[發(fā)明專利]分診融合模型訓(xùn)練方法、分診方法、裝置、設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011023857.7
• 申請(qǐng)日: 2020-09-25
• 公開（公告）號(hào): CN112101550A
• 公開（公告）日: 2020-12-18
• 發(fā)明（設(shè)計(jì)）人: 唐蕊;李彥軒;朱昭葦;孫行智
• 申請(qǐng)（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08;G16H40/20
• 代理公司: 深圳眾鼎專利商標(biāo)代理事務(wù)所(普通合伙) 44325
• 代理人: 譚果林

本發(fā)明涉及大數(shù)據(jù)的數(shù)據(jù)處理領(lǐng)域，提供一種分診融合模型訓(xùn)練方法、分診方法、裝置、設(shè)備及介質(zhì)，方法包括：通過獲取就診樣本集；將就診樣本輸入含有初始參數(shù)的多融合神經(jīng)網(wǎng)絡(luò)模型；對(duì)就診樣本進(jìn)行預(yù)測(cè)，獲取至少兩個(gè)分診結(jié)果；對(duì)各分診結(jié)果進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換得到標(biāo)準(zhǔn)化結(jié)果；將所有標(biāo)準(zhǔn)化結(jié)果進(jìn)行權(quán)重融合得到樣本分診結(jié)果；通過多融合神經(jīng)網(wǎng)絡(luò)模型中的損失模型，獲得總損失值；在總損失值未達(dá)到預(yù)設(shè)的收斂條件時(shí)，迭代更新多融合神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)，直至收斂，將收斂之后的多融合神經(jīng)網(wǎng)絡(luò)模型記錄為分診融合模型。本發(fā)明提升了多融合神經(jīng)網(wǎng)絡(luò)模型識(shí)別的性能和準(zhǔn)確率。本發(fā)明適用于智慧醫(yī)療等領(lǐng)域，可進(jìn)一步推動(dòng)智慧城市的建設(shè)。

技術(shù)領(lǐng)域

本發(fā)明涉及大數(shù)據(jù)的數(shù)據(jù)處理領(lǐng)域，尤其涉及一種分診融合模型訓(xùn)練方法、分診方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)

隨著醫(yī)學(xué)的進(jìn)步和發(fā)展，醫(yī)院對(duì)于科室的設(shè)置也更專業(yè)化，隨之帶來的問題是用戶選擇科室?guī)硪欢ǖ睦щy，為了解決這個(gè)問題各大醫(yī)院都增加了導(dǎo)診環(huán)節(jié)，包括導(dǎo)診人員和自主導(dǎo)診服務(wù)，主要是幫助患者推薦診療科室。

目前，患者去醫(yī)院就診時(shí)，首先需要去分診臺(tái)進(jìn)行人工分診，在該過程中患者需要消耗大量排隊(duì)時(shí)間，而且對(duì)分診臺(tái)的導(dǎo)診人員的專業(yè)知識(shí)深度及廣度上有較高的要求，如果導(dǎo)診人員給患者分診錯(cuò)誤，又需要重新進(jìn)行分診，大大浪費(fèi)患者的時(shí)間，嚴(yán)重影響患者體驗(yàn)，因此，在現(xiàn)有技術(shù)上，患者進(jìn)行人工分診過程中耗時(shí)長(zhǎng)、很難給出合理的就診科室或者就診醫(yī)生，從而導(dǎo)致患者體驗(yàn)差，以及就診準(zhǔn)確率低。

發(fā)明內(nèi)容

本發(fā)明提供一種分診融合模型訓(xùn)練、分診方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)，實(shí)現(xiàn)了準(zhǔn)確地推薦主題數(shù)據(jù)給用戶，提高了主題推薦的準(zhǔn)確率，避免了不喜好的主題數(shù)據(jù)展示給用戶，提升了用戶的體驗(yàn)滿意度，并提升了主題推薦的有效性，本發(fā)明適用于智慧醫(yī)療等領(lǐng)域，可進(jìn)一步推動(dòng)智慧城市的建設(shè)。

一種分診融合模型訓(xùn)練方法，包括：

獲取就診樣本集；所述就診樣本集包括多個(gè)就診樣本，每個(gè)所述就診樣本與一個(gè)分診標(biāo)簽關(guān)聯(lián)；

將所述就診樣本輸入含有初始參數(shù)的多融合神經(jīng)網(wǎng)絡(luò)模型；

通過所述多融合神經(jīng)網(wǎng)絡(luò)模型對(duì)所述就診樣本進(jìn)行預(yù)測(cè)，獲取至少兩個(gè)分診結(jié)果；

對(duì)各所述分診結(jié)果進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換，得到與各所述分診結(jié)果對(duì)應(yīng)的標(biāo)準(zhǔn)化結(jié)果；

將所有所述標(biāo)準(zhǔn)化結(jié)果進(jìn)行權(quán)重融合，得到樣本分診結(jié)果；

通過所述多融合神經(jīng)網(wǎng)絡(luò)模型中的損失模型，對(duì)所述樣本分診結(jié)果和所述分診標(biāo)簽進(jìn)行損失分析，得到總損失值；

在所述總損失值未達(dá)到預(yù)設(shè)的收斂條件時(shí)，迭代更新所述多融合神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)，直至所述總損失值達(dá)到所述預(yù)設(shè)的收斂條件時(shí)，將收斂之后的所述多融合神經(jīng)網(wǎng)絡(luò)模型記錄為分診融合模型。

一種分診方法，包括：

接收患者的分診請(qǐng)求，獲取所述分診請(qǐng)求中的患者就診信息；

將所述患者就診信息輸入如上述分診融合模型訓(xùn)練方法訓(xùn)練完成的分診融合模型，獲取所述分診融合模型輸出的最終分診結(jié)果。

一種分診融合模型訓(xùn)練裝置，包括：

獲取模塊，用于獲取就診樣本集；所述就診樣本集包括多個(gè)就診樣本，每個(gè)所述就診樣本與一個(gè)分診標(biāo)簽關(guān)聯(lián)；

輸入模塊，用于將所述就診樣本輸入含有初始參數(shù)的多融合神經(jīng)網(wǎng)絡(luò)模型；

預(yù)測(cè)模塊，用于通過所述多融合神經(jīng)網(wǎng)絡(luò)模型對(duì)所述就診樣本進(jìn)行預(yù)測(cè)，獲取至少兩個(gè)分診結(jié)果；

標(biāo)準(zhǔn)化模塊，用于對(duì)各所述分診結(jié)果進(jìn)行標(biāo)準(zhǔn)化轉(zhuǎn)換，得到與各所述分診結(jié)果對(duì)應(yīng)的標(biāo)準(zhǔn)化結(jié)果；