[發(fā)明專利]對醫(yī)療數(shù)據(jù)進行分析的方法、訓練模型的方法及分析儀

在審

• 申請?zhí)枺?/td>: 202110688013.2
• 申請日: 2015-06-02
• 公開（公告）號: CN113421652A
• 公開（公告）日: 2021-09-21
• 發(fā)明（設計）人: 陳寬
• 申請（專利權）人: 推想醫(yī)療科技股份有限公司
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06N3/04;G06N3/06;G06N3/08;G16H40/20
• 代理公司: 北京布瑞知識產權代理有限公司 11505
• 代理人: 秦衛(wèi)中

1.一種訓練模型的方法，其特征在于，包括：

采集同類型的醫(yī)療素材數(shù)據(jù)及與所述醫(yī)療素材數(shù)據(jù)匹配的醫(yī)療診斷數(shù)據(jù)，并將所述醫(yī)療素材數(shù)據(jù)和所述醫(yī)療診斷數(shù)據(jù)作為醫(yī)療訓練數(shù)據(jù)通過輸入裝置存儲于計算機中；

將所述醫(yī)療訓練數(shù)據(jù)中不小于二維的影像數(shù)據(jù)和文本數(shù)據(jù)中隨時間和空間的變化值與對應的數(shù)據(jù)相關聯(lián)；

在采集的醫(yī)療訓練數(shù)據(jù)中，將與每一個個體對應的醫(yī)療訓練數(shù)據(jù)和所述變化值匯總為一條單元數(shù)據(jù)；

將所述醫(yī)療訓練數(shù)據(jù)整合或格式化為計算機能夠理解的結構化數(shù)據(jù)矩陣并從每個單元數(shù)據(jù)中提取數(shù)據(jù)特征，其中，所述數(shù)據(jù)特征包括所述醫(yī)療訓練數(shù)據(jù)在時間上的變化值和在空間上的變化值；

將已形成結構化數(shù)據(jù)矩陣的醫(yī)療訓練數(shù)據(jù)導入設置于計算機內對應深度學習模型的存儲模塊中；

通過計算機對所述深度學習模型進行優(yōu)化運算，其中，所述深度學習模型的輸入層包括多個具有所述數(shù)據(jù)特征的節(jié)點，所述深度學習模型的輸出層包括多個具有醫(yī)療診斷數(shù)據(jù)特征的節(jié)點。

2.根據(jù)權利要求1所述的方法，其特征在于，所述醫(yī)療訓練數(shù)據(jù)包括模擬形成的模擬數(shù)據(jù)，所述模擬數(shù)據(jù)為基于原有醫(yī)療數(shù)據(jù)通過變形、扭曲和噪音疊加而構建出的新數(shù)據(jù)。

3.根據(jù)權利要求1或2所述的方法，其特征在于，在醫(yī)技階段，所述醫(yī)療素材數(shù)據(jù)包括：原始圖像數(shù)據(jù)，所述空間上的變化值包括一個圖像從其中的一個像素到下一個像素之間的關系，所述深度學習模型包括多個卷積方塊，每個所述卷積方塊為一個三維的矩陣，所述卷積方塊的x與y軸涵蓋一個圖像在空間變化的方程，所述卷積方塊的z軸涵蓋所述圖像在空間變化的方程。

4.根據(jù)權利要求1或2所述的方法，其特征在于，所述通過計算機對所述深度學習模型進行優(yōu)化運算，包括：

設定深度學習基本框架，將所述醫(yī)療訓練數(shù)據(jù)按照所述數(shù)據(jù)特征建立包括輸入層、至少一層隱層和輸出層的數(shù)據(jù)模型，每個隱層包含若干個與上一層輸出值具有映射對應關系的節(jié)點；

每個節(jié)點采用數(shù)學方程建立所述節(jié)點的數(shù)據(jù)模型，采用人工或隨機方法預設所述數(shù)學方程中的相關參數(shù)值，所述輸入層中各節(jié)點的輸入值為所述的數(shù)據(jù)特征，各隱層及輸出層中各節(jié)點的輸入值為上層的輸出值，每層中各節(jié)點的輸出值為本節(jié)點經所述數(shù)學方程運算后所得的值；

初始化所述參數(shù)值A_i，將所述輸出層中各節(jié)點的輸出值與對應節(jié)點的醫(yī)療診斷數(shù)據(jù)特征比對，反復修正各節(jié)點的所述參數(shù)值A_i，依次循環(huán)，最終獲得使所述輸出層中各節(jié)點的輸出值生成與所述醫(yī)療診斷數(shù)據(jù)特征相似度為局部最大時的輸出值對應的各節(jié)點中的參數(shù)值A_i。

5.根據(jù)權利要求1或2所述的方法，其特征在于，所述通過計算機對所述深度學習模型進行優(yōu)化運算，包括：

通過計算機利用有監(jiān)督學習方法對所述深度學習模型進行優(yōu)化運算，

其中，所述方法還包括：

利用無監(jiān)督學習方法對所述深度學習模型進行訓練，得到的參數(shù)作為所述有監(jiān)督學習方法的初步參數(shù)起始值，其中，所述無監(jiān)督學習方法包括降噪自動編碼生成器和/或限制伯爾曼機。

6.根據(jù)權利要求1或2所述的方法，其特征在于，還包括：

將醫(yī)學待分析數(shù)據(jù)和與之匹配的分析結果涉及的結構化數(shù)據(jù)反饋到所述深度學習模型中形成新的訓練數(shù)據(jù)。

7.根據(jù)權利要求1或2所述的方法，其特征在于，所述醫(yī)療素材數(shù)據(jù)包括臨床和醫(yī)技階段醫(yī)生對患者診斷、檢查和治療過程進行的相關信息記錄，所述診斷數(shù)據(jù)包括臨床和醫(yī)技階段醫(yī)生對患者初診判斷、出院結果、疾病治療效果進行的相關信息記錄以及醫(yī)生撰寫的文本出診數(shù)據(jù)和跟蹤隨訪數(shù)據(jù)。

8.一種基于深度學習對醫(yī)療數(shù)據(jù)進行分析的方法，其特征在于，包括：

將獲取的已形成結構化矩陣數(shù)據(jù)的醫(yī)學待分析數(shù)據(jù)導入深度學習模型中進行與之匹配的醫(yī)學病理分析，其中，所述深度學習模型是通過如權利要求1至7任一項所述的方法訓練得到的；

由所述深度學習模型通過輸出裝置輸出與所述醫(yī)學待分析數(shù)據(jù)相匹配的醫(yī)學病理分析結果。