基于冠心病诊断神经网络模型冠心病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冠心病诊断神经网络模型冠心病诊断方法及系统，该方法包括步骤：输入关于症状基本要素和其他特征的一个或几个词；将词输入预先训练完成的冠心病诊断神经网络模型，获得并输出患者的证候要素、证候、治法和/或药材基本要素信息。本实施例基于改进的Transformer模型是一种可以应用在中医复杂辩证思维的模型，模型为端对端模型，改进的Transformer模型中的Transformer模块映射关系不仅能解决线性映射关系，同时会有自适应模块，这种映射关系恰好满足了我们的需求去解决上述症状输入包括多种特征的情况下正确的药材对应关系，也使整个诊断结果更加准确。

【技术实现步骤摘要】
基于冠心病诊断神经网络模型冠心病诊断方法及系统
本专利技术涉及疾病诊断方法，具体涉及基于冠心病诊断神经网络模型冠心病诊断方法及系统。
技术介绍
随着互联网上社交方面以及专业领域自然语言数据的大规模增长，各种自然语言处理技术受到广泛的关注和应用。中医由于其特有的诊断方式，受到很多病患和研究人员的推崇。但是因为很多中医上的概念无法像西医一样可以量化，所以用深度学习或者其他算法来模拟和统计中医经验变得极其困难。中医根据其各个流派，诊断过程也会略有所不同。为了能够模拟出中医诊断思路从而开具处方的过程，利用和修改现有的自然语音识别语义理解模型来开具处方，中医的诊断流程具体如图1所示，中医讲究辩证，即通过望闻问切四诊收集到的东西综合分析，辨别清楚病人的病因，性质，部位和邪正之间的关系，然后推演出证候；所以确定合理的症候，再围绕症候开具处方成为了很关键的一步。经过与中医反复地讨论和摸索，构想出如图1的诊断过程：其中“1”代表通过病人的系列症状来判断证候要素的过程，“2”通过证候要素来确定治疗方法，“3”根据治疗方法给病人开具药方，“4”在主要推演过程中(“123”)，病人可能会有一些症状，证候要素无法覆盖，需要额外去处理，这样来确定治疗方法。“5”最终，有需要对病人的一些症状或体征进行特殊处理，比如病人有哮喘的症状，则对一些药物需要特殊禁忌，或者少开或者就需要从处方中去掉。现在的几种类型的中医诊疗方法的研究，没有一个合理的决策系统来实现病人的自然语言处理到开具药方的过程；传统的方法，比较合理的是基于决策树的决策系统，该模型如下公式1的层级式决策类模型结构：f(X)＝Pn(…P2(P1(x1),x2)…,xn),公式1X＝{x1,x2,x3,x4,x5…,xn}；x为输入症状公式2上述这种带有层级式的模型，存在以下问题：(1)实用性问题：病人需要一层一层的根据系统的提示回答症状，这种方法虽然在某种程度上增加了准确率，但是随着系统的逻辑变得复杂，需要回答的问题也越来越多，可能需要回答大概20～30个问题，才能够得到答案，运用起来繁琐且麻烦。(2)症状的输入顺序问题：某一症状的先输入和后输入可能会有完全不一样的输出结果，这其中最大的问题就是该系统会随着症状的增多，而变得越来越复杂。有鉴于此，亟需提供一种将中医的诊断思维进行模拟，并生成有效处方的冠心病诊断方法。
技术实现思路
为了解决上述技术问题，本专利技术所采用的技术方案是提供了一种基于冠心病诊断神经网络模型冠心病诊断方法，包括以下步骤：S1、输入关于症状基本要素和其他特征的一个或几个词；其他特征可为根据用户需求输入的性别、年龄、病史等等附属特征；将词输入预先训练完成的冠心病诊断神经网络模型，获得并输出患者的证候要素、证候、治法和/或药材基本要素信息；所述冠心病诊断神经网络模型为改进的Transformer模型，包括Embedding模块和三个Transformer模块，分别为Transformer1、Transformer2和Transformer3；两个Transformer模块之间设置连接一concat+Linear模块，分别为concat+Linear1与concat+Linear2；Embedding模块分别输出连接第一Transformer1、concat+Linear1和concat+Linear2；Transformer1与Transformer2分别连接一Linear模块。在上述方法中，所述Transformer模块包括MultiheadAttention层与Feedforward层，其中MultiheadAttention层完成以下计算：Q＝QWQ,K＝KWK,V＝VWVhead＝Attention(Q,K,V)Attention(Q,K,V)＝V×Softmax(KWa×QWb)其中，所有的W都是可学习变量，初始时刻初始化为服从正态分布的随机数，再由数据进行驱动，进行梯度反向传播，Q,K,V分别表示Queue,Key和Value向量。在上述方法中，所述Embedding模块包括Embedding模块与segmentEmbedding模块构成，Embedding模块用于处理输入的症状要素，segmentEmbedding模块用于处理输入的症状以外的要素；即Embeddingall＝Embeddingseg+Embedding{features}。在上述方法中，所述Embedding模块是将各个症状分别投射到64维向量。本专利技术还提供了一种基于冠心病诊断神经网络模型冠心病诊断系统，包括输入单元：输入关于症状基本要素和其他特征的一个或几个词；诊断单元：将词输入预先训练完成的冠心病诊断神经网络模型，从而获得患者的证候要素、证候、治法和/或药材基本要素信息；输出单元：输出患者的证候要素、证候、治法或药材基本要素信息；其中，所述诊疗神经网络模型包括所述冠心病诊断神经网络模型为改进的Transformer模型，包括Embedding模块和三个Transformer模块，分别为Transformer1、Transformer2和Transformer3；两个Transformer模块之间设置连接一concat+Linear模块，分别为concat+Linear1与concat+Linear2；Embedding模块分别输出连接第一Transformer1、concat+Linear1和concat+Linear2；Transformer1与Transformer2分别连接一Linear模块。在上述方案中，所述诊断单元包括训练子单元，包括数据输入模块：用于获取历史的症状数据集合；初始诊断模块：将症状数据集合随机分成训练集、验证集与测试集；再分别将相应的训练集、验证集中的医案数据输入至初始冠心病诊断神经网络模型进行模型训练，当达到训练条件时停止训练，得到训练好的冠心病诊断神经网络模型。在上述方案中，所述Transformer模块包括MultiheadAttention层与Feedforward层，其中MultiheadAttention层完成以下计算：Q＝QWQ,K＝KWK,V＝VWVhead＝Attention(Q,K,V)Attention(Q,K,V)＝V×Softmax(KWa×QWb)其中，所有的W都是可学习变量，初始时刻初始化为服从正态分布的随机数，再由数据进行驱动，进行梯度反向传播。本专利技术还提供了一种计算机设备，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如上述任一项所述基于冠心病诊断神经网络模型冠心病诊断方法。本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算本文档来自技高网...

【技术保护点】
1.基于冠心病诊断神经网络模型冠心病诊断方法，其特征在于，包括以下步骤：/nS1、输入关于症状基本要素和其他特征的一个或几个词；其他特征可为根据用户需求输入的性别、年龄、病史等等附属特征；/n将词输入预先训练完成的冠心病诊断神经网络模型，获得并输出患者的证候要素、证候、治法和/或药材基本要素信息；/n所述冠心病诊断神经网络模型为改进的Transformer模型，包括Embedding模块和三个Transformer模块，分别为Transformer1、Transformer2和Transformer3；/n两个Transformer模块之间设置连接一concat+Linear模块，分别为concat+Linear1与concat+Linear2；/nEmbedding模块分别输出连接第一Transformer1、concat+Linear1和concat+Linear2；/nTransformer1与Transformer2分别连接一Linear模块。/n

【技术特征摘要】
1.基于冠心病诊断神经网络模型冠心病诊断方法，其特征在于，包括以下步骤：
S1、输入关于症状基本要素和其他特征的一个或几个词；其他特征可为根据用户需求输入的性别、年龄、病史等等附属特征；
将词输入预先训练完成的冠心病诊断神经网络模型，获得并输出患者的证候要素、证候、治法和/或药材基本要素信息；
所述冠心病诊断神经网络模型为改进的Transformer模型，包括Embedding模块和三个Transformer模块，分别为Transformer1、Transformer2和Transformer3；
两个Transformer模块之间设置连接一concat+Linear模块，分别为concat+Linear1与concat+Linear2；
Embedding模块分别输出连接第一Transformer1、concat+Linear1和concat+Linear2；
Transformer1与Transformer2分别连接一Linear模块。


2.如权利要求1所述的基于冠心病诊断神经网络模型冠心病诊断方法，其特征在于，所述Transformer模块包括MultiheadAttention层与Feedforward层，其中
MultiheadAttention层完成以下计算：
Q＝QWQ，K＝KWK，V＝VWV
head＝Attention(Q，K，V)
Attention(Q，K，V)＝V×Softmax(KWa×QWb)
其中，所有的W都是可学习变量，初始时刻初始化为服从正态分布的随机数，再由数据进行驱动，进行梯度反向传播，Q，K，V分别表示Queue，Key和Value向量。


3.如权利要求1所述的基于冠心病诊断神经网络模型冠心病诊断方法，其特征在于，所述Embedding模块包括
Embedding模块与segmentEmbedding模块构成，Embedding模块用于处理输入的症状要素，segmentEmbedding模块用于处理输入的症状以外的要素；即
Embeddingall＝Embeddingseg+Embedding{features}。


4.如权利要求1-3任意一项所述的基于冠心病诊断神经网络模型冠心病诊断方法，其特征在于，所述Embedding模块是将各个症状分别投射到64维向量。


5.基于冠心病诊断神经网络模型冠心病诊断系统，其特征在于，包括
输入单元：输入关于症状基本要素和其...

【专利技术属性】
技术研发人员：杜强，李剑楠，郭雨晨，聂方兴，张兴，唐超，
申请(专利权)人：北京小白世纪网络科技有限公司，
类型：发明
国别省市：北京;11