基于深度学习的辅助诊断方法及系统技术方案

本发明专利技术公开了一种基于深度学习的辅助诊断方法，包括：S1、对原始语料数据进行分词处理以建立词嵌入查询表；S2、由电子病历数据中的关键特征字段生成训练样本，使用词嵌入查询表将其数字化，再利用卷积神经网络生成辅助诊断模型；S3、对新输入的电子病历提取关键特征字段，并通过词嵌入查询表进行数字化转换，利用辅助诊断模型进行匹配，输出匹配的诊断结果。本发明专利技术还提供一种基于深度学习的辅助诊断系统，包括语料数据提取模块、词嵌入查询表构建模块、历史电子病历数据提取模块、新电子病历数据提取模块、分词模块、电子病历数字化模块及辅助诊断模块。本发明专利技术诊断结果及时、准确，将有效辅助医生快速诊断病情。

Assistant diagnosis method and system based on deep learning

The invention discloses a method based on deep learning method for the diagnosis, including: S1, word processing of the original data to establish the embedded word query table; S2, generated by the training of electronic medical record data in key features of field samples, using the embedded word query table number, using convolutional neural network generation diagnosis model; S3, input in electronic medical record feature extraction field, and through the embedded word query table digital conversion, matching with computer-aided diagnosis model, diagnosis result output matching. The invention also provides a deep learning based on the computer-aided diagnosis system, including data extraction module, query module, embedded word table construction history of electronic medical record data extraction module, a new electronic medical record data extraction module, segmentation module, digital module of electronic medical records and auxiliary diagnostic module. The diagnosis result of the invention is timely and accurate, and it will help the doctor to diagnose the disease quickly.

【技术实现步骤摘要】
基于深度学习的辅助诊断方法及系统
本专利技术涉及大数据分析领域，具体涉及一种基于深度学习的辅助诊断方法及系统。
技术介绍
通常，大型公立医院的医生每天需要接诊大量具有相似症状的病人，其中包括经验不足的年轻医生，当接诊人数过多时，容易出现医生工作效率低、甚至误诊率变高等问题。随着我国健康医疗大数据规划的推进，医院的病历系统已进入信息时代，在医院内部积攒了海量的电子病历数据。这些电子病历数据中包含了患者在医院诊断中的详细记录，包括症状表现、病情及治疗措施等，对于医生做出诊断具有很高的参考价值。近年来深度学习发展迅速，在语音识别、图像识别、自然语言处理等领域都取得了巨大的成就。由此，我们考虑用深度学习来对电子病历数据进行处理，生成辅助诊断应用，帮助没有经验的医生做出诊断。考虑到电子病历在数据上具有特殊字段(如，现病史、体格检查结果)，对于辅助诊断具有很高的参考价值，对此，传统辅助诊断方法或系统依赖于极度标准化的数据，在标准化过程中开销巨大，而且由于数据过于标准化，面对实际应用中不同医生输入的“咳一周”与“咳嗽一周”(二者均为常规记法)无法识别是否是相同属性；同时，传统辅助诊断方法或系统在提本文档来自技高网...

【技术保护点】
基于深度学习的辅助诊断方法，其特征在于，包括以下步骤：S1、由语料库导入原始语料数据，对原始语料数据进行分词处理，并建立词嵌入查询表；S2、提取电子病历数据中的关键特征字段，并生成训练样本，使用所述词嵌入查询表对训练样本进行数字化转换，将数字化训练样本输入卷积神经网络进行训练，生成辅助诊断模型；S3、对新输入的电子病历提取关键特征字段，并生成待预测集，使用所述词嵌入查询表对待预测集进行数字化转换，将数字化待预测集输入所述辅助诊断模型进行匹配，输出匹配的诊断结果。

【技术特征摘要】
1.基于深度学习的辅助诊断方法，其特征在于，包括以下步骤：S1、由语料库导入原始语料数据，对原始语料数据进行分词处理，并建立词嵌入查询表；S2、提取电子病历数据中的关键特征字段，并生成训练样本，使用所述词嵌入查询表对训练样本进行数字化转换，将数字化训练样本输入卷积神经网络进行训练，生成辅助诊断模型；S3、对新输入的电子病历提取关键特征字段，并生成待预测集，使用所述词嵌入查询表对待预测集进行数字化转换，将数字化待预测集输入所述辅助诊断模型进行匹配，输出匹配的诊断结果。2.如权利要求1所述的基于深度学习的辅助诊断方法，其特征在于，所述步骤S1具体包括：S11、从语料库导入原始语料数据，对原始语料数据进行数据清洗；S12、对语料数据进行中文分词，将得到的分词结果输入到词向量模型训练，建立词嵌入查询表。3.如权利要求1所述的基于深度学习的辅助诊断方法，其特征在于，所述步骤S2具体包括：S21、由电子病历数据库中提取已经确认无误诊的原始电子病历数据集，从原始电子病历数据集中提取出原始病历数据，对提取出的原始病历数据进行数据清洗；S22、对清洗后的病历数据进行特征提取，提取医生在诊断中的关键特征字段；S23、对S22提取出来的关键特征字段进行分词处理，生成训练样本；S24、使用所述词嵌入查询表将训练样本中的每个词转换为对应的词向量；S25、统一各特征字段的向量维度，最终拼接成整条诊断记录的向量表示形式，完成训练样本的数字化；S26、将数字化的训练样本输入到卷积神经网络进行训练，生成辅助诊断模型。4.如权利要求3所述的基于深度学习的辅助诊断方法，其特征在于：步骤S26中的卷积神经网络中，通过卷积核与数字化训练样本中的逐条向量按照某一方向进行卷积，并加上一个偏置项，通过激活函数输出一个特征；则有，ci＝f(w×xi∶i+h-1+b)；式中，ci代表新的特征；w代表一个卷积核，以k代表空间维度，一个窗口中包含h个诊断记录特征单元，则卷积核为w∈Rhk；xi：i+h-1表示从第i个关键特征字段到第i+h-1个关键字特征字段之间的向量值；b代表一个偏置项；f为...

【专利技术属性】
技术研发人员：范晓亮，吴谨准，史佳，王玉杰，陈龙彪，郑传潘，王程，李军，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35