[發明專利]一種醫學數據處理方法、系統、設備及介質

有效

• 申請號: 202110503203.2
• 申請日: 2021-05-10
• 公開（公告）號: CN112992317B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 姚娟娟;樊代明;鐘南山
• 申請（專利權）人: 明品云（北京）數據科技有限公司
• 主分類號: G16H30/20
• 分類號: G16H30/20;G06K9/62;G06N3/04
• 代理公司: 上海漢之律師事務所 31378
• 代理人: 馮華

1.一種醫學數據處理方法，其特征在于，包括：

獲取醫學數據，所述醫學數據包括用戶的影像數據與文本數據；

分別提取所述文本數據與影像數據，對應得到文本特征向量與圖像特征向量；其中，將所述文本數據進行預處理，利用第一特征提取模型提取預處理后所述文本數據的文本特征向量，所述第一特征提取模型利用訓練集每個字符的字向量輸入結合雙向長短期記憶網絡-條件隨機場BiLSTM-CRF和注意力機制訓練得到；在BiLSTM層，獲取所述字向量的雙向特征向量；在注意力機制層，將表示所述字向量順序的位置向量和所述雙向特征向量進行拼接，并利用分配權重系數得到文本特征向量；

將所述影像數據進行預處理，采用多尺度卷積核提取預處理后的所述影像數據，將提取的多尺度特征融合得到具有廣度特性的圖像特征向量，所述圖像特征向量與文本特征向量通過醫學概念層級相關聯；其中，采用多尺度思想訓練廣度卷積神經網絡，利用廣度卷積神經網絡提取所述影像數據的多尺度特征，其對應的損失函數采用了結合中心損失函數和Softmax損失函數；其對應的表達式為：

Loss＝SoftmaxLoss+λCentorLoss

式中，結合后對應的損失函數為Loss，Softmax損失函數為SoftmaxLoss，中心損失函數為CentorLoss，λ表示系數大小；

構建醫學概念的知識圖譜，根據抽取的文本特征向量與實體特征向量的各個實體的屬性與關系，按照所述知識圖譜的實體-關系-屬性，對所述文本特征向量與實體特征向量進行融合，將融合后的特征輸入多層感知機，通過反向傳播對融合后的特征進行優化，得到融合特征向量；

將所述融合特征向量輸入多模態深度學習模型進行處理，得到處理的分類結果。

2.根據權利要求1所述的醫學數據處理方法，其特征在于，還包括：

所述廣度卷積神經網絡包括具有多尺度的卷積核，每個通道對應一種尺度的卷積層，第一連接層、第二連接層、第一最大池化層、第二最大池化層、第一全連接層、第二全連接層與輸出層；其中，當卷積層為兩層且輸入通道為三個時，輸入的影像數據從第一層卷積層依次通過第一連接層和第一最大池化層輸出第一多尺度特征圖；所述第一多尺度特征圖通過相同結構通道的第二層卷積層第二連接層和第二最大池化層輸出第二多尺度特征圖；所述第二多尺度特征圖依次第一全連接層、第二全連接層輸出多尺度特征，利用Softmax分類器輸出分類結果。

3.根據權利要求1所述的醫學數據處理方法，其特征在于，還包括：利用長短期記憶網絡模型和隨機場算法模型生成識別模型；利用所述識別模型識別醫學數據中的實體數據和實體關系數據；根據所述識別模型識別到的所述實體數據和所述實體關系數據，構建醫學概念的知識圖譜。

4.根據權利要求1所述的醫學數據處理方法，其特征在于，還包括：通過導航處理影像數據與文本數據得到導航軌跡，結合所述導航軌跡與所述融合特征向量訓練卷積神經網絡得到多模態深度學習模型，利用訓練好的多模態深度學習模型得到分類結果。

5.根據權利要求1所述的醫學數據處理方法，其特征在于，還包括：

根據用戶分類結果所對應相關疾病的患病概率確定所述相關疾病的風險程度，并根據所述相關疾病的風險程度對用戶和/或家庭醫生進行預警；

根據所述相關疾病的患病概率以及所述相關疾病關聯的干預措施生成干預方案。