医学经验总结模型的建立方法、装置制造方法及图纸

本发明专利技术公开了一种医学经验总结模型的建立方法、装置及数据评估方法。其中，医学经验总结模型的建立方法包括：根据历史病历样本中的目标数据对预设的生成式模型进行训练；根据训练完成后的生成式模型生成第一伪造数据，并根据目标数据以及第一伪造数据对预设的鉴别式模型进行训练；根据训练完成后的生成式模型生成第二伪造数据，并根据训练完成后的鉴别式模型对第二伪造数据的鉴别结果对生成式模型的参数进行调整，将调整后满足预设平衡条件的生成式模型作为医学经验总结模型。本发明专利技术的技术方案，通过将生成式模型与鉴别式模型结合使用，使得生成式模型不仅能很好地拟合真实的病历数据，而且能够很好地总结历史病历样本中没有覆盖到的数据。

【技术实现步骤摘要】
医学经验总结模型的建立方法、装置及数据评估方法
本专利技术实施例涉及计算机应用
，尤其涉及一种医学经验总结模型的建立方法、装置及数据评估方法。
技术介绍
病历是医务人员对患者疾病的发生、发展、转归，进行检查、诊断、治疗等医学活动过程所作的文字记录。病历既是临床实践工作的总结，又是探索疾病规律及处理医学纠纷的法律依据，是国家的宝贵财富。在临床医学中，有效整理病历，从中挖掘医生临床医学经验，对医学进步具有重大意义。在实际诊疗中，由于医务人员本身存在知识储备和临床经验等方面的差异性，往往不同的医务人员针对同一种疾病或者症状的诊断方式以及用药习惯等也不尽相同，而出现有的收效显著有的却见效甚微。而通过组织业内医务人员的进行治疗经验交流，不仅需要大量的人力物力，且不具有实时性和普遍共享性。因此，如何有效地从病历中整理出医学经验，实现医学知识共享显得尤为重要。
技术实现思路
本专利技术提供了一种医学经验总结模型的建立方法、装置及数据评估方法，以有效地从病历中整理出医学经验，实现医学知识共享。第一方面，本专利技术实施例提供了一种医学经验总结模型的建立方法，该方法包括：根据历史病历样本中的目标数据对预设的生成式模型进行训练；根据训练完成后的所述生成式模型生成第一伪造数据，并根据所述目标数据以及所述第一伪造数据对预设的鉴别式模型进行训练；根据训练完成后的所述生成式模型生成第二伪造数据，并根据训练完成后的所述鉴别式模型对所述第二伪造数据的鉴别结果对所述生成式模型的参数进行调整，将调整后满足预设平衡条件的生成式模型作为医学经验总结模型。第二方面，本专利技术实施例还提供了一种医学经验总结模型的建立装置，该装置包括：生成式模型训练模块，用于根据历史病历样本中的目标数据对预设的生成式模型进行训练；鉴别式模型训练模块，用于根据训练完成后的所述生成式模型生成第一伪造数据，并根据所述目标数据以及所述第一伪造数据对预设的鉴别式模型进行训练；医学经验总结模型生成模块，用于根据训练完成后的所述生成式模型生成第二伪造数据，并根据训练完成后的所述鉴别式模型对所述第二伪造数据的鉴别结果对所述生成式模型的参数进行调整，将调整后满足预设平衡条件的生成式模型作为医学经验总结模型。第三方面，本专利技术实施例还提供了一种基于医学经验总结模型的数据评估方法，该方法包括：获取用户输入的患者数据；其中，所述患者数据包括患者当前的病情描述；采用本专利技术任意实施例所述的医学经验总结模型的建立方法所建立的医学经验总结模型对当前输入的所述患者数据进行处理，输出与所述患者数据对应的数据评估结果进行显示；其中，所述数据评估结果包括与患者当前的病情描述所对应的疾病类型。本专利技术实施例的技术方案，首先通过历史病历样本中的目标数据即来训练生成式模型，使得生成式模型能够比较好地拟合真实的病历数据；然后根据生成式模型生成第一伪造数据以及真实病历数据来训练鉴别式模型，使得鉴别式模型能够很好地识别哪些是真实的病历数据，哪些是第一伪造数据；进而根据鉴别式模型对生成式模型生成第二伪造数据的鉴别结果调整生成式模型的参数，目的是让生成式模型生成的假数据，与真实病历非常相似，从而使得生成式模型也针对历史病历样本中没有覆盖到的目标数据，能够有效地从历史病历样本中整理出临床医学经验，很好地实现对医学经验的总结，促进医学进步。附图说明为了更加清楚地说明本专利技术示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本专利技术所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。图1为本专利技术实施例一提供的一种医学经验总结模型的建立方法的流程图；图2为本专利技术实施例二提供的一种医学经验总结模型的建立方法的流程图；图3为本专利技术实施例三提供的一种医学经验总结模型的建立方法的流程图；图4为本专利技术实施例四提供的一种医学经验总结模型的建立装置的结构图。具体实施方式下面结合附图并通过具体实施方式来进一步说明本专利技术的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1为本专利技术实施例一所提供的一种医学经验总结模型的建立方法的流程示意图。如图1所示，本实施例的方法可以由医学经验总结模型的建立装置来执行，该装置可通过硬件和/或软件的方式实现，并一般可独立的配置在服务器中或者由终端和服务器配合实现本实施例的方法。本实施例的方法具体包括：S110、根据历史病历样本中的目标数据对预设的生成式模型进行训练。可以理解的是，历史病历样本包括手写的纸质版病历以及电子化历史病历等。其中，历史病历样本中的目标数据可以包括历史病历样本中所记载的目标病情描述，以及与目标病情描述对应的一种、两种或者多种目标疾病类型。示例性地，生成式模型Generator可以是由一个深度神经网络多层感知器(Multi-LayerPerceptron，MLP)构成。其中，生成式模型Generator的输入层、隐藏层和输出层以及网络初始参数可以根据实际需求进行设置，在此不做限定。根据历史病历样本中的目标数据对预设的生成式模型进行训练，可以是根据历史病历样本中的目标病情描述，以及该历史病历样本中与目标病情描述对应的目标疾病类型，对预设的生成式模型Generator进行训练，即生成式模型Generator输入的是目标病情描述，输出的是与该目标病情描述对应的目标疾病类型。具体可包括：获取至少一份历史病历样本中的目标病情描述，以及与所述病情描述所对应的至少一种目标疾病类型；根据所述目标病情描述以及所述至少一种目标疾病类型对预设的生成式模型进行训练。在本操作中，采用历史病历样本中的目标数据来训练生成式模型Generator，使得这样生成式模型Generator的参数能够比较好得拟合真实的病历数据。S120、根据训练完成后的所述生成式模型生成第一伪造数据，并根据所述目标数据以及所述第一伪造数据对预设的鉴别式模型进行训练。在本实施例中，第一伪造数据与目标数据相对应，可以理解为历史病历样本中没有覆盖到的数据。类似地，第一伪造数据可以包括随机生成的第一伪造病情描述，以及与第一伪造病情描述对应的一种、两种或者多种第一伪造疾病类型。其中，第一伪造疾病类型由第一伪造病情描述输入训练完成后的生成式模型，经生成式模型处理后得到。值得注意的是，第一伪造数据并不一定不符合医学理论，换言之，在临床医学上，随机生成的第一伪造病情并不一定不能诊断出第一伪造疾病类型，第一伪造病情与第一伪造疾病类型之间的关系也可能是符合医学原理的。需要说明的是，“第一伪造数据”中的“第一”仅仅用于与之后出现的伪造数据进行区分，“第一”本身并没有特殊含义。示例性地，鉴别式模型Discriminator可以由一个深度神经网络多层感知器(Multi-LayerPerceptron，MLP)构成。若将目标数据定义为真数据，第一伪造数据定义为伪数据，则根据目标数据和第一伪造数据进行训练的预设的鉴别式模型，旨在辨别输入数据的真伪，即鉴别式模型Discriminator训练的目的是，使得鉴别式模型能够更精准地鉴别哪些数据本文档来自技高网...

【技术保护点】
一种医学经验总结模型的建立方法，其特征在于，包括：根据历史病历样本中的目标数据对预设的生成式模型进行训练；根据训练完成后的所述生成式模型生成第一伪造数据，并根据所述目标数据以及所述第一伪造数据对预设的鉴别式模型进行训练；根据训练完成后的所述生成式模型生成第二伪造数据，并根据训练完成后的所述鉴别式模型对所述第二伪造数据的鉴别结果对所述生成式模型的参数进行调整，将调整后满足预设平衡条件的生成式模型作为医学经验总结模型。

【技术特征摘要】
1.一种医学经验总结模型的建立方法，其特征在于，包括：根据历史病历样本中的目标数据对预设的生成式模型进行训练；根据训练完成后的所述生成式模型生成第一伪造数据，并根据所述目标数据以及所述第一伪造数据对预设的鉴别式模型进行训练；根据训练完成后的所述生成式模型生成第二伪造数据，并根据训练完成后的所述鉴别式模型对所述第二伪造数据的鉴别结果对所述生成式模型的参数进行调整，将调整后满足预设平衡条件的生成式模型作为医学经验总结模型。2.根据权利要求1所述的方法，其特征在于，所述根据历史病历样本中的目标数据对预设的生成式模型进行训练，包括：获取至少一份历史病历样本中的目标病情描述，以及与所述目标病情描述所对应的至少一种目标疾病类型；根据所述目标病情描述以及所述至少一种目标疾病类型对预设的生成式模型进行训练。3.根据权利要求1或2所述的方法，其特征在于，所述根据训练完成后的所述生成式模型生成第一伪造数据，并根据所述目标数据以及所述第一伪造数据对预设的鉴别式模型进行训练，包括：将随机生成的第一伪造病历描述输入训练完成后的所述生成式模型中，输出与所述第一伪造病情描述对应的至少一种第一伪造疾病类型；根据所述目标病情描述与所述目标疾病类型，以及所述第一伪造病历描述与所述第一伪造疾病类型，对预设的鉴别式模型进行训练。4.根据权利要求1-3任一所述的方法，其特征在于，所述根据训练完成后的所述生成式模型生成第二伪造数据，并根据训练完成后的所述鉴别式模型对所述第二伪造数据的鉴别结果对所述生成式模型的参数进行调整，包括：将随机生成的第二伪造病情描述输入训练完成后的所述生成式模型，输出与所述第二伪造病情描述对应的所述第二伪造疾病类型；将所述第二伪造病情描述以及所述第二伪造疾病类型输入训练完成后的所述鉴别式模型中，获取与所述第二伪造病情描述以及所述第二伪造疾病类型对应的参考鉴别结果；根据所述参考鉴别结果对所述生成式模型的参数进行调整。5.根据权利要求2所述的方法，其特征在于，根据所述目标病情描述以及所述至少一种目标疾病类型对预设的生成式模型进行训练，包括：将所述目标病情描述输入预设的生成式模型中，输出与所述目标病情描述所对应的至少一种估算疾病类型以及所述估算疾病类型的概率分布；将所述估算疾病类型与所述目标疾病类型进行比对，根据比对结果对所述生成式模型的参数进行调整。6.根据权利要求5所述的方法，其特征在于，所述将所述估算疾病类型与所述目标疾病类型进行比对，根据比对结果对所述生成式模型的参数进行调整，包括：基于预设的拟合评价函数计算出所述估算疾病类型与所述目标疾病类型之间的拟合误差；根据所述拟合误差对所述生成式模型的参数进行调整。7.根据权利要求6所述的方法，其特征在于，所述拟合评价函数为：其中，si表示第i份历史病历样本中的目标病情描述；表示第i份历史病历样本中的第j种疾病类型；表示在第i份历史病历样本中的目标病情描述si下，所述第i份历史病历样本中的患者罹患第j种疾病类型的条件概率；表示与目标病情描述si对应的第j种疾病类型是否存在于第i份历史病历样本中；LossG表示所述估算疾病类型与所述目标疾病类型之间的拟合误差。8.根据权利要求5所述的方法，其特征在于，所述将所述估算疾病类型与所述目标疾病类型进行比对，根据比对结果对所述生成式模型的参数进行调整，还包括：获取医学参考文...

【专利技术属性】
技术研发人员：邓侃，李丕勋，邱鹏飞，郑杰，邓昳，
申请(专利权)人：北京大数医达科技有限公司，
类型：发明
国别省市：北京,11