[發明專利]基于深度學習的上下級眼科遠程診斷平臺及其構建方法

有效

• 申請號: 201910807657.1
• 申請日: 2019-08-29
• 公開（公告）號: CN110544528B
• 公開（公告）日: 2022-06-07
• 發明（設計）人: 梁幼玲;羅靜;張坤;唐霖峰;李欣潔;魏海艷;陰振生;周識認;徐桂梅
• 申請（專利權）人: 中南大學
• 主分類號: G16H40/67
• 分類號: G16H40/67;G16H50/70;G16H50/20;G06K9/62;H04L9/06;H04L67/12
• 代理公司: 西安知誠思邁知識產權代理事務所(普通合伙) 61237
• 代理人: 麥春明

1.基于深度學習的上下級眼科遠程診斷平臺，其特征在于，包括：

前端用戶界面，用于用戶登錄，并通過驗證碼及用戶身份關鍵字驗證用戶身份，依據用戶身份賦予用戶相應權限，用戶身份包括上級醫院、下級醫院和管理員；

下級醫院處理模塊，用于下級醫院提交會診申請、發送患者信息，并接收上級醫院的會診回復；

上級醫院處理模塊，用于上級醫院接收患者信息、對患者進行排隊診斷、并發送診斷回復；

所述上級醫院處理模塊，包括：

會診申請處理模塊，用于依據患者信息，采用基于大數據的聚類分析算法對患者病癥進行自動分類，確定患者的疾病病癥簇，利用GB算法對聚類分析算法分類的結果進行分類優化，并依據患者病情采用優先排隊算法賦予患者權值，然后依據患者的疾病病癥簇和患者權值進行診斷排序，最后依據患者的診斷順序進行診斷，實現會診申請處理功能，并選擇是否需要在線互動；

采用基于大數據的聚類分析算法對患者病癥進行分類，是采用k-means聚類分析算法和已有的醫療大數據推導患者的疾病病癥簇，具體實現過程如下：

從樣本數據即醫聯體內的醫療大數據中隨機選擇K個樣本數據作為初始的聚類中心，K由醫療大數據中存在的眼科疾病類型所確定；

確定每個待聚類對象即剩余樣本數據與每個初始的聚類中心之間的相似度，依據該相似度將每個待聚類對象和與其距離最小的初始的聚類中心劃分在一個簇中，得到K個初始的病癥簇；

所述每個待聚類對象與每個初始的聚類中心之間的相似度采用歐氏距離公式計算，歐式距離公式為：

其中，x_h＝(x_h1,x_h2,…,x_hm′)，C_j＝(C_j1,C_j2,…,C_jm′)，x_hm′表示第h個待聚類對象的第m′個檢查項目指標值，C_jm′表示初始的第j個聚類中心的第m′個檢查項目指標值；

根據下式更新K個聚類中心：

其中，c_j是更新后的第j個聚類中心，S_j是初始的第j個病癥簇中的樣本集合，n_j是S_j中樣本數據的個數，x_i′表示S_j中的第i′個樣本數據；

采用交叉迭代的方法并利用目標優化函數對更新后的聚類中心的模糊位置進行微調，得到最終的聚類中心為：

c_j′＝c_j×(1+f)；

其中，f表示使用的目標優化函數；c_j′表示最終的第j′個聚類中心；

目標優化函數為：

其中，e為調節因子，w為參數隸屬度矩陣，w_j為參數隸屬度矩陣中的第j個元素即聚類后初始的第j個病癥簇；x_i″為初始的第j個病癥簇中的第i″個數據，R(x_i″,w_j)為采用深度學習對初始的第j個病癥簇中的第i″個數據進行特征學習得到的新特征；g_i″(R(x_i″,w_j))為對R(x_i″,w_j)的平方誤差重構；d_j為聚類的初始的第j個病癥簇內單個樣本數據的相關系數，為初始的第j個病癥簇內數據的平均值；N′是隸屬度矩陣w中的元素個數；

利用患者的各檢查項目指標值計算患者與每個最終的聚類中心之間的歐式距離，確定與其距離最短的最終的聚類中心，即得到患者病癥；

所述GB算法的步驟如下：

建立初始化損失函數：

對在醫院的疾病診斷中出現的m個病癥A_i，建立集合A＝[A₁,A₂...A_m]^T，同時對眼科疾病的正確病癥簇y_i建立集合y＝[y₁,y₂,...y_m]^T，每一個病癥A_i都有唯一的病癥簇y_i與之對應，i＝1,2,…,m；每個病癥A_i經過聚類分析算法之后得到的病癥簇設為w_i，A_i∈A，為其建立集合c₀＝[w₁,w₂...w_m]^T，建立初始化損失函數：

其中，f₀(A_i)表示病癥A_i的初始化損失函數；L(y_i,w_i)為病癥A_i的可微損失函數，L(y_i,w_i)＝(y_i-w_i)²；

迭代生成K'個基學習器：設置進行k次迭代，當循環次數k＝K'時，K'為設定的迭代次數，循環執行A)～D)，循環完成后獲得最終的病癥分類標準集c_k：

A)、依據下述公式計算實際病癥集與第k-1次迭代更新的損失函數f_k-1(A_i)之間的殘差r_ki：

其中，f_k-1(A_i)表示第k次迭代前的損失函數即第k-1次迭代更新的損失函數；

B)、對r_ki擬合一棵回歸樹I；

C)、對i＝1,2,…,m，依次線性搜索出L(y_i,f_k-1(A_i)+c_k-1)的最小值，作為經過k次迭代得到的第k次迭代更新的病癥分類標準集c_k，使得采用聚類分析算法得出的分類結果與正確病癥簇之間的誤差最小：

其中，c_k-1表示第k次迭代更新前的病癥分類標準集即經過k-1次迭代得到的第k-1次迭代更新的病癥分類標準集；經過k次迭代得到的第k次迭代更新的病癥分類標準集c_k即為最終分類優化所得患者病癥；

D)、更新損失函數f(A_i)：

f_k(A_i)＝f_k-1(A_i)+c_kI；

f_k(A_i)表示第k次迭代更新后的損失函數；

依據患者病情采用優先排隊算法賦予患者權值的具體實現過程如下：

患者病情由下級醫院進行會診申請時分為重癥患者、中度患者和一般患者三類；

輸入設置：設重癥病患、中度病患和一般病患的申請均滿足泊松分布，且相互獨立，以傳統醫療大數據資源得到申請率分別為λ₁、λ₂、λ₃，且相互獨立；

系統容量設置：設置上級醫院能容納的三類患者總量為S₁+S₂+S₃，S₁代表重癥患者數量，S₂代表中度患者數量，S₃代表一般病情患者，當系統中三類患者的總量達到上限，系統將不再接受申請；

服務規則設置：設置重癥患者享有比中度患者和一般患者更高的優先權，中度患者享有比一般患者更高的優先權；

服務過程：因三種患者的服務時間近似服從指數分布，故設重癥患者的服務時間服從參數為μ₁的指數分布，中度患者的服務時間服從參數為μ₂的指數分布，一般患者的服務時間服從參數為μ₃的指數分布，則重癥患者的服務強度滿足中度患者的服務強度滿足一般病人的服務強度滿足該遠程診斷平臺實現優先排隊平穩狀態的條件是ρ₁+ρ₂+ρ₃＜1，ρ₁為重癥患者的服務強度，ρ₂為中度患者的服務強度，ρ₃為一般患者的服務強度；

輸出過程：患者申請完畢，對于疾病病癥簇一致的患者，對服務強度小的優先進行服務，服務強度即為患者權值，即對患者權值小的優先進行診斷；

分類推薦模塊，基于患者的病癥，利用Apriori算法找出其診斷及推薦診療方案，輔助上級醫院診斷及治療；

利用Apriori算法找出每種疾病病癥簇對應的疾病的診斷及推薦診療方案，是利用Apriori算法找出每種疾病病癥簇與疾病診斷結果的強關聯規則，以及疾病病癥簇與治療方案之間的強關聯規則；

采用Apriori算法找出疾病病癥簇與其治療方案的關聯的具體步驟如下：

設置所有疾病病癥簇與其治療方案的關聯規則的最低置信度閾值和最低支持度閾值；

設DS＝{DS₁,DS₂,...DS_j′...DS_n}為通過聚類分析算法得到的疾病病癥簇集，同時針對于每一種疾病病癥簇DS_j′，收集針對于此疾病病癥的所有治療方案，并將其歸納為治療方案數據集TS＝{TS₁,TS₂...TS_j...TS_n′}，疾病病癥簇DS_j′與其治療方案集TS之間相關聯的集合表示為E(DS_j′,TS)；

定義目前分析的疾病病癥簇與治療方案之間的關聯規則為R_j′x表示疾病病癥簇DS_j′與其治療方案數據集中TS_x的對應關系，R_j′y表示疾病病癥簇DS_j′與其治療方案數據集中TS_y的對應關系，TS_x∈TS，TS_y∈TS，且

定義關聯規則的支持度為的計算公式為：

其中，|E(DS_j′,TS)|表示疾病病癥簇DS_j′的總治療次數，表示疾病病癥簇DS_j′采用治療方案TS_x和TS_y的治療次數；

定義關聯規則的置信度為的計算公式為：

其中，表示疾病病癥簇DS_j′采用治療方案TS_x的治療次數；

生成頻繁項目集：

判斷關聯規則的置信度是否大于最小置信度閾值、關聯規則的支持度是否大于最小支持度閾值，如果滿足，則將滿足最小支持度閾值和最小置信度閾值的所有R_j′x、R_j′y歸入頻繁項目集FI(DS,TS)＝{R_j′x,R_j′y}中；

最后由頻繁項目集即可得出病癥與治療方案的強關聯規則；

將上述采用Apriori算法找出疾病病癥簇與其治療方法的關聯的具體步驟中的治療方案替換為疾病診斷結果，即可得到所述疾病病癥簇與疾病診斷結果之間的強關聯規則。