Nothing Special   »   [go: up one dir, main page]

CN113724861A - 基于深度学习的初步诊断生成方法、装置及计算机设备 - Google Patents

基于深度学习的初步诊断生成方法、装置及计算机设备 Download PDF

Info

Publication number
CN113724861A
CN113724861A CN202111039185.3A CN202111039185A CN113724861A CN 113724861 A CN113724861 A CN 113724861A CN 202111039185 A CN202111039185 A CN 202111039185A CN 113724861 A CN113724861 A CN 113724861A
Authority
CN
China
Prior art keywords
preliminary diagnosis
deep learning
diagnosis
admission
actual
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
Application number
CN202111039185.3A
Other languages
English (en)
Inventor
汤学民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111039185.3A priority Critical patent/CN113724861A/zh
Publication of CN113724861A publication Critical patent/CN113724861A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70ICT 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本申请公开了一种基于深度学习的初步诊断生成方法,该方法以患者的入院记录作为输入,以初步诊断作为输出,通过大量的归档病历训练深度学习神经网络,从而学习入院记录与初步诊断之间的映射关系,得到初步诊断生成模型。当医生新录入一份入院记录时,系统能够通过初步诊断生成模型自动生成当前入院记录的初步诊断,为临床提供实用、可行的辅助诊断的解决方案。此外,本申请还提供了一种基于深度学习的初步诊断生成装置、计算机设备及计算机可读存储介质,其技术效果与上述方法的技术效果相对应。

Description

基于深度学习的初步诊断生成方法、装置及计算机设备
技术领域
本申请涉及计算机技术领域,特别涉及一种基于深度学习的初步诊断生成方法、装置、计算机设备及计算机可读存储介质。
背景技术
病人入院后,经治医师通过问诊、查体、辅助检查获得有关资料,并对这些资料归纳分析书写形成入院记录。在对各种临床资料进行分析、评价和综合后,结合医生掌握的医学知识和临床经验,将可能性较大的疾病排列出来,作为诊断假设。尝试用诊断假设解释病人的临床表现,并排优先次序,选择可能性最大的、最能解释所有临床发现的疾病形成初步诊断。提出初步诊断后,需给予必要的治疗及进一步检查,验证和修正诊断。
以上是疾病诊断的一般步骤。在此过程中,临床医生尤其是低年资医生,希望计算机能根据入院记录中的主诉、现病史、既往史、体格检查、检验检查的内容,辅助完成初步诊断及鉴别诊断。同时,检索出相似的病历,了解此类疾病的临床表现及特点、疾病的演变情况、治疗效果、转归及预后,以便医生可以学习和参考,为鉴别诊断及疾病的治疗都有积极的意义,有利于提高临床诊断水平,减少诊断及治疗失误。
目前,计算机实现辅助诊断分为两大类:
第一类是基于知识库:1)从权威的医学文献中提取疾病诊断知识库;2)专家基于个人经验搭建知识库。这两种基于知识库的方法都存在前期知识库生成的工作量大的问题。同时,前一种方法存在书面知识难以覆盖复杂的、不典型的临床症状,后一种方法存在疾病覆盖面小,只适合特定领域的辅助诊断等问题。
第二类就是使用机器学习算法,从医院历史病历中抽取数据,构造一个诊断与症状、体征、检查检验的全面的知识图谱。但受限于分类模型的设计缺陷、属性提取的广度与精度不够等问题,辅助诊断的精确度有所不足。
由于疾病的复杂性及技术的局限,目前基于病历文本尤其是住院病历的辅助诊断还难以达到实用水平。如何攻克该难点,实现辅助生成初步诊断,是亟待本领域技术人员解决的问题。
发明内容
本申请的目的是提供一种基于深度学习的初步诊断生成方法、装置、计算机设备及计算机可读存储介质,用以解决目前缺乏有效的计算机辅助生成初步诊断的技术方案的问题。其具体方案如下:
第一方面,本申请提供了一种基于深度学习的初步诊断生成方法,包括:
构建以入院记录为输入并以初步诊断为输出的深度学习神经网络;
利用训练样本对所述深度学习神经网络进行训练,得到初步诊断生成模型;
将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断。
可选的,所述构建以入院记录为输入并以初步诊断为输出的深度学习神经网络,包括:
构建以入院记录为输入并以初步诊断为输出的深度学习神经网络,将所述深度学习神经网络的输入层的神经元数量和输出层的神经元数量分别设置为第一目标数量和第二目标数量。
可选的,所述利用训练样本对所述深度学习神经网络进行训练,得到初步诊断生成模型,包括:
利用训练样本对所述深度学习神经网络进行训练,通过训练确定最优隐藏层数及每个隐藏层的最优神经元数,得到初步诊断生成模型。
可选的,在所述将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断之后,还包括:
确定所述实际初步诊断中神经元值最大的第三目标数量的神经元对应的诊断项,以作为诊断推荐。
可选的,在所述将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断之前,还包括:
从实际入院病历中提取目标数据元,以作为实际入院记录,所述目标数据元包括以下任意一项或多项:主诉,现病史,既往史,体格检查数据,实验室检查数据,辅助检查数据,主诉发病时间,主诉再发时间,主诉伴随症状,主诉诱因,主诉性质,主诉部位,主诉频度,主诉程度,主诉缓急,主诉缓减因素,主诉加剧因素,主诉持续时间。
可选的,所述从实际入院病历中提取目标数据元,以作为实际入院记录,包括:
从实际入院病历中提取目标数据元,并对数据元值进行归一化处理,以作为实际入院记录。
可选的,所述对数据元值进行归一化处理,包括:
对于数字类型的目标数据元,若数据元提取结果为正常,则将数据元值归一化为0;若数据元提取结果为升高或降低,则计算数据元标准差和升降幅度,根据所述数据元标准差和所述升降幅度确定归一化的数据元值。
第二方面,本申请提供了一种基于深度学习的初步诊断生成装置,包括:
网络构建模块,用于构建以入院记录为输入并以初步诊断为输出的深度学习神经网络;
模型训练模块,用于利用训练样本对所述深度学习神经网络进行训练,得到初步诊断生成模型;
诊断生成模块,用于将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断。
第三方面,本申请提供了一种计算机设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如上所述的基于深度学习的初步诊断生成方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的基于深度学习的初步诊断生成方法。
本申请所提供的一种基于深度学习的初步诊断生成方法,包括:构建以入院记录为输入并以初步诊断为输出的深度学习神经网络;利用训练样本对深度学习神经网络进行训练,得到初步诊断生成模型;将实际入院记录输入初步诊断生成模型,得到实际初步诊断。可见,该方法以患者的入院记录作为输入,以初步诊断作为输出,通过大量的归档病历训练深度学习神经网络,从而学习到入院记录与初步诊断之间的映射关系,得到初步诊断生成模型。当医生新录入一份入院记录时,系统能够通过初步诊断生成模型自动生成当前入院记录的初步诊断,为临床提供实用、可行的辅助诊断的解决方案。
此外,本申请还提供了一种基于深度学习的初步诊断生成装置、计算机设备及计算机可读存储介质,其技术效果与上述方法的技术效果相对应,这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的基于深度学习的初步诊断生成方法实施例一的流程图;
图2为本申请所提供的基于深度学习的初步诊断生成方法实施例二的流程图;
图3为本申请所提供的基于深度学习的初步诊断生成装置实施例的示意图;
图4为本申请所提供的计算机设备实施例的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
临床医生在完成入院记录后,希望系统可以根据入院记录自动给出疑似诊断,辅助医生做出相应的判断,为当前病人的下一步的诊疗提供参考。
本申请的核心在于提供一种基于深度学习的初步诊断生成方法、装置、计算机设备及计算机可读存储介质,构建以入院记录作为输入并以初步诊断作为输出的深度学习神经网络,通过大量的归档病历训练深度学习神经网络,从而学习到入院记录与初步诊断之间的映射关系,得到初步诊断生成模型,通过初步诊断生成模型自动生成实际入院记录对应的初步诊断,提升临床诊断效率。
下面对本申请提供的基于深度学习的初步诊断生成方法实施例一进行介绍,参见图1,实施例一包括:
S11、构建以入院记录为输入并以初步诊断为输出的深度学习神经网络;
S12、利用训练样本对深度学习神经网络进行训练,得到初步诊断生成模型;
S13、将实际入院记录输入初步诊断生成模型,得到实际初步诊断。
患者病历包含了就诊的全部信息,一名经验丰富的医生,浏览一遍入院记录,基本上可以给出患者的初步诊断。本实施例的目标是设计一个深度学习神经网络,通过训练让深度学习神经网络从历史病历中学习到入院记录与初步诊断之间的映射关系,得到初步诊断生成模型,最终实现计算机将患者的入院记录输入初步诊断生成模型,就可以自动生成初步诊断的目的,且准确率接近或达到专家的水平。这里,主要有三个技术问题:第一,保证计算机能读懂病历,即入院记录的提取,要求提取的信息准确、完整;第二,提取出的入院记录的数字化处理,保证处理后的数据适合模型计算;第三,保证深度学习模型的设计简单、高效。下面分别对这三个技术问题进行展开介绍。
病历的大部分内容都是非结构化的、自然语言(非标准化语言)形成的文本。入院记录包含了主诉、现病史、既往史、体格检查等内容,含症状、体征、检查检验等信息。其中,仅临床常见症状有2、3百个,不常见的有5、6百个。每种症状有不同的表述方式,有书面名,有口头语,有规范词,有习惯语,有全称,有简称等。同一症状可能有字面完全不匹配的表达,或看似相似的表达可能是不同的症状。对主要症状来说,影响诊断的因素还与发病时间,再发时间,诱因,程度,频度,范围,性质,加重及缓解因素,伴随症状等信息息息相关。对此,需从病历中提取出足够详尽的归一化、标准化的信息。
为实现上述目标,本实施例首先定义数据元,数据元以《临床诊断学》、《临床症状与体征》等权威医学书籍中关于症状、体格检查、专科检查、实验室检查、辅助检查等定义和标准为依据,对症状、体征、既往史、检查检验数据做标准化、归一化的后结构化处理。取值类型包括标志型、枚举型、数字型、日期型、字符型等,附加属性含发病时间,再发时间,诱因,程度,频度,范围,性质,加重及缓解因素,伴随症状等信息。
在数据元的基础上,设置从病历中提取入院记录的算法。具体的,基于规则进行信息提取,为每类数据元、每个数据元定义获取规则,包括规则类型、关键词、关键词前后文、取值位移等。
之后,对提取到的信息进行数据处理。具体的,选取从病历中主述、现病史、既往史、体格检查、专科检查等文本中提取的数据元,将数据元作为入院记录,对入院记录中的各个数据元值进行数字化处理,不同类型的数据元按不同的处理方法进行归一化,最终将全部数据元值归一化为[-1,1]之间的值。
至于深度学习模型,本实施例构建以入院记录为输入并以初步诊断为输出的深度学习神经网络,将深度学习神经网络的输入层的神经元数量和输出层的神经元数量分别设置为第一目标数量和第二目标数量。设置不同的隐藏层数及每个隐藏层的神经元数,利用训练样本对深度学习神经网络进行训练,通过训练确定最优隐藏层数及每个隐藏层的最优神经元数,保存最优模型参数,得到初步诊断生成模型。
最终,即可利用初步诊断生成模型根据实际入院记录生成对应的初步诊断。如上文所述,初步诊断模型的输出层的神经元数量为第二目标数量,每个神经元对应一个初步诊断项,实际应用中,作为一种具体的实施方式,在得到模型输出的实际初步诊断之后,靠要进一步确定实际初步诊断中神经元值最大的第三目标数量的神经元对应的诊断项,以作为诊断推荐。
本实施例提供一种基于深度学习的初步诊断生成方法,能够构建神经学习神经网络,以患者的入院记录作为输入,以初步诊断作为输出,通过大量的归档病历训练深度学习神经网络,从而学习到入院记录与初步诊断之间的映射关系,得到初步诊断生成模型。当医生新录入一份入院记录时,系统能够通过初步诊断生成模型自动生成当前入院记录的初步诊断,为临床提供实用、可行的辅助诊断的解决方案。
下面开始详细介绍本申请提供的基于深度学习的初步诊断生成方法实施例二,参见图2,实施例二具体包括:
S21、病历数据元的提取:
先从病历中提取数据元,覆盖主诉、现病史、既往史、体格检查、实验室检查、辅助检查等内容。数据元的取值类型包括标志型、枚举型、数字型、日期型、字符型等。针对主诉中的症状数据元,还提取其附加属性,包括发病时间,再发时间,诱因,程度,频度,范围,性质,加重及缓解因素等信息。
S22、数据元值的归一化处理:
对不同类型数据元、不同取值进行归一化处理,使模型输入值在[-1,1]之间。不同类型的数据元的归一化方式分别如下:
(1)标志型数据元:标志型数据元是指结果值为F(假)或T(真)的数据元,如值为‘T’,则将其归一化为1,值为‘F’或数据元无值,则将其归一化为0。
(2)数字型数据元:数字型数据元是指取值范围是一定量数字的数据元,根据数据元的实际值和理想值,分三种结果状态:正常、升高、降低。
结果状态为“正常”或数据元空值,归一输入为0;
结果状态为“升高”,则按照以下方式进行归一化:
计算数据元标准差D,可通过参考范围获取,D=(参考高值-参考低值)/4;计算升高的幅度X,设当前值为V,参考高值为H,X=(V-H)/D;对X取对数(底为2),得到logX;归一输入Y,Y=(0+logX*0.1)。如Y>1时,Y=1。
结果状态为“降低”,则按照以下方式进行归一化:
计算数据元标准差D,可通过参考范围获取,D=(参考高值-参考低值)/4;计算降低的幅度X,设当前值为V,参考高值为L,X=(L-V)/D;对X取对数(底为2),得到logX;归一输入Y,Y=(0-logX*0.1)。如Y<-1时,Y=-1。
(3)枚举型数据元:获取枚举值总数,设为N。则当数据元值为第1个枚举值时,输入值为1/N;数据元值为第2个枚举值时,输入值为2/N...以此类推,值为第N个枚举值时,输入值为1。如值为空,输入值为0。
(4)其他类型数据元:输入值为0。
(5)主诉和现病史提取的附加属性:
如发病时间、再发时间,首先进行时间值标准化,将时间值转换为‘天’为单位的数字;范围X,设当前值为V,X=V,对X取对数(底为5),得到logX;归一输入Y,Y=logX*0.1。如Y>1时,Y=1。
至于诱因,程度,频度,范围,性质,加重及缓解因素,数据提取时分类,归一处理方式同前述枚举型数据元的归一化处理方式。
S23、神经网络的设计:
(1)输入层:设置210-310个神经元。
数据元:提取每个住院科室最近3年所有入院记录中的数据元,出现频率最高的前200-300个数据元作为输入,每个神经元对应一个数据元。
主述数据元属性:发病时间、再发时间、诱因、程度、频度、范围、性质、加重因素、缓解因素的值9个输入,预留1个输入,共10个输入,每个神经元对应一类属性。
(2)输出层:设置200-300个神经元。统计每个住院科室最近3年所有出院院记录中的出院主诊断,出现频率最高的前200-300个出院主诊断作为输出,每个神经元对应一个出院主诊断。
(3)隐层神经元数:100-150个神经元,约为输入层神经元的一半。
(4)神经网络层数:5-6层。
(5)激活函数:本实施例选用Sigmoid函数。
S24、神经网络的训练:
(1)训练集及测试集:每个住院科室最近3年所有病历,出院主诊断不在选取的出院主诊断集(上一节103-3输出层确定的)的病历除外。随机抽取其中80%病历作为训练集,其余20%病历作为测试集。
(2)样本训练:
获取从病历中提取的所有数据元及结果。遍历样本中的数据元,在输入层中查找有无此数据元,如有,将此数据元值作归一化处理后作为输入层数据元神经元的值。此外,获取主述数据元的属性,发病时间、再发时间、诱因、程度、频度、范围、性质、加重因素、缓解因素,将这些属性值作归一化处理后作为输入层属性神经元的值。输入层神经元如未获取值,设为0。获取病历的出院诊断,在输出层中查找对应的神经元,将此神经元值置为1,其余神经元值置为0。
通过样本集及测试集,训练神经网络,确定测试效果最好的模型参数,保存此模型参数。实际应用中,每个住院科室对应一个模型。
S25、神经网络辅助诊断:
解析当前病历,提取所有数据元,并进行数值归一化处理,得到入院记录;获取当前科室的神经网络模型及参数;将入院记录输入模型;获取模型输出层神经元值(200-300个);按神经元值由大到小排序,取前10个神经元对应的初步诊断作为此病人初步诊断的推荐。
可见,本实施例提供的一种基于深度学习的初步诊断生成方法,提供一种通过深度学习辅助诊断的实现方案,主要包括病历数据元的提取、数据元值的归一化处理、基于深度学习的初步诊断生成模型的设计。本实施例采用深度学习神经网络,基于规则的方法提取病历中的信息,设计了一套有效的深度学习模型,将提取出的信息归一化处理作为输入,出院主疾病诊断作为输出,通过大量样本训练神经网络,得到了较高的辅助诊断精确度。而且模型设计简洁,系统特征学习能力强,无需疾病诊断知识库及专家基于个人经验搭建的知识库,可基于历史病历自动数据分析。
下面对本申请实施例提供的基于深度学习的初步诊断生成装置进行介绍,下文描述的基于深度学习的初步诊断生成装置与上文描述的基于深度学习的初步诊断生成方法可相互对应参照。
如图3所示,本实施例的基于深度学习的初步诊断生成装置,包括:
网络构建模块31,用于构建以入院记录为输入并以初步诊断为输出的深度学习神经网络;
模型训练模块32,用于利用训练样本对所述深度学习神经网络进行训练,得到初步诊断生成模型;
诊断生成模块33,用于将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断。
本实施例的基于深度学习的初步诊断生成装置用于实现前述的基于深度学习的初步诊断生成方法,因此该装置的具体实施方式可见前文中的基于深度学习的初步诊断生成方法的实施例部分,在此不再展开介绍。
此外,本申请还提供了一种计算机设备,如图4所示,包括:
存储器100:用于存储计算机程序;
处理器200:用于执行所述计算机程序,以实现如上文所述的基于深度学习的初步诊断生成方法。
最后,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上文所述的基于深度学习的初步诊断生成方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍,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 (10)

1.一种基于深度学习的初步诊断生成方法,其特征在于,包括:
构建以入院记录为输入并以初步诊断为输出的深度学习神经网络;
利用训练样本对所述深度学习神经网络进行训练,得到初步诊断生成模型;
将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断。
2.如权利要求1所述的方法,其特征在于,所述构建以入院记录为输入并以初步诊断为输出的深度学习神经网络,包括:
构建以入院记录为输入并以初步诊断为输出的深度学习神经网络,将所述深度学习神经网络的输入层的神经元数量和输出层的神经元数量分别设置为第一目标数量和第二目标数量。
3.如权利要求1所述的方法,其特征在于,所述利用训练样本对所述深度学习神经网络进行训练,得到初步诊断生成模型,包括:
利用训练样本对所述深度学习神经网络进行训练,通过训练确定最优隐藏层数及每个隐藏层的最优神经元数,得到初步诊断生成模型。
4.如权利要求1所述的方法,其特征在于,在所述将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断之后,还包括:
确定所述实际初步诊断中神经元值最大的第三目标数量的神经元对应的诊断项,以作为诊断推荐。
5.如权利要求1所述的方法,其特征在于,在所述将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断之前,还包括:
从实际入院病历中提取目标数据元,以作为实际入院记录,所述目标数据元包括以下任意一项或多项:主诉,现病史,既往史,体格检查数据,实验室检查数据,辅助检查数据,主诉发病时间,主诉再发时间,主诉伴随症状,主诉诱因,主诉性质,主诉部位,主诉频度,主诉程度,主诉缓急,主诉缓减因素,主诉加剧因素,主诉持续时间。
6.如权利要求5所述的方法,其特征在于,所述从实际入院病历中提取目标数据元,以作为实际入院记录,包括:
从实际入院病历中提取目标数据元,并对数据元值进行归一化处理,以作为实际入院记录。
7.如权利要求6所述的方法,其特征在于,所述对数据元值进行归一化处理,包括:
对于数字类型的目标数据元,若数据元提取结果为正常,则将数据元值归一化为0;若数据元提取结果为升高或降低,则计算数据元标准差和升降幅度,根据所述数据元标准差和所述升降幅度确定归一化的数据元值。
8.一种基于深度学习的初步诊断生成装置,其特征在于,包括:
网络构建模块,用于构建以入院记录为输入并以初步诊断为输出的深度学习神经网络;
模型训练模块,用于利用训练样本对所述深度学习神经网络进行训练,得到初步诊断生成模型;
诊断生成模块,用于将实际入院记录输入所述初步诊断生成模型,得到实际初步诊断。
9.一种计算机设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如权利要求1至7任意一项所述的基于深度学习的初步诊断生成方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1至7任意一项所述的基于深度学习的初步诊断生成方法。
CN202111039185.3A 2021-09-06 2021-09-06 基于深度学习的初步诊断生成方法、装置及计算机设备 Pending CN113724861A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111039185.3A CN113724861A (zh) 2021-09-06 2021-09-06 基于深度学习的初步诊断生成方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111039185.3A CN113724861A (zh) 2021-09-06 2021-09-06 基于深度学习的初步诊断生成方法、装置及计算机设备

Publications (1)

Publication Number Publication Date
CN113724861A true CN113724861A (zh) 2021-11-30

Family

ID=78681884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111039185.3A Pending CN113724861A (zh) 2021-09-06 2021-09-06 基于深度学习的初步诊断生成方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN113724861A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997005553A1 (en) * 1995-07-25 1997-02-13 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
US5769074A (en) * 1994-10-13 1998-06-23 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
CN107833629A (zh) * 2017-10-25 2018-03-23 厦门大学 基于深度学习的辅助诊断方法及系统
CN109949929A (zh) * 2019-03-19 2019-06-28 挂号网(杭州)科技有限公司 一种基于深度学习大规模病历的辅助诊断系统
US20200104412A1 (en) * 2018-09-28 2020-04-02 Palo Alto Research Center Incorporated Combined data driven and knowledge driven analytics
US20200104733A1 (en) * 2018-09-27 2020-04-02 Palo Alto Research Center Incorporated Generation of human readable explanations of data driven analytics
CN111192680A (zh) * 2019-12-25 2020-05-22 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN111834012A (zh) * 2020-07-14 2020-10-27 中国中医科学院中医药信息研究所 基于深度学习和注意力机制的中医证候诊断方法及装置
CN112768083A (zh) * 2021-03-18 2021-05-07 汤学民 一种基于历史病历的初步诊断生成系统、方法及设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5769074A (en) * 1994-10-13 1998-06-23 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
WO1997005553A1 (en) * 1995-07-25 1997-02-13 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
CN107833629A (zh) * 2017-10-25 2018-03-23 厦门大学 基于深度学习的辅助诊断方法及系统
US20200104733A1 (en) * 2018-09-27 2020-04-02 Palo Alto Research Center Incorporated Generation of human readable explanations of data driven analytics
US20200104412A1 (en) * 2018-09-28 2020-04-02 Palo Alto Research Center Incorporated Combined data driven and knowledge driven analytics
CN109949929A (zh) * 2019-03-19 2019-06-28 挂号网(杭州)科技有限公司 一种基于深度学习大规模病历的辅助诊断系统
CN111192680A (zh) * 2019-12-25 2020-05-22 山东众阳健康科技集团有限公司 一种基于深度学习和集成分类的智能辅助诊断方法
CN111834012A (zh) * 2020-07-14 2020-10-27 中国中医科学院中医药信息研究所 基于深度学习和注意力机制的中医证候诊断方法及装置
CN112768083A (zh) * 2021-03-18 2021-05-07 汤学民 一种基于历史病历的初步诊断生成系统、方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张尧学 等: "《大数据导论 第2版》", vol. 2, 31 May 2021, 机械工业出版社, pages: 41 *

Similar Documents

Publication Publication Date Title
CN112786194B (zh) 基于人工智能的医学影像导诊导检系统、方法及设备
CN109935336B (zh) 一种儿童呼吸科疾病的智能辅助诊断系统
CN110136788B (zh) 一种基于自动检测的病历质检方法、装置、设备及存储介质
KR102153920B1 (ko) 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법
Meystre et al. Natural language processing to extract medical problems from electronic clinical documents: performance evaluation
CN110827941B (zh) 电子病历信息校正方法及系统
Mridha et al. Automated stroke prediction using machine learning: an explainable and exploratory study with a web application for early intervention
US20180107798A1 (en) Method for aiding a diagnosis, program and apparatus
CN112541056B (zh) 医学术语标准化方法、装置、电子设备及存储介质
US20200118683A1 (en) Medical diagnostic aid and method
CN112635011A (zh) 疾病诊断方法、疾病诊断系统和可读存储介质
CN111274400B (zh) 一种医学术语系统的构建方法、装置、设备及存储介质
Shrestha et al. Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection
CN110532367A (zh) 一种信息提示方法及系统
Al-Alshaikh et al. Comprehensive evaluation and performance analysis of machine learning in heart disease prediction
Chandra et al. Natural language Processing and Ontology based Decision Support System for Diabetic Patients
Nelson et al. Deep forecasting of translational impact in medical research
Mandal Machine learning algorithms for the creation of clinical healthcare enterprise systems
CN112349367B (zh) 一种生成仿真病历的方法、装置、电子设备及存储介质
Luo et al. Towards Accurate and Clinically Meaningful Summarization of Electronic Health Record Notes: A Guided Approach
GB2555381A (en) Method for aiding a diagnosis, program and apparatus
CN113111660A (zh) 数据处理方法、装置、设备和存储介质
CN113360643A (zh) 一种基于短文本分类的电子病历数据质量评价方法
CN113724861A (zh) 基于深度学习的初步诊断生成方法、装置及计算机设备
CN111028951A (zh) 一种用于中医诊断检索显示、评估的方法及设备

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