领域,人工智能技术也被广泛应用于诊断、治疗和健康管理等方面;
但现有中医辅助诊疗诊疗平台还存在一定的缺陷,现有的中医辅助诊疗诊疗平台主要依赖于人工输入和检索,无法实现智能化和自动化的诊断和治疗建议。同时,由于病例数据的稀疏性和不完整性,导致病例库中的病例信息不完整和不准确,无法为医生提供可靠的参考和借鉴,为此,提出一种基于AI智能的中医辅助诊疗平台。
发明内容
本发明的目的在于提供一种基于AI智能的中医辅助诊疗平台,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于AI智能的中医辅助诊疗平台,包括患者界面模块、数据采集模块、模型训练模块、辅助诊断模块、病例库与推荐模块、反馈模块;
其中,所述患者界面模块患者可以通过界面输入症状、查看诊断结果和获取治疗建议;
其中,所述数据采集模块通过接口获取患者的个人信息、症状、体征等信息,能够自动、高效地采集患者的各类信息,大大提高了数据采集的效率和准确性;
其中,所述模型训练模块采用深度学习技术进行对模型训练,通过对大量数据的训练,让模型学会从数据中提取有用的特征和模式,能够识别患者的症状,并将其分类为不同类型的病症,针对各种疾病的自动诊断和训练出多种可治疗方案,并从中挑选出最优方案,利用深度学习技术训练出更精确的模型,提升诊断和治疗建议的准确性;
其中,所述辅助诊断模块使用训练好的模型来分析患者的症状和体征等信息自动生成可能的疾病列表和诊断建议,快速给出诊断建议,提高诊断效率,能够考虑多种可能的疾病,提供全面的诊断参考;
其中,所述病例库与推荐模块通过存储和更新病例库,同时,根据患者的症状和体征,自动匹配和推荐相似的病例和成功案例,为医生提供参考和借鉴,提高中医诊疗的效率和准确性;
其中,所述反馈模块将患者病情和个性化诊疗方案反馈给患者,可以根据患者的反馈意见和建议,对诊疗方案进行优化和完善,增强患者与平台之间的互动,提高患者满意度。
其中,所述患者界面模块患者提供友好的操作界面,医生和患者查看AI诊断结果和上传病历信息。
其中,所述数据采集模块负责收集患者的个人信息、病历等信息,将原始数据转成可读取形式。
其中,所述模型训练模块包括数据预处理模块、特征提取模块、特征选择模块、特征转换模块、模型训练模块、模型评估模块、模型优化模块、模型预测应用模块;
其中,所述数据预处理模块具体运行方式,包括以下步骤:
A1:数据清洗模块进行清除数据中的噪声、纠正错误、提高数据质量,对数据中重复值进行去重;
A2:标准化模块将不同格式的数据转换成统一的标准格式;
A3:归一化模块将数据转换为统一的比例范围,以消除不同变量之间的量纲差异;
其中,A2的具体实现,公式为:
x_norm=(x-mean)/std(1),
其中,x_norm表示标准化,x表示数据集中的单个数据,mean表示数据集的均值,std为数据集的标准差;
其中,A3的具体实现,公式为:
X_normalized=(X-Min)/(Max-Min)(2),
其中,X_normalized表示归一化,X表示数据集,Max表示数据集的最大值,Min表示数据集的最小值;
其中,所述特征提取模块在数据预处理好后,特征提取模块将根据特定的诊疗任务,从预处理的数据中提取相关特征,所述特征选择模块需进行特征选择,选择出与诊疗任务相关且具有区分性的特征,降低数据的维度和冗余,所述特征转换模块根据所选模型的要求,将提取的特征转换为适当的格式。
其中,所述模型训练模块根据数据预处理和特征提取进行训练,包括以下具体运行包括以下步骤:
B1:根据输入样本值、互联权值和阈值,计算实际输出;
B2:误差计算模块计算预测值输出与真实值输出的误差;
B3:反向传播模块通过误差反向传递过程,计算模式的各层神经元权值的变化量;
B4:权值更新模块根据给定的权值更新公式,计算模型中每个连接权值的变化量:
B5:阈值更新模块根据给定的阈值更新公式,计算模型中每个阈值的变化量,并更新阈值;
其中,B1采用的算法为:
y=f(z)(3),
z=Σ(xi*wi)+θ(4),
在公式中,公式(3)y表示神经网络的输出,f表示激活函数,z是神经元的输入,公式(4)中i为输入特征的数量,w为连接权值,θ为阈值,通过激活函数输入特征转化输出结果,根据网络的输出和真实标签之间的差异,来调整神经元的连接权值和阈值;
其中,B2采用的算法为:
E=(1/2m)*Σ(y_true-y_pred)^2(5),
在公式中,m为样本数量,y_true为真实输出,y_pred为实际输出,比较不同误差评估性能;
其中,B3采用的算法为:
在公式中,Δw是权值的改变量,是误差对权值的偏导数,m是样本的数量;
其中,B4采用的算法为:
w = w + Δw (7),
在公式中,w表示权值,Δw表示权值的变化量;
其中,B5采用的算法为:
θ = θ + Δθ (8),
在公式中,θ表示阈值,Δθ表示阈值的变化量。
其中,所述模型评估模块对训练好的模型进行测试评估,确定模型性能和准确率;
所述模型优化模块根据模型测试的结果进行优化调整,采用随机梯度下降,公式为:
W=W-α*δ(9),
在公式中,W表示随机梯度8,α表示学习率,δ表示权重的梯度,通过多次迭代,不断更新参数;
所述模型预测应用模块根据患者输入的患者信息和其他相关数据,进行实时诊断和预测,并提供诊疗建议和治疗方案。
其中,所述诊断辅助模块利用训练好的模型根据输入的症状和体征,自动生成可能的疾病列和诊断建议。
其中,所述数据预处理模块进行对数据进行清洗去除重复,进行将数据转成统一的标准格式,在将数据转换为统一的比例范围,以消除不同变量之间的量纲差异。
其中,所述模型训练根据数据预处理和特征提取进行训练,进行一系列步骤进行模型训练学习,训练过程中,模型不断迭代更新参数,直到达到预设的训练轮数或满足条件为止。
与现有技术相比,本发明的有益效果是:
1、本发明通过数据采集模块、模型训练模块通过利用AI智能进行数据采集和模型训练,可以更准确地诊断患者的病情,减少误诊的可能性,可以快速处理和分析大量的医疗数据,从而加快了诊疗的速度,通过对大量医疗数据的分析,为医生提供更加个性化的治疗方案建议,提高治疗效果;
2、本发明通过辅助诊断模块通过训练好的模型进行辅助诊断可以更准确地判断患者的病情和病因,缩短诊断时间,提升诊疗效率,针对个体差异进行精细化诊疗,提升患者的康复效果,降低医生的工作强度;
3、本发明通过病例库与推荐模块医生可以根据患者的病情和病因,快速找到类似的病例,并根据推荐的治疗方案进行诊断和治疗,从而提高治疗效果,医生可以随时查询和参考,为诊断和治疗提供更加全面的支持和帮助;
4、本发明通过反馈模块患者可以更加清楚地了解医疗过程和费用等信息,提高医疗透明度,将患者病情和个性化诊疗方案反馈给患者,可以根据患者的反馈意见和建议,对诊疗方案进行优化和完善。
附图说明
图1为本发明一种基于AI智能的中医辅助诊疗平台的运行流程图;
图2为本发明一种基于AI智能的中医辅助诊疗平台模型训练的运行流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
请参阅图1-图2所示,本发明提供一种技术方案:包括患者界面模块、数据采集模块、模型训练模块、辅助诊断模块、病例库与推荐模块、反馈模块;
其中,所述患者界面模块患者可以通过界面输入症状、查看诊断结果和获取治疗建议;
其中,所述数据采集模块通过接口获取患者的个人信息、症状、体征等信息,能够自动、高效地采集患者的各类信息,大大提高了数据采集的效率和准确性;
其中,所述模型训练模块采用深度学习技术进行对模型训练,通过对大量数据的训练,让模型学会从数据中提取有用的特征和模式,能够识别患者的症状,并将其分类为不同类型的病症,针对各种疾病的自动诊断和训练出多种可治疗方案,并从中挑选出最优方案,利用深度学习技术训练出更精确的模型,提升诊断和治疗建议的准确性;
其中,所述辅助诊断模块使用训练好的模型来分析患者的症状和体征等信息自动生成可能的疾病列表和诊断建议,快速给出诊断建议,提高诊断效率,能够考虑多种可能的疾病,提供全面的诊断参考;
其中,所述病例库与推荐模块通过存储和更新病例库,同时,根据患者的症状和体征,自动匹配和推荐相似的病例和成功案例,为医生提供参考和借鉴,提高中医诊疗的效率和准确性;
其中,所述反馈模块将患者病情和个性化诊疗方案反馈给患者,可以根据患者的反馈意见和建议,对诊疗方案进行优化和完善,增强患者与平台之间的互动,提高患者满意度。
其中,所述患者界面模块患者提供友好的操作界面,医生和患者查看AI诊断结果和上传病历信息。
其中,所述数据采集模块负责收集患者的个人信息、病历等信息,将原始数据转成可读取形式。
其中,所述模型训练模块包括数据预处理模块、特征提取模块、特征选择模块、特征转换模块、模型训练模块、模型评估模块、模型优化模块、模型预测应用模块;
其中,所述数据预处理模块具体运行方式,包括以下步骤:
A1:数据清洗模块进行清除数据中的噪声、纠正错误、提高数据质量,对数据中重复值进行去重;
A2:标准化模块将不同格式的数据转换成统一的标准格式;
A3:归一化模块将数据转换为统一的比例范围,以消除不同变量之间的量纲差异;
其中,A2的具体实现,公式为:
x_norm=(x-mean)/std(1),
其中,x_norm表示标准化,x表示数据集中的单个数据,mean表示数据集的均值,std为数据集的标准差;
其中,A3的具体实现,公式为:
X_normalized=(X-Min)/(Max-Min)(2),
其中,X_normalized表示归一化,X表示数据集,Max表示数据集的最大值,Min表示数据集的最小值;
其中,所述特征提取模块在数据预处理好后,特征提取模块将根据特定的诊疗任务,从预处理的数据中提取相关特征,所述特征选择模块需进行特征选择,选择出与诊疗任务相关且具有区分性的特征,降低数据的维度和冗余,所述特征转换模块根据所选模型的要求,将提取的特征转换为适当的格式。
其中,所述模型训练模块根据数据预处理和特征提取进行训练,包括以下具体运行包括以下步骤:
B1:根据输入样本值、互联权值和阈值,计算实际输出;
B2:误差计算模块计算预测值输出与真实值输出的误差;
B3:反向传播模块通过误差反向传递过程,计算模式的各层神经元权值的变化量;
B4:权值更新模块根据给定的权值更新公式,计算模型中每个连接权值的变化量:
B5:阈值更新模块根据给定的阈值更新公式,计算模型中每个阈值的变化量,并更新阈值;
其中,B1采用的算法为:
y=f(z)(3),
z=Σ(xi*wi)+θ(4),
在公式中,公式(3)y表示神经网络的输出,f表示激活函数,z是神经元的输入,公式(4)中i为输入特征的数量,w为连接权值,θ为阈值,通过激活函数输入特征转化输出结果,根据网络的输出和真实标签之间的差异,来调整神经元的连接权值和阈值;
其中,B2采用的算法为:
E=(1/2m)*Σ(y_true-y_pred)^2(5),
在公式中,m为样本数量,y_true为真实输出,y_pred为实际输出,比较不同误差评估性能;
其中,B3采用的算法为:
在公式中,Δw是权值的改变量,是误差对权值的偏导数,m是样本的数量;
其中,B4采用的算法为:
w = w + Δw (7),
在公式中,w表示权值,Δw表示权值的变化量;
其中,B5采用的算法为:
θ = θ + Δθ (8),
在公式中,θ表示阈值,Δθ表示阈值的变化量。
其中,所述模型评估模块对训练好的模型进行测试评估,确定模型性能和准确率;
所述模型优化模块根据模型测试的结果进行优化调整,采用随机梯度下降,公式为:
W=W-α*δ(9),
在公式中,W表示随机梯度8,α表示学习率,δ表示权重的梯度,通过多次迭代,不断更新参数;
所述模型预测应用模块根据患者输入的患者信息和其他相关数据,进行实时诊断和预测,并提供诊疗建议和治疗方案。
其中,所述诊断辅助模块利用训练好的模型根据输入的症状和体征,自动生成可能的疾病列和诊断建议。
其中,所述数据预处理模块进行对数据进行清洗去除重复,进行将数据转成统一的标准格式,在将数据转换为统一的比例范围,以消除不同变量之间的量纲差异。
其中,所述模型训练根据数据预处理和特征提取进行训练,进行一系列步骤进行模型训练学习,训练过程中,模型不断迭代更新参数,直到达到预设的训练轮数或满足条件为止。
本实例中,具体的:所述模型训练模块包括数据预处理模块、特征提取模块、特征选择模块、特征转换模块、模型训练模块、模型评估模块、模型优化模块、模型预测应用模块;
其中,所述数据预处理模块具体运行方式,包括以下步骤:
A1:数据清洗模块进行清除数据中的噪声、纠正错误、提高数据质量,对数据中重复值进行去重;
A2:标准化模块将不同格式的数据转换成统一的标准格式;
A3:归一化模块将数据转换为统一的比例范围,以消除不同变量之间的量纲差异;
其中,A2的具体实现,公式为:
x_norm=(x-mean)/std(1),
其中,x_norm表示标准化,x表示数据集中的单个数据,mean表示数据集的均值,std为数据集的标准差;
其中,A3的具体实现,公式为:
X_normalized=(X-Min)/(Max-Min)(2),
其中,X_normalized表示归一化,X表示数据集,Max表示数据集的最大值,Min表示数据集的最小值;
其中,所述特征提取模块在数据预处理好后,特征提取模块将根据特定的诊疗任务,从预处理的数据中提取相关特征,所述特征选择模块需进行特征选择,选择出与诊疗任务相关且具有区分性的特征,降低数据的维度和冗余,所述特征转换模块根据所选模型的要求,将提取的特征转换为适当的格式。
本实例中,具体的:所述模型训练模块根据数据预处理和特征提取进行训练,包括以下具体运行包括以下步骤:
B1:根据输入样本值、互联权值和阈值,计算实际输出;
B2:误差计算模块计算预测值输出与真实值输出的误差;
B3:反向传播模块通过误差反向传递过程,计算模式的各层神经元权值的变化量;
B4:权值更新模块根据给定的权值更新公式,计算模型中每个连接权值的变化量:
B5:阈值更新模块根据给定的阈值更新公式,计算模型中每个阈值的变化量,并更新阈值;
其中,B1采用的算法为:
y=f(z)(3),
z=Σ(xi*wi)+θ(4),
在公式中,公式(1)y表示神经网络的输出,f表示激活函数,z是神经元的输入,公式(2)中i为输入特征的数量,w为连接权值,θ为阈值,通过激活函数输入特征转化输出结果,根据网络的输出和真实标签之间的差异,来调整神经元的连接权值和阈值;
其中,B2采用的算法为:
E=(1/2m)*Σ(y_true-y_pred)^2(5),
在公式中,m为样本数量,y_true为真实输出,y_pred为实际输出,比较不同误差评估性能;
其中,B3采用的算法为:
在公式中,Δw是权值的改变量,是误差对权值的偏导数,m是样本的数量;
其中,B4采用的算法为:
w = w + Δw (7),
在公式中,w表示权值,Δw表示权值的变化量;
其中,B5采用的算法为:
θ = θ + Δθ (8),
在公式中,θ表示阈值,Δθ表示阈值的变化量。
本实例中,具体的:所述模型评估模块对训练好的模型进行测试评估,确定模型性能和准确率;
所述模型优化模块根据模型测试的结果进行优化调整,采用随机梯度下降,公式为:
W=W-α*δ(9),
在公式中,W表示随机梯度8,α表示学习率,δ表示权重的梯度,通过多次迭代,不断更新参数;
所述模型预测应用模块根据患者输入的患者信息和其他相关数据,进行实时诊断和预测,并提供诊疗建议和治疗方案。
工作原理:通过患者界面模块进行信息交互,提交患者病情信息等,数据采集模块从患者交互模块采集数据信息并进行数据转换可读取,这些数据用于辅助模型训练;
根据数据采集模块采集的数据进行模型训练,先对采集的数据进行数据清理去重、标准化、归一化操作,可以避免数值问题,避免太大的数引发数值问题,加快计算速度和求解速度,特征提取模块进行对数据处理完的数据特征提取进行模型训练,模型训练利用深度学习技术进行模型的的训练和学习,通过大量数据提高模型对病症的识别能力,为后续的辅助诊断提供支持,模型评估模块对训练好的模型进行测试评估,确定模型性能和准确率,对训练好的模型进行优化,辅助诊断模块基于模型训练模块输出的模型,对患者提交的病情信息进行自动诊断和分析,病例库与推荐模块进行对病例库更新并根据诊断辅助模块分析的症状和体征,自动匹配和推荐相似的病例和成功案例,为医生提供参考和借鉴,并将患者病情和个性化诊疗方案反馈给患者,患者可以反馈意见和建议,对诊疗方案进行优化和完善。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.一种基于AI智能的中医辅助诊疗平台,其特征在于:包括患者界面模块、数据采集模块、模型训练模块、辅助诊断模块、病例库与推荐模块、反馈模块;
其中,所述患者界面模块患者可以通过界面输入症状、查看诊断结果和获取治疗建议;
其中,所述数据采集模块通过接口获取患者的个人信息、症状、体征等信息;
其中,所述模型训练模块采用深度学习技术进行对模型训练,通过对大量数据的训练,让模型学会从数据中提取有用的特征和模式,能够识别患者的症状,并将其分类为不同类型的病症,针对各种疾病的自动诊断和训练出多种可治疗方案,并从中挑选出最优方案;
其中,所述辅助诊断模块使用训练好的模型来分析患者的症状和体征等信息自动生成可能的疾病列表和诊断建议;
其中,所述病例库与推荐模块通过存储和更新病例库,同时,根据患者的症状和体征,自动匹配和推荐相似的病例和成功案例,为医生提供参考和借鉴;
其中,所述反馈模块将患者病情和个性化诊疗方案反馈给患者,可以根据患者的反馈意见和建议,对诊疗方案进行优化和完善。
2.根据权利要求1所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述患者界面模块患者提供友好的操作界面,医生和患者查看AI诊断结果和上传病历信息。
3.根据权利要求1所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述数据采集模块负责收集患者的个人信息、病历等信息,将原始数据转成可读取形式。
4.根据权利要求1所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述模型训练模块包括数据预处理模块、特征提取模块、特征选择模块、特征转换模块、模型训练模块、模型评估模块、模型优化模块、模型预测应用模块;
其中,所述数据预处理模块具体运行方式,包括以下步骤:
A1:数据清洗模块进行清除数据中的噪声、纠正错误、提高数据质量,对数据中重复值进行去重;
A2:标准化模块将不同格式的数据转换成统一的标准格式;
A3:归一化模块将数据转换为统一的比例范围,以消除不同变量之间的量纲差异;
其中,A2的具体实现,公式为:
x_norm=(x-mean)/std(1),
其中,x_norm表示标准化,x表示数据集中的单个数据,mean表示数据集的均值,std为数据集的标准差;
其中,A3的具体实现,公式为:
X_normalized=(X-Min)/(Max-Min)(2),
其中,X_normalized表示归一化,X表示数据集,Max表示数据集的最大值,Min表示数据集的最小值;
其中,所述特征提取模块在数据预处理好后,特征提取模块将根据特定的诊疗任务,从预处理的数据中提取相关特征,所述特征选择模块需进行特征选择,选择出与诊疗任务相关且具有区分性的特征,降低数据的维度和冗余,所述特征转换模块根据所选模型的要求,将提取的特征转换为适当的格式。
5.根据权利要求4所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述模型训练模块根据数据预处理和特征提取进行训练,包括以下具体运行包括以下步骤:
B1:根据输入样本值、互联权值和阈值,计算实际输出;
B2:误差计算模块计算预测值输出与真实值输出的误差;
B3:反向传播模块通过误差反向传递过程,计算模式的各层神经元权值的变化量;
B4:权值更新模块根据给定的权值更新公式,计算模型中每个连接权值的变化量:
B5:阈值更新模块根据给定的阈值更新公式,计算模型中每个阈值的变化量,并更新阈值;
其中,B1采用的算法为:
y=f(z)(3),
z=Σ(xi*wi)+θ(4),
在公式中,公式(3)y表示神经网络的输出,f表示激活函数,z是神经元的输入,公式(4)中i为输入特征的数量,w为连接权值,θ为阈值,通过激活函数输入特征转化输出结果,根据网络的输出和真实标签之间的差异,来调整神经元的连接权值和阈值;
其中,B2采用的算法为:
E=(1/2m)*Σ(y_true-y_pred)^2(5),
在公式中,m为样本数量,y_true为真实输出,y_pred为实际输出,比较不同误差评估性能;
其中,B3采用的算法为:
在公式中,Δw是权值的改变量,是误差对权值的偏导数,m是样本的数量;
其中,B4采用的算法为:
w = w + Δw (7),
在公式中,w表示权值,Δw表示权值的变化量;
其中,B5采用的算法为:
θ = θ + Δθ (8),
在公式中,θ表示阈值,Δθ表示阈值的变化量。
6.根据权利要求5所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述模型评估模块对训练好的模型进行测试评估,确定模型性能和准确率;
所述模型优化模块根据模型测试的结果进行优化调整,采用随机梯度下降,公式为:
W=W-α*δ(9),
在公式中,W表示随机梯度8,α表示学习率,δ表示权重的梯度,通过多次迭代,不断更新参数;
所述模型预测应用模块根据患者输入的患者信息和其他相关数据,进行实时诊断和预测,并提供诊疗建议和治疗方案。
7.根据权利要求6所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述诊断辅助模块利用训练好的模型根据输入的症状和体征,自动生成可能的疾病列和诊断建议。
8.根据权利要求4所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述数据预处理模块进行对数据进行清洗去除重复,进行将数据转成统一的标准格式,在将数据转换为统一的比例范围,以消除不同变量之间的量纲差异。
9.根据权利要求5所述的一种基于AI智能的中医辅助诊疗平台,其特征在于:所述模型训练根据数据预处理和特征提取进行训练,进行一系列步骤进行模型训练学习,训练过程中,模型不断迭代更新参数,直到达到预设的训练轮数或满足条件为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746638.5A CN117747085A (zh) | 2023-12-19 | 2023-12-19 | 一种基于ai智能的中医辅助诊疗平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311746638.5A CN117747085A (zh) | 2023-12-19 | 2023-12-19 | 一种基于ai智能的中医辅助诊疗平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117747085A true CN117747085A (zh) | 2024-03-22 |
Family
ID=90250283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311746638.5A Withdrawn CN117747085A (zh) | 2023-12-19 | 2023-12-19 | 一种基于ai智能的中医辅助诊疗平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117747085A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118335294A (zh) * | 2024-06-13 | 2024-07-12 | 四川互慧软件有限公司 | 一种心脑血管疾病预后中药治疗方案推荐方法及装置 |
-
2023
- 2023-12-19 CN CN202311746638.5A patent/CN117747085A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118335294A (zh) * | 2024-06-13 | 2024-07-12 | 四川互慧软件有限公司 | 一种心脑血管疾病预后中药治疗方案推荐方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349676B (zh) | 时序生理数据分类方法、装置、存储介质和处理器 | |
CN113486578B (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
CN109659033A (zh) | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 | |
CN107451407A (zh) | 一种中医智能诊断方法、系统及中医医疗系统 | |
CN117077786A (zh) | 一种基于知识图谱的数据知识双驱动智能医疗对话系统和方法 | |
CN112712118A (zh) | 一种面向医疗文本数据的过滤方法及系统 | |
CN117747085A (zh) | 一种基于ai智能的中医辅助诊疗平台 | |
CN113012811B (zh) | 一种结合深度卷积网络和图神经网络的中医证候诊断和健康评价方法 | |
CN106096286A (zh) | 临床路径制定方法及装置 | |
CN112149355A (zh) | 基于半监督动态反馈堆栈降噪自编码器模型的软测量方法 | |
CN115376638A (zh) | 一种基于多源健康感知数据融合的生理特征数据分析方法 | |
CN117711607A (zh) | 基于循证医学的智能医疗诊断系统及方法 | |
CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理系统 | |
CN116269212A (zh) | 一种基于深度学习的多模态睡眠阶段预测方法 | |
CN113838018B (zh) | 基于Cnn-former的肝纤维化病变检测模型训练方法与系统 | |
CN114519705A (zh) | 一种用于医学选拔与鉴定的超声标准数据处理方法及系统 | |
CN116452592B (zh) | 脑血管病ai认知功能评测模型的构建方法、装置及系统 | |
CN117216522A (zh) | 一种基于机器学习的轴承故障类别诊断方法、装置及设备 | |
CN116798655A (zh) | 基于选择性多特征融合的对话式问诊症状识别方法及装置 | |
CN115588486A (zh) | 一种基于Transformer的中医诊断生成装置及其应用 | |
CN116525100A (zh) | 一种基于标签系统的中医开方反向校验方法及系统 | |
CN116610940A (zh) | 一种基于小波变换与深度神经网络的装备故障诊断系统 | |
CN114999628A (zh) | 一种利用机器学习寻找退行性膝骨关节炎显著性特征方法 | |
CN115831356B (zh) | 一种基于人工智能算法的辅助预测诊断方法 | |
CN114580798B (zh) | 一种基于transformer的设备点位预测方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240322 |