[發明專利]基于深度學習的治療方案的生成方法、裝置及存儲介質

有效

• 申請號: 201811407145.8
• 申請日: 2018-11-22
• 公開（公告）號: CN109637669B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 任江濤;熊鎧能
• 申請（專利權）人: 中山大學
• 主分類號: G16H20/00
• 分類號: G16H20/00;G16H50/20;G16H10/60;G06N3/0455;G06N3/0442;G06N3/047;G06N3/048;G06N3/0499;G06N3/08
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 胡海國;於菪珉

1.一種基于深度學習的治療方案的生成方法，其特征在于，所述基于深度學習的治療方案的生成方法包括以下步驟：

獲取待處理的病人的診斷信息，其中，在所述診斷信息中，只有一次診斷記錄對應的診斷數據，所述診斷數據包括診斷的疾病名稱和疾病相關病征；

將所述診斷信息輸入深度神經網絡模型進行處理，得到所述診斷信息對應的隱向量，其中，所述隱向量為所述診斷信息對應的特征表示；

將所述診斷信息對應的隱向量輸入自注意力機制層進行處理，所述自注意力機制層根據所述診斷信息的等級信息學習到所述隱向量對應的權重，其中，所述診斷信息的等級信息包括：病癥四級、病癥三級、病癥二級和病癥一級，其中，所述病征四級對應為主要診斷的病征，所述病征三級對應為其他診斷的病征，所述病征二級為損傷類的病征，所述病征一級為其他常見的輕微病征；

根據所述隱向量和所述權重得到加權后的隱向量；

根據所述加權后的隱向量得到所述待處理的病人的本次治療方案的預測結果，其中，所述預測結果為多標簽概率向量，所述多標簽概率向量的維數為預設的治療方案的個數，所述治療方案包括藥物治療、打針、輸液、手術，一個標簽對應一種治療方案，一個標簽概率為待處理的病人本次就診獲得的該種治療方案的概率值，所述概率值反映該種治療方案的可靠度或可采納度；

將所述本次治療方案的預測結果輸入序列到序列模型進行處理，得到所述待處理的病人的未來治療方案的預測結果；其中，

所述將所述本次治療方案的預測結果輸入序列到序列模型進行處理，得到所述待處理的病人的未來治療方案的預測結果的步驟包括：

將所述本次治療方案的預測結果輸入序列到序列模型進行處理，得到所述待處理病人的下一次治療方案的預測結果；

獲取所述待處理病人的治療方案的預測結果的個數是否達到預設數目；

若所述待處理病人的治療方案的預測結果的個數未達到所述預設數目，將所述下一次治療方案的預測結果作為所述本次治療方案的預測結果，返回執行所述將所述本次治療方案的預測結果輸入序列到序列模型進行處理的步驟。

2.如權利要求1所述的基于深度學習的治療方案的生成方法，其特征在于，所述深度神經網絡模型包括多層的長短期記憶網絡或者多層的門控遞歸單元網絡，根據預設數量的病人的診斷信息和與所述病人的診斷信息對應的治療方案對所述深度神經網絡模型和所述序列到序列模型進行聯合訓練。

3.如權利要求2所述的基于深度學習的治療方案的生成方法，其特征在于，所述預設數量的病人的診斷信息為入院次數不小于預設次數的病人的診斷信息。

4.如權利要求1至3任一項所述的基于深度學習的治療方案的生成方法，其特征在于，所述獲取待處理的病人的診斷信息的步驟之后還包括：

根據國際疾病編碼標準獲取所述病人的診斷信息對應的編碼向量；

將所述病人的診斷信息對應的編碼向量輸入深度神經網絡模型進行處理，得到所述待處理的病人的本次治療方案的預測結果。

5.一種基于深度學習的治療方案的生成裝置，其特征在于，所述基于深度學習的治療方案的生成裝置包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的基于深度學習的治療方案的生成程序，所述基于深度學習的治療方案的生成程序被所述處理器執行時實現如權利要求1至4中任一項所述的基于深度學習的治療方案的生成方法的步驟。

6.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有基于深度學習的治療方案的生成程序，所述基于深度學習的治療方案的生成程序被處理器執行時實現如權利要求1至4中任一項所述的基于深度學習的治療方案的生成方法的步驟。