[發(fā)明專利]一種自動(dòng)生成診斷結(jié)果的方法、系統(tǒng)及計(jì)算機(jī)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 201910594042.5
• 申請(qǐng)日: 2019-07-03
• 公開(kāi)（公告）號(hào): CN110322962A
• 公開(kāi)（公告）日: 2019-10-11
• 發(fā)明（設(shè)計(jì)）人: 雷大江;張莉萍;李智星;林智敏;陳浩;張玉楓;吳渝
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G16H50/20
• 分類號(hào): G16H50/20;G06F16/33;G06F16/35;G16H10/60;G06K9/62
• 代理公司: 重慶輝騰律師事務(wù)所 50215
• 代理人: 盧勝斌

本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，一種自動(dòng)生成診斷結(jié)果的方法、系統(tǒng)及計(jì)算機(jī)設(shè)備，所述方法包括采集病例的病史小結(jié)，并對(duì)病史小結(jié)進(jìn)行預(yù)處理；將預(yù)處理后的語(yǔ)料構(gòu)建預(yù)訓(xùn)練詞向量模型Word2Vec，得到向量表示的語(yǔ)料；構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并將向量表示的預(yù)料輸入該神經(jīng)網(wǎng)絡(luò)，其中該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括雙向門控循環(huán)單元BiGRU、卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)CNN和注意力機(jī)制Att；設(shè)置閾值來(lái)選擇神經(jīng)網(wǎng)絡(luò)輸出的多分類概率矩陣中的標(biāo)簽，選擇的標(biāo)簽即為診斷結(jié)果；本發(fā)明相比于傳統(tǒng)的詞袋模型，能夠提取更多的特征且更有效；最后設(shè)置閾值來(lái)處理多標(biāo)簽問(wèn)題，并且加上相關(guān)性約束，解決診斷結(jié)果的沖突，使得結(jié)果的生成也更為合理。

技術(shù)領(lǐng)域

本發(fā)明深度學(xué)習(xí)領(lǐng)域，一種自動(dòng)生成診斷結(jié)果的方法、系統(tǒng)及計(jì)算機(jī)設(shè)備。

背景技術(shù)

輔助生殖在現(xiàn)代醫(yī)學(xué)中，獲得了飛速的發(fā)展。輔助生殖旨在通過(guò)對(duì)精子、卵細(xì)胞、胚胎的人工操作，幫助沒(méi)有生育能力的夫婦妊娠。該技術(shù)包括人工授精和體外受精-胚胎移植。夫精宮腔內(nèi)人工受精是指收集丈夫的精液，直接或經(jīng)處理以后注入女性子宮內(nèi)的一種助孕技術(shù)，因其實(shí)用性、非侵入性、廉價(jià)成本，廣泛應(yīng)用于不孕不育的治療當(dāng)中。在不孕不育的治療過(guò)程中，極為重要的一環(huán)，是先對(duì)患者進(jìn)行問(wèn)診，以及進(jìn)行必要的檢查，醫(yī)生將診斷情況記錄下來(lái)，這便是病歷。有經(jīng)驗(yàn)的醫(yī)生看到病歷情況，可以根據(jù)醫(yī)學(xué)知識(shí)，總結(jié)出可行的診斷結(jié)果，但是醫(yī)生畢竟時(shí)間精力有限，如此眾多的病歷全部一一閱完，費(fèi)時(shí)費(fèi)力，且也難免存在誤判等情況，所以如果能夠針對(duì)病歷，自動(dòng)提取信息，生成診斷結(jié)果，對(duì)于輔助醫(yī)生決策是有極大好處。

影響不孕不育的因素非常復(fù)雜，與患者過(guò)往病史和身體狀況密切相關(guān)，這些都體現(xiàn)在病歷診斷單以及最后的病史小結(jié)上，著重注意患者年齡，不孕時(shí)間長(zhǎng)度，以及過(guò)往病史和曾經(jīng)做過(guò)的治療情況。針對(duì)以上信息，進(jìn)行文本預(yù)處理，提取文本信息，構(gòu)建模型，訓(xùn)練并生成診斷結(jié)果。

本發(fā)明引入深度學(xué)習(xí)的方法對(duì)文本內(nèi)容提取有用信息，并構(gòu)建模型訓(xùn)練生成診斷結(jié)果。面對(duì)多標(biāo)簽問(wèn)題，設(shè)置閾值來(lái)選取，只要某個(gè)類別概率大于設(shè)定閾值就把它加入標(biāo)簽池，并加上相關(guān)性約束，解決標(biāo)簽沖突問(wèn)題，使得結(jié)果更加合理。

發(fā)明內(nèi)容

為了輔助醫(yī)生對(duì)病歷做出決策判斷，本發(fā)明提出了一種自動(dòng)生成診斷結(jié)果的方法、系統(tǒng)及計(jì)算機(jī)設(shè)備，所述方法包括：

S1、采集病例的病史小結(jié)，并對(duì)病史小結(jié)進(jìn)行預(yù)處理；

S2、將預(yù)處理后的語(yǔ)料構(gòu)建預(yù)訓(xùn)練詞向量模型Word2Vec，得到向量表示的語(yǔ)料；

S3、構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并將向量表示的預(yù)料輸入該神經(jīng)網(wǎng)絡(luò)；該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括雙向門控循環(huán)單元(bidirectionalgated recurrent units，BiGRU)、卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneural networks，CNN)和注意力機(jī)制(Attention，簡(jiǎn)寫Att)；

S4、設(shè)置閾值來(lái)選擇神經(jīng)網(wǎng)絡(luò)輸出的多分類概率矩陣中的標(biāo)簽，選擇的標(biāo)簽即為診斷結(jié)果。

解析電子病例時(shí)，按照字段解析并提取結(jié)構(gòu)化信息，并將電子病歷信息轉(zhuǎn)化為結(jié)構(gòu)化文本中的一條記錄；并對(duì)解析后的電子病例文本進(jìn)行文本分詞、清除標(biāo)點(diǎn)符號(hào)以及去除停用詞。

采用pdfplumber電子病歷進(jìn)行解析，將文本按照從上至下，從左至右的順序提取，并將解析后的pdf文本進(jìn)行拼接，形成一個(gè)文本字符串。

使用gensim庫(kù)的Word2vec模型，無(wú)監(jiān)督訓(xùn)練詞向量，把每個(gè)形成一個(gè)文本字符串的詞都用一個(gè)128維的向量表示。

進(jìn)一步的，所述步驟3包括：

將病史小結(jié)的word2id形式輸入神經(jīng)網(wǎng)絡(luò)的嵌入層，轉(zhuǎn)為詞向量矩陣；輸入為分詞后的病史小結(jié)word2id作為輸入，文本轉(zhuǎn)為文本字典里的順序id，因?yàn)橹挥袛?shù)值才能入模；

使用BiGRU雙向循環(huán)網(wǎng)絡(luò)提取上下文特征；