医疗模型训练方法、医疗识别方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种医疗模型训练方法、医疗识别方法、装置、设备及介质。该医疗模型训练方法包括：获取目标医疗数据；将所述目标医疗数据按预设比例进行划分，获取训练集和测试集；采用所述训练集中的目标医疗数据对长短时记忆网络模型进行训练，获取原始医疗模型；采用所述测试集中的目标医疗数据对所述原始医疗模型进行测试，获取目标医疗模型。该医疗模型训练方法解决了当前疾病的识别只能依赖于医生，无法使用户更具自身自身的症状情况及时了解自身的健康情况的问题，并且提高了疾病识别的准确率。

Medical model training method, medical identification method, device, equipment and medium

The invention discloses a medical model training method, a medical identification method, a device, a device and a medium. The training method of the medical model includes: acquiring the target medical data; dividing the target medical data into training sets and test sets according to the preset proportion; training the long-term and short-term memory network model with the target medical data of the training set to obtain the original medical model; and adopting the items of the test set. The original medical model is tested by the standard medical data and the target medical model is obtained. The medical model training method solves the problem that the current disease identification can only rely on doctors, and can not make users have their own symptoms and timely understand their own health, and improves the accuracy of disease identification.

【技术实现步骤摘要】
医疗模型训练方法、医疗识别方法、装置、设备及介质
本专利技术涉及数据识别领域，尤其涉及一种医疗模型训练方法、医疗识别方法、装置、设备及介质。
技术介绍
当前疾病的识别通常由医生根据病人的症状确定，需依赖于医生的专业和经验，无法使用户根据自身的症状情况及时了解自身的健康情况。由于当前疾病的识别主要由医生进行诊断，一般用户都是在病情比较严重时才会意识到，进而到医疗机构就诊，可能延误病情。当前医疗网站中提供的症状、疾病和治疗等医疗数据没有形成完整的系统，用户查询时没有足够的专业知识，无法根据自己的症状情况及时了解自身的健康状态。
技术实现思路
本专利技术实施例提供一种医疗模型训练方法，以解决当前疾病的识别通常由医生根据病人的症状确定，需依赖于医生的专业和经验，无法使用户根据自身的症状情况及时了解自身的健康情况的问题。本专利技术实施例提供一种医疗识别方法，以解决当前医疗网站中提供的症状、疾病和治疗等医疗数据没有形成完整的系统，用户查询时没有足够的专业知识，无法根据自己的症状情况及时了解自身的健康状态的问题。第一方面，本专利技术实施例提供一种医疗模型训练方法，包括：获取目标医疗数据；将所述目标医疗数据按预设比例进行划分，获取训练集和测试集；采用所述训练集中的目标医疗数据对长短时记忆网络模型进行训练，获取原始医疗模型；采用所述测试集中的目标医疗数据对所述原始医疗模型进行测试，获取目标医疗模型。第二方面，本专利技术实施例提供一种医疗模型训练装置，包括：目标医疗数据获取模块，用于获取目标医疗数据；目标医疗数据划分模块，用于将所述目标医疗数据按预设比例进行划分，获取训练集和测试集；原始医疗模型获取模块，用于采用所述训练集中的目标医疗数据对长短时记忆网络模型进行训练，获取原始医疗模型；目标医疗模型获取模块，用于采用所述测试集中的目标医疗数据对所述原始医疗模型进行测试，获取目标医疗模型。第三方面，本专利技术实施例提供一种医疗识别方法，包括：获取用户的待测医疗数据，所述待测医疗数据包括至少一个症状特征；将至少一个所述症状特征输入到所述目标医疗模型进行识别，获取目标医疗特征，所述目标医疗模型是采用权利要求1-3任一项所述医疗模型训练方法获取的模型。第四方面，本专利技术实施例提供一种医疗识别装置，包括：待测医疗数据获取模块，用于获取用户的待测医疗数据，所述待测医疗数据包括至少一个症状特征；目标医疗特征获取模块，用于将至少一个所述症状特征输入到所述目标医疗模型进行识别，获取目标医疗特征，所述目标医疗模型是采用权利要求1-3任一项所述医疗模型训练方法获取的模型。第五方面，本专利技术实施例提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述医疗模型训练方法的步骤；或者，所述处理器执行所述计算机程序时实现所述医疗识别方法的步骤。第六方面，本专利技术实施例提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理器执行时实现所述医疗模型训练方法的步骤；或者，所述处理器执行所述计算机程序时实现所述医疗识别方法的步骤。本专利技术实施例提供的医疗模型训练方法、装置、设备及介质中，先获取目标医疗数据，并对目标医疗数据进行划分，获取训练集和测试集，以便基于训练集中的目标医疗数据对长短时记忆网络模型进行训练，能够有效更新长短时记忆网络模型中各层的权值，以保证训练获取的原始医疗模型能够识别目标医疗特征。最后，再基于测试集中的目标医疗数据对原始医疗模型进行测试，以保证获取到的目标医疗特征识别目标医疗特征的准确率更高。本专利技术实施例提供的医疗识别方法、装置、设备及介质中，通过获取用户的待测医疗数据，以便基于目标医疗模型对待测医疗数据进行识别，以获取目标医疗特征。通过目标医疗模型对待测医疗数据进行识别，以保证识别的准确率更高，较精准的识别目标医疗特征，以辅助用户判断患病风险，以便及时预防。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例1中提供的医疗模型训练方法的一流程图。图2是图1中步骤S11的一具体示意图。图3是图2中步骤S112的一具体示意图。图4是图1中步骤S13的一具体示意图。图5是图1中步骤S14的一具体示意图。图6是本专利技术实施例2中提供的医疗模型训练装置的一原理框图。图7是本专利技术实施例3中提供的医疗识别方法的一流程图。图8是图7中步骤S22的一具体示意图。图9本专利技术实施例4中提供的医疗识别装置的一原理框图。图10是本专利技术实施例6中提供的终端设备的一示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1图1示出本实施例中医疗模型训练方法的流程图。该医疗模型训练方法可快速从网络中采集到大量的医疗数据，以便基于采集到的医疗数据进行医疗模型训练。该医疗模型训练方法可具体应用在医疗知识库管理系统这一数据管理系统中，用于对用户所输入的症状特征进行识别，为用户推荐疑似疾病特征列表，能够有效增加识别的准确率。如图1所示，该医疗模型训练方法包括如下步骤：S11：获取目标医疗数据。其中，目标医疗数据是用于进行模型训练的数据。该目标医疗数据包括但不限于本实施例中的症状特征、疾病特征等医疗数据。本实施例中，通过获取目标医疗数据，以便后续进行模型训练。S12：将目标医疗数据按预设比例进行划分，获取训练集和测试集。其中，预设比例是预先设定好的，用于对目标医疗数据进行分类的比例。该预设比例可以是根据历史经验获取的比例。其中，训练集(trainingset)是学习样本数据集，是通过匹配一些参数来建立分类器，即采用训练集中的目标医疗数据训练机器学习模型，以确定机器学习模型的参数。测试集(testset)是用于测试训练好的机器学习模型的分辨能力，如识别率。本实施例中，可按照9:1的比例对目标医疗数据进行分类，即可将90％的目标医疗数据作为训练集，剩余10％的数据作为测试集。S13：采用训练集中的目标医疗数据对长短时记忆网络模型进行训练，获取原始医疗模型。其中，长短时记忆网络(LongShort-TermMemory，简称LSTM)模型，是一种时间递归神经网络模型，用于训练具有时序性特点的数据，将该具有时序性特点的数据在长短时记忆网络模型训练，能够获取与该数据相对应的识别模型。本实施例中，该具有时序性特点的数据为目标医疗数据，通过训练集中的目标医疗数据获取的模型即为原始医疗模型。长短时记忆网络模型包括一输入层、一输出层和至少一隐藏层，长短时记忆网络模型中各层的权值是指神经网络模型中各层连接的权值，权值决定了各层最终输出的信息，并使得网络具有时序上的记忆功能。通过采用目标医疗数据对长短时记忆网络模型进行训练，能够有效更新长短时记忆网络模型中各层的权值。并且，长短时记忆网络本文档来自技高网...

【技术保护点】
1.一种医疗模型训练方法，其特征在于，包括：获取目标医疗数据；将所述目标医疗数据按预设比例进行划分，获取训练集和测试集；采用所述训练集中的目标医疗数据对长短时记忆网络模型进行训练，获取原始医疗模型；采用所述测试集中的目标医疗数据对所述原始医疗模型进行测试，获取目标医疗模型。

【技术特征摘要】
1.一种医疗模型训练方法，其特征在于，包括：获取目标医疗数据；将所述目标医疗数据按预设比例进行划分，获取训练集和测试集；采用所述训练集中的目标医疗数据对长短时记忆网络模型进行训练，获取原始医疗模型；采用所述测试集中的目标医疗数据对所述原始医疗模型进行测试，获取目标医疗模型。2.如权利要求1所述的医疗模型训练方法，其特征在于，所述获取目标医疗数据包括：获取目标网页地址；采用爬虫工具爬取所述目标网页地址对应的网页，获取原始医疗数据；对所述原始医疗数据进行数据清洗，获取目标医疗数据。3.如权利要求1所述的医疗模型训练方法，其特征在于，所述采用所述训练集中的目标医疗数据对长短时记忆网络模型进行训练，获取原始医疗模型，包括：初始化长短时记忆网络模型；在所述长短时记忆网络模型中输入所述训练集中的目标医疗数据，计算所述长短时记忆网络模型各层的输出值；根据所述输出值对所述长短时记忆网络模型各层进行误差反传更新，获取更新后的所述各层的权值，其中，所述误差反传更新的表达式为其中，T表示时刻，W表示权值，B表示输出值，δ表示误差项，为上一时刻神经元的状态数据，bt-1h为上一时刻的输出值；基于更新后的所述各层的权值，获取原始医疗模型。4.如权利要求1所述的医疗模型训练方法，其特征在于，所述目标医疗数据包括一个实际疾病特征和对应的至少一个症状特征；所述采用所述测试集中的目标医疗数据对所述原始医疗模型进行测试，获取目标医疗模型，包括：将每一所述目标医疗数据中的至少一个所述症状特征输入到所述原始医疗模型进行测试，获取对应的预测医疗特征；获取同一所述目标医疗数据中所述实际疾病特征与所述预测医疗特征相匹配的识别数量；基于所述识别数量和所述测试集中所述的目标医疗数据的数据总量，获取识别准确率；若所述识别准确率大于预设准确率，则获取所述目标医疗模型。5.一种医疗识别方法，其特征在于，包括：获取用户的待测医疗数据，所述待测医疗数据包括至少一个症状特...

【专利技术属性】
技术研发人员：鲁宁，周凡，程诚，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44