一种基于CMKMC的人机协同智慧医疗辅助决策系统技术方案

本发明专利技术涉及基于CMKMC的人机协同智慧医疗辅助决策系统，包括：疾病初诊模块，将临床数据匹配动态医疗认知属性知识库的疾病节点属性，以确定临床疾病疑似病范围、提供临床检查指导，获取初诊结果；精确诊断模块，将疾病初诊模块无法确诊对应的临床数据通过机器学习诊断网络集群以进行疑似病量化患病风险概率分析，获得精诊结果；综合诊断模块，将针对临床疑难疾病的机器学习网络集群精确诊断结果与医疗认知属性知识库中的初诊节点信息进行校验，综合评估获取诊断结论；自进化模块，对系统误诊病例进行分析和再学习，更新医疗认知属性知识库推理路径及节点属性，并调整机器学习诊断网络集群内部参数。本发明专利技术具有诊断准确率高、自进化的特点。

A CMKMC-based Man-Machine Cooperative Intelligent Medical Assistant Decision-Making System

【技术实现步骤摘要】
一种基于CMKMC的人机协同智慧医疗辅助决策系统
本专利技术属于人工智能
以及智慧医疗
，具体涉及一种基于CMKMC的人机协同智慧医疗辅助决策系统，融合动态医疗认知属性知识库与机器学习诊断网络集群，基于人机协同会诊机制，辅助临床决策。
技术介绍
当前临床医疗决策主要由医疗从业人员结合自身经验与患者相关检查报告确定，其结果通常与医疗从业人员自身的水平有很大关系。随着现代社会对于医疗服务质量的要求不断提高，对于医疗从业人员的质量与数量要求也不断提升。而合格的职业医疗从业人员的培养速度却远没有跟上当今医疗体系建设的需求，造成大量的医疗从业人员数量与质量的不足。经国家卫生局统计，截止2018年，中国有近十四亿人口，而执业医师数量不足三百多万，其中有经验的高水平医师人数极少；且我国仅有不到10％的医院被认为是高水平的医疗机构，但却需要治疗全国一半以上的病人。足见优质医疗资源的短缺与不平衡是中国医疗行业面临的十分严峻的问题。医疗机构的从业医生工作负担繁重，统计数据表明在大型医疗机构的门诊医生从会见病人到作出诊断的时间一般不超过十五分钟。医生工作压力的急剧增加以及诊断思考时间的显著减少也造成了医疗质量的下降。AI技术支持下的智慧医疗辅助决策技术是近年新兴的研究热点之一，其本质是应用人工智能、机器学习技术对医疗大数据特征进行归纳与总结，并生成对应的诊断网络用于当前患者的临床疾病诊断当中，辅助医生进行临床决策。智慧医疗技术在提高医生工作效率的同时还能平衡医疗资源，使医疗条件落后的地区也能够获得较高质量的智慧诊疗服务。智慧医疗辅助决策系统对提高临床疾病的诊断效率有着重要意义。一方面，在人工智能辅助诊断网络的帮助下，智慧医疗辅助决策系统节约了患者的疾病确诊时间，使医生可以在更短的时间内做出更为准确的医疗决策。另一方面，由于智慧医疗辅助决策系统建立在大量的临床数据分析的基础上，可以更加全面的评估患者的状态，降低误诊漏诊的风险。因此，智慧医疗辅助决策能够减轻医生的工作负担，提高医疗效率，并缓解我国大多数医疗机构存在的临床医疗资源不足的情况。然而，当前智慧医疗辅助临床决策系统还存在以下问题：①由于AI网络的黑箱特点，当前系统大多只能作出疾病“是或不是”的二元结论，无法提供具体诊断过程。使得医生对系统的辅助诊断依据是否合理无法作出判断，降低了临床实用价值。②系统没有与临床医学认知紧密结合，因此无法自动校验机器学习网络的诊断结论是否正确。③系统过度依赖机器学习网络的辅助诊断功能，未对临床疾病建立分级诊断机制，导致系统在实际临床过程中的可诊断疾病范围受到限制。
技术实现思路
基于现有技术中存在的上述不足，本专利技术提供一种基于CMKMC的人机协同智慧医疗辅助决策系统，融合动态医疗认知属性知识库与机器学习诊断网络集群，基于人机协同会诊机制，辅助临床决策。为实现上述目的，本专利技术采用以下技术方案：一种基于CMKMC的人机协同智慧医疗辅助决策系统，包括：疾病初诊模块，用于将临床数据匹配动态医疗认知属性知识库的疾病节点属性，以确定临床疾病疑似病范围、提供临床检查指导，获取初诊结果；精确诊断模块，用于将疾病初诊模块无法确诊对应的临床数据通过机器学习诊断网络集群以进行疑似病量化患病风险概率分析，获得精诊结果；综合诊断模块，用于将针对临床疑难疾病的机器学习网络集群精确诊断结果与医疗认知属性知识库中的初诊节点信息进行校验，综合评估获取诊断结论；自进化模块，用于对系统误诊病例进行分析和再学习，更新医疗认知属性知识库推理路径及节点属性，并调整机器学习诊断网络集群内部参数。作为优选方案，所述疾病初诊模块中的动态医疗认知属性知识库包括多个临床疾病节点实体、节点属性以及节点之间的认知推理路径；其中，临床疾病节点实体由临床表现子节点实体与临床检查子节点实体组成；临床表现子节点实体由多组临床症状表现组成，临床检查子节点实体由多种临床检查手段组成；节点之间的认知推理路径，以当前临床医疗认知为基础，基于临床医疗大数据的分析与知识总结归纳，以关键临床特征为判断特征，建立逻辑推理关系，将临床医疗认知具化为多条连接各节点的认知推理路径。作为优选方案，所述精确诊断模块包括数据补全层、集群诊断层和结论融合层；数据补全层，用于对临床检查数据的缺失数据，采用数理统计、回归分析、数据拟合对其进行补全；集群诊断层，用于通过数个相互独立的基础机器学习诊断网络，对补全后的临床数据做出各自的独立诊断分析；结论融合层，用于对集群诊断层输出的结果进行综合决策，获得精确诊断结果。作为优选方案，所述集群诊断层中数个相互独立的基础机器学习诊断网络包括SVC、RBF-NN、ANFIS、NaiveBayes。作为优选方案，所述结论融合层包含集成分析层与决策返回层，所述集成分析层用于采用多个集成学习器对集群诊断层输出的结果进行综合决策，并最终提供患病概率估计；所述决策返回层，用于为系统返回其中风险概率最高的三种疾病诊断结果及其对应的风险概率值。作为优选方案，所述集成分析层中的多个集成学习器包括Adaboost、Logistic回归、随机森林、ID3决策树、Bagger加权平均。作为优选方案，所述综合诊断模块包括校验分析模块、诊断分析模块和临床检查指导模块；校验分析模块用于将精诊结果中对应患病风险高于预设阈值的几种疾病与初诊结果的疾病怀疑范围进行校验分析；诊断分析模块，用于将系统初诊节点与精诊结果相符或不相符的疾病节点中所对应的临床表现属性分析结果及推理路径与初诊、精诊结果一并输出以辅助医生决策；临床检查指导模块，用于增加所需的临床检查反馈给医生。作为优选方案，所述自进化模块包括误诊病例分析模块、误诊样本再学习模块、特征提取模块和无监督训练分析模块；所述误诊病例分析模块用于在误诊样本数量积累到设定阈值后分析误诊样本的属性和特征；所述误诊样本再学习模块用于对误诊样本进行二次学习，更新机器学习网络的诊断概率期望，从而进化机器学习网络集群；所述特征提取模块，用于对类似病例提取疾病主要特征；所述无监督聚类分析模块用于寻找疾病节点之间潜在的联系，建立认知推理路径；当之前没有建立关系的疾病节点或节点属性之间的联系超过阈值并得到相应的确认之后，更新动态认知属性知识库中的节点属性与逻辑通路。本专利技术与现有技术相比，有益效果是：(1)动态医疗认知属性知识库的建立与进化能够快速缩小疾病的怀疑范围，作出临床检查指导，同时给出清晰的诊断分析路径，帮助医生提升自身医疗水平的同时，提高了针对一般病症的临床诊疗效率，缩短了患者确诊时间。(2)机器学习诊断网络集群基于临床大数据分析，能够精确量化疾病患病风险概率供临床医生参考。进一步提高了诊断准确率的同时更有效的解决了针对疑难病症的鉴别诊断难的问题。(3)基于CMKMC的人机协同智慧医疗辅助决策系统，融合动态医疗认知属性知识库与机器学习诊断网络集群，以人机协同会诊机制为主导综合诊断，三者互相印证，互相监督，互相学习，最大程度的提高了诊断结果的可靠性，准确性与时效性，显著增强了系统的临床使用价值。(4)系统在临床疾病实验中，证明了本专利技术CMKMC智慧医疗疾病诊断系统的诊断准确率高，对多个科室的不同临床疾病均能给出较为准确的诊断结果，整体诊断准确率为95.27％，并且对于每一种疾病均具本文档来自技高网...

【技术保护点】
1.一种基于CMKMC的人机协同智慧医疗辅助决策系统，其特征在于，包括：疾病初诊模块，用于将临床数据匹配动态医疗认知属性知识库的疾病节点属性，以确定临床疾病疑似病范围、提供临床检查指导，获取初诊结果；精确诊断模块，用于将疾病初诊模块无法确诊对应的临床数据通过机器学习诊断网络集群以进行疑似病量化患病风险概率分析，获得精诊结果；综合诊断模块，用于将针对临床疑难疾病的机器学习网络集群精确诊断结果与医疗认知属性知识库中的初诊节点信息进行校验，综合评估获取诊断结论；自进化模块，用于对系统误诊病例进行分析和再学习，更新医疗认知属性知识库推理路径及节点属性，并调整机器学习诊断网络集群内部参数。

【技术特征摘要】
1.一种基于CMKMC的人机协同智慧医疗辅助决策系统，其特征在于，包括：疾病初诊模块，用于将临床数据匹配动态医疗认知属性知识库的疾病节点属性，以确定临床疾病疑似病范围、提供临床检查指导，获取初诊结果；精确诊断模块，用于将疾病初诊模块无法确诊对应的临床数据通过机器学习诊断网络集群以进行疑似病量化患病风险概率分析，获得精诊结果；综合诊断模块，用于将针对临床疑难疾病的机器学习网络集群精确诊断结果与医疗认知属性知识库中的初诊节点信息进行校验，综合评估获取诊断结论；自进化模块，用于对系统误诊病例进行分析和再学习，更新医疗认知属性知识库推理路径及节点属性，并调整机器学习诊断网络集群内部参数。2.根据权利要求1所述的一种基于CMKMC的人机协同智慧医疗辅助决策系统，其特征在于，所述疾病初诊模块中的动态医疗认知属性知识库包括多个临床疾病节点实体、节点属性以及节点之间的认知推理路径；其中，临床疾病节点实体由临床表现子节点实体与临床检查子节点实体组成；临床表现子节点实体由多组临床症状表现组成，临床检查子节点实体由多种临床检查手段组成；节点之间的认知推理路径，以当前临床医疗认知为基础，基于临床医疗大数据的分析与知识总结归纳，以关键临床特征为判断特征，建立逻辑推理关系，将临床医疗认知具化为多条连接各节点的认知推理路径。3.根据权利要求1所述的一种基于CMKMC的人机协同智慧医疗辅助决策系统，其特征在于，所述精确诊断模块包括数据补全层、集群诊断层和结论融合层；数据补全层，用于对临床检查数据的缺失数据，采用数理统计、回归分析、数据拟合对其进行补全；集群诊断层，用于通过数个相互独立的基础机器学习诊断网络，对补全后的临床数据做出各自的独立诊断分析；结论融合层，用于对集群诊断层输出的结果进行综合决策，获得精确诊断结果。4.根据权利要求3所述的一种基于CMKMC的人机协同智慧医疗辅助决策系统，其特征在于，所述集群诊断层中数个相互独立的基础机器学习诊...

【专利技术属性】
技术研发人员：閤兰花，唐继斐，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33