智能疾病诊断方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开一种智能疾病诊断方法、装置、设备及可读存储介质。该智能疾病诊断方法包括：获取医疗数据，医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据医疗图像的正确诊断结果标注，对医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。

Intelligent Disease Diagnosis Method, Device, Equipment and Storage Medium

【技术实现步骤摘要】
智能疾病诊断方法、装置、设备及存储介质
本专利技术涉及智能医疗
，具体而言，涉及一种智能疾病诊断方法、装置、设备及可读存储介质。
技术介绍
智能疾病诊断是基于人工智能来判断个体是否患病以及患了何种疾病。由于原始的疾病诊断方法往往会受到决策者(如医生)本人的实际经验束缚，且易受到决策者当时的主观意识和外界环境的干扰，故而做出的诊断结果有可能偏差较大。另外，随着医疗水平的提高，医疗数据复杂化、高维化、特征差异缩小化，越来越需要新的智能的疾病诊断方法来提升疾病诊断的准确率。在所述
技术介绍
部分公开的上述信息仅用于加强对本专利技术的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
有鉴于此，本专利技术提供一种智能疾病诊断方法、装置、设备及可读存储介质。本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。根据本专利技术的一方面，提供一种智能疾病诊断方法，包括：获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。根据本专利技术的一实施方式，根据所述医疗图像，确定智能疾病诊断模型包括：获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得智能疾病诊断模型。根据本专利技术的一实施方式，根据所述医疗图像，确定智能疾病诊断模型包括：获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得训练模型；获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型；以及当所述训练模型被验证为最优训练模型时，确定所述训练模型为所述智能疾病诊断模型。根据本专利技术的一实施方式，获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型包括：通过损失函数对所述训练模型的系统参数进行迭代处理；每次迭代更新后，计算所述训练模型在所述验证集上所述损失函数的值；根据所述损失函数的值绘制损失函数曲线；以及当所述损失函数曲线收敛时，所述训练模型的损失函数最小，确定所述训练模型为所述最优训练模型。根据本专利技术的一实施方式，上述方法还包括：采用K折交叉验证，在所述验证集上计算所述智能疾病诊断模型的损失函数；以及确定使得所述损失函数最小的模型参数作为所述智能疾病诊断模型的系统参数；其中，所述系统参数包括：学习率、神经网络层数。根据本专利技术的一实施方式，获取医疗数据包括：从已构建的区块链网络中获取其存储的医疗数据。根据本专利技术的一实施方式，在从已构建的区块链网络中获取其存储的医疗数据之前，上述方法还包括：以医疗营业机构为节点，构建所述区块链网络。根据本专利技术的一实施方式，在从已构建的区块链网络中获取其存储的医疗数据之前，上述方法还包括：以预设的数据存储结构存储所述医疗数据。根据本专利技术的另一方面，提供一种智能疾病诊断装置，包括：数据获取模块，用于获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；图像分类模块，用于根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；疾病编码模块，用于为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；系统确定模块，用于根据所述医疗图像，确定智能疾病诊断模型；图像输入模块，用于将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及诊断确定模块，用于根据所述患者的疾病诊断信息，确定所述患者的诊断结果。根据本专利技术的再一方面，提供一种计算机设备，包括：存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令，所述处理器执行所述可执行指令时实现如上述任意一种方法。根据本专利技术的再一方面，提供一种计算机可读存储介质，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如上述任意一种方法。根据本专利技术提供的智能疾病诊断方法还可利用区块链技术存储的信息具有非常好的隐私保护效果及区块链技术所具有的公开透明、可追溯及不易篡改等特点，对包括大量医疗图像的医疗数据进行存储。并基于这些存储的医疗数据，确定智能疾病诊断模型，从而根据该智能疾病诊断模型来对疾病进行智能诊断。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本专利技术。附图说明通过参照附图详细描述其示例实施例，本专利技术的上述和其它目标、特征及优点将变得更加显而易见。图1是根据一示例性实施方式示出的一种智能疾病诊断方法的流程图。图2是根据一示例性实施方式示出的另一种智能疾病诊断方法的流程图。图3是根据一示例性实施方式示出的再一种智能疾病诊断方法的流程图。图4是根据一示例性实施方式示出的一种智能疾病诊断装置的框图。图5是根据一示例性实施方式示出的另一种智能疾病诊断装置的框图。图6是根据一示例性实施方式示出的一种电子设备的结构示意图。图7是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。具体实施方式现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本专利技术将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本专利技术的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本专利技术的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本专利技术的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本专利技术的各方面变得模糊。图1是根据一示例性实施方式示出的一种智能疾病诊断方法的流程图。参考图1，智能疾病诊断方法10包括：在步骤S102中，获取医疗数据。医疗数据包括：医疗图像及其对应的正确诊断结果标注。医疗图像例如可以包括：CT(ComputedTomography，电子计算机断层扫描)医疗影像、MRI(MagneticResonanceImaging，核磁共振)医疗影像、超声波医疗影像等。并且这些医疗图像均被标注上了与其对应的正确诊断结果。在一些实施例中，例如可以从已构建的区块链网络中获取其储存的医疗数据。基于区块链技术，可对从其不同节点上传的大量医疗图像进行存储。区块链技术是利用区块链式数据结构来验证与存储数据、利用分布式节点共识算法来生成和更新数据、利用密码学的方式保证数据传输和访问本文档来自技高网...

【技术保护点】
1.一种智能疾病诊断方法，其特征在于，包括：获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。

【技术特征摘要】
1.一种智能疾病诊断方法，其特征在于，包括：获取医疗数据，所述医疗数据包括：医疗图像及其对应的正确诊断结果标注；根据所述医疗图像的正确诊断结果标注，对所述医疗图像进行分类，每一类对应一种疾病类型；为每种疾病类型进行编码，并根据每种疾病类型的编码值，将所述医疗数据中每一张医疗图像的正确诊断结果标注转换为标签；根据所述医疗图像，确定智能疾病诊断模型；将患者的医疗图像输入至所述智能疾病诊断模型中，以获取所述患者的疾病诊断信息，所述疾病诊断信息包括：所述患者被诊断为患上各种疾病的概率值；以及根据所述患者的疾病诊断信息，确定所述患者的诊断结果。2.根据权利要求1所述的方法，其特征在于，根据所述医疗图像，确定智能疾病诊断模型包括：获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得智能疾病诊断模型。3.根据权利要求1所述的方法，其特征在于，根据所述医疗图像，确定智能疾病诊断模型包括：获取处理后的所述医疗图像中的一部分作为训练集对一卷积神经网络进行训练，获得训练模型；获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型；以及当所述训练模型被验证为最优训练模型时，确定所述训练模型为所述智能疾病诊断模型。4.根据权利要求3所述的方法，其特征在于，获取处理后的所述医疗图像中的另一部分作为验证集，并根据所述验证集验证所述训练模型是否为最优训练模型包括：通过损失函数对所述训练模型的系统参数进行迭代处理；每次迭代更新后，计算所述训练模型在所述验证集上所述损失函数的值；根据所述损失函数的值绘制损失函数曲线；以及当所述损失函数曲线收敛时，所述训练模型的损失函数最小，确定所述训练模型为所述最优训练模...

【专利技术属性】
技术研发人员：李夫路，梁爽，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：北京,11