[發明專利]一種基于卷積神經網絡的醫療分析輔助系統

在審

• 申請號: 201810914423.2
• 申請日: 2018-08-13
• 公開（公告）號: CN109192299A
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 商顯震;孫毓忠
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N3/04
• 代理公司: 北京泛華偉業知識產權代理有限公司 11280
• 代理人: 王勇

本發明提供了一種基于卷積神經網絡的醫療分析輔助系統。該系統利用構建的醫療分析模型提供醫療建議，構建醫療分析模型的步驟包括：根據醫學書籍記載的疾病種類和醫學特征之間的關聯性，構建由多組樣本數據組成的訓練樣本集，其中每組樣本數據包括一種疾病種類和對應的醫學特征；基于所述訓練樣本集，以醫學特征作為輸入，以疾病種類作為輸出，通過訓練卷積神經網絡獲得用于預測疾病信息的醫療分析模型。利用本發明的醫療分析輔助系統能夠提供有效的醫療建議。

技術領域

本發明涉及疾病分析設備技術領域，尤其涉及一種基于卷積神經網絡的醫療分析輔助系統。

背景技術

信息技術的迅猛發展與計算機硬件的不斷更新為醫療服務行業帶來了巨大的機遇，智能醫療診斷系統的相關研究極大促進了醫療信息化產業的快速發展，智能醫療診斷系統中的診斷模型也在不斷發展進步。在臨床診斷中，醫師根據自己的知識儲備和臨床經驗，通過患者的癥狀和相關檢查結果，對病人進行診斷，而智能醫療診斷系統使用的診斷模型首先需要學習大量醫學知識，然后輸出醫療指導建議。因此，抽取高質量的醫學知識，以及疾病診斷模型對醫學知識的有效學習，是訓練出高效的疾病診斷模型的重要條件。

目前，疾病診斷模型的知識來源是醫學圖像數據和門診病歷文本數據兩個方面，即現有的疾病診斷模型均是基于醫學圖像數據和病歷文本數據進行訓練。在基于醫學圖像數據的診斷模型中，通常僅能根據醫學圖像數據對某一特定的疾病進行診斷，例如，僅針對肺部結節進行檢測診斷，存在診斷范圍單一的問題。在基于病歷文本數據的診斷模型中，通常使用自然語言處理技術對病歷文本進行處理，再使用規則模型、機器學習模型或神經網絡模型進行疾病診斷，這需要使用大量電子病歷文本數據訓練診斷模型，獲取待診斷的電子病歷對應的詞向量矩陣，然后將待診斷的電子病歷對應的詞向量矩陣輸入到預先構建的深度卷積神經網絡模型中，利用分類器對待診斷的電子病歷的特征向量進行分類診斷，這種方式將卷積神經網絡運用到醫療電子病歷文本語義理解并進行輔助醫療診斷，在有大量電子病歷數據的前提下效果較好，但對于沒有大量電子病歷的稀有疾病效果不佳。

而且，現有技術中的許多診斷模型是基于規則提取和匹配實現的，這類模型基于臨床數據庫的大量病例整理出大量的IF-THEN形式的規則，或由專家醫師總結臨床經驗整理規則，然后根據患者信息進行規則匹配進行診斷。在這類模型中，整理專家規則需要耗費大量人工成本，專家規則知識庫維護成本高、可擴展性差，并且規則中易出現語義歧義問題，從而導致診斷效果不佳。

盡管針對醫學病例數據較少的情況，許多專家學者采用不同的采樣技術進行彌補，例如，從多數類疾病病例樣本中進行欠采樣，使多數類與少數類達到平衡，但是這種方法并沒有改變少數類病例數據少的問題，仍會影響疾病診斷的效果。

綜上所述，診斷模型的實現都建立在擁有大量醫學圖像數據或者大量病歷文本數據的基礎上，而對于稀有疾病來說，其發病率較低、臨床案例較少，難以獲取大量的醫學圖像數據或文本病歷數據，無法通過現有的方法建立有效的診斷模型，因此，需要對現有技術進行改進以提供針對稀有疾病的醫療分析模型，并進而提供有效的醫療分析輔助系統。

發明內容

本發明的目的在于克服上述現有技術的缺陷，提供一種基于卷積神經網絡的醫療分析系統。

根據本發明的第一方面，提供了一種構建醫療分析模型的方法。該方法包括以下步驟：

步驟1：根據醫學書籍記載的疾病種類和醫學特征之間的關聯性，構建由多組樣本數據組成的訓練樣本集，其中每組樣本數據包括一種疾病種類和對應的醫學特征；

步驟2：基于所述訓練樣本集，以醫學特征作為輸入，以疾病種類作為輸出，通過訓練卷積神經網絡獲得用于預測疾病信息的醫療分析模型。

在一個實施例中，在步驟1，對于所述醫學書籍包含的多種疾病中的一種疾病，執行以下步驟：

步驟11：從所述醫學書籍中抽取關于該種疾病的多個方面的文字描述；