[發明專利]基于聯邦學習的醫療輔助診斷方法、裝置、設備及存儲介質

在審

• 申請號: 202011030487.X
• 申請日: 2020-09-27
• 公開（公告）號: CN112201342A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 孫圣力;尹心;李青山;司華友
• 申請（專利權）人: 博雅正鏈（北京）科技有限公司;南京博雅區塊鏈研究院有限公司;北京大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N20/20
• 代理公司: 無錫永樂唯勤專利代理事務所(普通合伙) 32369
• 代理人: 孫際德

本發明提供了一種基于聯邦學習的醫療輔助診斷方法、裝置、設備及存儲介質，方法包括：獲取帶有診斷結果標簽的病患診斷數據并將病患診斷數據劃分為基模型訓練集和基模型測試集；基于基模型訓練集參與至聯邦學習中以獲得至少兩種基模型；使用基模型測試集對各基模型進行測試；將各基模型生成的預測結果融入至基模型訓練集中以獲得集成模型訓練集；將各基模型生成的預測結果融入至基模型測試集中以獲得集成模型測試集；基于集成模型訓練集參與至聯邦學習中以獲得集成模型；使用集成模型測試集對集成模型進行測試。本發明的基于聯邦學習的醫療輔助診斷方法基于聯邦學習和多模型融合的訓練策略完成模型訓練，其顯著地提升了診斷模型的輔助診斷效果。

技術領域

本申請涉及醫療輔助診斷領域，尤其涉及一種基于聯邦學習的醫療輔助診斷方法、裝置及系統及存儲介質。

背景技術

隨著人工智能技術的廣泛應用，各種基于機器學習算法的醫療輔助診斷模型不斷出現。醫療輔助診斷模型由存儲在醫院數據庫中的病患歷史診斷數據訓練而成。隨著數據量的增加和患者隱私意識的提升，不同醫院之間的直接數據交互、數據共享難以實現，也就是所謂的數據孤島。

現有的基于機器學習算法的醫療輔助診斷模型至少具有如下缺陷：

1、由于數據孤島問題，僅采用其所屬醫院的本地病患歷史診斷數據完成對診斷模型的訓練，由于訓練數據的數量、豐富度不足，導致診斷模型的預測診斷準確度不佳。

2、僅選擇單一模型(如決策樹模型、神經網絡模型等)進行訓練以生成最終的診斷模型，難以保證診斷效果的穩定度。

發明內容

為了解決上述技術問題中的至少一個，本發明第一方面提供了一種基于聯邦學習的個人資質評估方法，其技術方案如下：

一種基于聯邦學習的醫療輔助診斷方法，運行于客戶端，其包括：

獲取存儲在本地的帶有診斷結果標簽的病患診斷數據并按預定比例將所述病患診斷數據劃分為基模型訓練集和基模型測試集，所述病患診斷數據包括唯一的ID；

基于所述基模型訓練集參與至與其他客戶端、服務器端的聯邦學習中以獲得至少兩種基模型；

使用所述基模型測試集對各所述基模型進行測試；

將各所述基模型生成的預測結果融入至所述基模型訓練集中以獲得集成模型訓練集；

將各所述基模型生成的預測結果融入至所述基模型測試集中以獲得集成模型測試集；

基于所述集成模型訓練集參與至與其他客戶端、服務器端的聯邦學習中以獲得集成模型；

使用所述集成模型測試集對所述集成模型進行測試。

本發明第二方面提供了一種基于聯邦學習的醫療輔助診斷裝置，運行于客戶端，其包括：

第一功能模塊，用于獲取存儲在本地的帶有診斷結果標簽的病患診斷數據并按預定比例將所述病患診斷數據劃分為基模型訓練集和基模型測試集，所述病患診斷數據包括唯一的ID；

第二功能模塊，用于基于所述基模型訓練集參與至與其他客戶端、服務器端的聯邦學習中以獲得至少兩種基模型；

第三功能模塊，用于使用所述基模型測試集對各所述基模型進行測試；

第四功能模塊，用于將各所述基模型生成的預測結果融入至所述基模型訓練集中以獲得集成模型訓練集；

第五功能模塊，用于將各所述基模型生成的預測結果融入至所述基模型測試集中以獲得集成模型測試集；

第六功能模塊，用于基于所述集成模型訓練集參與至與其他客戶端、服務器端的聯邦學習中以獲得集成模型；