[發明專利]一種仿真文本病歷的生成方法及系統

有效

• 申請號: 201810600640.4
• 申請日: 2018-06-12
• 公開（公告）號: CN109003678B
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 張學工;關嘉麒;閭海榮
• 申請（專利權）人: 清華大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/20;G16H10/60
• 代理公司: 北京鴻元知識產權代理有限公司 11327
• 代理人: 董永輝;曹素云

一種仿真文本病歷的生成方法及系統，采用原始病歷生成正樣本，生成器每次循環以上一次循環輸出的詞向量和疾病標簽向量為輸入，輸出新的詞向量，重復多次生成由多個詞向量組成的句子。每生成一個詞向量，以已生成詞向量序列為初始狀態，重復運行生成器采樣，生成多個句子，判別器對所有句子的獎勵值取平均值，作為該次的詞向量的獎勵值，根據得到的句子和詞向量的獎勵值更新生成器，如此反復直至收斂。收斂的生成器生成負樣本，與正樣本組成混合病歷數據集，以疾病標簽向量和詞向量序列為輸入，得到每一病歷來自真實病歷的概率，更新判別器，如此反復直至收斂。本發明避免涉及病人隱私，仿真文本病歷可輔助其它機器學習任務，方便對該疾病的研究。

技術領域

本發明涉及機器學習技術領域，具體地說，涉及一種仿真文本病歷的生成方法及系統。

背景技術

隨著時代的發展，信息化程度的不斷提高，電子病歷的使用越來越廣泛。與此同時，隨著近年來機器學習與深度學習的快速發展，人們開始嘗試用機器學習的方法解決醫療領域的問題，并取得了一些成效。然而，電子病歷數據的獲取與使用，一方面由于涉及病人隱私等問題，可能受到患者個人意愿和法律法規的層層限制，從而制約了基于大數據的機器學習等相關算法的使用；另一方面由于病歷數據本身具有較大的差異性，對于某類疾病可能會出現正負樣本(患病樣本與非患病樣本)不均衡的情況，影響機器學習相關算法的效果。針對以上問題，生成盡量還原真實病歷樣本分布的仿真病歷數據，是一種有效的解決方案，然而當前卻很少有技術嘗試解決這一問題。少量的病歷生成與文本生成的相關技術也存在以下問題：1.作用僅為輔助生成格式化病歷，使之符合標準格式需要，減輕醫生手寫排版的工作，并未涉及自動生成仿真病歷。2.可以根據已有文本進行合并，生成新文本，但并未涉及機器學習相關算法，生成文本多樣性也十分有限。3.相關基于人工智能的文本生成方法作用范圍有限(僅為文本擴展，而無法生成全文本)，且應用范圍不明確，與醫療領域結合不緊密。

發明內容

為解決以上問題，本發明提供一種仿真文本病歷的生成方法及系統，包括以下步驟：

步驟S1，對原始病歷數據進行預處理，生成由真實病歷數據組成的正樣本，具體包括如下步驟：

步驟S11，獲取包括病情描述和診斷結果的真實病歷的文本；

步驟S12，對病情描述和診斷結果進行提取并分別編制適于計算機讀取的編碼；

步驟S14，生成所述正樣本，

步驟S2，訓練模型，具體包括以下步驟：

步驟S21，構建生成器與判別器，初始化參數；

步驟S23，對生成器與判別器進行對抗訓練，循環執行如下過程直至生成式對抗網絡收斂：

步驟S231，對生成器執行多次迭代，直至收斂，具體包括如下步驟：

步驟S2311，生成器執行T次循環，每次循環以上一次循環輸出的詞向量和疾病標簽向量為輸入，輸出新的詞向量，從而重復T次生成長度為T的句子X_1:T，其中，

以已經生成的詞向量序列(x₁,x₂,…,x_t-1)為初始狀態固定不變，重復運行生成器進行采樣，生成以X_1:t-1為前綴的N個完整的句子，判別器對每個句子給出一個獎勵值，對N個句子的獎勵值取平均值，作為第t步所生成詞向量x_t的獎勵值，

其中，詞向量從事先設定的包含病歷詞匯的詞典中選取，疾病標簽向量是與病情診斷結果對應的向量；

步驟S2312，根據得到的序列總長度為T的句子，和序列中每個詞向量獲得的來自于判別器的獎勵值，更新生成器，然后返回步驟S2311，直至收斂；

步驟S232，執行多次迭代，直至收斂，具體包括如下步驟：