一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法技术

本发明专利技术公开了一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法。本发明专利技术利用检验报告中的血液学参数和尿液学联合利用数据扩展技术训练深度学习模型，并得出符合要求的深度学习模型。利用经训练的深度学习模型，能协助医生做出疾病类型诊断，且具有初步自动分诊功能，克服了由人工诊断的主观因素而造成的诊断结果可信度不高的问题；缓解了由于培养医生时间成本高而造成的医疗资源缺乏和医疗资源分配不均匀的矛盾；加快了患者的就医流程，为综合医疗水平的发展奠定了一定的基础。

A method of automatic judgment of diabetes mellitus and its complications based on in-depth learning technology using physiological parameters

The invention discloses a method for automatically judging diabetes mellitus and its complications using physiological parameters based on deep learning technology. The method utilizes the hematological parameters and urinology in the inspection report to train the depth learning model by using the data expansion technology, and obtains the required depth learning model. The trained in-depth learning model can help doctors make diagnosis of disease types, and has the function of preliminary automatic triage, which overcomes the problem of low reliability of diagnosis results caused by subjective factors of artificial diagnosis, alleviates the contradiction between lack of medical resources and uneven distribution of medical resources caused by the high cost of training doctors, and speeds up the flow of patients to medical treatment. Cheng laid a foundation for the development of comprehensive medical care.

【技术实现步骤摘要】
一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法
本专利技术属于智能医疗诊断领域，涉及一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法。
技术介绍
人工智能因其在视频、图像识别领域具有超越人类专家的卓越性能，而在医疗图像诊断领域表现出了巨大的潜在推动力。虽然，人工智能在医疗图像诊断领域表现出了巨大潜力，但其在对文本类医学数据的识别诊断还存在着巨大挑战。糖尿病作为一种世界范围内的常见疾病。据统计，2017年全球18-99岁的糖尿病患者共4.51亿，这个数字预计在2045年将会上升至6.93亿，2017年全球范围内因糖尿病死亡的人数达五百万，糖尿病并发症更是影响人们的生活质量。血液学检测和尿液学检测通过其能准确反映多种生理参数而在胰岛素治疗方面提供了至关重要的管理导向作用，数值的不同反映了不同的健康状况，这就使根据数据进行临床诊断成为了可能。传统的医学诊断通常需要(1)咨询医生，开具检验申请。(2)项目检测。(3)等待检验报告，再返回医生处进行诊断。诊断结果受人类专家的水平因素、主观因素等影响，降低了诊断结果的可信度。同时，培养一个医生主要是由有经验的医师给予讲解、指导，再通过长期临床实践逐渐掌握。这一过程一般要花费几年甚至几十年的时间才能达到较高的水平，需要大量的人力资源与时间成本，加剧了医疗资源缺乏和医疗资源分配不均匀的矛盾。不利于综合医疗水平的发展。因此，提出一种能协助医生做出疾病类型诊断，精度高，稳定性好，信度高，具有初步自动分诊功能的自动判断糖尿病及其并发症方法对具有重要意义。
技术实现思路
本专利技术的目的是为了缓解临床诊断需要大量的人力资源与时间成本的现状；缓解医疗资源缺乏和医疗资源分配不均匀的矛盾，而提出能够协助医生检查病症的一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法。本专利技术是这样实现的：S1、训练深度学习模型；S2、根据检测报告输入生理信息；S3、给出初步诊断建议及分诊建议。可选的，训练深度学习模型包括：S11、数据的扩展；S12、数据的修正；S13、网络训练；S14、模型评价。可选的，所述数据的扩展包括：在不影响原始数据的情况下，对原始数据加入略微扰动，已到达扩充数据数量的目的。可选的，所述数据的修正包括：用一个靠近零的较小值量化检测结果为阴性的生理参数，而不是用0。可选的，网络训练包括：以患者检验报告中的血液学参数以及尿液学参数作为输入，以病人的疾病类型作为输出训练神经网络。整体神经网络利用随机梯度下降的方法更新参数。可选的，模型评价包括：从原始数据中抽取一部分与训练数据不同的数据作为验证数据集，以模型在验证数据集上的识别准确率作为评价模型的标准。当识别精度符合需要时则停止训练，否则修改参数继续训练。可选的，根据检测报告输入生理信息包括：将患者医院检验报告中的血液学参数和尿液学参数作为输入对未知结果的样本进行预测。可选的，给出初步诊断建议及分诊建议包括：深度学习模型输出即为初步的诊断建议。分诊建议可由分诊医生或者编写软件自动分诊予以实现。与现有技术相比，本专利技术的有益效果：利用深度学习技术协助医生进行初步的诊断与分诊，克服了由人工诊断的主观因素而造成的诊断结果可信度不高的问题；深度学习模型训练时间远少于培养医生所需要的时间，缓解了由于培养医生时间成本高而造成的医疗资源缺乏和医疗资源分配不均匀的矛盾；加快了患者的就医流程，为综合医疗水平的发展奠定了一定的基础。附图说明图1是本专利技术一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法的整体流程图；图2是本专利技术一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法深度学习模型的训练流程；图3是本专利技术一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法深度学习模型示意图；图4是本专利技术一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法深度学习模型识别准确率；图5是本专利技术一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法实施例所用参数类别。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，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。在不脱离本专利技术的原理情况下，对本专利技术实施例做出变化、修改、替换和变形都属于本专利技术保护的范围。本专利技术实施例提供了一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法，如图1所示，所述方法包括：S1、训练深度学习模型。具体的，训练深度学习模型的流程由图2所示。S11、数据的扩展。具体的，扩展学习算法被应用于实验中以解决数据过少的问题。我们以训练矩阵加上随机扰动矩阵的方法去扩展训练矩阵，原理如式1所示。Train＝Am×n+Dm×n(1)式中，Train为训练矩阵，Am×n为原始训练矩阵，Dm×n随机扰动矩阵。随机扰动矩阵的元素值应远小于原始训练矩阵，规模应与原始训练矩阵相同。所述的原始训练矩阵即为原始数据。每一个患者的所有血液学参数和尿液学参数构成一个特征向量，多个患者的数据即构成原始训练矩阵。S12、数据的修正。具体的，在检验报告中的血液学参数和尿液学参数中会存在“阴性”以及“+1”“+2”类的检验结果。本专利技术利用一个靠近零的较小值量化检测结果为“阴性”的生理参数，而不是用0；用1、2来量化“+1”“+2”的生理参数，该量化方法不唯一，也可以根据需求通过映射变化的方式对生理参数进行量化。S13、网络训练。具体的，本专利技术以患者检验报告中的血液学参数以及尿液学参数作为输入，以病人的疾病类型作为输出训练神经网络，具体的参数项目如图5所示。整体神经网络利用随机梯度下降的方法更新参数。具体的网络结构由图3所示。A为输入层，将扩展后的数据集作为输入，训练神经网络。B为一维卷积和最大池化层，该部分提取学习数据中隐含的特征信息。C为输出分类层，当同时判断多种疾病时，分类层的任务是多分类，因此本专利技术采用softmax函数作为分类函数。输出层采用one-hot形式，每一个神经元代表一种健康状况。Softmax函数由式2所示。具体的，当一个人同时患有多种疾病的时，本专利技术以排列组合的形式制作标签，例如糖尿病循环系并发症标记为1，同时患有糖尿病循环系并发症和糖尿病性神经病标为2，等等以便判断综合病症。具体的，本实施例以识别糖尿病循环系并发症，糖尿病性神经病，糖尿病性周身血管病变，高脂血症四种病症为例进行实验。具体的，本专利技术实施例的代价函数采用交叉熵代价函数，如式3所示。式中，n为样本数量，a为实际输出，y为目标输出。具体的，模型中采用ReLu函数做激活函数，同时采用Dropout技术。所述的Dropout技术即在训练神经网络时以一定的概率随机删除一些神经元，以使神经网络结构变得具有随机的多样性，增加模型的鲁棒性。S14、模型评价。具体的，本专利技术从原始数据中抽取一部分与训练数据不同的数据作为验证数据集，以模型在验证数据集上的识别准确率作为评价模型的标准。当识别精度符合需要时则停止训练，否则修改参数继续训练。本实施例的识别精度如图4所示。图中M1为本专利技术提出的深度学习模型，M2为LSTM算法，M3为SVM算法，M4为传统神经网络。S2、根据检测报告输入生理信息。具体的，根据患者的本文档来自技高网...

【技术保护点】
1.一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法，其特征在于，包括如下步骤：S1、训练深度学习模型；S2、根据检测报告输入生理信息；S3、给出初步诊断建议及分诊建议；上述训练深度学习模型包括：S11、数据的扩展；S12、数据的修正；S13、网络训练；S14、模型评价；所述数据的扩展包括：在不影响原始数据的情况下，对原始数据加入略微扰动，以到达扩充数据数量的目的；所述数据的修正包括：用一个靠近零的较小值量化检测结果为阴性的生理参数，而不是用0；所述网络训练包括：以患者检验报告中的血液学参数以及尿液学参数作为输入，以病人的疾病类型作为输出训练神经网络，整体神经网络利用随机梯度下降的方法更新参数；所述模型评价包括：从原始数据中抽取一部分与训练数据不同的数据作为验证数据集，以模型在验证数据集上的识别准确率作为评价模型的标准，当识别精度符合需要时则停止训练，否则修改参数继续训练；所述根据检测报告输入生理信息包括：将患者医院检验报告中的血液学参数和尿液学参数作为输入对未知结果的样本进行预测；所述给出初步诊断建议及分诊建议包括：深度学习模型输出即为初步的诊断建议，分诊建议可由分诊医生或者编写软件自动分诊予以实现。...

【技术特征摘要】
1.一种基于深度学习技术利用生理参数自动判断糖尿病及其并发症的方法，其特征在于，包括如下步骤：S1、训练深度学习模型；S2、根据检测报告输入生理信息；S3、给出初步诊断建议及分诊建议；上述训练深度学习模型包括：S11、数据的扩展；S12、数据的修正；S13、网络训练；S14、模型评价；所述数据的扩展包括：在不影响原始数据的情况下，对原始数据加入略微扰动，以到达扩充数据数量的目的；所述数据的修正包括：用一个靠近零的较小值量化检测结果为阴性的生理参数，而不是用0；所述网络训练包括：以患者检验报告中的血液学参数以及尿液学参数作为输入，以病人的疾病类型作为输出训练神经网络，整体神经网络利用随机梯度下降的方法更新参数；所述模型评价包括：从原始数据中抽取一部分与训练数据不同的数据作为验证数据集，以模型在验证数据集上的识别准确率作为评价模型的标准，当识别精度符合需要时则停止训练，否则修改参数继续训练；所述根据检测报告输入生理信息包括：将患者医院检验报告中的血液学参数和尿液学参数作为输入对未知结果的样本进行预测；所述给出初步诊断建议及分诊建议包括：深度学习模型输出即为初步的诊断建议，分诊建议可由分诊医生或者编写软件自动分诊予以实现。2.如权利要求1所...

【专利技术属性】
技术研发人员：刘玉良，张全，刘航，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津,12