[發明專利]分診融合模型訓練方法、分診方法、裝置、設備及介質

在審

• 申請號: 202011023857.7
• 申請日: 2020-09-25
• 公開（公告）號: CN112101550A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 唐蕊;李彥軒;朱昭葦;孫行智
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G16H40/20
• 代理公司: 深圳眾鼎專利商標代理事務所(普通合伙) 44325
• 代理人: 譚果林

1.一種分診融合模型訓練方法，其特征在于，包括：

獲取就診樣本集；所述就診樣本集包括多個就診樣本，每個所述就診樣本與一個分診標簽關聯；

將所述就診樣本輸入含有初始參數的多融合神經網絡模型；

通過所述多融合神經網絡模型對所述就診樣本進行預測，獲取至少兩個分診結果；

對各所述分診結果進行標準化轉換，得到與各所述分診結果對應的標準化結果；

將所有所述標準化結果進行權重融合，得到樣本分診結果；

通過所述多融合神經網絡模型中的損失模型，對所述樣本分診結果和所述分診標簽進行損失分析，得到總損失值；

在所述總損失值未達到預設的收斂條件時，迭代更新所述多融合神經網絡模型的初始參數，直至所述總損失值達到所述預設的收斂條件時，將收斂之后的所述多融合神經網絡模型記錄為分診融合模型。

2.如權利要求1所述的分診融合模型訓練方法，其特征在于，所述對各所述分診結果進行標準化轉換，得到與各所述分診結果對應的標準化結果，包括：

將各所述分診結果中的分診類別由大到小進行排序，并獲取排序后序列在先的預設提取數量的分診類別，將獲取后的各所述分診結果確定為與各所述分診結果對應的排序結果；所述分診結果包括所述分診類別；

通過標準化技術，對各所述排序結果中的各個分診類別進行標準化賦值；

將賦值后的各所述排序結果確定為與各所述排序結果一一對應的標準化結果。

3.如權利要求1所述的分診融合模型訓練方法，其特征在于，所述將所有所述標準化結果進行權重融合，得到樣本分診結果，包括：

將各所述標準化結果進行預設維度的分診向量轉換，得到與各所述標準化結果對應的分診向量；

根據各所述分診結果和所述分診標簽，確定出與各所述分診結果對應的準確率；

根據所有所述準確率，生成與各所述分診向量對應的權重；

根據各所述分診向量和各所述權重，得到所述樣本分診結果。

4.如權利要求1所述的分診融合模型訓練方法，其特征在于，所述通過所述多融合神經網絡模型中的損失模型，對所述樣本分診結果和所述分診標簽進行損失分析，得到總損失值，包括：

將所述樣本分診結果由大到小順序進行排序，并獲取排序后的所述樣本分診結果中序列在先的預設數量的分診類別，將獲取后的所述樣本分診結果確定為過濾分診結果；所述樣本分診結果包括所述分診類別和與所述分診類別對應的概率值；

給所述過濾分診結果中的各所述分診類別賦予順序相關值；

若存在與所述分診標簽相同的所述分診類別，將概率總和值替代與所述分診標簽相同的所述分診類別對應的所述概率值，所述概率總和值為所有所述概率值之和；

將與所述過濾分診結果中的各所述分診類別對應的所述順序相關值和所述概率值輸入所述損失模型中，通過所述損失模型進行損失分析，得到所述總損失值。

5.如權利要求4所述的分診融合模型訓練方法，其特征在于，所述將與所述過濾分診結果中的各所述分診類別對應的所述順序相關值和所述概率值輸入所述損失模型中，通過所述損失模型進行損失分析，得到所述總損失值，包括：

將與各所述分診類別對應的所述順序相關值和所述概率值輸入所述損失模型中的損失函數中，通過所述損失函數計算出所述總損失值；所述損失函數為：

L＝-(p₁×ln(k)+…+p_i×ln(k-i+1)+…+p_k×ln(1))

其中，

L為總損失值；

k為所述預設數量；

p₁為與所述過濾分診結果中序列為第一位的分診類別對應的概率值；

ln(k)為與所述過濾分診結果中序列為第一位的分診類別對應的順序相關值；

p_i為與所述過濾分診結果中序列為第i位的分診類別對應的概率值；

ln(k-i+1)為與所述過濾分診結果中序列為第i位的分診類別對應的順序相關值；

p_k為與所述過濾分診結果中序列為第k位的分診類別對應的概率值；

ln(1)為與所述過濾分診結果中序列為第k位的分診類別對應的順序相關值。