[發明專利]基于真實世界數據的外感熱病輔助決策系統

在審

• 申請號: 202111051801.7
• 申請日: 2021-09-08
• 公開（公告）號: CN114220535A
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 蘇芮;劉清泉;馬自騰;王爍;郭玉紅;王玉賢;徐霄龍;李博
• 申請（專利權）人: 首都醫科大學附屬北京中醫醫院
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/70;G06F16/33;G06F16/35;G06F16/36;G06K9/62;G06N3/04;G06N3/08;G06F40/237;G06F40/284;G06F40/289
• 代理公司: 北京市中聞律師事務所 11388
• 代理人: 馮夢洪

1.基于真實世界數據的外感熱病輔助決策系統，其特征在于：其包括：

系統模塊，包括退出系統子模塊、用戶信息維護子模塊，用戶信息維護子模塊用于管理使用系統的用戶信息，包括用戶信息注冊，用戶信息修改，用戶信息刪除，用戶信息查詢；退出系統子模塊執行直接退出整個系統；

數據庫，其利用分組信息維護原則對案例檢索過程所涉及到的各個特征信息進行維護，該模塊中的每個分組信息實現信息的添加、修改、刪除、查詢；

編碼庫，其生成案例編碼信息，該模塊采用人工智能自然語言處理AI模型，基于案例庫中的案例語料進行學習，并將案例庫中的案例轉換為案例編碼用于案例檢索算法中的特征輸入；同時，基于已生成的案例編碼計算得到案例庫中每個特征客觀權重；

決策推理模塊，其基于輸入目標案例從案例庫中檢索出K條于目標案例最相似的原始案例，其中涉及主觀權重修正與相似性算法；

幫助模塊，其提供關于本系統的簡介信息。

2.根據權利要求1所述的基于真實世界數據的外感熱病輔助決策系統，其特征在于：所述決策推理模塊包括：

源案例準備，首先從外部將原始Excel文件中的數據內容進行轉換清洗并存入案例庫形成源案例，然后利用案例庫中的源案例學習詞向量模型對源案例進行編碼構建編碼庫，同時采用熵權法對編碼庫再次進行客觀權重分析，得到源案例的特征權重用于目標案例檢索流程中的案例相似性計算；

目標案例檢索，首先由用戶錄入待檢索的目標案例并對權重進行主觀修正，然后采用源案例準備流程中學習到的詞向量模型對目標案例進行編碼，利用編碼后的目標案例與編碼庫中的案例特征進行相似性計算獲得最相似的K條案例編號，再依據這K條案例編號從案例庫中獲取最相似的源案例用于病例診斷；如果檢索到的源案例能夠匹配目標案例，則完成例重用，直接用于病例診治，否則進行案例修正，然后再進行案例重用；最后，將重用后的案例以新案例的形式存儲到案例庫中。

3.根據權利要求2所述的基于真實世界數據的外感熱病輔助決策系統，其特征在于：所述編碼庫中，案例編碼采用的是Word2Vec模型；

Word2Vec模型分為兩個部分，第一部分為建立模型，第二部分是通過模型獲取嵌入詞向量；Word2Vec的整個建模過程先基于訓練數據構建一個神經網絡，當這個模型訓練好以后，這個模型通過訓練數據所學得的參數為隱層權重矩陣，然后在基于權重矩陣計算出詞向量；

Word2vec使用單個隱藏層，隱藏層中的神經元都是線性神經元，輸入層設置為具有與用于訓練的詞匯中的單詞一樣多的神經元，隱藏圖層大小設置為生成的單詞向量的維度，輸出圖層的大小與輸入圖層相同；

假設用于學習單詞向量的詞匯表由V個單詞組成并且N為單詞向量的維度，則對隱藏層連接的輸入由大小為V×N的矩陣WI表示，其中每行表示詞匯單詞；以相同的方式，通過矩陣WO來描述從隱藏層到輸出層的連接大小為N×V。

4.根據權利要求3所述的基于真實世界數據的外感熱病輔助決策系統，其特征在于：所述Word2Vec模型的連續詞袋模型建模方法，執行以下步驟：

(1)計算隱藏層h的輸出：

其中，x_i為每個詞對應Word2Vec模型輸入層的編碼，WI^T為Word2Vec模型輸入層與隱層之間的權重矩陣，C為Word2Vec模型隱層節點數量，h為Word2Vec模型隱層輸出向量；

(2)計算在輸出層每個結點的輸入：

u＝WO^T·h

其中，WO是Word2Vec模型隱層與輸出層之間的權重矩陣，h為Word2Vec模型隱層輸出向量，u為Word2Vec模型輸出層的輸入向量；

(3)計算輸出層的輸出，將Softmax用作激活函數，Softmax為非線性激活函數，用于計算背景詞在Word2Vec模型的輸出向量，然后將輸出向量與目標詞向量進行對比差異而達到模型的學習。