[發(fā)明專利]一種面向醫(yī)學(xué)數(shù)據(jù)的增量式處理方法

在審

• 申請?zhí)枺?/td>: 201810399299.0
• 申請日: 2018-04-28
• 公開（公告）號: CN108538390A
• 公開（公告）日: 2018-09-14
• 發(fā)明（設(shè)計(jì)）人: 許濤;郭克華
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70
• 代理公司: 長沙正奇專利事務(wù)所有限責(zé)任公司 43113
• 代理人: 馬強(qiáng);王娟

本發(fā)明公開了一種面向醫(yī)學(xué)數(shù)據(jù)的增量式處理方法，針對當(dāng)前醫(yī)療數(shù)據(jù)無法被充分的利用的問題。因進(jìn)行數(shù)據(jù)共享涉及用戶隱私問題還有各醫(yī)院平臺(tái)的差異、數(shù)據(jù)格式的差異等原因難以實(shí)現(xiàn)。所以在醫(yī)院內(nèi)部使用自己少量的數(shù)據(jù)，依托人工智能，訓(xùn)練出一個(gè)能用于輔助診斷的系統(tǒng)，輔助醫(yī)生對于一些疑難病癥的診斷，提高診斷的準(zhǔn)確率，使得醫(yī)生能更好的治療病人。本發(fā)明能不斷從新數(shù)據(jù)中進(jìn)行增量式學(xué)習(xí)，不斷提高系統(tǒng)的準(zhǔn)確度，而且每次的增量式學(xué)習(xí)不需要消耗大量的時(shí)間重新計(jì)算。

技術(shù)領(lǐng)域

本發(fā)明涉及一種面向醫(yī)學(xué)數(shù)據(jù)的增量式處理方法。

背景技術(shù)

深度學(xué)習(xí)是一種用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個(gè)處理層對數(shù)據(jù)進(jìn)行高層抽象的算法。至今已有數(shù)種深度學(xué)習(xí)框架，如深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等，這些框架被應(yīng)用于多個(gè)領(lǐng)域并取得了極好的效果。深度學(xué)習(xí)也能幫助醫(yī)生用于疾病的診斷方面，目前醫(yī)療領(lǐng)域融入了越來越多的人工智慧、傳感技術(shù)等，使醫(yī)療服務(wù)逐漸走向智能化。

現(xiàn)代醫(yī)學(xué)是建立在實(shí)驗(yàn)基礎(chǔ)上的循證醫(yī)學(xué)，醫(yī)生的診療結(jié)論必須建立在相應(yīng)的診斷數(shù)據(jù)上，影像是重要的診斷依據(jù)，醫(yī)療行業(yè)80％～90％的數(shù)據(jù)都來源于醫(yī)學(xué)影像。所以臨床醫(yī)生有極強(qiáng)的影像需求，他們需要對醫(yī)學(xué)影像進(jìn)行各種各樣的定量分析、歷史圖像的比較，從而能夠完成一次診斷。人工智能+醫(yī)學(xué)影像便是通過深度學(xué)習(xí)，完成對影像的分類、目標(biāo)檢測、圖像分割和檢索工作，協(xié)助醫(yī)生完成診斷、治療工作的一種輔助工具。

目前，國內(nèi)公共醫(yī)療管理系統(tǒng)不完善，因?yàn)獒t(yī)療數(shù)據(jù)涉及公民個(gè)人隱私，這樣的數(shù)據(jù)一旦開放共享，必然伴隨著個(gè)人身份和隱私信息泄漏的風(fēng)險(xiǎn)。因此每個(gè)醫(yī)院必須要保證自己的數(shù)據(jù)的安全，會(huì)謹(jǐn)慎選擇共享自己的醫(yī)療數(shù)據(jù)。再者，部分醫(yī)院沒有實(shí)現(xiàn)對數(shù)據(jù)的有效分析和利用，導(dǎo)致了資源的浪費(fèi)。而且每個(gè)醫(yī)院都有自己獨(dú)立的管理系統(tǒng)，而這些獨(dú)立的、結(jié)構(gòu)不同的系統(tǒng)使得系統(tǒng)之間的信息共享難以進(jìn)行。這種種原因?qū)е铝藬?shù)據(jù)孤島的問題，這更導(dǎo)致大量的資源不能被充分的發(fā)揮應(yīng)有的作用。

目前，很多研究機(jī)構(gòu)都在使用深度學(xué)習(xí)進(jìn)行疾病方面的診斷。例如：微軟亞洲研究院智慧醫(yī)療項(xiàng)目是以人工智能與大數(shù)據(jù)為基礎(chǔ)，基于計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)技術(shù)實(shí)現(xiàn)醫(yī)學(xué)影像識別。

已有的方法要想達(dá)到一個(gè)較高的準(zhǔn)確度需要大量的數(shù)據(jù)支撐，目前由于孤島問題，大部分醫(yī)院的數(shù)據(jù)還是有限的。而且醫(yī)院的數(shù)據(jù)每天都在發(fā)生變化，每天都有新的數(shù)據(jù)加入，這些方法沒有達(dá)到充分利用新增加的數(shù)據(jù)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是，針對現(xiàn)有技術(shù)不足，提供一種面向醫(yī)學(xué)數(shù)據(jù)的增量式處理方法。

為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種面向醫(yī)學(xué)數(shù)據(jù)的增量式處理方法，包括以下步驟：

1)采集醫(yī)療影像數(shù)據(jù)，對所述醫(yī)療影像數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，將遷移學(xué)習(xí)得到的模型存入模型庫內(nèi)；

2)對新增的醫(yī)療影像數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，將遷移學(xué)習(xí)得到的模型加入到所述模型庫內(nèi)；

3)采集需要診斷的影像，調(diào)用所述模型庫中的相關(guān)模型；

4)獲取到所述模型庫內(nèi)不同的模型給出的關(guān)于某張需要診斷的影像圖片有癥狀和無癥狀的概率值，將不同模型給出的有癥狀的概率值相乘，再將不同模型給出的無癥狀的概率值相乘，最后將兩個(gè)相乘的結(jié)果相加，得到一個(gè)系數(shù)；

5)計(jì)算有癥狀的概率，將模型庫內(nèi)所有模型給出的有癥狀的概率相乘，再乘以步驟4)中系數(shù)的倒數(shù)；計(jì)算無癥狀的概率，將模型庫內(nèi)模型給出的無癥狀的概率相乘，再乘以步驟4)中系數(shù)的倒數(shù)；

6)返回最終結(jié)果。

步驟1)中，采用Google的深度學(xué)習(xí)框架tensorflow和InceptionV3模型對所述醫(yī)療影像數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)。

步驟2)中，采用Google的深度學(xué)習(xí)框架tensorflow和InceptionV3模型對新增的醫(yī)療影像數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)。