[發明專利]目標決策模型構建方法及裝置、電子設備、存儲介質

在審

• 申請號: 201911416966.2
• 申請日: 2019-12-31
• 公開（公告）號: CN111145905A
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 李林峰;閆峻
• 申請（專利權）人: 北京懿醫云科技有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G16H70/20
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 王輝;闞梓瑄

1.一種目標決策模型構建方法，其特征在于，包括：

獲取臨床指南數據，并根據所述臨床指南數據構建第一決策模型；其中，所述第一決策模型包括多個決策分支路徑；

獲取目標任務對應的特征數據以及所述特征數據對應的標簽數據；

通過所述特征數據以及所述標簽數據對預構建的第二決策模型進行訓練，并根據訓練完成的所述第二決策模型以及所述第一決策模型構建目標決策模型。

2.根據權利要求1所述的目標決策模型構建方法，其特征在于，通過所述特征數據以及所述標簽數據對預構建的第二決策模型進行訓練，包括：

將所述特征數據輸入到所述第一決策模型中以確定所述特征數據對應的目標決策分支路徑，并根據所述目標決策分支路徑確定所述特征數據對應的初始決策數據；

根據所述初始決策數據以及所述標簽數據對預構建的第二決策模型進行訓練。

3.根據權利要求1所述的目標決策模型構建方法，其特征在于，所述第二決策模型包括細分決策模型，所述通過所述初始決策數據以及標簽數據對預構建的第二決策模型進行訓練，包括：

在確定所述初始決策數據對應多個決策結果時，獲取預構建的所述細分決策模型；

根據多個所述決策結果以及所述標簽數據對所述細分決策模型進行訓練以使所述細分決策模型對所述初始決策數據進行分類。

4.根據權利要求1所述的目標決策模型構建方法，其特征在于，所述第二決策模型包括強化決策模型，所述通過所述初始決策數據以及標簽數據對預構建的第二決策模型進行訓練，包括：

在確定所述初始決策數據為待強化決策數據時，獲取預構建的所述強化決策模型；

根據所述特征數據以及所述標簽數據對所述強化決策模型進行訓練以使所述強化決策模型確定所述待強化決策數據對應的決策結果；其中，所述決策結果包括多個決策分類。

5.根據權利要求4所述的目標決策模型構建方法，其特征在于，所述根據所述特征數據以及所述標簽數據對所述強化決策模型進行訓練，包括：

預先標記所述特征數據的標簽為目標標簽，并判斷所述特征數據在所述第一決策模型中的葉子結點數據是否與所述特征數據對應的標簽數據一致；其中，所述葉子節點數據包括第一治療方案，所述標簽數據包括第二治療方案；

在確定所述第一治療方案與所述第二治療方案一致時，將所述目標標簽作為強化標簽數據；

根據所述特征數據、所述標簽數據以及所述強化標簽數據對所述強化決策模型進行訓練以使所述強化決策模型對所述待強化決策數據進行強化決策并確定待強化決策數據對應的決策分類。

6.根據權利要求1所述的目標決策模型構建方法，其特征在于，所述第二決策模型包括補充決策模型，所述通過所述初始決策數據以及標簽數據對預構建的第二決策模型進行訓練，包括：

在根據所述目標決策分支路徑確定所述特征數據對應的初始決策數據為特征數據時，確定所述目標決策分支路徑為空狀態并獲取預構建的補充決策模型；

根據所述特征數據以及所述標簽數據對所述補充決策模型進行訓練以使所述補充決策模型對所述特征數據進行分類。

7.根據權利要求1至6任意一項所述的目標決策模型構建方法，其特征在于，所述第一決策模型包括規則決策樹模型，所述第二決策模型包括決策樹模型、邏輯回歸模型、隨機森林模型、貝葉斯模型、深度學習模型中的任意一種。

8.一種臨床輔助決策方法，其特征在于，包括：

獲取輸入的決策影響因素；

根據預訓練的目標決策模型中的第一決策模型確定所述決策影響因素對應的初始決策數據；

根據所述目標決策模型中的第二決策模型確定所述初始決策數據對應的輔助決策數據以輔助目標對象根據所述輔助決策數據確定所述決策影響因素對應的決策結果。